Защита_проекта_Гамма_нож

1.

Прогнозирование
интракраниальной
прогрессии у пациентов
с метастазами в
головной мозг после
радиохирургии:
применение
ансамблевых методов
машинного обучения
Выполнил: Кузьмин К.Д. Учебное заведение: Центральный университет
Москва, 2026

2.

Почему это важно?
Актуальность
20–40%
50–80%
Метастазы в головной
мозг
При некоторых формах
рака
у онкологических пациентов
до 50–80%
30–60%
Прогрессия после
радиохирургии
у пациентов после «Гамма-ножа»
Проблема: После радиохирургии на «Гамма-ноже» у 30–60% пациентов развивается
прогрессия. Нет точных инструментов для прогнозирования риска.
Ключевой вопрос: Как заранее определить, у кого из пациентов будет
прогрессия?

3.

Цель и задачи исследования
Цель
Задачи
Разработать прогностическую модель для
1. Провести анализ клинических данных
предсказания интракраниальной прогрессии после
2. Создать новые информативные признаки
радиохирургии на аппарате «Гамма-нож»
3. Обучить и сравнить модели машинного обучения
4. Сформировать ансамбль моделей
5. Интерпретировать результаты с помощью SHAP и
LIME
6. Оценить клиническую значимость факторов риска

4.

Объект и материалы
исследования
Исходные данные
872 пациента (до очистки)
Проблема: дисбаланс классов
548 пациентов (после очистки)
Класс 1
(прогрессия)
Класс 0 (без
прогрессии)
Структура
67.3%
32.7%
Обучающая выборка: 548 пациентов, 18 признаков
Тестовая выборка: 44 пациента, 18 признаков
Решение
Добавлено 6 новых признаков → всего 24 признака

5.

Какие данные использовались?
Группы признаков
Группа
Признаки
Демографические
Возраст, Пол
Клинические
Диагноз, Индекс Карновского
Опухолевые
Число очагов, Объём очагов
Лечебные
Процедуры, ОВГМ, Операция, Терапия
Временные
Время до МГМ, Время до РХ
Генетические
Активирующие мутации
Добавленные признаки
объём на процедуру, очаги на
процедуру
таргетная терапия × объём очагов
Всего: 24 признака
отношение объёма к числу очагов
возраст × индекс Карновского
время метастазирования / время
реагирования

6.

Как я готовил данные?
Этапы предобработки
01
02
Очистка данных
Создание новых признаков
Удаление записей с пропущенными значениями
6 новых признаков → всего 24 признака
Удаление выбросов (метод межквартильных размахов)
03
04
Нормализация
Балансировка классов
StandardScaler (среднее = 0, дисперсия = 1)
SMOTE (k=3) — создание синтетических примеров
меньшего класса

7.

Корреляционная матрица
Топ-10 признаков по корреляции с
прогрессией
№
Признак
Корреляция
1
Число РХ процедур
+0.3984
2
объём_на_процедуру
+0.2675
3
Число очагов
+0.1221
4
Индекс Карновского
−0.1047
5
Таргетная терапия
−0.0952
Матрица корреляций
Визуализация слева помогает быстро увидеть, какие признаки связаны с прогрессией сильнее всего, а
какие имеют обратную связь.