Диагностика глиомы головного мозга на основе терагерцовой спектроскопии крови и методов искусственного интеллекта тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Вражнов Денис Александрович

• Вражнов Денис Александрович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Вражнов Денис Александрович

Введение

1 Обзор литературы

1.1 Основные сведения о головном мозге. Молекулярные маркеры и модели глиом

1.1.1 Основные сведения о головном мозге

1.1.2 Основные сведения о глиомах

1.1.3 Молекулярные маркеры глиом

1.1.4 Модели глиом

1.2 Инструментальные методы диагностики глиомы головного мозга

1.3 Терагерцовая спектроскопия биологических жидкостей

1.4 Методы искусственного интеллекта

1.5 Основные сведения о конвейере машинного обучения

1.5.1 Предварительная обработка данных

1.5.2 Извлечение/выбор признаков

1.5.3 Создание прогнозной модели данных

1.5.4 Валидация модели прогнозируемых данных

1.5.5 Настройка параметров предиктивной модели данных

1.6 Заключение к главе

2 Материалы и методы

2.1 Пробы крови мелких лабораторных животных с моделью мультиформной глиобластомы на основе линии клеток и87

2.2 Пробы крови пациентов с мультиформной глиобластомой, пациентов после краниэктомии и здоровых добровольцев

2.3 ТГц спектроскопия образцов крови

2.4 Методы машинного обучения

2.5 Заключение к главе

3 Диагностика мультиформной глиобластомы на основе данных ТГц спектроскопии сыворотки крови мышей методами машинного обучения

3.1 Описание исследуемых групп и данных

3.2 Конвейер машинного обучения для диагностики Ш7 глиобластомы у мышей

3.3 Результаты анализа ТГц спектров сыворотки крови мышей с и87 глиобластомой методами машинного обучения

3.4 Заключение к главе

4 Диагностика пациентов с мультиформной глиобластомы на основе данных ТГц спектроскопии плазмы крови методами машинного обучения

4.1 Описание исследуемых групп и данных

4.2 Конвейер машинного обучения для диагностики глиобластомы у пациентов

4.3 Результаты анализа ТГц спектров сыворотки крови добровольцев методами машинного обучения

4.4 Заключение к главе

5 Дифференциация мультиформной глиобластомы и травматического поражения мозга

5.1 Описание исследуемых групп и данных

5.2 Конвейер машинного обучения для дифференциации мультиформной глиобластомы и травматического поражения головного мозга

5.3 Результаты анализа ТГц спектров сыворотки крови мышей для дифференциации мультиформной глиобластомы и травматического поражения головного мозга методами машинного обучения

5.4 Заключение к главе

Заключение

Список использованных источников и литературы

145

Введение

Введение диссертации (часть автореферата) на тему «Диагностика глиомы головного мозга на основе терагерцовой спектроскопии крови и методов искусственного интеллекта»

Актуальность исследования

Всемирная организация здравоохранения (ВОЗ) считает борьбу с раком одной из приоритетных задач [1, 2]. Наиболее часто встречающимися злокачественными опухолями центральной нервной системы являются глиомы, и, в частности, мультиформная глиобластома (МГБ), на долю которой приходится 14,3% всех опухолей и 49,1% злокачественных опухолей [3]. МГБ является наиболее агрессивным, инвазивным и недифференцированным типом опухолей (IV класс по классификации ВОЗ [4, 5]).

Одной из причин плохого исхода МГБ является поздняя диагностика, поскольку большинство существующих методов медицинской визуализации, таких как магнитно-резонансная томография (МРТ) [6, 7, 8] и компьютерная томография [9], неэффективны для диагностики опухолей небольшого размера. Альтернативой являются диагностические методы, основанные на детекции молекулярных маркеров.

Оптические методы, такие как флуоресцентная визуализация [10], многофотонная микроскопия [11], фотоакустическая визуализация [12], спектроскопия комбинационного рассеяния [13, 14], абсорбционная [15, 16] и терагерцовая (ТГц) [17, 18, 19] спектроскопия широко используются для обнаружения уникальных спектральных характеристик биологических тканей, включая молекулярные биомаркеры новообразований, при хирургической резекции пораженной ткани. Такие методы чувствительны к химическому составу ткани, но имеют малую глубину проникновения для неинвазивного обнаружения глиомы in vivo.

Применение оптических методов для анализа биологических жидкостей, таких как кровь, моча, спинномозговая жидкость, слюна и др. характеризуется неинвазивностью/малоинвазивностью и меньшей сложностью манипуляции по сравнению со стандартной биопсией [20, 0]. Было показано, что кровь, как и другие жидкости организма, содержит циркулирующие опухолевые клетки и

нуклеиновые кислоты, внеклеточные везикулы, белки и метаболиты, анализ которых позволяет получить информацию о развитии рака [21]. Самые высокие концентрации маркеров глиомы обнаруживаются в спинномозговой жидкости. Таким образом контроль молекулярных маркеров глиомы в биологических жидкостях может стать эквивалентным стандартной биопсии. Важно, что подобные молекулярные маркеры могут появляться в биологических жидкостях на начальных этапах онкогенеза, открывая путь к ранней диагностике глиомы [22, 23].

Терагерцовая (ТГц) спектроскопия жидкостей является относительно новой областью по отношению к спектроскопии в инфракрасном, ультрафиолетовом и видимом диапазонах. В настоящее время наиболее распространена ТГц спектроскопия во временной области (ТГц СВО), основанная на генерации зондирующих ТГц импульсов при помощи ОаЛБ антенны с накачкой сериями фемтосекундных лазерных импульсов и синхронной регистрацией отраженного или поглощенного сигнала второй GaAs антенной. Для анализа данных ТГц СВО применяется переход в частотную область при помощи преобразования Фурье, где они принимают вид зависимости интенсивности сигнала (либо таких характеристик, как коэффициент поглощения, показатель преломления) от частоты (спектров). Такие спектры имеют высокую размерность (сотни частот) и корреляцию в широких диапазонах, что, в свою очередь, приводит к высокой схожести при оценках на основе евклидовой метрики [24, 25, 26]. Это существенно затрудняет или делает невозможным их анализ с помощью методов математической статистики. Альтернативой является паттерный подход, в котором анализируется выборочные данные на совокупности частот -спектральные сигнатуры.

Машинное обучение (МО) является мощным инструментом для построения предиктивных моделей и обработки спектральных сигнатур, включая дифференциацию наборов данных с высокой схожестью [27] за счет генерации метрик, учитывающих особенности конкретных наборов данных. Современные методы МО, например, глубокого обучения (ГО) создают нелинейные модели

данных с миллиардами настраиваемых гиперпараметров, позволяющие обнаружить латентные связи между входными и выходными данными [28]. Недостатком таких моделей данных является слабая интерпретируемость -фактически, они представляют собой «черный ящик», не позволяющий оценить причину, по которой было сделано то или иное предсказание [29].

В области биомедицины особый интерес представляют интерпретируемые модели данных, поскольку они позволяют показать взаимосвязь метаболических путей, метаболитов опухолей и течение болезни [30, 31]. Таким образом, разработка методов МО, генерирующих интерпретируемые предиктивные модели на основе данных ТГц оптической биопсии является актуальной задачей.

Степень разработанности темы исследования

На момент формулировки цели диссертации в области методов диагностики глиомы головного мозга на основе терагерцовой спектроскопии плазмы и сыворотки крови и методов искусственного интеллекта состояние проблемы выглядело следующим образом.

В литературе были представлены работы по основным метаболитам МГБ в тканях человека и мелких лабораторных животных (МЛЖ), полученные методами магнитной резонансной спектроскопии (МРС), масс-спектрометрии и хроматографии. В работе [32] были изучены инфракрасные (ИК) спектры поглощения высушенных капель плазмы крови у пациентов с опухолями головного мозга и выявлены наиболее информативные области 1200-950 см-1, содержащие линии поглощения связей Р-О, С-О, простых и сложных эфирных связей С-ОО и Р-ОО, присутствующих в липидах, фосфорилированных белках, углеводах, креатинфосфокиназах и других соединениях.

В области развития методов МО для анализа ТГц спектров был ряд работ посвященных анализу твердых образцов [33] и их двумерной визуализации. Исследования плазмы крови методами ТГц спектроскопии проводилось для пациентов с диабетом и заболеваниями щитовидной железы [25, 26]. Отсутствовали работы по анализу проб сыворотки и плазмы крови больных МГБ методами ТГц спектроскопии. Слабо были представлены методы создания

предиктивных моделей методами искусственного интеллекта, включая машинное и глубокое обучение, на основе анализа данных ТГц спектроскопии образцов биологических жидкостей. Также отсутствовали сведения о наиболее характерных ТГц диапазонах для метаболитов МГБ в крови.

Особенностью данной диссертационной работы заключается в использовании методов МО для построения предиктивных диагностических моделей МГБ на основе анализа спектральных сигнатур плазмы и сыворотки крови в ТГц диапазоне спектра. Такой подход требует решения следующих проблем: разработка методик получения экспериментальных данных, создание предиктивных моделей на основе различных конвейеров машинного обучения и выбор оптимальной с точки зрения метрик качества, выделение информативных диапазонов или отдельных частот, верификация полученных результатов.

Цель и задачи диссертационной работы

Целью диссертационной работы является разработка и верификация методов диагностики глиомы головного мозга мелких лабораторных животных и человека на основе анализа данных ТГц спектроскопии образцов сыворотки и плазмы крови с использованием методов искусственного интеллекта.

В соответствии с поставленной целью решались следующие задачи:

1. Разработать методики пробоподготовки образцов плазмы и сыворотки крови для проведения спектроскопических исследований.

2. Подготовить базы данных ТГц спектроскопии образцов плазмы крови здоровых МЛЖ, МЛЖ с ксенографтовой моделью глиомы на основе клеток и87, МЛЖ с травматическим поражением мозга.

3. Подготовить базы данных ТГц спектроскопии образцов сыворотки крови пациентов с глиомой, пациентов после краниэктомии, здоровых доноров.

4. Провести разведывательный анализ на подготовленной базе данных для предварительной оценки разделимости данных.

5. Разработать базовые конвейеры машинного обучения для построения и верификации предиктивных моделей с возможностью селекции информативных признаков на подготовленных базах данных.

6. Подобрать оптимальные конфигурации конвейеров машинного обучения и соответствующие параметры алгоритмов.

7. Получить оценки метрик качества для построенных предиктивных моделей.

