oncotomskСибирский онкологический журналSiberian journal of oncology1814-48612312-3168Tomsk National Research Medical Сепtеr of the Russian Academy of Sciences10.21294/1814-4861-2025-24-6-7-18oncotomsk-3946Research ArticleКЛИНИЧЕСКИЕ ИССЛЕДОВАНИЯCLINICAL STUDIESЭффективность ранней диагностики рака легкого по составу выдыхаемого воздуха на основе нейросетевого и мультимодального подходаEffectiveness of lung cancer early diagnosis by analysing exhaled breath composition using neural network and multimodal approachhttps://orcid.org/0000-0002-3996-0573ОбходскийА. В.ObkhodskiyA. V.

Обходский Артем Викторович - кандидат технических наук, доцент инженерной школы ядерных технологий, ФГАОУ ВО «Национальный исследовательский Томский политехнический университет»; инженер-исследователь, НИИ онкологии, Томский НИМЦ РАН.

SPIN-код: 3502-6532.

Researcher ID (WOS): A-6040-2014.

Author ID (Scopus): 57188992238.

634009, Томск, пер. Кооперативный, 5; 634050, Томск, пр-т Ленина, 30

Artem V. Obkhodskiy - PhD, Associate Professor, School of Nuclear Technology, National Research Tomsk Polytechnic University; Research Engineer, Cancer Research Institute, Tomsk NRMC, RAS.

Researcher ID (WOS): A-6040-2014.

Author ID (Scopus): 57188992238.

5, Kooperativny St., Tomsk, 634009; 30, Lenin St., Tomsk, 634050

https://orcid.org/0000-0002-0708-7765ОбходскаяЕ. В.ObkhodskayaE. V.

Обходская Елена Владимировна - кандидат технических наук, старший научный сотрудник лаборатории химических технологий, химический факультет, ФГАОУ ВО «Национальный исследовательский Томский государственный университет»; инженер-исследователь, НИИ онкологии, Томский НИМЦ РАН.

SPIN-код: 7284-7941.

Researcher ID (WOS): E-4297-2014.

Author ID (Scopus): 55830396600.

634009, Томск, пер. Кооперативный, 5; 634050, Томск, пр-т Ленина, 36

Elena V. Obkhodskaya - PhD, Senior Researcher, Laboratory of Chemical Technologies, Chemical faculty, National Research Tomsk SU; Research Engineer, Cancer Research Institute, Tomsk NRMC, RAS.

Researcher ID (WOS): E-4297-2014.

Author ID (Scopus): 55830396600.

5, Kooperativny St., Tomsk, 634009; 36, Lenin St., Tomsk, 634050

https://orcid.org/0009-0002-4008-1012ЛаконкинВ. С.LakonkinV. S.

Лаконкин Владислав Сергеевич - лаборант-исследователь, НИИ онкологии, Томский НИМЦ РАН; студент инженерной школы ядерных технологий, ФГАОУ ВО «Национальный исследовательский Томский политехнический университет».

Researcher ID (WOS): NOE-5489-2025.

634009, Томск, пер. Кооперативный, 5; 634050, Томск, пр-т Ленина, 30

Vladislav S. Lakonkin Laboratory Researcher, Cancer Research Institute, Tomsk NRMC, RAS; student, School of Nuclear Technology, National Research Tomsk Polytechnic University.

Researcher ID (WOS): NOE-5489-2025.

5, Kooperativny St., Tomsk, 634009; 30, Lenin St., Tomsk, 634050

https://orcid.org/0000-0003-4980-8986РодионовЕ. О.RodionovE. O.

Родионов Евгений Олегович - кандидат медицинских наук, старший научный сотрудник отделения торакальной онкологии, Научно-исследовательский институт онкологии, Томский НИМЦ РАН; ассистент кафедры онкологии, ФГБОУ ВО «Сибирский ГМУ» Минздрава России.

SPIN-код: 7650-2129.

Researcher (WOS): B-7280-2017.

