Исследование выполнено на датасете Wisconsin Diagnostic Breast Cancer, включавшем 569 образцов тонкоигольной аспирационной биопсии (212 злокачественных и 357 доброкачественных), представленных 30 ядерными признаками, полученными из изображений. Семь алгоритмов машинного обучения сравнивались с использованием вложенной стратифицированной перекрёстной валидации (5 внешних и 4 внутренних fold). Оценивались ROC-AUC, precision-recall, калибровка вероятностей, пороги принятия решений, анализ кривых решений, важность признаков и редукция признаков с контролем утечки данных.

SVM с радиальной базисной функцией достигла ROC-AUC 0.995, тогда как интерпретируемая линейная SVM показала 0.994 без статистически значимого различия с radial basis function SVM или логистической регрессией. Для линейной SVM пороги Youden дали на hold-out выборке точность 0.981, чувствительность 0.962, специфичность 0.992, F1-score 0.974 и коэффициент корреляции Мэтьюса 0.959. При пороговой стратегии, приоритизирующей чувствительность, последняя возросла до 0.991 при специфичности 0.866. Brier score составил 0.021. Текстура ядра, размер, симметрия и контурные характеристики внесли наибольший вклад в интерпретацию модели. Модель с 20 признаками (с контролем утечки) сохранила ROC-AUC 0.996 и precision-recall AUC 0.994.

Платформа интегрирует количественную цитопатологию с воспроизводимой оценкой моделей в когерентную обучающую последовательность. Распределение ядерных признаков и паттерны их важности связывают клеточную морфологию с диагностическим мышлением; сравнение классификаторов, калибровка и матрицы ошибок иллюстрируют различные аспекты производительности модели; альтернативные рабочие пороги показывают, как прогностические вероятности трансформируются в диагностические решения. Вложенная валидация и анализ с редукцией признаков предоставляют практические примеры для обучения разделению данных, избыточности признаков, интерпретируемости и критической оценке медицинского ИИ. Этот общий аналитический путь создаёт case-based материал для образования в цитопатологии, онкологии и междисциплинарной медицинской data science.