Рак молочной железы — это злокачественное новообразование, возникающее из клеток ткани молочной железы. Он развивается, когда клетки груди начинают бесконтрольно делиться, теряя способность к естественной смерти (апоптозу), что приводит к образованию опухоли. Наиболее часто рак развивается в клетках протоков (протоковая карцинома) или долек (дольковая карцинома), реже — в других структурах молочной железы.
") остается одной из самых распространённых и смертоносных форм онкологии у женщин. Несмотря на стремительное развитие методов диагностики и лечения, раннее выявление и точное прогнозирование остаются серьезным вызовом. Иранская группа учёных провела комплексное исследование, в котором объединила возможности нанотехнологий, иммуногистохимии и алгоритмов машинного обучения (МО), чтобы значительно повысить точность диагностики и оценку риска рецидива [рака груди](https://omrst.ru/glossary/breast-cancers "Рак груди (рак молочной железы) — это злокачественное новообразование, возникающее в тканях молочной железы. Это одно из самых распространённых онкологических заболеваний у женщин во всём мире. Болезнь может развиваться как медленно, так и агрессивно, распространяясь на лимфатические узлы и другие органы.
"). Исследование было проведено на базе клинических данных Института рака Мотамеда в Тегеране. Были проанализированы записи 300 пациенток с использованием набора показателей, среди которых — статус HER2, рецепторы эстрогена (ER) и прогестерона (PR), индекс пролиферации Ki-67, история неоадъювантной терапии и возраст. Особое внимание уделялось интеграции данных с инновационного нанобиосенсора CDP, способного в режиме реального времени определять биохимические маркеры, связанные с раковой активностью, включая уровень RAS. CDP-сенсор работает на принципах электрохимии с высокой чувствительностью, что позволяет фиксировать экспрессию раковых биомолекул в тканях. В совокупности с результатами иммуногистохимии, такой подход даёт более объемную картину опухолевого профиля. На основании этих данных была проведена классификация с использованием алгоритмов SVM, случайного леса (RF), логистической регрессии, дерева решений, KNN и искусственных нейронных сетей. Применение методов отбора признаков, расстояния Махаланобиса и анализа главных компонент (PCA) позволило сократить размерность данных и устранить выбросы. Для устранения дисбаланса классов использовался алгоритм SMOTE, синтетически увеличивающий представленность редких (положительных) примеров. После балансировки обучающей выборки алгоритмы прошли оценку по таким метрикам, как точность, полнота и чувствительность. Наилучшие результаты показала модель Random Forest, достигнув AUC 0,87 и стабильных значений точности на уровне 86%, чувствительности — 84% и специфичности — 88%. SVM обеспечила максимальную точность предсказаний — до 94%, что делает её ценным инструментом в ситуациях, требующих минимизации ложноположительных результатов. Логистическая регрессия и KNN также продемонстрировали высокую предсказательную способность, в то время как дерево решений и ANN уступали по точности и стабильности. Анализ важности признаков методом Джини показал, что наиболее значимыми переменными стали возраст, экспрессия HER2, Ki-67, рецепторы ER и PR, а также факт проведения неоадъювантной терапии. Эти данные подтверждаются и тепловой корреляционной матрицей, где была выявлена сильная положительная связь между ER и PR (0,98), а также между Ki-67 и обоими рецепторами, что указывает на биологическую связанность этих маркеров. Применение метода k-кратной перекрестной проверки продемонстрировало высокую устойчивость модели Random Forest к изменению обучающей выборки, в отличие от SVM и логистической регрессии, чья точность варьировалась. Таким образом, ансамблевая модель RF была признана наиболее надёжной и универсальной для классификации и прогнозирования риска рака груди в рамках этого исследования. Отдельно стоит отметить значимость HER2 и Ki-67 — два маркера, тесно связанные с агрессивностью [опухоли](https://omrst.ru/glossary/tumor "Опухоль — это патологическое образование, возникающее в результате неконтролируемого деления клеток. Она может быть доброкачественной (не распространяется на другие органы) или злокачественной (способна к метастазированию и разрушению окружающих тканей).
