Комбинация MALDI-TOF масс-спектрометрии сыворотки крови с восемью алгоритмами машинного обучения позволила создать модель ранней диагностики рака легкого с AUC близким к 1 на основе девяти пептидных биомаркеров у 774 участников.

Ретроспективное исследование 508 пациентов с КРР выявило частоту химиоиндуцированной диареи и разработало модель машинного обучения для оценки риска (AUC 0.88). Наибольший вклад вносят общий билирубин и применение иринотекана.

Исследователи предлагают встроить оценку справедливости моделей ИИ в статистическую систему тестов эквивалентности с предварительным определением критериев и расчётом необходимого размера выборки, демонстрируя на онкологических моделях, что реалистичный размер выборки может быть достаточным для одних метрик производительности и недостаточным для других.

Валидированы семь моделей машинного обучения, интегрирующих AI-количественные и семантические КТ-признаки для стратификации риска инвазивности субсолидных узлов лёгкого; модель random forest показала AUC 0,959 на внешней валидации.

Двухцентровое исследование (n=284) показало, что радиомные модели на основе МРТ превосходят клинические данные в дискриминации high-grade менингиом на внешней валидации (AUC 0.719–0.863 vs 0.663), однако объединённая клинико-радиомная модель не продемонстрировала статистически значимого преимущества.

Разработана и валидирована интерпретируемая модель машинного обучения для ранней стратификации риска образования фибринового чехла у полностью имплантируемых венозных портов. XGBoost-linear показал AUC 0.891 и 0.904 в валидационных когортах, ключевыми предикторами стали пространственные параметры катетера.

Ретроспективное сравнение 10 семейств моделей машинного обучения, включая self-supervised трансформеры и foundation-модели, показало, что ни одна не превзошла логистическую регрессию (AUROC 0.757) в прогнозе CIN2+ у 879 женщин, направленных на кольпоскопию. Shapley-атрибуция выявила идентичную иерархию предикторов во всех моделях: решающий вклад вносила оценка клинициста (39–50% дискриминации), затем цитология, ВПЧ-тестирование, данные кольпоскопии и анамнез.

Исследователи разработали интерпретируемую модель машинного обучения для предсказания рака яичников на основе данных 78 209 участниц скрининга PLCO. Ансамбль K-Nearest Neighbors и AdaBoost достиг точности 0.76 и AUROC 0.84 на тестовой выборке, используя 20 предикторов, включая возраст, CA-125 и анкетные данные.

Исследование на основе базы данных SEER (n=2117) показало, что алгоритм градиентного бустинга (GBM) превосходит другие методы машинного обучения в прогнозировании выживаемости пациентов с редкой и агрессивной нейроэндокринной карциномой мочевого пузыря, демонстрируя AUC 0.846 для 1-летней выживаемости.

Комбинация сетевой фармакологии, машинного обучения и экспериментальной валидации выявила механизм действия артемизинина при раке желудка: подавление ERK/MAPK-сигналинга и снижение экспрессии TOP2A, CCNB2 и CCNA2.