В статье представлен сравнительный анализ алгоритмов машинного обучения, применяемых для ранней диагностики онкологических заболеваний. В работе рассмотрены алгоритмы Random Forest, XGBoost, AdaBoost и другие, протестированные на различных клинических задачах, таких как рак шейки матки, лёгких и кожи. Особое внимание уделено ансамблевым методам, которые продемонстрировали наивысшую точность, особенно алгоритму Random Forest (случайный лес). Подчёркивается универсальность изучаемых методов, их адаптивность к разнородным медицинским данным и потенциал для разработки интеллектуальных систем поддержки принятия клинических решений.

Данная исследовательская работа посвящена проблеме классификации патологий на снимках компьютерной томо!рафии почек с использованием глубоких нейронных сетей, которая анализирует не только бинарную классификацию типа «норма/патология», но и сложные вопросы дифференциальной диагностики между патологиями. В работе также предложен комбинаторный подход к классификации патологий, в котором показано, что первоначально постановка общего диагноза с использованием четырехфакторной модели классификации, а в сомнительных случаях дополнительное обследование с использованием бинарных или тернарных моделей, приемлемо для клинической практики.