Объектами исследования в данной диссертационной работе являлись образцы сыворотки крови следующих групп МЛЖ: здоровых, с травматическими поражениями головного мозга и с ксенографтовой моделью глиомы на основе клеток и87; образцы плазмы крови следующих групп добровольцев: здоровых, пациентов после краниэктомии и с глиомой головного мозга.

Научная новизна исследования

Впервые были предложены предиктивные модели для оценки динамики глиомы и дифференциации образцов сыворотки крови МЛЖ с ксенографтовой моделью глиомы на основе клеток и87 и контрольной группы на основе данных ТГц спектроскопии плазмы крови МЛЖ. Получены значения соответствующих информативных ТГц частот в динамике развития МГБ.

Впервые разработаны предиктивные модели для попарной дифференциации групп с глиомой, здоровых доноров и пациентов после краниэктомии на основе данных ТГц спектроскопии сыворотки крови. Также получены данные об информативных ТГц частотах для дифференции соответствующих групп.

Впервые разработаны предиктивные модели для дифференциации образцов сыворотки крови МЛЖ с ксенографтовой моделью глиомы на основе клеток и87 и группы с травматическим поражением головного мозга. Впервые выявлены информативные частоты ТГц для соответствующих образцов плазмы крови МЛЖ.

Теоретическая и практическая значимость работы

Результаты работы позволяют получить общие представления об изменениях оптических характеристик сыворотки и плазмы крови больных в динамике развития глиомы головного мозга и при травматических поражениях головного мозга. Это важно при применении оптических методов для малоинвазивной и интраоперационной диагностики глиомы и травматических поражений мозга.

Методология и методы исследования

В диссертационной работе применялись такие методы пробоподготовки препаратов сыворотки и плазмы крови как центрифугирование, заморозка и разморозка. Спектральные характеристики (коэффициенты поглощения и показатели преломления при прохождении ТГц излучения через образец) определялись стандартными методами ТГц спектроскопии с временным разрешением. Обработка и анализ получаемых экспериментальных данных осуществлялись с применением интерпретируемых методов машинного обучения.

Положения, выносимые на защиту

1. Предиктивная модель, построенная при помощи конвейера методов машинного обучения, предназначенного для анализа данных ТГц спектроскопии сыворотки крови мелких лабораторных животных в диапазоне 0,2-1,7 ТГц, включающего предварительную обработку данных фильтром Савицкого-Голея и методом изолированного леса, уменьшение размерности методом главных компонент, классификацию методом опорных векторов с линейным ядром позволяет дифференцировать образцы сыворотки крови мелких лабораторных животных с ксенографтовой моделью глиомы на основе клеток и87 и контрольной группы на третьей неделе эксперимента со средними значениями чувствительности, специфичности, точности и площади под ЯОС-кривой не менее 90% на использованной экспериментальной выборке.

2. Предиктивная модель, построенная при помощи конвейера методов машинного обучения с подобранными оптимальными значениями гиперпараметров, включающей предварительную обработку данных фильтром Савицкого-Голея с шириной окна 5 и степенью полинома 2, классификацию методом стохастического градиентного бустинга с глубиной деревьев 2, автоматической балансировкой классов, логарифмической функцией потерь, позволяет попарно дифференцировать группы с глиомой, здоровых доноров и пациентов после краниэктомии со средним значением площади под ЯОС-кривой не менее 90% на использованной экспериментальной выборке.

3. Предиктивная модель, построенная при помощи конвейера методов машинного обучения, включающего фильтр с Савицкого-Голея с шириной окна 25 и степенью полинома 2, нормализацию данных путем вычитания среднего и деления на дисперсию, ансамблевый классификатор на основе комбинации метода опорных векторов с линейным ядром, стохастического градиентного бустинга и случайного леса с подобранными оптимальными гиперпараметрами, позволяет дифференцировать группу мелких лабораторных животных с травматическим повреждением головного мозга от группы мелких лабораторных животных с ксенографтовой моделью глиомы на основе клеток и87, со средними значениями чувствительности, специфичности и точности равными 95%, 100% и 97%, соответственно, на использованной экспериментальной выборке.

Таблица 1 - Оптимальные параметры методов

Оптимальные параметры метода случайный лес Оптимальные параметры метода стохастический градиентный бустинг

Функция качества: критерий Джини; Количество деревьев в лесу: 100; Минимальное количество образцов, необходимое для разбиения внутреннего узла: 6; Минимальное количество образцов, необходимое для нахождения в узле листа: 3; Использовалась балансировка подвыборки и бутстрап Функция качества: логистическая функция потерь; Максимальное количество деревьев: 300, Глубина деревьев: 2, Скорость обучения: 0.03, Количество итераций при вычислении узла листа: 10, Максимальное количество листов :16; Использовалась балансировка классов

4. Частоты 0,37, 0,40, 0,55, 0,60, 0,70 и 0,90 ТГц являются наиболее информативными для дифференцирования группы мелких лабораторных животных с травматическим повреждением головного мозга и группы мелких лабораторных животных с ксенографтовой моделью глиомы на основе клеток и87.

Личный вклад автора диссертации

Автор лично участвовал в обработке полученных данных, анализе и обсуждении полученных результатов, в написании научных статей и апробации результатов исследований на конференциях, симпозиумах. Определение

основного направления диссертационной работы, формулировка темы, постановка задач, обсуждение результатов, обсуждение текста диссертационной работы, ее основных положений и выводов, осуществлялась совместно с научным руководителем диссертационной работы: заведующим лабораторией лазерного молекулярного имиджинга и машинного обучения федерального государственного бюджетного образовательного учреждения высшего образования «Национальный исследовательский Томский государственный университет», профессором, доктором физико-математических наук, Ю.В. Кистеневым.

Степень достоверности полученных результатов

Достоверность полученных результатов диссертационной работы подтверждается использованием апробированных экспериментальных моделей и методов данных, измерений, согласованностью с результатами независимых исследований других авторов.

Апробация результатов исследования

Основные положения диссертации докладывались и обсуждались на следующих конференциях: международная конференция Advanced Laser Technologies ALT21, (Москва, 06-10 октября 2021 г.), международная конференция 46 International Conference on Infrared, Millimeter and Terahertz Waves «IRMMW-THz 2021» (29 августа - 03 сентября 2021 г., Ченгду, Китай), V Международная конференция "Terahertz and Microwave Radiation: Generation, Detection and Applications - TERA 2020 (Томск, 24-26 августа 2020 г.), Saratov fall meeting 2020 (Саратов, 28 сентября - 01 октября 2020 г.), международная конференция International Conference Laser Optics 2020 «ICLO 2020» (Санкт Петербург, 02-06 ноября 2020), XV Международная конференция по импульсным лазерам и применениям лазеров, AMPL-2021(Томск, 12-17 сентября 2021 г.), Saratov Fall Meeting SFM21, 9th International Symposium Optics and Biophotonics (Саратов, 27 сентября - 01 октября 2021 г. ), Saratov Fall Meeting SFM22, 10th International Symposium Optics and Biophotonics (Саратов, 26-30 сентября 2022 г.), 5-я Конференция с международным участием «Терагерцевое и микроволновое

излучение: генерация, детектирование и приложения» - ТЕРА-2023 (Москва, 27 февраля - 02 марта 2023), XX Symposium on High Resolution Molecular Spectroscopy HighRus-2023 (Иркутск, 03-07 июля 2023).

Публикации

По теме диссертации опубликовано 13 работ, в том 6 статей в журналах, включенных в Перечень рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук (все статьи опубликованы в зарубежных научных журналах, входящих в Web of Science и / или Scopus), 6 публикаций в сборниках материалов конференций, представленных в изданиях, входящих в Web of Science; 1 монография.

Конкурсная поддержка работы

Результаты исследования получены в том числе при выполнении следующих научных проектов:

в рамках конкурса компании Хуавэй для обучающихся Томского государственного университета (2023-2024гг., науч. руководитель - Ю.В. Кистенев, исполнитель - Д.А. Вражнов);

в рамках проекта №19-52-55004 «Ранняя диагностика глиомы головного мозга на основе терагерцовой и инфракрасной спектроскопии, спектроскопии комбинационного рассеяния света» (2019-2022г., Руководитель Черкасова О.П., в числе соисполнителей - Д.А. Вражнов);

в рамках проекта № 075-15-2024-557 от 25.04.2024 г. Министерства науки и высшего образования Российской Федерации «Развитие фундаментальных основ новых технологий обеспечения безопасности жизнедеятельности на основе интеграции мультимодальной радиоволновой и оптической дистанционной сенсорики, и искусственного интеллекта» (2024-2025г., Руководитель Михайлов Ю.М., в числе соисполнителей - Д.А. Вражнов);

в рамках программы международного сотрудничества российских вузов и научных организаций с учеными мирового уровня и ведущими зарубежными научно-образовательными центрами в сферах науки:

- проект № 075-15-2021-615 «Разработка методов скрининговой неинвазивной диагностики вирусных и бактериальных респираторных инфекций с использованием лазерной спектроскопии, и методов искусственного интеллекта» (2021-2023 гг., руководитель - Ю.В. Кистенев, в числе соисполнителей - Д.А. Вражнов);

в рамках конкурса комплексных междисциплинарных фундаментальных научных исследований «Молекулярные основы функционирования живых систем»:

- проект № 17-00-00186 «Молекулярный имиджинг онкологических патологий биологических тканей в терагерцовой области спектра с использованием лазерной спектроскопии с разрешением по времени, технологий анализа больших данных и машинного обучения» (2017-2021г., руководитель -Ю.В. Кистенев, в числе соисполнителей - Д.А. Вражнов);

в рамках программы развития Томского государственного университета (Приоритет-2030):

- проект № 2.0.8.21 «Исследование оптических характеристик биотканей и биологических молекул для целей медицинской диагностики» (2021 г., руководитель - В.В. Тучин, в числе соисполнителей - Д.А. Вражнов);

- проект № НУ 2.4.3.22 ЛМУ «Развитие научно-технологических основ медицинской экспресс-диагностики с использованием методов молекулярного имиджинга, внешних физических факторов и машинного обучения» (2022-2023 г., руководитель - В.В. Тучин, в числе соисполнителей - Д.А. Вражнов);

в рамках государственной поддержки ведущих университетов Российской Федерации в целях повышения их конкурентной способности среди ведущих мировых научно-образовательных центров (5-100):

- госконтракт 8.1.43.2017 «Разработка физических основ оптической медицинской визуализации и диагностики с использованием лазерных технологий» (2017г., руководитель - В.В. Тучин, в числе соисполнителей -Д.А. Вражнов);

- госконтракт 8.1.43.2015Л «Разработка физических основ бесконтактной диагностики биотканей, физиологических параметров человека, развитие методов малоинвазивной лазерной хирургии» (01.01.2015 - 31.12.2016, руководитель -В.В. Тучин, в числе соисполнителей - Д.А. Вражнов);

- госконтракт 8.1.43.2018Л «Разработка научно-технических основ диагностики основных социально-значимых заболеваний с использованием методов молекулярного имиджинга и машинного обучения» (19.03.2018 -31.12.2020, руководитель - В.В. Тучин, в числе соисполнителей - Д.А. Вражнов).

