Оценка риска развития хронического гепатита C на основе эвристических алгоритмов классификации

Материалы статьи предназначены для специалистов в области машинного обучения для организации технологий повышения качества информационного восприятия и интерпретации измерений в практике принятия врачебных решений. В статье предлагается способ выбора, настройки и тестирования классификатора в условиях дефицита априорной информации используемых данных. Это актуально, когда на начальном этапе научных исследований формируются малые выборки измерений биологических объектов и их систем, нелинейные свойства которых часто приводят к несостоятельности статистических критериев. Тем не менее, согласованность «неудобных» распределений должна выражаться в адекватном ответе программы содействия врачебному решению. Исходя из этого, определяется цель – выбор метода решения из предлагаемого множества способов машинной настройки разделения признаков. Большая часть алгоритмов настройки – эвристические, где останов параметрического оценивания базируется на критериях минимизации энтропии как косвенной максимизации принятой информации. Главная задача – это определение алгоритма обучения и настройки регрессии классификации с явным прогностическим поведением подобия статистической сходимости минимизируемых ошибок. Это гарант повышения качества классификации рисков при тривиальном увеличении экземпляров обучения. Особенности рассматриваемого случая заключается в двойственности характера прогрессирования хронического гепатита C (ХГС) у детей: с коинфекцией ВИЧ и собственно ХГС. Отсюда и возникает проблема нахождения единых условий метрической минимизации ошибок при оценке риска развития ХГС на базе методов машинного обучения. На небольших выборках были исследованы данные с целью выявления значимых параметров для эвристической идентификации присутствия рисков развития основного и сопутствующих заболеваний. В этом исследовании применялось несколько методов неглубокого машинного обучения регрессий, в основном использующие эвристические решения вероятностного разделения признаков. В статье выборочно описано применение некоторых основных методов обучения с учетом их особенностей при технологической проверке классификаторов риска.

1. Hasan N., Bao Yu. Understanding current states of machine learning approaches in medical informatics: a systematic literature review. Health and Technology. 2021;11(3):471–482. https://doi.org/10.1007/s12553-021-00538-6

2. Majzoobi M.M., Namdar S., Najafi-Vosough R., Hajilooi A.A., Mahjub H. Prediction of Hepatitis disease using ensemble learning methods. Journal of Preventive Medicine and Hygiene. 2022;63(3):E424–E428. https://doi.org/10.15167/2421-4248/jpmh2022.63.3.2515

3. Moulaei K., Sharifi H., Bahaadinbeigy K., Haghdoost A.A., Nasiri N. Machine learning for prediction of viral hepatitis: A systematic review and meta-analysis. International Journal of Medical Informatics. 2023;179. https://doi.org/10.1016/j.ijmedinf.2023.105243

4. Самоходская Л.М., Старостина Е.Е., Сулимов А.В., Краснова Т.Н., Розина Т.П., Авдеев В.Г., Савкин И.А., Сулимов В.Б., Мухин Н.А., Ткачук В.А., Садовничий В.А. Прогнозирование особенностей течения хронического гепатита C с использованием байесовских сетей. Терапевтический архив. 2019;91(2):32–39. https://doi.org/10.26442/00403660.2019.02.000076

5. Kashif A.A., Bakhtawar B., Akhtar A., Akhtar S., Aziz N., Javeid M.S. Treatment Response Prediction in Hepatitis C Patients using Machine Learning Techniques. International Journal of Technology, Innovation and Management (IJTIM). 2021;1(2):79–89. https://doi.org/10.54489/ijtim.v1i2.24

6. Rosen H.R. Chronic Hepatitis C Infection. New England Journal of Medicine. 2011;364(25):2429–2438. https://doi.org/10.1056/NEJMcp1006613

7. Crisan D., Radu C., Grigorescu M.D., Lupsor M., Feier D., Grigorescu M. Prospective Non-Invasive Follow-up of Liver Fibrosis in Patients with Chronic hepatitis C. Journal of Gastrointestinal and Liver Diseases. 2012;21(4):375–382.