"). Высокий уровень Ki-67 говорит о быстрой пролиферации [клеток](https://omrst.ru/glossary/cell "Клетка — это основная структурная и функциональная единица живого организма. Все ткани и органы человека состоят из клеток, каждая из которых выполняет уникальные функции, необходимые для жизни и поддержания здоровья.
"), что ухудшает прогноз, но также делает [опухоль](https://omrst.ru/glossary/tumor "Опухоль — это патологическое образование, возникающее в результате неконтролируемого деления клеток. Она может быть доброкачественной (не распространяется на другие органы) или злокачественной (способна к метастазированию и разрушению окружающих тканей).
") более чувствительной к определённым видам [химиотерапии](https://omrst.ru/glossary/chemotherapy "Химиотерапия — это метод системного лечения рака, при котором используются препараты, подавляющие рост и деление опухолевых клеток. Она может применяться как основной метод терапии, так и в сочетании с хирургическим вмешательством, лучевой терапией или иммунотерапией.
"). HER2-положительные опухоли ранее считались крайне неблагоприятными, однако таргетные препараты (такие как трастузумаб и пертузумаб) кардинально улучшили выживаемость пациенток. Исследование подчеркнуло ценность интеграции нанобиосенсоров с традиционными клиническими маркерами и алгоритмами МО для персонализированной онкологической диагностики. Особенно важным является тот факт, что методика продемонстрировала эффективность даже при относительно малом объёме выборки (300 записей), что делает её перспективной для применения в условиях ограниченного доступа к большим наборам данных. В перспективе команда планирует расширить исследование за счёт многоцентрового сбора данных и внедрения CDP-сенсора в рутинную клиническую практику. Среди потенциальных направлений: раннее выявление микрометастазов, прогноз эффективности терапии и помощь в принятии решений о хирургическом объёме вмешательства. Таким образом, комбинированный подход с использованием наносенсоров, ИГХ-анализа и машинного обучения демонстрирует мощный потенциал для трансформации диагностики рака груди, делая её более точной, ранней и персонализированной. **Ссылка:** «Улучшение диагностики рака груди с помощью алгоритмов машинного обучения» [ DOI: 10.1038/s41598-025-07628-9.](https://www.nature.com/articles/s41598-025-07628-9 "DOI: 10.1038/s41598-025-07628-9") - Связанные статьи: [Гибридный алгоритм MSCOA-ELM: новый шаг в прогнозировании рака груди с точностью 100%](https://omrst.ru/106,2025) | [Домашний тест на рак груди по слюне: биосенсор с точностью 100% может изменить диагностику](https://omrst.ru/97,2025) | [ИИ усиливает точность диагностики рака груди: новые данные о взаимодействии врача и алгоритма](https://omrst.ru/42,2025) | [ИИ-диагностика в онкологии: новая модель точно распознаёт рак груди на МРТ и объясняет свои выводы](https://omrst.ru/58,2025) | [Наносоли цезия: новая стратегия «троянского коня» против рака груди](https://omrst.ru/191,2025) | [Неинвазивный прогноз выживаемости при трижды негативном раке груди: 20-признаковая МРТ-сигнатура заменяет молекулярный анализ](https://omrst.ru/83,2025) - Похожие материалы: [Как в режиме реального времени меняется лечение метастатического рака груди: проект EVOLVE и его научная значимость](https://omrst.ru/17,2025) | [Как воспаление и иммунные сбои ускоряют рак груди у женщин в постменопаузе: новые молекулярные мишени для лечения](https://omrst.ru/6,2025) | [Как изменения плотности груди во времени влияют на риск развития рака молочной железы: новые данные скрининга](https://omrst.ru/36,2025) Загрузка следующей статьи...