Структура и объем диссертации

Диссертация состоит из введения, пяти глав, заключения и списка использованных источников и литературы из 198 наименований. Работа изложена на 168 страницах, включает 69 рисунков и 14 таблиц.

Содержание диссертации

Во введении представлена общая характеристика работы, актуальность темы исследования, цели и задачи настоящей работы; описаны объекты исследования; сформулированы защищаемые положения; приведена структура и краткое содержание диссертации.

В первой главе представлено описание структуры и строения головного мозга. Приведена информация о злокачественных новообразованиях головного мозга, классификация глиом. Рассмотрены молекулярные маркеры глиом, существующие биологические модели глиом и инструментальные методы их диагностики. Изложена информация о ТГц спектроскопии крови. Представлены методы и подходы к анализу биомедицинских данных на основе искусственного интеллекта. В частности, приведен базовый конвейер машинного обучения для построения предиктивных моделей в задаче медицинской диагностики и рассмотрены его этапы.

Во второй главе приведено обоснование выбора модели глиомы МЛЖ, образцов крови в качестве объекта исследования, метода ТГц СВО в качестве инструментального, а методов искусственного интеллекта в качестве аналитических методов анализа. Представлено описание используемой

ксенографтовой модели глиомы на основе клеток и87, методики пробоподготовки образцов крови пациентов и здоровых добровольцев, а также характеристики и принцип работы использованного ТГц спектрометра.

В третьей главе описаны результаты анализа данных ТГц спектроскопии сыворотки крови мышей методами машинного обучения для построения предиктивных моделей для диагностики МГБ. Приведено описание групп и анализируемых данных. Представлен модифицированный конвейер машинного обучения на основе метода опорных векторов с линейным ядром и метода главных компонент, позволяющий выделить информативные частоты для дифференции исследуемых групп в динамике развития глиомы. На основе проведенного анализа дана оценка связи ТГц-поглощения сыворотки крови и размера опухоли, а также способов повышения метрик качества полученных предиктивных моделей.

В четвертой главе представлены результаты анализа данных ТГц спектроскопии плазмы крови методами машинного обучения для диагностики МГБ у добровольцев. Дано описание групп и анализируемых данных. Приведена оценка однородности групп на основе методов кластеризации. Представлен модифицированный конвейер машинного обучения, указаны оптимальные значения гиперпараметров для его этапов и метрики качества предиктивных моделей для попарной дифференциации групп с глиомой, здоровых добровольцев и пациентов с дефектами черепа после краниэктомии. Также приведены наиболее информативные ТГц частоты для построенных предиктивных моделей.

В пятой главе представлены результаты анализа данных ТГц спектроскопии сыворотки крови методами машинного обучения для дифференциации МГБ и травматического поражения головного мозга на образцах МЛЖ. На основе проведенного разведывательного анализа методами машинного обучения без учителя разработана и реализована схема эксперимента. Приведены описания групп, конвейера машинного обучения с соответствующими оптимальными значениям гиперпараметров и метрики качества и наиболее информативные признаки для построенных предиктивных моделей.

В заключении описаны основные результаты и сформулированы выводы работы.

1 Обзор литературы

1.1 Основные сведения о головном мозге. Молекулярные маркеры и модели

глиом

1.1.1 Основные сведения о головном мозге

Головной мозг - это высший отдел центральной нервной системы большинства живых организмов, защищенный прочной наружной костяной оболочкой - черепом. Кроме того, он покрыт твердой и внутренней оболочками, состоящими из соединительной ткани. В процессе эволюции у млекопитающих внутренняя оболочка разделилась на мягкую оболочку и паутинное пространство [34]. Между оболочками и поверхностью мозга циркулирует спинномозговая жидкость (ликвор), осуществляющая защитную, выводящую и питающую функции. В состав головного мозга высших позвоночных организмов входят: ствол, мозжечок, кора больших полушарий, базальные ганглии и таламус. Преимущественно из клеток мозга состоит серое вещество, а из их отростков (нервных волокон), покрытых миелином - белое. Нервные волокна образуют проводящие пути, соединяющие структуры мозга между собой (рисунок 1.1).

Рисунок 1.1 - Общее анатомическое строение головного мозга

Клетки мозга включают нейроны и глиальные клетки. Нейроны генерируют и передают нервные импульсы, образуя паренхиму головного мозга. Совокупность глиальных клеток образуют глию (строму мозга), состоящую из четырех типов клеток: олигодендроцитов, астроцитов, эпендимиальных и микроглиальных клеток. Они выполняют следующие основные функции:

1. Физическая фиксация и связывание нейронов между собой в единый каркас;

2. Питание;

3. Изолирование нейронов друг от друга;

4. Защитная функция: уничтожение патогенов и мертвых нейронов.

Питание и вывод вредных веществ из мозга осуществляется через гематоэнцефалический барьер (ГЭБ), препятствующий проникновению вредоносных веществ в головной мозг. Непроницаемость ГЭБ относительна. Например, она напрямую зависит от концентрации таргетных веществ в крови веществ, что позволяет регистрировать продукты метаболизма злокачественных новообразований мозга в крови.

Список литературы диссертационного исследования кандидат наук Вражнов Денис Александрович, 2025 год

Список использованных источников и литературы

1. Agnihotri S. Glioblastoma, a brief review of history, molecular genetics, animal models and novel therapeutic strategies / S. Agnihotri, K. E. Burrell, A. Wolf, S. Jalali, C. Hawkins, J. T. Rutka, G. Zadeh // Archivum immunologiae et therapiae experimentalis. - 2013. - Vol. 61. - P. 25-41.

2. Wesseling P. WHO 2016 Classification of gliomas / P. Wesseling, D. Capper // Neuropathology and applied neurobiology. - 2018. - Vol. 44, №. 2. - P. 139-150.

3. Ostrom Q. T. CBTRUS statistical report: primary brain and other central nervous system tumors diagnosed in the United States in 2014-2018 / Q. T. Ostrom, G. Cioffi, K. Waite, C. Kruchko, J. S. Barnholtz-Sloan // Neuro-oncology. - 2021. -Vol. 23, is. Supplement_3. - P. iii1-iii105.

4. Torp S. H. The WHO 2021 Classification of Central Nervous System tumours: a practical update on what neurosurgeons need to know—a minireview / S. H. Torp, O. Solheim, A. J. Skjelsvik // Acta Neurochirurgica. - 2022. - Vol. 164, is. 9. - P. 2453-2464.

5. Hanif F. Glioblastoma multiforme: a review of its epidemiology and pathogenesis through clinical presentation and treatment / F. Hanif, K. Muzaffar, K. Perveen, S. M. Malhi, S. U. Simjee // Asian Pacific journal of cancer prevention: APJCP. - 2017. - Vol. 18, №. 1. - P. 3.

6. Hammoud M. A. Prognostic significance of preoperative MRI scans in glioblastoma multiforme / M. A. Hammoud, R. Sawaya, W. Shi, P. F. Thall, N. E. Leeds // Journal of neuro-oncology. - 1996. - Vol. 27. - P. 65-73.

7. Wangaryattawanich P. Multicenter imaging outcomes study of The Cancer Genome Atlas glioblastoma patient cohort: imaging predictors of overall and progression-free survival / P. Wangaryattawanich, M. Hatami, J. Wang, G. Thomas, A. Flanders, J. Kirby, M. Wintermark, E. S. Huang, A. S. Bakhtiari, M. M. Luedi, S. S. Hashmi, D. L. Rubin, J. Y. Chen, S. N. Hwang, J. Freymann, C. A. Holder, P. O. Zinn, R. R. Colen // Neuro-oncology. - 2015. - Vol. 17, №. 11. - P. 1525-1537.

8. Bulik M. Potential of MR spectroscopy for assessment of glioma grading // M. Bulik, R. Jancalek, J. Vanicek, A. Skoch, M. Mechl // Clinical neurology and neurosurgery. - 2013. - Vol. 115, is. 2. - P. 146-153.

9. Leijenaar R. T. H. External validation of a prognostic CT-based radiomic signature in oropharyngeal squamous cell carcinoma / R. T. H. Leijenaar, S. Carvalho, F. J. P. Hoebers, H. J. W. L. Aerts, W. J. C. van Elmpt, Sh. H. Huang, B. Chan, J. N. Waldron, B. O'sullivan, Ph. Lambin / Acta oncologica. - 2015. - Vol. 54, № 9. -P. 1423-1429.

10. Honda N. Determination of optical properties of human brain tumor tissues from 350 to 1000 nm to investigate the cause of false negatives in fluorescence-guided resection with 5-aminolevulinic acid / N. Honda, K. Ishii, Y. Kajimoto, T. Kuroiwa, K. Awazu // Journal of biomedical optics. - 2018. - Vol. 23, № 7. - P. 075006.

11. Vasefi F. Review of the potential of optical technologies for cancer diagnosis in neurosurgery: a step toward intraoperative neurophotonics / F. Vasefi, N. MacKinnon, D. L. Farkas, B. Kateb // Neurophotonics. - 2017. - Vol. 4, №. 1. - P. 011010-011010.

12. Liang B. Impacts of the murine skull on high-frequency transcranial photoacoustic brain imaging / B. Liang, W. Liu, Q. Zhan, M. Li, M. Zhuang, Q. H. Liu, J. Yao // Journal of biophotonics. - 2019. - Vol. 12, №. 7. - P. e201800466.

13. Jermyn M. Raman spectroscopy detects distant invasive brain cancer cells centimeters beyond MRI capability in humans / M. Jermyn, J. Desroches, J. Mercier, K. St-Arnaud, M. C. Guiot, F. Leblond, K. Petrecca // Biomedical optics express. -2016. - Vol. 7, №. 12. - P. 5129-5137.MLA

14. Kong K. Raman spectroscopy for medical diagnostics—From in-vitro biofluid assays to in-vivo cancer detection / K. Kong, C. Kendall, N. Stone, I. Notingher // Advanced drug delivery reviews. - 2015. - Vol. 89. - P. 121-134.

