Почечно-клеточный рак (ПКР) входит в 14 наиболее распространённых злокачественных новообразований по данным ВОЗ. Ранняя диагностика ПКР позволяет предотвратить прогрессирование заболевания и снизить летальность. Авторы разработали модель машинного обучения (МО) с применением техник инженерии признаков для прогнозирования почечно-клеточного рака на основе клинических данных.

Для улучшения качества данных применялись: генерация взаимодействующих признаков (категоризация по ИМТ, рСКФ, радиографическому размеру), бинарные флаги клинического риска на основе пороговых значений и отсечение коррелирующих признаков (correlation pruning) для удаления избыточных параметров. Семь алгоритмов машинного обучения были протестированы на трёх публичных наборах данных. Оценка проводилась по точности (accuracy), прецизионности (precision), чувствительности/отзыву (recall/sensitivity), специфичности, F1-метрике и коэффициенту корреляции Мэттьюса (MCC).

Многоуровневый персептрон (Multilevel Perceptron, MLP) продемонстрировал наилучшую производительность среди всех алгоритмов с точностью 98%, 96% и 100% на трёх различных наборах данных соответственно. Для визуализации значимости признаков использовался метод объяснимого ИИ — SHapley Additive exPlanations (SHAP).

Предложенная модель обеспечивает эффективный метод прогнозирования почечно-клеточного рака с сокращённым временем вычислений на основе клинических параметров, что может быть применимо для скрининга и раннего выявления заболевания.