В настоящее время существует большое количество примеров успешного применения машинного обучения в онкологии. При этом особое внимание уделяется различным классификационным задачам. В то же время более сложные по сравнению с ними регрессионные постановки встречаются крайне редко. Поэтому в данном исследовании мы решили рассмотреть задачу предсказания ответа метастазов в головном мозге на радиотерапию в классификационной и регрессионной формулировках и оценить качество работы моделей машинного обучения в этих случаях. Для выполнения исследования была составлена выборка из 101 метастаза. Для каждого очага были отобраны МРТ-снимки, зарегистрированные до и после лечения. Признаки, выделенные из долечебных томограмм с помощью алгоритмов радиомики, дополненные некоторыми клиническими данными, использовались для обучения шести классификаторов и десяти регрессоров. Предсказания моделей сравнивались с правильными ответами, полученными из снимков, сделанных на первом контроле. В результате оценки качества предсказаний выбранных классификаторов с помощью трех стандартных метрик (полноты, точности и площади под ROC-кривой) мы выяснили, что из трех наиболее точных классификационных моделей, а именно: решающего дерева, случайного леса и метода k-ближайших соседей, самым эффективным оказался случайный лес. К сожалению, успешно решить регрессионную задачу нам не удалось. Слишком большие значения средней абсолютной ошибки (регрессионной метрики), соответствующие рассмотренным в исследовании регрессорам, указывают на то, что ни один из них не смог решить поставленную задачу достаточно качественно. Таким образом, нам удалось получить достойные результаты для задачи классификации. Однако для успешного решения нашей регрессионной задачи необходимо применение более мощных и сложных подходов.

To date, plenty of studies on machine learning applications in oncology have been successfully conducted. The majority of investigations, meanwhile, refer to classification tasks, whereas more complex regression ones are less common. Therefore, in the presented work, we decided to apply ML for predicting brain metastasis response to radiotherapy in both classification and regression ways and evaluate prediction quality in these cases. The dataset of 101 metastases was involved in this investigation. For every single sample, we gathered MRI scans registered before and after radiotherapy. Radiomic features extracted from pretreatment MRI combined with some clinical data were used to train six classifiers and ten regressors. Model predictions were compared to the ground truth derived from the first follow-up MRI scans. The comparison of three standard metric values (recall, precision, and AUC) for selected classifiers revealed that among the three especially efficient models (decision tree, random forest, and k-nearest neighbours), random forest seemed the most accurate. Unfortunately, we did not manage to solve the regression problem just as successfully. Too large values of the mean absolute error corresponding to the regressors examined in this research indicated that none of them was able to solve the stated task correctly. To sum up, we succeeded in solving the classification task. However, to handle the regression problem, more powerful and sophisticated methods are required.