15. Genina E. A. Optical properties of brain tissues at the different stages of glioma development in rats: pilot study / E. A. Genina, A. N. Bashkatov, D. K. Tuchina, P. A. Dyachenko (Timoshina), N. Navolokin, A. Shirokov, A. Khorovodov, A. Terskov, M. Klimova, A. Mamedova, I. Blokhina, I. Agranovich, E. Zinchenko,

0. V. Semyachkina-Glushkovskaya, V. V. Tuchin // Biomedical optics express. - 2019. - Vol. 10, №. 10. - P. 5182-5197.

16. Cameron J. M. Clinical validation of a spectroscopic liquid biopsy for earlier detection of brain cancer / J. M. Cameron, P. M. Brennan, G. Antoniou, H. J. Butler, L. Christie, J. J. A. Conn, T. Curran, E. Gray, M. G. Hegarty, M. Jenkinson, D. Orringer, D. S. Palmer, A. Sala, B. R. Smith, M. J. Baker // Neuro-oncology advances. - 2022. - Vol. 4, №. 1. - P. vdac024.

17. Zaytsev K. I. The progress and perspectives of terahertz technology for diagnosis of neoplasms: a review / K. I. Zaytsev, I. N. Dolganova, N. V. Chernomyrdin, G. M. Katyba, A. A. Gavdush, O. P. Cherkasova, G. A. Komandin, M. A. Shchedrina, A. N. Khodan, D. S. Ponomarev, I. V. Reshetov, V. E. Karasik, M. Skorobogatiy, V. N. Kurlov, V. V. Tuchin // Journal of Optics. -2019. - Vol. 22, №. 1. - P. 013001.

18. Gavdush A. A. Terahertz spectroscopy of gelatin-embedded human brain gliomas of different grades: a road toward intraoperative THz diagnosis / A. A. Gavdush, N. V. Chernomyrdin, K. M. Malakhov, S.-I. T. Beshplav,

1. N. Dolganova, A. V. Kosyrkova, P. V. Nikitin, G. R. Musina, G. M. Katyba, I. V. Reshetov, O. P. Cherkasova, G. A. Komandin, V. E. Karasik, A. A. Potapov, V. V. Tuchin, K. I. Zaytsev // Journal of biomedical optics. - 2019. - Vol. 24, №. 2. - P. 027001-027001.

19. Gavdush A. A. Terahertz dielectric spectroscopy of human brain gliomas and intact tissues ex vivo: double-Debye and double-overdamped-oscillator models of dielectric response / A. A. Gavdush, N. V. Chernomyrdin, G. A. Komandin, I. N. Dolganova, P. V. Nikitin, G. R. Musina, G. M. Katyba, A. S. Kucheryavenko, I. V. Reshetov, A. A. Potapov, V. V. Tuchin, K. I. Zaytsev // Biomedical Optics Express. - 2020. - Vol. 12, №. 1. - P. 69-83.

20. Lone S. N. Liquid biopsy: a step closer to transform diagnosis, prognosis and future of cancer treatments / S. N. Lone, S. Nisar, T. Masoodi, M. Singh, A. Rizwan, S. Hashem, W. El-Rifai, D. Bedognetti, S. K. Batra, M. Haris, A. A. Bhat, M. A. Macha // Molecular cancer. - 2022. - Vol. 21, №. 1. - P. 79.

Ronvaux L. Liquid biopsy in glioblastoma / L. Ronvaux, M. Riva, A. Coosemans, M. Herzog , G. Rommelaere, N. Donis, L. D'Hondt, J. Douxfils // Cancers. - 2022. -Vol. 14, №. 14. - P. 3394.

21. Ali H. Blood-based biomarkers for glioma in the context of gliomagenesis: a systematic review / H. Ali, R. Harting, R. de Vries, M. Ali, T. Wurdinger, M. G. Best // Frontiers in Oncology. - 2021. - Vol. 11. - P. 665235.

22. Figueroa J. M. Detection of glioblastoma in biofluids / J. M. Figueroa, B. S. Carter // Journal of Neurosurgery. - 2017. - Vol. 129, №. 2. - P. 334-340.

23. Jelski W. Molecular and circulating biomarkers of brain tumors / W. Jelski, B. Mroczko // International journal of molecular sciences. - 2021. - Vol. 22, №. 13. -P. 7039.

24. Smolyanskaya O. A. Terahertz biophotonics as a tool for studies of dielectric and spectral properties of biological tissues and liquids / O. A. Smolyanskaya, N. V. Chernomyrdin, A. A. Konovko, K. I. Zaytsev, I. A. Ozheredov, O. P. Cherkasova, M. M. Nazarov, J.-P. Guillet, S. A. Kozlov, Yu. V. Kistenev, J.-L. Coutaz, P. Mounaix, V. L. Vaks, J.-H. Son, H. Cheon, V. P. Wallace, Yu. Feldman, I. Popov, A. N. Yaroslavsky, A. P. Shkurinov, V. V. Tuchin // Progress in Quantum Electronics. -2018. - Vol. 62. - P. 1-77.

25. Konnikova M. R. Malignant and benign thyroid nodule differentiation through the analysis of blood plasma with terahertz spectroscopy / M. R. Konnikova, O. P. Cherkasova, M. M. Nazarov, D. A. Vrazhnov, Yu. V. Kistenev, S. E. Titov, E. V. Kopeikina, S. P. Shevchenko, A. P. Shkurinov // Biomedical Optics Express. -2021. - Vol. 12, №. 2. - P. 1020-1035.

26. Lykina A. A. Terahertz spectroscopy of diabetic and non-diabetic human blood plasma pellets / A. A. Lykina, M. M. Nazarov, M. R. Konnikova, I. A. Mustafin, V. L. Vaks, V. A. Anfertev, E. G. Domracheva, M. B. Chernyaeva, Y. V. Kistenev, D. A. Vrazhnov, V. V. Prischepa, Y. A. Kononova, D. V. Korolev, O. P. Cherkasova, A. P. Shkurinov, A. Y. Babenko, O. A. Smolyanskaya // Journal of Biomedical Optics. - 2021. - Vol. 26, №. 4. - P. 043006-043006.

27. Kistenev Y. V. Diagnosis of oral lichen planus from analysis of saliva samples using terahertz time-domain spectroscopy and chemometrics / Y. V. Kistenev, A. V. Borisov, M. A. Titarenko, O. D. Baydik, A. V. Shapovalov // Journal of Biomedical Optics. - 2018. - Vol. 23, №. 4. - P. 045001-045001.

28. Ahmed S. F. Deep learning modelling techniques: current progress, applications, advantages, and challenges / S. F. Ahmed, M. S. B. Alam, M. Hassan, M. R. Rozbu, T. Ishtiak, N. Rafa, M. Mofijur, A. B. M. S. Ali, A. H. Gandomi // Artificial Intelligence Review. - 2023. - Vol. 56, №. 11. - P. 13521-13617.

29. Angelov P. P. Explainable artificial intelligence: an analytical review / P. P. Angelov, E. A. Soares, R. Jiang, N. I. Arnold, P. M. Atkinson // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. - 2021. - Vol. 11, №. 5. - P. e1424.

30. Tretyakov A. Qualitative and Quantitative Analysis of Volatile Molecular Biomarkers in Breath Using THz-IR Spectroscopy and Machine Learning / A. Tretyakov, D. Vrazhnov, A. Shkurinov, V. Zasedatel, Y. Kistenev // Applied Sciences. - 2024. - Vol. 14, №. 24. - P. 11521.MLA

31. Vrazhnov D. Discovering glioma tissue through its biomarkers' detection in blood by Raman spectroscopy and machine learning / D. Vrazhnov, A. Mankova, E. Stupak, Y. Kistenev, A. Shkurinov, O. Cherkasova // Pharmaceutics. - 2023. - Vol. 15, №. 1. - P. 203.

32. Maslova G. T. The use of morphostructural analysis and IR spectrometry for diagnosis of the brain tumors / G. T. Maslova, J. I. Buloichik, A. P. Zajogin, A. S. Mavrichev, L. A. Derzhavets, A. S. Trubetskaya, A. V. Titova // Doklady BGUIR. - 2018. - №. 7. - P. 25-29.MLA

33. Park H. Machine learning techniques for THz imaging and time-domain spectroscopy / H. Park, J. H. Son // Sensors. - 2021. - Vol. 21, №. 4. - P. 1186.

34. Ромер А. Анатомия позвоночных: в 2-х т. / А. Ромер, Т. Парсонс / пер.с англ. - М : Мир, 1992. - Т. 2. - 406 с.

35. Шахзадова А. О., Состояние онкологической помощи населению России в 2022 году / А. О. Шахзадова, В. В. Старинский, И. В. Лисичникова // Сибирский онкологический журнал. - 2023. - Т. 22, №. 5. - С. 5-13.

36. Stupp R. et al. Effects of radiotherapy with concomitant and adjuvant temozolomide versus radiotherapy alone on survival in glioblastoma in a randomised phase III study: 5-year analysis of the EORTC-NCIC trial / R. Stupp, M. E. Hegi, W. P. Mason, M. J. van den Bent, M. J. B. Taphoorn, R. C. Janzer, S. K. Ludwin, A. Allgeier, B. Fisher, K. Belanger, P. Hau, A. A. Brandes, J. Gijtenbeek, C. Marosi, C. J. Vecht, K. Mokhtari, P. Wesseling, S. Villa, E. Eisenhauer, T. Gorlia, R. O. Mirimanoff // The lancet oncology. - 2009. - Vol. 10, №. 5. - P. 459-466.

37. Stupp R. et al. Radiotherapy plus concomitant and adjuvant temozolomide for glioblastoma / R. Stupp, W. P. Mason, M. J. van den Bent, M. Weller, B. Fisher, M. J. B. Taphoorn, K. Belanger, A. A. Brandes, C. Marosi, U. Bogdahn, J. Curschmann, R. C. Janzer, S. K. Ludwin, T. Gorlia, A. Allgeier, D. Lacombe, J. G. Cairncross,

E. Eisenhauer, R. O. Mirimanoff // New England journal of medicine. - 2005. - Vol. 352, №. 10. - P. 987-996.

38. Клинические рекомендации - Первичные опухоли центральной нервной системы - 2020-2021-2022 (31.01.2023) - Утверждены Минздравом РФ

39. Claes A. Diffuse glioma growth: a guerilla war / A. Claes, A. J. Idema, P. Wesseling // Acta neuropathologica. - 2007. - Vol. 114. - P. 443-458.

