Zašto je mašinsko učenje važno za predviđanje bolesti štitne žlezde

Poremećaji štitne žlezde, uključujući hipotireozu, hipertireozu i maligne bolesti štitne žlezde, spadaju među najčešća metabolička i endokrina stanja širom sveta. Tradicionalna dijagnoza se oslanja na kliničke simptome, fizički pregled i biohemijske analize. Ove analize mere nivoe tiroidnih hormona, kao što su tireostimulišući hormon (TSH), slobodni T3 i slobodni T4, kao i tiroidna antitela (TPOAb). Pored toga, dijagnoza koristi ultrazvučne preglede i biopsije aspiracijom tankom iglom. Iako su utvrđeni putevi korisni, standardne kliničke granične vrednosti ponekad mogu da previde suptilne disfunkcije ili ne uspeju da obuhvate složene individualne fiziološke varijacije. Mašinsko učenje (ML) postaje sve važnije u predviđanju bolesti štitne žlezde jer obrađuje složene dijagnostičke varijable i smanjuje dijagnostičke greške.

Modeli nadgledanog i nenadgledanog učenja

Svi modeli mašinskog učenja mogu se podeliti u dve kategorije: modeli nadgledanog i nenadgledanog učenja, u zavisnosti od podataka sa kojima rade. Nadgledani modeli, kao što su logistička regresija, stabla odlučivanja i neuronske mreže, rade sa označenim podacima koji imaju eksplicitno definisane ishode. Na primer, svaki uzorak ima unapred definisanu ciljnu oznaku kao što je „hipotireoidni“ ili „eutireoidni“. Ovi modeli generišu predviđanja na novim neoznačenim podacima, koji se obično nazivaju validacioni uzorci. U tu svrhu koriste obučene vrednosti predviđanja iz skupa za obuku označenih podataka.

Nenadgledani modeli, kao što je K-means klasterizacija, rade sa neoznačenim podacima kako bi otkrili skrivene obrasce ili osnovne strukturne distribucije bez unapred definisanih ciljnih oznaka.

Modeli logističke regresije

Logistička regresija (LR) je osnovni statistički model i model mašinskog učenja. Ona mapira ulazne karakteristike u ocenu verovatnoće koristeći sigmoidnu funkciju. Za predviđanje bolesti štitne žlezde, često služi kao moćan osnovni model, postižući visoku tačnost klasifikacije na strukturiranim skupovima podataka o štitnoj žlezdi. Pošto model daje eksplicitne regresione koeficijente, medicinski istraživači ih mogu direktno prevesti u odnose šansi. Ovi odnosi kvantifikuju koliko promena jedne jedinice u biomarkeru, kao što je TSH, menja rizik od poremećaja štitne žlezde.

Međutim, LR se oslanja na ručno unapred modelovane odnose između ishoda i prediktora, što često zahteva ručni inženjering karakteristika i složenu normalizaciju podataka. Često se dešava da u kartonu pacijenta nedostaju laboratorijske vrednosti, kao što je neizmeren test slobodnog T3. Zbog toga se podacima koji nedostaju mora upravljati unapred putem tehnika imputacije.

Stabla odlučivanja i ekstremni gradijentni busting

Stabla odlučivanja su neparametarski modeli nadgledanog učenja koji rekurzivno dele podatke na osnovu pragova karakteristika. Na primer, ovi pragovi mogu biti specifične granične vrednosti za nivoe TSH ili slobodnog T4. Ovi modeli efikasno hvataju nelinearne odnose i interakcije između različitih kliničkih parametara, kao što su starost, pol i hormonski profili. Za razliku od LR modela, oni ne zahtevaju složenu normalizaciju podataka.

XGBoost je napredni okvir ansambla sa gradijentnim bustingom koji gradi sekvencijalna stabla odlučivanja, gde svako novo stablo ispravlja preostale greške prethodnih. XGBoost se dosledno rangira među algoritmima sa najboljim performansama za tabelarne medicinske skupove podataka minimiziranjem pristrasnosti i varijanse, sprečavanjem preprilagođavanja na šumnim kliničkim skupovima podataka i efikasnim rukovanjem nedostajućim vrednostima.

Neuronske mreže za predviđanje bolesti štitne žlezde

Nedavni napredak u dubokom učenju dramatično je poboljšao način na koji neuronske mreže obrađuju podatke za predviđanje i klasifikaciju bolesti štitne žlezde. Na primer, one obrađuju slikovne podatke, kao što su ultrazvučni snimci, i numeričke podatke, kao što su starost, pol i nivoi TSH.