Author ID (Scopus): 57189622130.

634009, Томск, пер. Кооперативный, 5; 634050, Томск, Московский тракт, 2

Evgeniy O. Rodionov MD, PhD, Senior Researcher, Department of Thoracic Oncology, Cancer Research Institute, Tomsk NRMC, RAS; Assistant, Department of Oncology, Siberian SMU, Ministry of Health of Russia.

Researcher (WOS): B-7280-2017.

Author ID (Scopus): 57189622130.

5, Kooperativny St., Tomsk, 634009; 2, Moskovsky trakt, Tomsk, 634050

https://orcid.org/0000-0003-3089-5047КульбакинД. Е.KulbakinD. E.

Кульбакин Денис Евгеньевич - доктор медицинских наук, заведующий отделением опухолей головы и шеи, НИИ онкологии, НИМЦ РАН.

SPIN-код: 3898-9456.

Researcher ID (WOS): D-1151-2012.

Author ID (Scopus): 55534205500.

634009, Томск, пер. Кооперативный, 5

Denis E. Kulbakin - MD, DSc, Head of Department of Head and Neck Tumors, Cancer Research Institute, Tomsk National NRMC, RAS.

Researcher ID (WOS): D-1151-2012.

Author ID (Scopus): 55534205500.

5, Kooperativny St., Tomsk, 634009

https://orcid.org/0000-0002-7725-176XПодолькоД. В.PodolkoD. V.

Подолько Данил Владиславович - онколог отделения торакальной онкологии, Научно-исследовательский институт онкологии, Томский НИМЦ РАН.

SPIN-код: 3630-9572.

Author ID (Scopus): 57446519100.

634009, Томск, пер. Кооперативный, 5

Danil V. Podolko - MD, Oncologist, Department of Thoracic Oncology, Cancer Research Institute, Tomsk NRMC, RAS.

Author ID (Scopus): 57446519100.

5, Kooperativny St., Tomsk, 634009

https://orcid.org/0000-0001-7866-274XСачковВ. И.SachkovV. I.

Сачков Виктор Иванович - доктор химических наук, заведующий лабораторией химических технологий, химический факультет, ФГАОУ ВО «Национальный исследовательский Томский ГУ»; инженер-исследователь, НИИ онкологии, Томский НИМЦ РАН.

SPIN-код: 5661-0546.

Researcher ID (WOS): E-4291-2014.

Author ID (Scopus): 23009839000.

634009, Томск, пер. Кооперативный, 5; 634050, Томск, пр-т Ленина, 36

Victor I. Sachkov - DSc, Head of the Laboratory of Chemical Technologies, Chemical faculty, National Research Tomsk SU; Research Engineer, Cancer Research Institute, Tomsk NRMC, RAS.

Researcher ID (WOS): E-4291-2014.

Author ID (Scopus): 23009839000.

5, Kooperativny St., Tomsk, 634009; 36, Lenin St., Tomsk, 634050

ЧерновВ. И.ChernovV. I.

Чернов Владимир Иванович, доктор медицинских наук, профессор, член-корреспондент РАН, заместитель директора по научной и инновационной работе, заведующий отделением радионуклидной терапии и диагностики, Научно-исследовательский институт онкологии, Томский национальный исследовательский медицинский центр Российской академии наук; руководитель стратегической ставки «Инженерия здоровья», ФГАОУ ВО «Национальный исследовательский Томский политехнический университет»; начальник отдела развития радионуклидных технологий, Научно-образовательный медицинский центр ядерной медицины, НИЦ «Курчатовский институт»

SPIN-код: 6301-3612.

Researcher ID (WOS): AAG-6392-2020.

Author ID (Scopus): 7201429550.

