Аннотация. Заболеваемость онкологическими заболеваниями в настоящее время остается одной из наиболее значимых проблем современного общества. Рак легких относится к числу наиболее летальных форм онкопатологии, что во многом обусловлено его выявлением на поздних стадиях опухолевого процесса. Эффективность программ скрининга и ранней диагностики оказывает непосредственное влияние на прогноз заболевания и показатели выживаемости пациентов. В связи с этим особое внимание в последние годы уделяется развитию интеллектуальных экспертных систем, основанных на методах глубокого обучения, включая сверточные нейронные сети (CNN), трансформерные архитектуры и их гибридные решения. В данной работе рассматривается задача ранней диагностики рака легких с применением нейросетевых моделей глубокого обучения. В ходе исследования были разработаны и проанализированы модели с использованием следующих методов машинного обучения: логистическая регрессия, классификатор случайных лесов, метод опорных векторов (SVM), классификатор экстремальных деревьев, XGBoost, CatBoost, градиентный бустинг и многослойный персептрон (MLP). В качестве входных факторов в нейросетевую модель были использованы показатели наследственной предрасположенности, пол пациента и стаж курения. Наилучшие результаты продемонстрировала модель на основе многослойного персептрона (MLPClassifier), достигшая максимального значения метрики ROC-AUC, равного 0,9405, при уровне точности свыше 93%. Полученные показатели свидетельствуют о высокой способности модели к корректному ранжированию пациентов по группам риска. Сопоставимые результаты показали алгоритмы RandomForest и SVM, занявшие вторую позицию по качеству классификации. Разработанная нейросетевая модель позволяет оценивать вероятность развития рака легких, а также формировать рекомендации относительно возможного наличия сопутствующих заболеваний, таких как диссеминированный туберкулез легких, саркоидоз, пневмония и фиброз легочной ткани. В дальнейшем планируется расширение функциональности системы за счет интеграции модуля распознавания медицинских изображений, что позволит создать комплексное решение для ранней диагностики рака легких.

Ключевые слова: информационные системы, искусственный интеллект, методы глубокого обучения, интеллектуальный анализ данных, интеллектуальная система, базы данных, сверточная нейронная сеть, трансформеры, гибридные модели, explainable AI.