40. Osswald M. Brain tumour cells interconnect to a functional and resistant network / M. Osswald, E. Jung, F. Sahm, G. Solecki, V. Venkataramani, J. Blaes, S. Weil, H. Horstmann, B. Wiestler, M. Syed, L. Huang, M. Ratliff, K. Karimian Jazi,

F. T. Kurz, T. Schmenger, D. Lemke, M. Gömmel, M. Pauli, Y. Liao, P. Häring, S. Pusch, V. Herl, C. Steinhäuser, D. Krunic, M. Jarahian, H. Miletic, A. S. Berghoff, O. Griesbeck, G. Kalamakis, O. Garaschuk, M. Preusser, S. Weiss, H. Liu, S. Heiland, M. Platten, P. E. Huber, T. Kuner, A. von Deimling, W. Wick, F. Winkler // Nature. -2015. - Vol. 528, №. 7580. - P. 93-98.

41. Loras A. Neural Stem Cells as Potential Glioblastoma Cells of Origin / A. Loras, L. G. Gonzalez-Bonet, J. L. Gutierrez-Arroyo, C. Martinez-Cadenas, M. A. Marques-Torrejon // Life. - 2023. - Vol. 13, №. 4. - P. 905.

42. Nicolaidis S. Biomarkers of glioblastoma multiforme // Metabolism. - 2015. - Vol. 64, №. 3. - P. S22-S27.

43. Thakkar J. P. Epidemiologic and molecular prognostic review of glioblastoma / J. P. Thakkar, T. A. Dolecek, C. Horbinski, Q. T. Ostrom, D. D. Lightner, J. S. Barnholtz-Sloan, J. L. Villano // Cancer epidemiology, biomarkers & prevention. -2014. - Vol. 23, №. 10. - P. 1985-1996.

44. Cherkasova O. Diagnosis of glioma molecular markers by terahertz technologies / O. Cherkasova, Y. Peng, M. Konnikova, Y. Kistenev, C. Shi, D. Vrazhnov, O. Shevelev, E. Zavjalov, S. Kuznetsov, A. Shkurinov // Photonics. -Multidisciplinary Digital Publishing Institute, 2021. - Vol. 8, №. 1. - P. 22.

45. Cavenee W. K. High-grade gliomas with chromosome 1p loss // Journal of neurosurgery. - 2000. - Vol. 92, №. 6. - P. 1080-1081.

46. Wen L. Human cytomegalovirus DNA and immediate early protein 1/2 are highly associated with glioma and prognosis / L. Wen, F. Zhao, Y. Qiu, S. Cheng, J.Y. Sun, W. Fang, S. Rayner, M. A. McVoy, X.-J. Jiang, Q. Tang, F.-C. Li, F. Hu, M.-H. Luo // Protein & Cell. - 2020. - Vol. 11, №. 7. - P. 525-533.

47. Crawford J. R. Detection of human herpesvirus-6 variants in pediatric brain tumors: association of viral antigen in low grade gliomas / J. R. Crawford, M. R. Santi, H. K. Thorarinsdottir, R. Cornelison, E. J. Rushing, H. Zhang, K. Yao, S. Jacobson, T. J. MacDonald // Journal of clinical virology. - 2009. - Vol. 46, №. 1. - P. 37-42.

48. Vilchez R. A. Simian virus 40 in human cancers / R. A. Vilchez, C. A. Kozinetz, A. S. Arrington, C. R. Madden, J. S. Butel // The American journal of medicine. - 2003. - Vol. 114, №. 8. - P. 675-684

49. Siminska D. The pathophysiology of post-traumatic glioma / D. Siminska, K. Kojder, D. Jezewski, I. Kojder, M. Skorka, I. Gutowska, D. Chlubek, I. Baranowska-Bosiacka // International journal of molecular sciences. - 2018. - Vol. 19, №. 8. - P. 2445.

50. Rodriguez F. J. Gliomas in neurofibromatosis type 1: a clinicopathologic study of 100 patients / F. J. Rodriguez, A. Perry, D. H. Gutmann, B. P. O'Neill, J. Leonard, S. Bryant, C. Giannini // Journal of Neuropathology & Experimental Neurology. - 2008. - Vol. 67, №. 3. - P. 240-249.

51. Waitkus M. S. Isocitrate dehydrogenase mutations in gliomas / M. S. Waitkus, B. H. Diplas., H. Yan // Neuro-oncology. - 2015. - Vol. 18, №. 1. - P. 16-26.

52. Andronesi O. C. Detection of oncogenic IDH1 mutations using magnetic resonance spectroscopy of 2-hydroxyglutarate / O. C. Andronesi, O. Rapalino,

E. Gerstner, A. Chi, T. T. Batchelor, D. P. Cahill, A. G. Sorensen, B. R. Rosen // The Journal of clinical investigation. - 2013. - Vol. 123, №. 9. - P. 3659-3663.

53. Bories P. N. Establishing assay-specific 97.5th percentile upper reference limit for serum D-2-hydroxyglutarate for the management of patients with acute myeloid leukemia / P.-N. Bories, S. Nakib, L. Cynober, A.-S. Alary, M.-M. Coude,

F. Chevillon, J. Tamburini, R. Birsen, O. Kosmider, D. Bouscary // Clinical Chemistry and Laboratory Medicine (CCLM). - 2019. - Vol. 57, №. 4. - P. e57-e59.

54. Poinsignon V. Quantitation of isocitrate dehydrogenase (IDH)-induced D and L enantiomers of 2-hydroxyglutaric acid in biological fluids by a fully validated liquid tandem mass spectrometry method, suitable for clinical applications / V. Poinsignon, L. Mercier, K. Nakabayashi, M. D. David, A. Lalli, V. Penard-Lacronique, C. Quivoron, V. Saada, S. De Botton, S. Broutin, A. Paci // Journal of Chromatography B. - 2016, Vol. 1022. - P. 290-297.

55. Nakamizo S. GC/MS-based metabolomic analysis of cerebrospinal fluid (CSF) from glioma patients / S. Nakamizo, T. Sasayama, M. Shinohara, Y. Irino, S. Nishiumi, M. Nishihara, H. Tanaka, K. Tanaka, K. Mizukawa, T. Itoh, M. Taniguchi, K. Hosoda, M. Yoshida, E. Kohmura // Journal of neuro-oncology. - 2013. - Vol. 113. - P. 65-74.

56. Horska A. Imaging of brain tumors: MR spectroscopy and metabolic imaging / A. Horska, P. B. Barker // Neuroimaging Clinics. - 2010. - Vol. 20, №. 3. - P. 293310.

57. Naser R. K. A. Role of magnetic resonance spectroscopy in grading of primary brain tumors / R. K. Abdel Naser, A. A. Kader Hassan, A. M. Shabana, N. N. Omar // The Egyptian Journal of Radiology and Nuclear Medicine. - 2016. - Vol. 47, №. 2. - P. 577-584.

58. Kaddah R. O. Malignant focal brain lesions. Value of MRS tumour biomarkers in preoperative prediction of grades of malignancy / R. O. Kaddah, M. E. Khalil // The Egyptian Journal of Radiology and Nuclear Medicine. - 2014. -Vol. 45, №. 4. - P. 1201-1208.

59. Holdhoff M. Blood-based biomarkers for malignant gliomas / M. Holdhoff, S. G. Yovino, O. Boadu, S. A. Grossman // Journal of neuro-oncology. - 2013. - Vol. 113. - P. 345-352.

60. Kros J. M. Circulating glioma biomarkers / J. M. Kros, D. M. Mustafa, L. J. M. Dekker, P. A. E. Sillevis Smitt, T. M. Luider, P.-P. Zheng // Neuro-oncology. -2015. - Vol. 17, №. 3. - P. 343-360.

61. Stroun M. About the possible origin and mechanism of circulating DNA: Apoptosis and active DNA release / M. Stroun, J. Lyautey, C. Lederrey, A. Olson-Sand, P. Anker // Clinica chimica acta. - 2001. - Vol. 313, №. 1-2. - P. 139-142.

62. Miyauchi E. Identification of blood biomarkers in glioblastoma by SWATH mass spectrometry and quantitative targeted absolute proteomics / E. Miyauchi, T. Furuta, S. Ohtsuki, M. Tachikawa, Y. Uchida, H. Sabit, W. Obuchi, T. Baba, M. Watanabe, T. Terasaki, M. Nakada // PloS one. - 2018. - Vol. 13, №. 3. - P. e0193799.

63. Lopez-Lopez A. A review of validated biomarkers obtained through metabolomics / A. Lopez-Lopez, A. Lopez-Gonzalvez, T. C. Barker-Tejeda, C. Barbas // Expert review of molecular diagnostics. - 2018. - Vol. 18, №. 6. - P. 557-575.

64. Sarantopoulos A. Therapeutic approaches to modulate the immune microenvironment in gliomas / A. Sarantopoulos, C. Ene, E. Aquilanti //npj Precision Oncology. - 2024. - Vol. 8, №. 1. - P. 241.

65. Furnari F. B. Malignant astrocytic glioma: genetics, biology, and paths to treatment / F. B. Furnari, T. Fenton, R. M. Bachoo, A. Mukasa, J. M. Stommel,

A. Stegh, W. C. Hahn, K. L. Ligon, D. N. Louis, C. Brennan, L. Chin, R. A. DePinho, W. K. Cavenee // Genes & development. - 2007. - Vol. 21, №. 21. - P. 2683-2710.

66. Pearson J. R. D. Targeting cellular pathways in glioblastoma multiforme / J. R. D. Pearson, T. Regad // Signal transduction and targeted therapy. - 2017. - Vol. 2, №. 1. - P. 1-11.

67. Mohan A. A. Targeting immunometabolism in glioblastoma / A. A. Mohan, W. H. Tomaszewski, A. P. Haskell-Mendoza, K. M. Hotchkiss, K. Singh, J. L. Reedy, P. E. Fecci, J. H. Sampson, M. Khasraw // Frontiers in Oncology. - 2021. - Vol. 11. -P. 696402.

68. Peng Y. Indirect Imaging / Y. Peng, C. Shi, Yu. V. Kistenev, D. A. Vrazhnov, O. P. Cherkasova // Advances in Brain Imaging Techniques. - Singapore : Springer Nature Singapore, 2022. - P. 163-182.

69. Lenting K. Glioma: experimental models and reality / K. Lenting, R. Verhaak, M. Ter Laan, P. Wesseling, W. Leenders // Acta neuropathologica. - 2017. - Vol. 133. - P. 263-282.

