Zašto je strojno učenje važno za predviđanje bolesti štitnjače

Poremećaji štitnjače, uključujući hipotireozu, hipertireozu i maligne bolesti štitnjače, spadaju među najčešća metabolička i endokrina stanja diljem svijeta. Tradicionalna dijagnoza oslanja se na kliničke simptome, fizički pregled i biokemijske analize. Ove analize mjere razine hormona štitnjače, kao što su tireostimulirajući hormon (TSH), slobodni T3 i slobodni T4, te protutijela štitnjače (TPOAb). Osim toga, dijagnoza koristi ultrazvučne preglede i biopsije tankom iglom. Iako su uspostavljeni protokoli korisni, standardne kliničke granične vrijednosti ponekad mogu propustiti suptilne disfunkcije ili ne uspjeti uhvatiti složene individualne fiziološke varijacije. Strojno učenje (ML) postalo je sve važnije u predviđanju bolesti štitnjače rješavanjem složenih dijagnostičkih varijabli i smanjenjem dijagnostičkih pogrešaka.

Nadzirani i nenadzirani modeli učenja

Svi modeli strojnog učenja mogu se podijeliti u dvije kategorije: nadzirane i nenadzirane modele učenja, ovisno o podacima s kojima rade. Nadzirani modeli, kao što su logistička regresija, stabla odlučivanja i neuronske mreže, rade s označenim podacima koji sadrže eksplicitno definirane ishode. Na primjer, svaki uzorak ima unaprijed definiranu ciljnu oznaku poput „hipotireoidan“ ili „eutireoidan“. Ovi modeli generiraju predviđanja na novim neoznačenim podacima, obično nazvanim validacijskim uzorcima. U tu svrhu koriste obučene prediktivne vrijednosti iz skupa za obuku označenih podataka.

Nenadzirani modeli, kao što je K-means klasteriranje, rade s neoznačenim podacima kako bi otkrili skrivene obrasce ili temeljne strukturne distribucije bez unaprijed definiranih ciljnih oznaka.

Modeli logističke regresije

Logistička regresija (LR) je temeljni statistički model i model strojnog učenja. Ona preslikava ulazne značajke u vjerojatnosni rezultat pomoću sigmoidne funkcije. Za predviđanje bolesti štitnjače često služi kao snažan osnovni model, postižući visoku točnost klasifikacije na strukturiranim skupovima podataka o štitnjači. Budući da model daje eksplicitne regresijske koeficijente, medicinski istraživači ih mogu izravno prevesti u omjere izgleda (odds ratios). Ti omjeri kvantificiraju koliko promjena jedne jedinice u biomarkeru, poput TSH-a, mijenja rizik od poremećaja štitnjače.

Međutim, LR se oslanja na ručno unaprijed modelirane odnose između ishoda i prediktora, često zahtijevajući ručni inženjering značajki i složenu normalizaciju podataka. Često, medicinski karton pacijenta ima nedostajuće laboratorijske vrijednosti, kao što je neizmjereni test slobodnog T3. Stoga se podaci koji nedostaju moraju prethodno obraditi tehnikama imputacije.

Stabla odlučivanja i ekstremno pojačavanje gradijenta

Stabla odlučivanja su neparametarski nadzirani modeli učenja koji rekurzivno dijele podatke na temelju pragova značajki. Na primjer, ti pragovi mogu biti specifične granične vrijednosti za razine TSH-a ili slobodnog T4. Ovi modeli učinkovito bilježe nelinearne odnose i interakcije između različitih kliničkih parametara, kao što su dob, spol i hormonski profili. Za razliku od LR modela, ne zahtijevaju složenu normalizaciju podataka.

XGBoost je napredni okvir za ansambl pojačavanja gradijenta koji gradi sekvencijalna stabla odlučivanja, gdje svako novo stablo ispravlja preostale pogreške prethodnih. XGBoost se dosljedno svrstava među najbolje algoritme za tablične medicinske skupove podataka minimiziranjem pristranosti i varijance, sprječavanjem prekomjernog prilagođavanja na bučnim kliničkim skupovima podataka i učinkovitim rukovanjem nedostajućim vrijednostima.

Neuronske mreže za predviđanje bolesti štitnjače

Nedavna napredovanja u dubokom učenju dramatično su poboljšala način na koji neuronske mreže obrađuju podatke za predviđanje i klasifikaciju bolesti štitnjače. Na primjer, obrađuju slikovne podatke, poput ultrazvučnih snimaka, i numeričke podatke, poput dobi, spola i razine TSH-a.

Medicinsko snimanje, posebno ultrazvuk štitnjače, oslanja se na konvolucijske neuronske mreže (CNN, prikazane na Slici 1) i specijalizirane arhitekture dubokog učenja za razlikovanje benignih i malignih čvorova štitnjače. Istraživači često koriste standardne ili ponovno obučene osnovne CNN-ove, poput ResNeta, putem prijenosnog učenja za procjenu radiomijskih značajki kao što su oblik čvora, rubovi, ehogenost i kalcifikacije.

Zajednički prediktivni modeli, kao što su hibridni i fuzijski modeli radiomike i kliničkih podataka, spajaju numeričke metrike pacijenata s kvantitativnim radiomijskim značajkama slike. Spajanje ovih tokova podataka pomaže optimizirati dijagnostičke radne procese i minimizira potrebu za invazivnim biopsijama tankom iglom na benignim čvorovima.