8. Zhang D., Liu X., Shao M., Sun Y., Lian Q., Zhang H. The value of artificial intelligence and imaging diagnosis in the fight against COVID-19. Personal and Ubiquitous Computing. 2023;27(3):783–792. https://doi.org/10.1007/s00779-021-01522-7

9. Pieczkiewicz D.S., Finkelstein S.M. Evaluating the decision accuracy and speed of clinical data visualizations. Journal of the American Medical Informatics Association. 2010;17(2):178–181. https://doi.org/10.1136/jamia.2009.001651

10. Alizargar A., Chang Y.-L., Tan T.-H. Performance Comparison of Machine Learning Approaches on Hepatitis C Prediction Employing Data Mining Techniques. Bioengineering. 2023;10(4). https://doi.org/10.3390/bioengineering10040481

11. Harabor V., Mogos R., Nechita A., Adam A.-M., Adam G., Melinte-Popescu A.-S., Melinte-Popescu M., Stuparu-Cretu M., Vasilache I.-A., Mihalceanu E., Carauleanu A., Bivoleanu A., Harabor A. Machine Learning Approaches for the Prediction of Hepatitis B and C Seropositivity. International Journal of Environmental Research and Public Health. 2023;20(3). https://doi.org/10.3390/ijerph20032380

12. Krittanawong C., Virk H.U.H., Bangalore S., Wang Z., Johnson K.W., Pinotti R., Zhang H., Kaplin S., Narasimhan B., Kitai T., Baber U., Halperin J.L., Tang W.H.W. Machine learning prediction in cardiovascular diseases: a meta-analysis. Scientific Reports. 2020;10. https://doi.org/10.1038/s41598-020-72685-1

13. Konerman M.A., Beste L.A., Van T., Liu B., Zhang X., Zhu J., Saini S.D., Su G.L., Nallamothu B.K., Ioannou G.N., Waljee A.K. Machine learning models to predict disease progression among veterans with hepatitis C virus. PLoS One. 2019;14(1). https://doi.org/10.1371/journal.pone.0208141

14. Roslina A.H., Noraziah A. Prediction of hepatitis prognosis using Support Vector Machines and Wrapper Method. In: 2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery, 10–12 August 2010, Yantai, China. IEEE; 2010. pp. 2209–2211. https://doi.org/10.1109/FSKD.2010.5569542

15. Hossen M.S., Haque I., Sarkar P.R., Islam M.A., Fahim W.A., Khatun T. Examining The Risk Factors of Liver Disease: A Machine Learning Approach. In: 2022 7th International Conference on Communication and Electronics Systems (ICCES), 22–24 June 2022, Coimbatore, India. IEEE; 2022. pp. 1249–1257. https://doi.org/10.1109/ICCES54183.2022.9835732

16. KayvanJoo A.H., Ebrahimi M., Haqshenas G. Prediction of hepatitis C virus interferon/ribavirin therapy outcome based on viral nucleotide attributes using machine learning algorithms. BMC Research Notes. 2014;7(1). https://doi.org/10.1186/1756-0500-7-565

17. Park H., Lo-Ciganic W.-H., Huang J., Wu Y., Henry L., Peter J., Sulkowski M., Nelson D.R. Evaluation of machine learning algorithms for predicting direct-acting antiviral treatment failure among patients with chronic hepatitis C infection. Scientific Reports. 2022;12(1). https://doi.org/10.1038/s41598-022-22819-4

18. Chen L., Ji P., Ma Y. Machine Learning Model for Hepatitis C Diagnosis Customized to Each Patient. IEEE Access. 2022;10:106655–106672. https://doi.org/10.1109/ACCESS.2022.3210347

19. Singh K.R., Gupta R., Kadian R.K., Singh R. An Optimized XGBoost approach for Predicting Progression of Hepatitis C using Hyperparameter Tuning and Feature Interaction Constraint. In: 2022 2nd Asian Conference on Innovation in Technology (ASIANCON), 26–28 August 2022, Ravet, India. IEEE; 2022. pp. 1–8. https://doi.org/10.1109/ASIANCON55314.2022.9909086