70. Vittori M. The study of glioma by xenotransplantation in zebrafish early life stages / M. Vittori, H. Motaln, T. L. Turnsek // Journal of Histochemistry & Cytochemistry. - 2015. - Vol. 63, №. 10. - P. 749-761.

71. Welker A. M. Standardized orthotopic xenografts in zebrafish reveal glioma cell-line-specific characteristics and tumor cell heterogeneity / A. M. Welker,

B. D. Jaros, V. K. Puduvalli, J. Imitola, B. Kaur, C. E. Beattie // Disease models & mechanisms. - 2016. - Vol. 9, №. 2. - P. 199-210.

72. Witte H. T. Modeling glioma growth and invasion in Drosophila melanogaster / H. T. Witte, A. Jeibmann, C. Klämbt, W. Paulus // Neoplasia. - 2009. -Vol. 11, №. 9. - P. 882-888.

73. Barth R. F. Rat brain tumor models in experimental neuro-oncology: the C6, 9L, T9, RG2, F98, BT4C, RT-2 and CNS-1 gliomas / R. F. Barth, B. Kaur // Journal of neuro-oncology. - 2009. - Vol. 94. - P. 299-312.

74. Sonabend A. M. Murine cell line model of proneural glioma for evaluation of anti-tumor therapies / A. M. Sonabend, J. Yun, L. Lei, R. Leung, C. Soderquist,

C. Crisman, B. J. Gill, A. Carminucci, J. Sisti, M. Castelli, P. A. Sims, J. N. Bruce, P. Canoll // Journal of neuro-oncology. - 2013. - Vol. 112. - P. 375-382.

75. PontÉN J. A. N. Long term culture of normal and neoplastic human glia / J. A. N. PontÉN, E. H. Macintyre // Acta Pathologica Microbiologica Scandinavica. -1968. - Vol. 74, №. 4. - P. 465-486.

76. Roberts W. G. Host microvasculature influence on tumor vascular morphology and endothelial gene expression / W. G. Roberts, J. Delaat, M. Nagane, S. Huang, W. K. Cavenee, G. E. Palade // The American journal of pathology. - 1998. -Vol. 153, №. 4. - P. 1239-1248.

77. Mohan G. H. Management of Specific Pathogen-Free (SPF) Mice and Rats / G. H. Mohan, R. V. Shwetha Reddy, C. Yogesh // Essentials of Laboratory Animal Science: Principles and Practices. - 2021. - P. 633-653.

78. Kerr P. B. A history of cerebral localization / P. B. Kerr, A. J. Caputy, N. H. Horwitz // Neurosurgical focus. - 2005. - Vol. 18, №. 4. - P. 1-3.

79. Castillo M. History and evolution of brain tumor imaging: insights through radiology // Radiology. - 2014. - Vol. 273, №. 2S. - P. S111-S125.

80. Sawlani V. Multiparametric MRI: practical approach and pictorial review of a useful tool in the evaluation of brain tumours and tumour-like lesions / V. Sawlani, M. D. Patel, N. Davies, R. Flintham, R. Wesolowski, I. Ughratdar, U. Pohl, S. Nagaraju, V. Petrik, A. Kay, S. Jacob, P. Sanghera, V. Wykes, C. Watts, H. Poptani // Insights into imaging. - 2020. - Vol. 11. - P. 1-19.

81. Drake L. R. Approaches to PET imaging of glioblastoma / L. R. Drake, A. T. Hillmer, Z. Cai // Molecules. - 2020. - Vol. 25, №. 3. - P. 568.

82. Touat M. Emerging circulating biomarkers in glioblastoma: promises and challenges / M. Touat, A. Duran-Peña, A. Alentorn, L. Lacroix, C. Massard, A. Idbaih // Expert review of molecular diagnostics. - 2015. - Vol. 15, №. 10. - P. 1311-1323.

83. Lee J. E. Metabolic profiling of human gliomas assessed with NMR / J. E. Lee, S. S. Jeun, S. H. Kim, C. Y. Yoo, H. M. Baek, S. H. Yang // Journal of Clinical Neuroscience. - 2019. - Vol. 68. - P. 275-280.

84. Butler H. J. Development of high-throughput ATR-FTIR technology for rapid triage of brain cancer / H. J. Butler, P. M. Brennan, J. M. Cameron, D. Finlayson, M. G. Hegarty, M. D. Jenkinson, D. S. Palmer, B. R. Smith, M. J. Baker // Nature Communications. - 2019. - Vol. 10, №. 1. - P. 4501.

85. Theakstone A. G. Rapid spectroscopic liquid biopsy for the universal detection of brain tumours / A. G. Theakstone, P. M. Brennan, M. D. Jenkinson, S. J. Mills, K. Syed, C. Rinaldi, Y. Xu, R. Goodacre, H. J. Butler, D. S. Palmer, B. R. Smith, M. J. Baker // Cancers. - 2021. - Vol. 13, №. 15. - P. 3851.

86. Nazarov M. M. A complex study of the peculiarities of blood serum absorption of rats with experimental liver cancer / M. M. Nazarov, O. P. Cherkasova, E. N. Lazareva, A. B. Bucharskaya, N. A. Navolokin, V. V. Tuchin, A. P. Shkurinov // Optics and spectroscopy. - 2019. - Vol. 126. - P. 721-729.

87. Tuchin V. V. Medical diagnosis using NIR and THz tissue imaging and machine learning methods / Y. V. Kistenev, V. V. Tuchin, A. V. Borisov, E. N. Lazareva, V. V. Nikolaev, D. K. Tuchina, D. A. Vrazhnov, I. Yu. Yanina // Dynamics and Fluctuations in Biomedical Photonics XVI. - SPIE, 2019. - Vol. 10877. - P. 75-85.

88. Penkov N. Terahertz spectroscopy applied for investigation of water structure / N. Penkov, N. Shvirst, V. Yashin, E. Fesenko Jr., E. Fesenko // The Journal of Physical Chemistry B. - 2015. - Vol. 119, №. 39. - P. 12664-12670.

89. Angeluts A. A. Characteristic responses of biological and nanoscale systems in the terahertz frequency range / A. A. Angeluts, A. V. Balakin, M. G. Evdokimov, M. N. Esaulkov, M. M. Nazarov, I. A. Ozheredov, D. A. Sapozhnikov, P. M. Solyankin, O. P. Cherkasova, A. P. Shkurinov // Quantum Electronics. - 2014. - Vol. 44, №. 7. -P. 614.

90. Lykina A. Study of dry pellets of blood plasma using THz spectroscopy / A. Lykina, M. Konnikova, M. Chernyaeva, P. Gavrilova, I. Mustafin, E. Domracheva, V. Anfertev, D. Vrazhnov, V. Prischepa, Y. Toropova, D. Korolev, A. Shkurinov // 2020 International Conference Laser Optics (ICLO). - IEEE, 2020. - P. 1-1.

91. Cherkasova O. Noninvasive blood glucose monitoring in the terahertz frequency range / O. Cherkasova, M. Nazarov, A. Shkurinov // Optical and Quantum Electronics. - 2016. - Vol. 48. - P. 1-12.

92. Smirnova I. N. Lowest-lying vibrational signatures in corticosteroids studied by terahertz time-domain and Raman spectroscopies / I. N. Smirnova,

D. A. Sapozhnikov, A. V. Kargovsky, V. A. Volodin, O. P. Cherkasova, R. Bocquet, A. P. Shkurinov // Vibrational Spectroscopy. - 2012. - Vol. 62. - P. 238-247.

93. Kistenev Y. V. Applications of THz laser spectroscopy and machine learning for medical diagnostics / Y. V. Kistenev, A. V. Borisov, A. I. Knyazkova,

E. A. Sandykova, V. V. Nikolaev, D. A. Vrazhnov // EPJ Web of Conferences. - EDP Sciences, 2018. - Vol. 195. - P. 10006.

94. George D. K. Terahertz spectroscopy of liquids and biomolecules / D. K. George, A. G. Markelz // Terahertz spectroscopy and imaging. - Berlin, Heidelberg : Springer Berlin Heidelberg, 2012. - P. 229-250.

95. Reid C. B. Terahertz time-domain spectroscopy of human blood / C. B. Reid, G. Reese, A. P. Gibson, V. P. Wallace// IEEE Transactions on Terahertz Science and Technology. - 2013. - Vol. 3, №. 4. - P. 363-367.

96. Cherkasova O. P. Study of blood and its components by terahertz pulsed spectroscopy / O. P. Cherkasova, M. M. Nazarov, A. P. Shkurinov // EPJ Web of Conferences. - EDP Sciences, 2018. - Vol. 195. - P. 10003.

97. Turing A. M. Computing machinery and intelligence. - Springer Netherlands, 2009. - P. 23-65.

98. Muggleton S. Alan Turing and the development of Artificial Intelligence // AI communications. - 2014. - Vol. 27, №. 1. - P. 3-10.

99. Muggleton S. (ed.). Inductive logic programming. - Morgan Kaufmann, 1992. - №. 38.

100. Minker J. (ed.). Logic-based artificial intelligence. - Springer Science & Business Media, 2012. - Vol. 597.

101. Kersting K. Machine learning and artificial intelligence: two fellow travelers on the quest for intelligent behavior in machines // Frontiers in big Data. - 2018. - Vol.

1. - P. 6.

102. Wehle H. D. Machine learning, deep learning and AI: what's the difference // Data Scientist Innovation Day. - 2017. - P. 2-5.

103. Kistenev Y. V. Medical applications of laser molecular imaging and machine learning / Yu. V. Kistenev, A. V. Borisov, D. A. Vrazhnov / - Society of Photo-Optical Instrumentation Engineers, 2021.

104. Helm J. M. Machine learning and artificial intelligence: definitions, applications, and future directions / J. M. Helm, A. M. Swiergosz, H. S. Haeberle, J. M. Karnuta, J. L. Schaffer, V. E. Krebs, A. I. Spitzer, P. N. Ramkumar // Current reviews in musculoskeletal medicine. - 2020. - Vol. 13. - P. 69-76.

105. Zien A. Semi-Supervised Learning // CSZ2006. html. - 2006. - Vol. 5, №.

2. - P. 1.

106. Hall D. L. Mathematical techniques in multisensor data fusion / D. L. Hall, S. A. H. McMullen / - Artech House, 2004.

107. Beniwal S. Classification and feature selection techniques in data mining / S. Beniwal, J. Arora // International journal of engineering research & technology (ijert). - 2012. - Vol. 1, №. 6. - P. 1-6.