Slika 1. Radni proces za klasifikaciju čvorova štitnjače pomoću konvolucijskih neuronskih mreža s ResNet18 i ekstrakcijom značajki. Indikatori evaluacije koriste se za procjenu učinka klasifikacije modela. Osim toga, korištena je toplinska karta za vizualizaciju rezultata predviđanja, pomoću koje su autori ekstrahirali i analizirali istaknuta područja. Prilagođeno iz J. Yang et al 2022 [5].

Kako strojno učenje može promijeniti kliničku praksu

U predviđanju bolesti štitnjače, evaluacija performansi osigurava visoke standarde validacije i pouzdanost prije implementacije. Na primjer, evaluacija koristi metrike poput AUC-a, F1 rezultata, preciznosti i odziva. Osim toga, ekstrakcija značajki izolira bitne kliničke varijable i radiomijske biomarkere kako bi se rano uhvatile suptilne fiziološke varijacije.

Pristranost i objašnjivost u predviđanju bolesti štitnjače

Ključni potencijalni rizici povezani s gotovo svakim naprednim ML modelom uključuju algoritamsku pristranost iz nereprezentativnih skupova podataka za obuku. Osim toga, priroda „crne kutije“ otežava kliničku interpretaciju. Da bismo ispravili pristranost, moramo izgraditi skupove za obuku koji istinski predstavljaju raznolike skupine pacijenata. Također moramo koristiti pametne prilagodbe podataka kako bismo spriječili pojavu zdravstvenih nejednakosti.

Rješavanje problema „crne kutije“ uključuje integraciju okvira objašnjive umjetne inteligencije, kao što su SHapley Additive exPlanations (SHAP, prikazano na Slici 2). Ovi okviri, zauzvrat, matematički izlažu kako specifične značajke pokreću predviđanje. Održavanje ovih alata sigurnima, poštenima i pouzdanima svodi se na redovite provjere performansi modela. Osim toga, timovi s različitim perspektivama moraju voditi njihovu upotrebu. Konačno, liječnici moraju ostati izravno uključeni kako bi nadzirali svaku odluku prije nego što umjetna inteligencija uđe u svakodnevni klinički rad.

Slika 2: Primjer SHAP vrijednosti važnih značajki koje utječu na izlaz modela. Velike pozitivne SHAP vrijednosti ukazuju na to da specifična vrijednost značajke gura predviđanje modela prema pozitivnom ishodu (kao što je veći rizik od bolesti štitnjače), dok velike negativne SHAP vrijednosti guraju predviđanje prema negativnom ishodu (kao što je manji rizik od bolesti štitnjače ili normalno eutireoidno stanje). Preuzeto iz C. J. Ejiyi et al 2026 [6]

Autor: Lucia Buljac (Sveučilište u Splitu, Prirodoslovno-matematički fakultet)

Ključne reference

1. Alkhazzar, H., & Moslem, B. (2024). Predviđanje bolesti štitnjače pomoću modela strojnog učenja: Stablo odlučivanja. EDRAAK, 2024, 84–100. https://doi.org/10.70470/edraak/2024/011
2. Chaganti, R., Rustam, F., De La Torre Díez, I., Mazón, J. L. V., Rodríguez, C. L., & Ashraf, I. (2022). Predviđanje bolesti štitnjače pomoću selektivnih značajki i tehnika strojnog učenja. Cancers, 14(16), 3914. https://doi.org/10.3390/cancers14163914
3. Hu, M., Asami, C., Iwakura, H., Nakajima, Y., Sema, R., Kikuchi, T., Miyata, T., Sakamaki, K., Kudo, T., Yamada, M., Akamizu, T., & Sakakibara, Y. (2022). Razvoj i preliminarna validacija sustava strojnog učenja za dijagnozu disfunkcije štitnjače na temelju rutinskih laboratorijskih testova. Communications Medicine, 2, Članak 71. https://doi.org/10.1038/s43856-022-00071-1
4. Chan, W.-K., Sun, J.-H., Liou, M.-J., Li, Y.-R., Chou, W.-Y., Liu, F.-H., Chen, S.-T., & Peng, S.-J. (2021). Korištenje dubokih konvolucijskih neuronskih mreža za poboljšanu ultrazvučnu dijagnozu diferenciranog karcinoma štitnjače. Biomedicines, 9(12), 1771. https://doi.org/10.3390/biomedicines9121771 Citirano: 38
5. Yang, J., Shi, X., Wang, B., Qiu, W., Tian, G., Wang, X., Wang, P., & Yang, J. (2022). Klasifikacija ultrazvučnih slika čvorova štitnjače na temelju dubokog učenja. Frontiers in Oncology, 12, 905955. https://doi.org/10.3389/fonc.2022.905955
6. Ejiyi, C.J., Eze, F.O., Hossin, M.A. et al. Robustan okvir za klinički interpretibilnu dijagnozu hipotireoze s polinomskim SHAP-om i DeepSeqNet-om. J Big Data 13, 63 (2026). https://doi.org/10.1186/s40537-025-01332-1