20. Singh U., Gourisaria M.K., Mishra B.K. A Dual Dataset approach for the diagnosis of Hepatitis C Virus using Machine Learning. In: 2022 IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT), 08–10 July 2022, Bangalore, India. IEEE; 2022. pp. 1–6. https://doi.org/10.1109/CONECCT55679.2022.9865758

21. Farooq S.A. The Multi-Class Detection of Five Stages of Hepatitis C Using the Machine Learning Based Random Forest Algorithm. In: 2023 World Conference on Communication & Computing (WCONF), 14–16 July 2023, Raipur, India. IEEE; 2023. pp. 1–6. https://doi.org/10.1109/WCONF58270.2023.10235157

22. Lilhore U.K., Manoharan P., Sandhu J.K., Simaiya S., Dalal S., Baqasah A.M., Alsafyani M., Alroobaea R., Keshta I., Raahemifar K. Hybrid model for precise hepatitis-C classification using improved random forest and SVM method. Scientific Reports. 2023;13(1). https://doi.org/10.1038/s41598-023-36605-3

23. Ali A.M., Hassan M.R., Aburub F., Alauthman M., Aldweesh A., Al-Qerem A., Jebreen I., Nabot A. Explainable Machine Learning Approach for Hepatitis C Diagnosis Using SFS Feature Selection. Machines. 2023;11(3). https://doi.org/10.3390/machines11030391

24. Ara A., Sami A., Michael D.L., Bazgir E., Mandal P. Hepatitis C prediction using SVM, logistic regression and decision tree. World Journal of Advanced Research and Reviews. 2024;22(02):926–936. https://doi.org/10.30574/wjarr.2024.22.2.1483

25. Mahmud M., Budiman I., Indriani F., Kartini D., Faisal M.R., Rozaq H.A.A., Yildiz O., Caesarendra W. Implementation of C5.0 Algorithm using Chi-Square Feature Selection for Early Detection of Hepatitis C Disease. Journal of Electronics, Electromedical Engineering, and Medical Informatics. 2024;6(2):116–124. https://doi.org/10.35882/jeeemi.v6i2.384

26. Yefou U.N., Choudja P.O.M., Sow B., Adejumo A. Optimized Machine Learning Models for Hepatitis C Prediction: Leveraging Optuna for Hyperparameter Tuning and Streamlit for Model Deployment. In: Pan-African Conference on Artificial Intelligence: Part I, 5–6 October 2023, Addis Ababa, Ethiopia. Cham: Springer; 2023. pp. 88–100. https://doi.org/10.1007/978-3-031-57624-9_5

27. Zhang L., Wang J., Chang R., Wang W. Investigation of the effectiveness of a classification method based on improved DAE feature extraction for hepatitis C prediction. Scientific Reports. 2024;14(1). https://doi.org/10.1038/s41598-024-59785-y

28. Бакулин И.Г., Дианова Н.Х., Сандлер Ю.Г., Простов М.Ю. Математические модели прогнозирования лейкопении и нейтропении у больных хроническим гепатитом С на фоне интерферон-содержащих схем. Архивъ внутренней медицины. 2016;6(5):53–62. https://doi.org/10.20514/2226-6704-2016-6-5-53-62

29. Астафьев А.Н. Методика дифференциальной диагностики нозологической формы вирусного гепатита с применением нейронной сети каскадной корреляции. Моделирование, оптимизация и информационные технологии. 2019;7(3). https://doi.org/10.26102/2310-6018/2019.26.3.028

30. Теряева М.А., Борисова О.В., Палевская С.А., Гущин А.В.; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации. Программа оценки риска прогрессирования хронического гепатита С у детей с коинфекцией ВИЧ № 2023668604: опубл. 30.08.2023. Свидетельство о государственной регистрации программы для ЭВМ № 2023616384 Российская Федерация. Зарегистрировано в реестре программ для ЭВМ.