| Form of studies |
Bachelor |
| Title of the study programm |
Information Technology |
| Title in original language |
Mašīnmācīšanās modeļa izstrāde plaušu vēža priekšstāvokļu prognozēšanai ierobežotu datu apstākļos |
| Title in English |
Development of a Machine Learning Model for Predicting Lung Cancer Precursors Under Limited Data Conditions |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Arnis Kiršners |
| Reviewer |
Pēteris Grabusts |
| Abstract |
Plaušu vēža diagnostikā būtiska nozīme ir savlaicīgai plaušās konstatēta
veidojuma ļaundabīguma riska izvērtēšanai, jo tā var ietekmēt turpmāko izmeklējumu
nepieciešamību un ārstēšanas taktikas izvēli. Šajā darbā pētītas mašīnmācīšanās metožu
izmantošanas iespējas strukturētu pacientu datu analīzē, vēršot uzmanību uz ierobežota
datu apjoma radītajiem izaicinājumiem. Darba mērķis ir izstrādāt un novērtēt
klasifikācijas modeli, kas prognozē plaušu veidojuma piederību labdabīgai vai
ļaundabīgai klasei. Pētījumā izmantota anonimizēta LU LZP 2022/1-0410 projekta
"Bronhoalveolārās lavāžas ekstracelulāro vezikulu miRNS profila nozīme papildus
klīnisko un ģenētisko biomarķieru datiem plaušu vēza agrīnajā̄ diagnostikā" pacientu
datu kopa ar 69 ierakstiem un 27 atribūtiem. Datu kopa ietver informāciju par pacientu
anamnēzi, izmeklējumu rezultātiem un plaušās konstatētā veidojuma pazīmēm. Modeļu
izstrāde veikta Orange datizraces vidē, kur dati tika sagatavoti analīzei, apstrādājot
trūkstošās vērtības, mērogojot skaitliskos atribūtus, atlasot informatīvākās pazīmes un
salīdzinot vairākas validācijas pieejas. Pēc sākotnējo rezultātu izvērtēšanas tika
pielāgoti arī perspektīvāko algoritmu hiperparametri. Klasifikācijas uzdevuma
risināšanai salīdzināti pieci mašīnmācīšanās algoritmi: loģistiskā regresija, k tuvāko
kaimiņu algoritms, atbalsta vektoru mašīna, nejaušo mežu klasifikators un Naivais
Beijesa klasifikators. Iegūtie rezultāti parādīja, ka konkrētās datu kopas ietvaros
augstāko kopējo klasifikācijas precizitāti sasniedza k tuvāko kaimiņu algoritms un
nejaušo mežu klasifikators. Par piemērotāko risinājumu izvēlēts k tuvāko kaimiņu
algoritms, jo tas nodrošināja līdzsvarotāku labdabīgo un ļaundabīgo gadījumu
klasifikāciju.
Bakalaura darbā ir 62 lappuses, 15 attēli, 10 tabulas un 48 informācijas avoti. |
| Keywords |
mašīnmācīšanās, plaušu vēzis, ierobežots datu apjoms, klasifikācija, strukturēti medicīniskie dati. |
| Keywords in English |
machine learning, lung cancer, limited dataset, classification, structured medical data. |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
22.05.2026 17:16:07 |