634009, Томск, пер. Кооперативный, 5; 634050, Томск, пр-т Ленина, 30; 123098, Москва, пл. Академика Курчатова, 1

Vladimir I. Chernov - MD, DSc, Professor, Corresponding Member of the Russian Academy of Sciences, Deputy Director for Science and Innovation, Head of Nuclear Medicine Department, Cancer Research Institute, Tomsk NRMC, RAS; Head of Strategic Bets “Health Engineering”, NR Tomsk Polytechnic University; Head of the Department of Development of Radionuclide Technologies, Scientific and Educational Medical Center of Nuclear Medicine, National Research Center Kurchatov Institute.

Researcher ID (WOS): AAG-6392-2020.

Author ID (Scopus): 7201429550.

5, Kooperativny St., Tomsk, 634009; 30, Lenin St., Tomsk, 634050; 1, Akademika Kurchatova st., Moscow, 123098

https://orcid.org/0000-0002-3651-0665ЧойнзоновЕ. Л.ChoynzonovE. L.

Чойнзонов Евгений Лхамацыренович - доктор медицинских наук, профессор, академик РАН, директор, НИИ онкологии, Томский НИМЦ РАН; заведующий кафедрой онкологии, ФГБОУ ВО «Сибирский ГМУ» Минздрава России.

SPIN-код: 2240-8730.

Researcher ID (WOS): P-1470-2014.

Author ID (Scopus): 6603352329.

634009, Томск, пер. Кооперативный, 5; 634050, Томск, Московский тракт, 2

Evgeny L. Choynzonov - MD, DSc, Professor, Member of the Russian Academy of Sciences, Director, Cancer Research Institute, Tomsk NRMC, RAS; Head of Oncology Department, Siberian SMU, Ministry of Health of Russia.

Researcher ID (WOS): P-1470-2014.

Author ID (Scopus): 6603352329.

5, Kooperativny St., Tomsk, 634009; 2, Moskovsky trakt, Tomsk, 634050

Научно-исследовательский институт онкологии, Томский национальный исследовательский медицинский центр Российской академии наук; ФГАОУ ВО «Национальный исследовательский Томский политехнический университет»РоссияCancer Research Institute, Tomsk National Research Medical Center, Russian Academy of Sciences; National Research Tomsk Polytechnic UniversityRussian FederationНаучно-исследовательский институт онкологии, Томский национальный исследовательский медицинский центр Российской академии наук; ФГАОУ ВО «Национальный исследовательский Томский государственный университет»РоссияCancer Research Institute, Tomsk National Research Medical Center, Russian Academy of Sciences; National Research Tomsk State UniversityRussian FederationНаучно-исследовательский институт онкологии, Томский национальный исследовательский медицинский центр Российской академии наук; ФГБОУ ВО «Сибирский государственный медицинский университет» Минздрава РоссииРоссияCancer Research Institute, Tomsk National Research Medical Center, Russian Academy of Sciences; Siberian State Medical University, Ministry of Health of RussiaRussian FederationНаучно-исследовательский институт онкологии, Томский национальный исследовательский медицинский центр Российской академии наукРоссияCancer Research Institute, Tomsk National Research Medical Center, Russian Academy of SciencesRussian FederationНаучно-исследовательский институт онкологии, Томский национальный исследовательский медицинский центр Российской академии наук; ФГАОУ ВО «Национальный исследовательский Томский политехнический университет»; НИЦ «Курчатовский институт»РоссияCancer Research Institute, Tomsk National Research Medical Center, Russian Academy of Sciences; National Research Tomsk Polytechnic University; National Research Center «Kurchatov Institute»Russian Federation202513012026246718Copyright © Обходский А.В., Обходская Е.В., Лаконкин В.С., Родионов Е.О., Кульбакин Д.Е., Подолько Д.В., Сачков В.И., Чернов В.И., Чойнзонов Е.Л., 20262026Обходский А.В., Обходская Е.В., Лаконкин В.С., Родионов Е.О., Кульбакин Д.Е., Подолько Д.В., Сачков В.И., Чернов В.И., Чойнзонов Е.Л.Obkhodskiy A.V., Obkhodskaya E.V., Lakonkin V.S., Rodionov E.O., Kulbakin D.E., Podolko D.V., Sachkov V.I., Chernov V.I., Choynzonov E.L.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.siboncoj.ru/jour/article/view/3946Введение