Medicinsko snimanje, posebno ultrasonografija štitne žlezde, oslanja se na konvolucione neuronske mreže (CNN, prikazane na slici 1) i specijalizovane arhitekture dubokog učenja kako bi se razlikovali benigni i maligni čvorovi štitne žlezde. Istraživači često koriste standardne ili ponovo obučene osnovne CNN mreže, kao što je ResNet, putem transfernog učenja kako bi procenili radiomičke karakteristike kao što su oblik čvora, ivice, ehogenost i kalcifikacije.

Zajednički prediktivni modeli, kao što su hibridni modeli i modeli fuzije radiomike i kliničkih podataka, spajaju numeričke metrike pacijenata sa kvantitativnim radiomičkim karakteristikama slike. Spajanje ovih tokova podataka pomaže u optimizaciji dijagnostičkih tokova rada i minimizira potrebu za invazivnim biopsijama aspiracijom tankom iglom na benignim čvorovima.

Slika 1. Tok rada za klasifikaciju čvorova štitne žlezde pomoću konvolucionih neuronskih mreža sa ResNet18 i ekstrakcijom karakteristika. Indikatori evaluacije se koriste za procenu efekta klasifikacije modela. Pored toga, korišćena je toplotna mapa za vizuelizaciju rezultata predviđanja, pomoću koje su autori izdvojili i analizirali istaknute oblasti. Prilagođeno prema J. Yang i sar. 2022 [5].

Kako ML može promeniti kliničku praksu

U predviđanju bolesti štitne žlezde, evaluacija performansi osigurava visoke standarde validacije i pouzdanost pre primene. Na primer, evaluacija koristi metrike kao što su AUC, F1 skor, preciznost i odziv. Pored toga, ekstrakcija karakteristika izoluje ključne kliničke varijable i radiomičke biomarkere kako bi se rano uočile suptilne fiziološke varijacije.

Pristrasnost i objašnjivost u predviđanju bolesti štitne žlezde

Ključni potencijalni rizici povezani sa skoro svakim naprednim ML modelom uključuju pristrasnost algoritma usled nereprezentativnih skupova podataka za obuku. Pored toga, priroda „crne kutije“ otežava kliničku interpretaciju. Da bismo ispravili pristrasnost, moramo da izgradimo skupove za obuku koji istinski predstavljaju različite grupe pacijenata. Takođe moramo da koristimo pametna prilagođavanja podataka kako bismo sprečili pojavu zdravstvenih dispariteta.

Rešavanje problema „crne kutije“ uključuje integraciju okvira za objašnjivu veštačku inteligenciju, kao što je SHapley Additive exPlanations (SHAP, prikazan na slici 2). Ovi okviri, zauzvrat, matematički otkrivaju kako specifične karakteristike utiču na predviđanje. Održavanje ovih alata bezbednim, pravednim i pouzdanim svodi se na redovne provere performansi modela. Pored toga, timovi sa različitim perspektivama treba da vode njihovu upotrebu. Konačno, lekari moraju ostati direktno uključeni u nadzor svake odluke pre nego što veštačka inteligencija uđe u svakodnevni klinički rad.

Slika 2: Primer SHAP vrednosti važnih karakteristika koje utiču na izlaz modela. Velike pozitivne SHAP vrednosti ukazuju na to da specifična vrednost karakteristike pomera predviđanje modela ka pozitivnom ishodu (kao što je veći rizik od bolesti štitne žlezde), dok velike negativne SHAP vrednosti pomeraju predviđanje ka negativnom ishodu (kao što je manji rizik od bolesti štitne žlezde ili normalno eutireoidno stanje). Preuzeto od C. J. Ejiyi i sar. 2026 [6]

Autor: Lucia Buljac (Univerzitet u Splitu, Prirodno-matematički fakultet)

Ključne reference

1. Alkhazzar, H., & Moslem, B. (2024). Thyroid Disease Prediction Using Machine Learning Model: Decision Tree. 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). Thyroid Disease Prediction Using Selective Features and Machine Learning Techniques. 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). Development and preliminary validation of a machine learning system for thyroid dysfunction diagnosis based on routine laboratory tests. Communications Medicine, 2, Article 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). Using Deep Convolutional Neural Networks for Enhanced Ultrasonographic Image Diagnosis of Differentiated Thyroid Cancer. 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). Ultrasound Image Classification of Thyroid Nodules Based on Deep Learning. 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. A robust framework for clinically interpretable hypothyroidism diagnosis with Polynomial-SHAP and DeepSeqNet. J Big Data 13, 63 (2026). https://doi.org/10.1186/s40537-025-01332-1