Automated Diagnosis in a Population-Based Screening for Lung Cancer

Abstract

Oncologists nowadays are faced with big amount of heterogeneous medical data of diagnostic studies. Possible errors in determining the nature and extent of spread the tumor process will inevitably reduce the effectiveness of treatment and increase the unnecessary costs to it. To reduce the burden on clinicians, various computer-aided solutions based on machine learning algorithms are being developed. We made an attempt to evaluate effectiveness of thirteen machine learning algorithms in the tasks of classification of pathologic tissue samples in cancerous thorax based on gene expression levels. For a preliminary study we used open data set of molecular genetics composition of lung adenocarcinoma and pleural mesothelioma. Effectiveness of machine learning algorithms was evaluated by Matthews correlation coefficient and Area Under ROC Curve. Best results were showed by two methods: Bayesian logistic regression and Discriminative Multinomial Naive Bayes classifier. Nevertheless, all of the methods were effective at automatic discrimination of two types of cancer. That proves machine learning algorithms are applicable in lung cancer classification. In the future studies it will be carried out a similar analysis of the diagnostic value of methods for other malignancies with more complex differential morphological diagnosis. Similar methods can be applied to other diagnostic studies including computerized tomography image analysis in the differential diagnosis of lung nodules.

The Use of Ontology in Screening for Cancer

“…Вопросы онкологии, 2017. том 63, № 2 УДК 616-006.04-004.822 А.А. Барчук 2,3 , В.С. гайдуков 1 , А.М.…”

“…Канаев 2 , А.В. нефедова 2 онтология в информатике -это попытка всеобъемлющей и подробной формализации некоторой области знаний с помощью концептуальной схемы. обычно такая схема состоит из структуры данных, содержащей все релевантные (субъективно соответствующие в моменте времени) классы объектов, их связи и правила (теоремы, ограничения), принятые в этой области.…”

“…При этом выделяют три группы на основе значения единиц хаунсфилда: плотный (твердый) [14,17], неплотный (нетвердый) узел, или узел по типу чистого матового стекла [14,18], и частично плотный (полутвердый) узел, или узел по типу смешанного матового стекла. Другими факторами и условиями, которые влияют на дальнейшие диагностические процедуры, являются размер (диаметр, или объём) узла и динамика его изменения [2]. так, например, рекомендации по дальнейшему наблюдению в случае обнаружения нетвердых узлов приведены на рис.…”