Введение. Пятилетняя выживаемость больных раком легких (РЛ) составляет 22 %. Успешный исход борьбы с этим заболеванием во многом зависит от его выявления на ранних стадиях. Развитие РЛ определяется факторами риска: курением, профессиональными экспозициями, инфекциями, генетической предрасположенностью, наличием хронических заболеваний и др. Принятие во внимание факторов риска позволит повысить эффективность автоматизированных газоаналитических комплексов диагностики РЛ по выдыхаемому воздуху. Такие комплексы являются перспективными для применения масштабируемых алгоритмов нейросетевой обработки данных для неинвазивной диагностики РЛ на ранних стадиях.

Цель исследования – оценка эффективности метода диагностики рака легкого по выдыхаемому воздуху на основе данных от 100 добровольцев и улучшение его характеристик путем применения мультимодального подхода, учитывающего состав выдыхаемого воздуха и факторы риска заболевания.

Материал и методы

Материал и методы. В базу данных, наряду с пробами выдыхаемого воздуха, включались данные анамнеза. Для обработки данных применялись нейронные сети с вариацией архитектур, обеспечивающие улучшение показателей эффективности диагностики. Набор данных для обучения нейросестевых классификаторов включал пробы выдыхаемого воздуха от 100 добровольцев, из них 47 здоровых лиц по данным диспансеризации и 53 пациента с морфологически подтвержденным РЛ. В качестве факторов риска заболевания анализировались возраст, факт курения и наличие хронической обструктивной болезни легких (ХОБЛ).

Результаты

Результаты. Интеграция данных, включающих состав выдыхаемого воздуха и факторы риска РЛ, при обработке единой нейронной сетью приводит к увеличению ее первоначальной мономодальной архитектуры на 3 %. Учет сравнительно небольшого количества факторов риска, таких как возраст, пол, курение и наличие ХОБЛ, позволяет повысить чувствительность классификатора на 1,89 %, специфичность – на 6,39 %. Лучшие показатели обобщающей способности нейросетевого классификатора достигаются при двухпоточной гибридной модели с нормализацией.

Заключение

Заключение. Учет данных анамнеза, таких как возраст, курение и наличие ХОБЛ, дополнительно к показателям состава выдыхаемого воздуха в едином нейросетевом классификаторе позволяет повысить точность диагностики рака легкого по выдыхаемому воздуху в среднем на 4 %. Этот эффект и расширение учитываемых факторов риска при диагностике рака легкого по выдыхаемому воздуху позволят повысить достоверность результатов скрининга.

Background

Background. The five-year survival rate of lung cancer patients remains extremely low, with the average rate of 22 %. Early detection of this disease can improve survival rates and reduce mortality. Lung cancer development is influenced by various risk factors, with smoking being the most significant, followed by other factors like occupational exposure, infections, genetic predisposition, presence of chronic diseases, etc. Considering risk factors is crucial for improving the efficacy of automated gas analysis complexes for lung cancer diagnosis. These complexes are promising for the application of scalable neural network data processing algorithms for noninvasive diagnosis of early stage lung cancer.

Purpose of the study

Purpose of the study: to evaluate the effectiveness of the multimodal lung cancer detection method by analyzing the exhaled breath composition from 100 volunteers using simultaneous assessment of the exhaled breath composition and risk factors.

Material and Methods

Material and Methods. Along with exhaled breath samples, the study database also recorded all volunteers’ medical history data. Neural networks with a variety of architectures were used for data processing. The dataset for training neural network classifiers included exhaled breath samples from 100 volunteers, including 47 from healthy subjects and 53 from patients with morphologically confirmed lung cancer. Data determining the age group, smoking status and the presence of chronic lung diseases were analyzed as risk factors for lung cancer.

