Эффективность ранней диагностики рака легкого по составу выдыхаемого воздуха на основе нейросетевого и мультимодального подхода

Введение. Пятилетняя выживаемость больных раком легких (РЛ) составляет 22 %. Успешный исход борьбы с этим заболеванием во многом зависит от его выявления на ранних стадиях. Развитие РЛ определяется факторами риска: курением, профессиональными экспозициями, инфекциями, генетической предрасположенностью, наличием хронических заболеваний и др. Принятие во внимание факторов риска позволит повысить эффективность автоматизированных газоаналитических комплексов диагностики РЛ по выдыхаемому воздуху. Такие комплексы являются перспективными для применения масштабируемых алгоритмов нейросетевой обработки данных для неинвазивной диагностики РЛ на ранних стадиях. Цель исследования – оценка эффективности метода диагностики рака легкого по выдыхаемому воздуху на основе данных от 100 добровольцев и улучшение его характеристик путем применения мультимодального подхода, учитывающего состав выдыхаемого воздуха и факторы риска заболевания. Материал и методы. В базу данных, наряду с пробами выдыхаемого воздуха, включались данные анамнеза. Для обработки данных применялись нейронные сети с вариацией архитектур, обеспечивающие улучшение показателей эффективности диагностики. Набор данных для обучения нейросестевых классификаторов включал пробы выдыхаемого воздуха от 100 добровольцев, из них 47 здоровых лиц по данным диспансеризации и 53 пациента с морфологически подтвержденным РЛ. В качестве факторов риска заболевания анализировались возраст, факт курения и наличие хронической обструктивной болезни легких (ХОБЛ). Результаты. Интеграция данных, включающих состав выдыхаемого воздуха и факторы риска РЛ, при обработке единой нейронной сетью приводит к увеличению ее первоначальной мономодальной архитектуры на 3 %. Учет сравнительно небольшого количества факторов риска, таких как возраст, пол, курение и наличие ХОБЛ, позволяет повысить чувствительность классификатора на 1,89 %, специфичность – на 6,39 %. Лучшие показатели обобщающей способности нейросетевого классификатора достигаются при двухпоточной гибридной модели с нормализацией. Заключение. Учет данных анамнеза, таких как возраст, курение и наличие ХОБЛ, дополнительно к показателям состава выдыхаемого воздуха в едином нейросетевом классификаторе позволяет повысить точность диагностики рака легкого по выдыхаемому воздуху в среднем на 4 %. Этот эффект и расширение учитываемых факторов риска при диагностике рака легкого по выдыхаемому воздуху позволят повысить достоверность результатов скрининга.