108. Kistenev Y. V. Application of multiphoton imaging and machine learning to lymphedema tissue analysis / Y. V. Kistenev, V. V. Nikolaev, O. S. Kurochkina, A. V. Borisov, D. A. Vrazhnov, E. A. Sandykova // Biomedical optics express. - 2019. - Vol. 10, №. 7. - P. 3353-3368.

109. Kistenev Y. V. Screening of patients with bronchopulmonary diseases using methods of infrared laser photoacoustic spectroscopy and principal component analysis / Y. V. Kistenev, A. I. Karapuzikov, N. Yu. Kostyukova, M. K. Starikova, A. A. Boyko, E. B. Bukreeva, A. A. Bulanova, D. B. Kolker, D. A. Kuzmin, K. G. Zenov, A. A. Karapuzikov // Journal of biomedical optics. - 2015. - Vol. 20, №. 6. - P. 065001-065001.

110. Liu H. Identification terahertz spectra for the dyestuffs based on principal component analysis and Savitzky-Golay filter / H. Liu, Z. Zhang, Y. Yang, T. Chen, C. Zhang // Optik. - 2018. - Vol. 172. - P. 668-673.

111. Cao Y. Characterization and discrimination of human colorectal cancer cells using terahertz spectroscopy / Y. Cao, J. Chen, G. Zhang, S. Fan, W. Ge, W. Hu, P. Huang, D. Hou, S. Zheng // Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. - 2021. - Vol. 256. - P. 119713.

112. Knyazkova A. I. Paraffin-embedded prostate cancer tissue grading using terahertz spectroscopy and machine learning / A. I. Knyazkova, A. V. Borisov, L. V. Spirina, Y. V. Kistenev // Journal of Infrared, Millimeter, and Terahertz Waves. -2020. - Vol. 41. - P. 1089-1104.

113. Hawkins D. Identification of outliers / - London: Chapman and Hall. -1980.

114. Barnett V. Outliers in statistical data // - New York : Wiley, 1994. - Vol. 3,

№. 1.

115. Walfish S. A review of statistical outlier methods // Pharmaceutical technology. - 2006. - Vol. 30, №. 11. - P. 82.

116. Cousineau D. Outliers detection and treatment: a review / D. Cousineau, S. Chartier // International journal of psychological research. - 2010. - Vol. 3, №. 1. -P. 58-67.

117. Liu F. T. Isolation forest / F. T. Liu, K. M. Ting, Z. H. Zhou // 2008 eighth ieee international conference on data mining. - IEEE, 2008. - P. 413-422.

118. Qelik M. Anomaly detection in temperature data using DBSCAN algorithm / M. Qelik, F. Dada§er-Qelik, A. §. Dokuz // 2011 international symposium on innovations in intelligent systems and applications. - IEEE, 2011. - P. 91-95.

119. Chiang J. T. The masking and swamping effects using the planted mean-shift outliers models // Int. J. Contemp. Math. Sciences. - 2007. - Vol. 2, №. 7. - P. 297-307.

120. Gruber P. Comparison of different outlier filtering methods with applications to ultrasonic flow measurements // IGHEM Conference. - 2016. - P. 1-13.

121. Grubbs F. E. Extension of sample sizes and percentage points for significance tests of outlying observations / F. E. Grubbs, G. Beck // Technometrics. -1972. - Vol. 14, №. 4. - P. 847-854.

122. M0ller U. Terahertz reflection spectroscopy of Debye relaxation in polar liquids / U. M0ller, D. G. Cooke, K. Tanaka, P. U. Jepsen // JOSA B. - 2009. - Vol. 26, №. 9. - P. A113-A125.

123. Pearson K. LIII. On lines and planes of closest fit to systems of points in space // The London, Edinburgh, and Dublin philosophical magazine and journal of science. - 1901. - Vol. 2, №. 11. - P. 559-572.

124. Fisher R. A. The use of multiple measurements in taxonomic problems // Annals of eugenics. - 1936. - Vol. 7, №. 2. - P. 179-188.

125. Schölkopf B. Nonlinear component analysis as a kernel eigenvalue problem / B. Schölkopf, A. Smola, K. R. Müller // Neural computation. - 1998. - Vol. 10, №. 5.

- P. 1299-1319.

126. Van der Maaten L. Visualizing data using t-SNE / L. Van der Maaten, G. Hinton // Journal of machine learning research. - 2008. - Vol. 9, №. 11.

127. Tenenbaum J. B. A global geometric framework for nonlinear dimensionality reduction / J. B. Tenenbaum, V. Silva, J. C. Langford // science. - 2000.

- Vol. 290, №. 5500. - P. 2319-2323.

128. Jackson D. A. Stopping rules in principal components analysis: a comparison of heuristical and statistical approaches // Ecology. - 1993. - Vol. 74, №. 8.

- P. 2204-2214.

129. da Silva A. M. Spectral model for diagnosis of acute leukemias in whole blood and plasma through Raman spectroscopy / A. M. da Silva, F. S. A. de Siqueira e Oliveira, P. L. de Brito, L. Silveira Jr // Journal of Biomedical Optics. - 2018. - Vol. 23, №. 10. - P. 107002-107002.

130. Valle S. Selection of the number of principal components: the variance of the reconstruction error criterion with a comparison to other methods / S. Valle, W. Li, S. J. Qin // Industrial & Engineering Chemistry Research. - 1999. - Vol. 38, №. 11. - P. 4389-4401.

131. Saccenti E. Determining the number of components in principal components analysis: A comparison of statistical, crossvalidation and approximated methods / E. Saccenti, J. Camacho // Chemometrics and Intelligent Laboratory Systems. - 2015. -Vol. 149. - P. 99-116.

132. Beniwal S. Classification and feature selection techniques in data mining / S. Beniwal, J. Arora // International journal of engineering research & technology (ijert). - 2012. - Vol. 1, №. 6. - P. 1-6.

133. Jovic A. A review of feature selection methods with applications / A. Jovic, K. Brkic, N. Bogunovic // 2015 38th international convention on information and communication technology, electronics and microelectronics (MIPRO). - Ieee, 2015. -P. 1200-1205.

134. Hall M. A. Correlation-based feature selection of discrete and numeric class machine learning // Proceedings of the 17th international conference on machine learning (ICML-2000).

135. Guyon I. An introduction to variable and feature selection / I. Guyon, A. Elisseeff // Journal of machine learning research. - 2003. - Vol. 3, №. Mar. - P. 1157-1182.

136. Vergara J. R. A review of feature selection methods based on mutual information / J. R. Vergara, P. A. Estevez // Neural computing and applications. - 2014. - Vol. 24. - P. 175-186.

137. Blum A. L. Selection of relevant features and examples in machine learning / A. L. Blum, P. Langley // Artificial intelligence. - 1997. - Vol. 97, №. 1-2. - P. 245271.

138. Ding H. Identification of bacteriophage virion proteins by the ANOVA feature selection and analysis / H. Ding, P. M. Feng, W. Chen, H. Lin // Molecular BioSystems. - 2014. - Vol. 10, №. 8. - P. 2229-2235.

139. Song F. Feature selection based on linear discriminant analysis / F. Song, D. Mei, H. Li // 2010 international conference on intelligent system design and engineering application. - IEEE, 2010. - Vol. 1. - P. 746-749.

140. Kohavi R. Wrappers for feature subset selection / R. Kohavi, G. H. John // Artificial intelligence. - 1997. - Vol. 97, №. 1-2. - P. 273-324.

141. Tang J. Feature selection for classification: A review / J. Tang, S. Alelyani, H. Liu // Data classification: Algorithms and applications. - 2014. - P. 37.

142. Sun P. Comparison of feature selection methods and machine learning classifiers for radiomics analysis in glioma grading / P. Sun, D. Wang, V. C. Mok, L. Shi // IEEE Access. - 2019. - Vol. 7. - P. 102010-102020.

143. El Kafrawy P. An efficient SVM-based feature selection model for cancer classification using high-dimensional microarray data / P. El Kafrawy, H. Fathi, M. Qaraad, A. K. Kelany, X. Chen // IEEE Access. - 2021. - Vol. 9. - P. 155353155369.

144. Munquad S. Subtyping and grading of lower-grade gliomas using integrated feature selection and support vector machine / S. Munquad, T. Si, S. Mallik, A. Li, A. B. Das // Briefings in Functional Genomics. - 2022. - Vol. 21, №. 5. - P. 408-421.

145. Cortes C. Support-vector networks / C. Cortes, V. Vapnik //Machine learning. - 1995. - Vol. 20. - P. 273-297.

146. Wagner M. Computational protein biomarker prediction: a case study for prostate cancer / M. Wagner, D. N. Naik, A. Pothen, S. Kasukurti, R. R. Devineni, B.-L. Adam, O. J. Semmes, G. L. Wright Jr // BMC bioinformatics. - 2004. - Vol. 5. - P. 1-9.

147. Theodorescu D. Discovery and validation of urinary biomarkers for prostate cancer / D. Theodorescu, E. Schiffer, H. W. Bauer, F. Douwes, F. Eichhorn, R. Polley, T. Schmidt, W. Schofer, P. Zurbig, D. M. Good, J. J. Coon, H. Mischak // PROTEOMICS-Clinical Applications. - 2008. - Vol. 2, №. 4. - P. 556-570.

148. Sakumura Y. Diagnosis by volatile organic compounds in exhaled breath from lung cancer patients using support vector machine algorithm / Y. Sakumura, Y. Koyama, H. Tokutake, T. Hida, K. Sato, T. Itoh, T. Akamatsu, W. Shin // Sensors. -2017. - Vol. 17, №. 2. - P. 287.

149. Boser B. E. A training algorithm for optimal margin classifiers / B. E. Boser, I. M. Guyon, V. N. Vapnik // Proceedings of the fifth annual workshop on Computational learning theory. - 1992. - P. 144-152.

150. Mercer J. Xvi. functions of positive and negative type, and their connection the theory of integral equations // Philosophical transactions of the royal society of London. Series A, containing papers of a mathematical or physical character. - 1909. -Vol. 209, №. 441-458. - P. 415-446.

151. Vrazhnov D. A. The kernel construction for the biomedical data classification using support vector machine / D. A. Vrazhnov, V. V. Nikolaev,

A. V. Shapovalov, E. A. Sandykova // International Conference on Atomic and Molecular Pulsed Lasers XIII. - SPIE, 2018. - Vol. 10614. - P. 376-381.