Results

Results. The integration of data, including exhaled breath composition and lung cancer risk factors, into a single neural network results in a 3 % increase in its original monomodal architecture. Taking into account a relatively small number of risk factors, such as age, gender, smoking status and COPD, increases the classifier’s sensitivity by 1.89 % and specificity by 6.39 %. The best generalization performance of the neural network classifier is achieved with a two-stream hybrid model with normalization.

Conclusion

Conclusion. By incorporating diverse patient history data, such as age, smoking history, and chronic diseases, in addition to exhaled air composition data, into a unified neural network classifier, the accuracy of the exhaled air method for lung cancer diagnosis can be increased by an average of 4 %. This improvement, coupled with the expanded range of risk factors considered in the future application of the exhaled air method for lung cancer diagnosis in medical practice, will improve the reliability of population screening results.

рак легкихнеинвазивная диагностикавыдыхаемый воздухфакторы рискамультимодальные данныеискусственная нейронная сетьпоказатели эффективностиlung cancernon-invasive diagnosisexhaled airrisk factorsmultimodal dataartificial neural networkperformance indicatorsИсследование выполнено при финансовой поддержке гранта РНФ № 23-15-00177 «Теоретическое и клиническое обоснование молекулярной оценки состава выдыхаемого воздуха для диагностики онкологических заболеваний», https://rscf.ru/project/23-15-00177/The study was supported by the Russian Science Foundation grant No. 23-15-00177 “Theoretical and clinical substantiation of the molecular assessment of the composition of exhaled air for the diagnosis of oncological diseases”, https://rscf.ru/en/project/23-15-00177ReferencesAdib E., Nassar A.H., Abou Alaiwi S., Groha S., Akl E.W., Sholl L.M., Michael K.S., Awad M.M., Jӓnne P.A., Gusev A., Kwiatkowski D.J. Variation in targetable genomic alterations in non-small cell lung cancer by genetic ancestry, sex, smoking history, and histology. Genome Med. 2022; 14(1): 39. doi: 10.1186/s13073-022-01041-x.Adib E., Nassar A.H., Abou Alaiwi S., Groha S., Akl E.W., Sholl L.M., Michael K.S., Awad M.M., Jӓnne P.A., Gusev A., Kwiatkowski D.J. Variation in targetable genomic alterations in non-small cell lung cancer by genetic ancestry, sex, smoking history, and histology. Genome Med. 2022; 14(1): 39. doi: 10.1186/s13073-022-01041-x.Schabath M.B., Cote M.L. Cancer Progress and Priorities: Lung Cancer. Cancer Epidemiol Biomarkers Prev. 2019; 28(10): 1563–79. doi: 10.1158/1055-9965.EPI-19-0221.Schabath M.B., Cote M.L. Cancer Progress and Priorities: Lung Cancer. Cancer Epidemiol Biomarkers Prev. 2019; 28(10): 1563–79. doi: 10.1158/1055-9965.EPI-19-0221.Malhotra J., Malvezzi M., Negri E., La Vecchia C., Boffetta P. Risk factors for lung cancer worldwide. Eur Respir J. 2016; 48(3): 889–902. doi: 10.1183/13993003.00359-2016.Malhotra J., Malvezzi M., Negri E., La Vecchia C., Boffetta P. Risk factors for lung cancer worldwide. Eur Respir J. 2016; 48(3): 889–902. doi: 10.1183/13993003.00359-2016.LoPiccolo J., Gusev A., Christiani D.C., Jänne P.A. Lung cancer in patients who have never smoked – an emerging disease. Nat Rev Clin Oncol. 