Преза проекта

1.

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

2.

Актуальность проблемы
Метастазы в
головной мозг
«Гамма-нож»
20–40% онкологических
случаев
Локальный контроль в 80–90%
пациентов
Интракраниальна
я прогрессия
Развивается у 30–60%
пациентов
Проблема
Решение
Сегодня врачи не могут точно
Моя работа направлена на
предсказать этот риск
создание такого инструмента

3.

Цели и задачи исследования
Цель
Задачи
Создание прогностической модели для оценки
1. Разработать модель машинного обучения на основе
риска интракраниальной прогрессии
клинических данных
2. Выявить ключевые факторы, влияющие на прогрессию
3. Обеспечить интерпретируемость прогнозов для врачей

4.

Характеристика данных
Параметр
Значение
Источник данных
Центр «Гамма-нож» (Москва)
Период
2005–2017 гг.
Исходная выборка
872 пациента
Финальная выборка
548 пациентов
Признаки
18 → 24 (после генерации)
Целевая переменная
Интракраниальная прогрессия

5.

Категории и признаки
Категория
Признаки
Демографические
Пол, возраст
Анамнестические
Онкологический диагноз, активирующие мутации, время от диагноза до МГМ, время от
МГМ до РХ
Опухолевый процесс
Число очагов, суммарный объем, объем максимального очага, экстракраниальные
метастазы
Параметры лечения
Число процедур на ГН, ОВГМ, операция на ГМ, лекарственное лечение
Функциональный статус
Индекс Карновского
Целевая переменная
Исходно
После преобразования
4 категории (нет, ЛР, ДМ, ЛР+ДМ)
Бинарная (0 — нет прогрессии, 1 — прогрессия)

6.

Этапы предобработки
Очистка данных
Кодирование
Исключение признаков с пропусками >30%
One-hot кодирование категориальных признаков
Заполнение пропусков: медиана (числовые), мода
Стандартизация числовых признаков
(категориальные)
Замена выбросов граничными значениями (IQRметод)

7.

Создание производных признаков
Объем на
процедуру
Очаги на
процедуру
Отношение объема
к очагам
Опухолевая нагрузка на один
Количество очагов на сеанс
Средний размер очага
сеанс
Возраст × Карновский
Интегральный функциональный статус
Метастазирование/реагирован
ие
Темпы прогрессирования

8.

Дисбаланс классов
и SMOTE
Исходное
распределение
Решение: SMOTE
sampling Technique
Класс 0 (нет прогрессии):
~70%
Класс 1 (прогрессия): ~30%
Synthetic Minority Over-
Генерация синтетических
примеров миноритарного
класса
Увеличение выборки: 504
→ 680 наблюдений

9.

Модели машинного обучения
Рассмотренные алгоритмы
Метрики
Логистическая регрессия
F1-score — основная метрика
Random Forest
Balanced Accuracy, ROC-AUC, Recall, Precision
XGBoost
LightGBM
CatBoost
Voting Ensemble (ансамбль голосования)

10.

Сравнение моделей (5-Fold CV)
Модель
F1-score
ROC-AUC
CatBoost
0.8134
0.8250
Ensemble
0.7990
0.8147
XGBoost
0.7898
0.7897
Random Forest
0.7810
0.8088
LightGBM
0.7752
0.7868
Logistic Regression
0.7302
0.7574

11.

Результаты на тестовой выборке
CatBoost с порогом 0.45:
Метрика
Значение
Accuracy
61.4%
Sensitivity (Recall)
65.5%
Specificity
53.3%
Precision
73.1%
F1-score
69.1%

12.

Матрица ошибок на тестовой выборке
ПРЕДСКАЗАНО Нет
ПРЕДСКАЗАНО Прогрессия
ФАКТ Нет
8
7
ФАКТ Прогрессия
10
19
Интерпретация:
✅ Истинно положительные
❌ Ложноотрицательные
19 — правильно предсказана прогрессия
10 — прогрессия пропущена
✅ Истинно отрицательные
❌ Ложноположительные
8 — правильно предсказано отсутствие
7 — ложная тревога

13.

Интерпретация модели: SHAPанализ
Топ-5 факторов прогрессии:
1
2
3
4
5
Объем на процедуру
Опухолевая нагрузка на сеанс
Число процедур на «Гамма-нож»
Кратность лечения
Индекс Карновского
Функциональный статус
Отношение объема к очагам
Размер очагов
Операция на головном мозге
Хирургический анамнез
Как интерпретировать:
Высокий риск
Низкий риск
Большой объем на процедуру + низкий Карновский →
высокий риск
Малый объем на процедуру + высокий Карновский →
низкий риск

14.

Локальная
интерпретация
(LIME)
Пациент 1
(прогрессия, 72%)
Пациент 2 (без
прогрессии)
Высокий объем на
Мало очагов → риск ↓
процедуру → риск ↑
Высокий функциональный
Много очагов → риск ↑
Низкий индекс
Карновского → риск ↑
статус → риск ↓
Отсутствие
экстракраниальных
метастазов → риск ↓

15.

Практическое применение разработки
Для врачей:
Инструмент поддержки принятия
решений
Стратификация пациентов по
группам риска
Оптимизация тактики наблюдения
и лечения
Своевременное выявление
высокого риска
Улучшение прогноза заболевания
Для пациентов:
Персонализированный подход

16.

Ограничения исследования
1. Относительно небольшой
объем выборки (548
пациентов)
2. Данные только одного
медицинского центра
3. Наличие пропущенных
значений
4. Отсутствие молекулярногенетических данных
Пути решения:
Внешняя валидация на данных
Включение дополнительных
Разработка онлайн-
других центров
молекулярных маркеров
калькулятора

17.

Выводы
1
Разработана прогностическая
модель CatBoost с F1-score 0.8134
2
Выявлены ключевые факторы
прогрессии:
Объем на процедуру (наиболее значимый)
Число процедур на «Гамма-нож»
Индекс Карновского
3
Обеспечена интерпретируемость
прогнозов (SHAP + LIME)
4
Модель готова к внедрению в
клиническую практику

18.

Спасибо за внимание!
Вопросы?