МАШИННОЕ ОБУЧЕНИЕ ДЛЯ КОМПЛЕКСНОЙ ОЦЕНКИ РИСКА СЕРДЕЧНО-СОСУДИСТЫХ ЗАБОЛЕВАНИЙ И БИОХИМИЧЕСКИХ ИЗМЕНЕНИЙ: АКЦЕНТ НА АСПАРТАТАМИНОТРАНСФЕРАЗЕ

Аңдатпа

Бұл зерттеуде жүрек-қан тамырлары ауруларының қауіп факторларын талдау үшін машинамен оқыту әдістерінің әртүрлі тәсілдері қарастырылды. Болжамдық модельдерді құру барысында екі әдіс қолданылды — XGBoost және конволюциялық нейрондық желі (CNN). Негізгі назар әр модельдің классификация және регрессия міндеттеріндегі өнімділігін, сондай-ақ холестерин, ферритин, гомоцистеин және аспартатаминотрансфераза (AST) сияқты негізгі биомаркерлер мен қауіп факторларын анықтау қабілетін бағалауға аударылды. XGBoost алгоритмінің параметрлері кестелік деректермен жұмыс істеуге бейімделіп, тәуекелді дәл болжауда жоғары нәтижелер көрсетті. Ал CNN моделі, оқыту жиынында қателік деңгейі тез төмендегенімен, валидациялық деректерді талдауда артық үйрену белгілерін көрсетті. Орташа квадраттық қате (MSE), детерминация коэффициенті (R²), Акаике критерийі (AIC) және Байес ақпараттық критерийі (BIC) сияқты метрикалар бойынша жүргізілген салыстыру модельдер арасындағы айтарлықтай айырмашылықтарды анықтады. Нәтижелер XGBoost моделінің кестелік деректерді өңдеуде және қауіп факторлары туралы ақпаратты жинақтауда тиімді екенін дәлелдеді, ал CNN моделіне сирек деректермен жұмыс істеу үшін қосымша оңтайландыру қажет. Бұл зерттеу сенімді жүрек-қан тамырлары ауруларын диагностикалау үшін модель архитектурасы мен оқыту параметрлерін дұрыс таңдаудың маңыздылығын көрсетеді.