2024; 21(2): 121–46. doi: 10.1038/s41571-023-00844-0.LoPiccolo J., Gusev A., Christiani D.C., Jänne P.A. Lung cancer in patients who have never smoked – an emerging disease. Nat Rev Clin Oncol. 2024; 21(2): 121–46. doi: 10.1038/s41571-023-00844-0.Wang W., Dou S., Dong W., Xie M., Cui L., Zheng C., Xiao W. Impact of COPD on prognosis of lung cancer: from a perspective on disease heterogeneity. Int J Chron Obstruct Pulmon Dis. 2018; 13: 3767–76. doi: 10.2147/COPD.S168048.Wang W., Dou S., Dong W., Xie M., Cui L., Zheng C., Xiao W. Impact of COPD on prognosis of lung cancer: from a perspective on disease heterogeneity. Int J Chron Obstruct Pulmon Dis. 2018; 13: 3767–76. doi: 10.2147/COPD.S168048.Forder A., Zhuang R., Souza V.G.P., Brockley L.J., Pewarchuk M.E., Telkar N., Stewart G.L., Benard K., Marshall E.A., Reis P.P., Lam W.L. Mechanisms Contributing to the Comorbidity of COPD and Lung Cancer. Int J Mol Sci. 2023; 24(3): 2859. doi: 10.3390/ijms24032859.Forder A., Zhuang R., Souza V.G.P., Brockley L.J., Pewarchuk M.E., Telkar N., Stewart G.L., Benard K., Marshall E.A., Reis P.P., Lam W.L. Mechanisms Contributing to the Comorbidity of COPD and Lung Cancer. Int J Mol Sci. 2023; 24(3): 2859. doi: 10.3390/ijms24032859.Park H.Y., Kang D., Shin S.H., Yoo K.H., Rhee C.K., Suh G.Y., Kim H., Shim Y.M., Guallar E., Cho J., Kwon O.J. Chronic obstructive pulmonary disease and lung cancer incidence in never smokers: a cohort study. Thorax. 2020; 75(6): 506–509. doi: 10.1136/thoraxjnl-2019-213732.Park H.Y., Kang D., Shin S.H., Yoo K.H., Rhee C.K., Suh G.Y., Kim H., Shim Y.M., Guallar E., Cho J., Kwon O.J. Chronic obstructive pulmonary disease and lung cancer incidence in never smokers: a cohort study. Thorax. 2020; 75(6): 506–509. doi: 10.1136/thoraxjnl-2019-213732.Wasswa-Kintu S., Gan W.Q., Man S.F., Pare P.D., Sin D.D. Relationship between reduced forced expiratory volume in one second and the risk of lung cancer: a systematic review and meta-analysis. Thorax. 2005. 60(7): 570–75. doi: 10.1136/thx.2004.037135.Wasswa-Kintu S., Gan W.Q., Man S.F., Pare P.D., Sin D.D. Relationship between reduced forced expiratory volume in one second and the risk of lung cancer: a systematic review and meta-analysis. Thorax. 2005. 60(7): 570–75. doi: 10.1136/thx.2004.037135.Lam V.K., Bentzen S.M., Mohindra P., Nichols E.M., Bhooshan N., Vyfhuis M., Scilla K.A., Feigenberg S.J., Edelman M.J., Feliciano J.L. Obesity is associated with long-term improved survival in definitively treated locally advanced non-small cell lung cancer (NSCLC). Lung Cancer. 2017; 104: 52–57. doi: 10.1016/j.lungcan.2016.11.017.Lam V.K., Bentzen S.M., Mohindra P., Nichols E.M., Bhooshan N., Vyfhuis M., Scilla K.A., Feigenberg S.J., Edelman M.J., Feliciano J.L. Obesity is associated with long-term improved survival in definitively treated locally advanced non-small cell lung cancer (NSCLC). Lung Cancer. 2017; 104: 52–57. doi: 10.1016/j.lungcan.2016.11.017.Huang S.X., Jaurand M.C., Kamp D.W., Whysner J., Hei T.K. Role of mutagenicity in asbestos fiber-induced carcinogenicity and other diseases. J Toxicol Environ Health B Crit Rev. 2011; 14(1-4): 179–245. doi: 10.1080/10937404.2011.556051.Huang S.X., Jaurand M.C., Kamp D.W., Whysner J., Hei T.K. Role of mutagenicity in asbestos fiber-induced carcinogenicity and other diseases. J Toxicol Environ Health B Crit Rev. 2011; 14(1-4): 179–245. doi: 10.1080/10937404.2011.556051.Кульбакин Д.Е., Обходская Е.В., Обходский А.В., Родионов Е.О., Сачков В.И., Чернов В.И., Чойнзонов Е.Л. Исследование эффективности метода диагностики заболеваний дыхательной системы по анализу выдыхаемого воздуха с применением газоаналитического комплекса. Сибирский журнал клинической и экспериментальной медицины. 2023; 38(4): 260–69. doi: 10.29001/2073-8552-2023-653. EDN: SRPDUH.Kulbakin D.E., Obkhodskaya E.V., Obkhodskiy A.V., Rodionov E.O., Sachkov V.I., Chernov V.I., Choynzonov E.L. Study of the effectiveness of diagnostic method for respiratory system diseases by analyzing the exhaled air using a gas analytical complex. Siberian Journal of Clinical and Experimental Medicine. 2023; 38(4): 260–69. (in Russian). doi: 10.29001/2073-8552-2023-653. EDN: SRPDUH.Обходский А.В., Кульбакин Д.Е., Обходская Е.В., Попов А.С., Родионов Е.О., Сачков В.И., Чернов В.И., Чойнзонов Е.Л. Программный комплекс нейросетевой классификации данных газоаналитического обследования дыхательной системы. Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2024; 69: 112–23. doi: 10.17223/19988605/69/12. EDN: SJAGNG.Obkhodskiy A.V., Kulbakin D.E., Obkhodskaya E.V., Popov A.S., Rodionov E.O., Sachkov V.I., Chernov V.I., Choynzonov E.L. Neural network classification software for the gas analytical survey data of respiratory system. Tomsk State University Journal of Control and Computer Science. 2024; 69: 112–23.(in Russian). doi: 10.17223/19988605/69/12. EDN: SJAGNG.Ortiz B.L., Gupta V., Kumar R., Jalin A., Cao X., Ziegenbein C., Singhal A., Tewari M., Choi S.W. Data Preprocessing Techniques for AI and Machine Learning Readiness: Scoping Review of Wearable Sensor Data in Cancer Care. JMIR Mhealth Uhealth. 2024; 12: e59587. doi: 10.2196/59587.Ortiz B.L., Gupta V., Kumar R., Jalin A., Cao X., Ziegenbein C., Singhal A., Tewari M., Choi S.W. Data Preprocessing Techniques for AI and Machine Learning Readiness: Scoping Review of Wearable Sensor Data in Cancer Care. JMIR Mhealth Uhealth. 2024; 12: e59587. doi: 10.2196/59587.Cos H., Li D., Williams G., Chininis J., Dai R., Zhang J., Srivastava R., Raper L., Sanford D., Hawkins W., Lu C., Hammill C.W. Predicting Outcomes in Patients Undergoing Pancreatectomy Using Wearable Technology and Machine Learning: Prospective Cohort Study. J Med Internet Res. 2021; 23(3): e23595. doi: 10.2196/23595.Cos H., Li D., Williams G., Chininis J., Dai R., Zhang J., Srivastava R., Raper L., Sanford D., Hawkins W., Lu C., Hammill C.W. Predicting Outcomes in Patients Undergoing Pancreatectomy Using Wearable Technology and Machine Learning: Prospective Cohort Study. J Med Internet Res. 2021; 23(3): e23595. doi: 10.2196/23595.Adeoye J., Su Y. Deep learning with data transformation improves cancer risk prediction in oral precancerous conditions. Intelligent Medicine. 2025; 5(2): 141–50. doi: 10.1016/j.imed.2024.11.003.Adeoye J., Su Y. Deep learning with data transformation improves cancer risk prediction in oral precancerous conditions. Intelligent Medicine. 2025; 5(2): 141–50. doi: 10.1016/j.imed.2024.11.003.Papadimitroulas P., Brocki L., Christopher Chung N., Marchadour W., Vermet F., Gaubert L., Eleftheriadis V., Plachouris D., Visvikis D., Kagadis G.C., Hatt M. Artificial intelligence: Deep learning in oncological radiomics and challenges of interpretability and data harmonization. Phys Med. 2021; 83: 108–21. doi: 10.1016/j.ejmp.2021.03.009.Papadimitroulas P., Brocki L., Christopher Chung N., Marchadour W., Vermet F., Gaubert L., Eleftheriadis V., Plachouris D., Visvikis D., Kagadis G.C., Hatt M. Artificial intelligence: Deep learning in oncological radiomics and challenges of interpretability and data harmonization. Phys Med. 2021; 83: 108–21. doi: 10.1016/j.ejmp.2021.03.009.Yang T.Y., Kuo P.Y., Huang Y., Lin H.W., Malwade S., Lu L.S., Tsai L.W., Syed-Abdul S., Sun C.W., Chiou J.F. Deep-Learning Approach to Predict Survival Outcomes Using Wearable Actigraphy Device Among End-Stage Cancer Patients. Front Public Health. 2021; 9: 730150. doi: 10.3389/fpubh.2021.730150.Yang T.Y., Kuo P.Y., Huang Y., Lin H.W., Malwade S., Lu L.S., Tsai L.W., Syed-Abdul S., Sun C.W., Chiou J.F. Deep-Learning Approach to Predict Survival Outcomes Using Wearable Actigraphy Device Among End-Stage Cancer Patients. Front Public Health. 2021; 9: 730150. doi: 10.3389/fpubh.2021.730150.Huang Y., Roy N., Dhar E., Upadhyay U., Kabir M.A., Uddin M., Tseng C.L., Syed-Abdul S. Deep Learning Prediction Model for Patient Survival Outcomes in Palliative Care Using Actigraphy Data and Clinical Information. Cancers (Basel). 2023; 15(8): 2232. doi: 10.3390/cancers15082232.Huang Y., Roy N., Dhar E., Upadhyay U., Kabir M.A., Uddin M., Tseng C.L., Syed-Abdul S. Deep Learning Prediction Model for Patient Survival Outcomes in Palliative Care Using Actigraphy Data and Clinical Information. Cancers (Basel). 2023; 15(8): 2232. doi: 10.3390/cancers15082232.Li Y., Jiang J., Li X., Zhang M. Multi-modal data integration of dosiomics, radiomics, deep features, and clinical data for radiation-induced lung damage prediction in breast cancer patients. J Radiat Research and Appl Sci. 2025; 18(2): 101389. doi: 10.1016/j.jrras.2025.101389.Li Y., Jiang J., Li X., Zhang M. Multi-modal data integration of dosiomics, radiomics, deep features, and clinical data for radiation-induced lung damage prediction in breast cancer patients. J Radiat Research and Appl Sci. 2025; 18(2): 101389. doi: 10.1016/j.jrras.2025.101389.Batra U., Nathany S., Nath S.K., Jose J.T., Sharma T., Preeti. P., Pasricha S., Sharma M., Arambam N., Khanna V., Bansal A., Mehta A., Rawal K. AI-based pipeline for early screening of lung cancer: integrating radiology, clinical, and genomics data. Lancet Reg Health Southeast Asia. 2024; 24: 100352. doi: 10.1016/j.lansea.2024.100352.Batra U., Nathany S., Nath S.K., Jose J.T., Sharma T., Preeti. P., Pasricha S., Sharma M., Arambam N., Khanna V., Bansal A., Mehta A., Rawal K. AI-based pipeline for early screening of lung cancer: integrating radiology, clinical, and genomics data. Lancet Reg Health Southeast Asia. 2024; 24: 100352. doi: 10.1016/j.lansea.2024.100352.

The authors declare that there are no conflicts of interest present.