152. Breiman L. Random forests // Machine learning. - 2001. - Vol. 45. - P. 532.

153. Lin Z. Exploring metabolic syndrome serum profiling based on gas chromatography mass spectrometry and random forest models / Z. Lin, C. M. Vicente Gon?alves, L. Dai, H.-M. Lu, J.-H. Huang, H. Ji, D.-S. Wang, L.-Z. Yi, Y.-Z. Liang // Analytica chimica acta. - 2014. - Vol. 827. - P. 22-27.

154. Lanz C. Radiation metabolomics. 3. Biomarker discovery in the urine of gamma-irradiated rats using a simplified metabolomics protocol of gas chromatography-mass spectrometry combined with random forests machine learning algorithm / C. Lanz, A. D. Patterson, J. Slavik, K. W. Krausz, M. Ledermann, F. J. Gonzalez, J. R. Idle // Radiation research. - 2009. - Vol. 172, №. 2. - P. 198-212.

155. Qi Y. Random forest for bioinformatics // Ensemble machine learning: Methods and applications. - 2012. - P. 307-323.

156. Ranstam J. LASSO regression / J. Ranstam, J. A. Cook // Journal of British Surgery. - 2018. - Vol. 105, №. 10. - P. 1348-1348.

157. Ali H. Application and impact of Lasso regression in gastroenterology: a systematic review / H. Ali, M. Shahzad, S. Sarfraz, K. B. Sewell, S. Alqalyoobi,

B. P. Mohan // Indian Journal of Gastroenterology. - 2023. - Vol. 42, №. 6. - P. 780790.

158. Arlot S. A survey of cross-validation procedures for model selection / S. Arlot, A. Celisse // Statist. Surv. - 2010. - Vol. 4, - P. 40-79.

159. Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection // Ijcai. - 1995. - Vol. 14, №. 2. - P. 1137-1145.

160. Efron B. An introduction to the bootstrap / B. Efron, R. J. Tibshirani / -CRC press, 1994.

161. Zhang P. Model selection via multifold cross validation // The annals of statistics. - 1993. - P. 299-313.

162. de Boves Harrington P. Statistical validation of classification and calibration models using bootstrapped Latin partitions // TrAC Trends in Analytical Chemistry. -2006. - Vol. 25, №. 11. - P. 1112-1124.

163. Xu Y. On splitting training and validation set: a comparative study of cross-validation, bootstrap and systematic sampling for estimating the generalization performance of supervised learning / Y. Xu, R. Goodacre // Journal of analysis and testing. - 2018. - Vol. 2, №. 3. - P. 249-262.

164. Zhu Q. On the performance of Matthews correlation coefficient (MCC) for imbalanced dataset // Pattern Recognition Letters. - 2020. - Vol. 136. - P. 71-80.

165. Friedrichs F. Evolutionary tuning of multiple SVM parameters / F. Friedrichs, C. Igel // Neurocomputing. - 2005. - Vol. 64. - P. 107-117.

166. Lee J. Tumor stem cells derived from glioblastomas cultured in bFGF and EGF more closely mirror the phenotype and genotype of primary tumors than do serum-cultured cell lines / J. Lee, S. Kotliarova, Y. Kotliarov, A. Li, Q. Su, N. M. Donin, S. Pastorino, B. W. Purow, N. Christopher, W. Zhang, J. K. Park, H. A. Fine // Cancer cell. - 2006. - Vol. 9, №. 5. - P. 391-403.

167. Zavjalov E. L. In vivo MRI visualization of U87 glioblastoma development dynamics in the model of orthotopic xenotransplantation to the SCID mouse / E. L. Zavjalov, I. A. Razumov, L. A. Gerlinskaya, A. V. Romashchenko // Russian Journal of Genetics: Applied Research. - 2016. - Vol. 6. - P. 448-453.

168. Chen C. Improving protein-protein interactions prediction accuracy using XGBoost feature selection and stacked ensemble classifier / C. Chen, Q. Zhang, B. Yu,

Z. Yu, P. J. Lawrence, Q. Ma, Y. Zhang // Computers in biology and medicine. - 2020. - Vol. 123. - P. 103899.

169. Ogunleye A. XGBoost model for chronic kidney disease diagnosis / A. Ogunleye, Q. G. Wang // IEEE/ACM transactions on computational biology and bioinformatics. - 2019. - Vol. 17, №. 6. - P. 2131-2140.

170. Hinton G. Distilling the Knowledge in a Neural Network // arXiv preprint arXiv:1503.02531. - 2015.

171. Fryer D. Shapley values for feature selection: The good, the bad, and the axioms / D. Fryer, I. Strumke, H. Nguyen // Ieee Access. - 2021. - Vol. 9. - P. 144352144360.

172. Kumar I. E. Problems with Shapley-value-based explanations as feature importance measures / I. E. Kumar, S. Venkatasubramanian, C. Scheidegger, S. Friedler // International conference on machine learning. - PMLR, 2020. - P. 5491-5500.

173. Hira Z. M. A review of feature selection and feature extraction methods applied on microarray data / Z. M. Hira, D. F. Gillies // Advances in bioinformatics. -2015. - Vol. 2015, №. 1. - P. 198363.

174. Shevelev O. B. In vivo MRS study of long-term effects of traumatic intracranial injection of a culture medium in mice / O. B. Shevelev, O. P. Cherkasova, I. A. Razumov, E. L. Zavjalov // Vavilov Journal of Genetics and Breeding. - 2023. -Vol. 27, №. 6. - P. 633.

175. Vrazhnov D. Analysis of Mouse Blood Serum in the Dynamics of U87 Glioblastoma by Terahertz Spectroscopy and Machine Learning / D. Vrazhnov, A. Knyazkova, M. Konnikova, O. Shevelev, I. Razumov, E. Zavjalov, Y. Kistenev, A. Shkurinov, O. Cherkasova // Applied Sciences. - 2022. - Vol. 12, №. 20. - P. 10533.

176. Cherkasova O. Terahertz time-domain spectroscopy of glioma patient blood plasma: diagnosis and treatment / O. Cherkasova, D. Vrazhnov, A. Knyazkova, M. Konnikova, E. Stupak, V. Glotov, V. Stupak, N. Nikolaev, A. Paulish, Y. Peng, Yu. Kistenev, A. Shkurinov // Applied Sciences. - 2023. - Vol. 13, №. 9. - P. 5434.

177. Kistenev Y. V. IR and THz imaging of paraffin embedded cancer tissues / Y. V. Kistenev, A. V. Borisov, V. V. Nikolaev, D. A. Vrazhnov, A. I. Knyazkova //

2019 44th International Conference on Infrared, Millimeter, and Terahertz Waves (IRMMW-THz). - IEEE, 2019. - P. 1-2.

178. Knyazkova A. I. Paraffin-embedded prostate cancer tissue grading using terahertz spectroscopy and machine learning / A. I. Knyazkova, A. V. Borisov, L. V. Spirina, Y. V. Kistenev // Journal of Infrared, Millimeter, and Terahertz Waves. -2020. - Vol. 41, №. 9. - P. 1089-1104.

179. Baranovicova E. Metabolomic profiling of blood plasma in patients with primary brain tumours: Basal plasma metabolites correlated with tumour grade and plasma biomarker analysis predicts feasibility of the successful statistical discrimination from healthy subjects-a preliminary study / E. Baranovicova, T. Galanda, M. Galanda, J. Hatok, B. Kolarovszki, R. Richterova, P. Racay // IUBMB life. - 2019. - Vol. 71, №. 12. - P. 1994-2002.

180. Butler H. J. Development of high-throughput ATR-FTIR technology for rapid triage of brain cancer / H. J. Butler, P. M. Brennan, J. M. Cameron, D. Finlayson, M. G. Hegarty, M. D. Jenkinson, D. S. Palmer, B. R. Smith, M. J. Baker // Nature communications. - 2019. - Vol. 10, №. 1. - P. 4501.

181. Cherkasova O. Terahertz and infrared absorption spectra of mouse blood plasma in glioma development / O. Cherkasova, M. Konnikova, T. Heinz, M. Nazarov, A. Kuryanova, N. Aksenova // 2021 46th International Conference on Infrared, Millimeter and Terahertz Waves (IRMMW-THz). - IEEE, 2021. - P. 1-2.

182. Goodman S. N. Toward evidence-based medical statistics. 1: The P value fallacy // Annals of internal medicine. - 1999. - Vol. 130, №. 12. - P. 995-1004.

183. Halsey L. G. The fickle P value generates irreproducible results / L. G. Halsey, D. Curran-Everett, S. L. Vowler, G. B. Drummond // Nature methods. -2015. - Vol. 12, №. 3. - P. 179-185.

184. Wang Y. Terahertz spectroscopic diagnosis of early blast-induced traumatic brain injury in rats / Y. Wang, G. Wang, D. Xu, B. Jiang, M. Ge, L. Wu, C. Yang, N. Mu, S. Wang, C. Chang, T. Chen, H. Feng, J. Yao // Biomedical Optics Express. -2020. - Vol. 11, №. 8. - P. 4085-4098.

185. Alieva M. Potential impact of invasive surgical procedures on primary tumor growth and metastasis / M. Alieva, J. van Rheenen, M. L. D. Broekman // Clinical & experimental metastasis. - 2018. - Vol. 35. - P. 319-331.

186. Carrete L. R. Advanced imaging techniques for newly diagnosed and recurrent gliomas / L. R. Carrete, J. S. Young, S. Cha // Frontiers in Neuroscience. -2022. - Vol. 16. - P. 787755.

187. Auer T. A. Advanced MR techniques in glioblastoma imaging—upcoming challenges and how to face them // European Radiology. - 2021. - Vol. 31, №. 9. - P. 6652-6654.

188. Tykocki T. Ten-year survival in glioblastoma. A systematic review / T. Tykocki, M. Eltayeb // Journal of Clinical Neuroscience. - 2018. - Vol. 54. - P. 713.

189. Hall E. D. Spatial and temporal characteristics of neurodegeneration after controlled cortical impact in mice: more than a focal brain injury / E. D. Hall, P. G. Sullivan, T. R. Gibson, K. M. Pavel, B. M. Thompson, S. W. Scheff // Journal of neurotrauma. - 2005. - Vol. 22, №. 2. - P. 252-265.

190. Granados-Durán P. Neuroinflammation induced by intracerebroventricular injection of microbial neuraminidase / P. Granados-Durán, M. D. López-Ávalos, J. M. Grondona, M. del Carmen Gómez-Roldán, M. Cifuentes, M. Pérez-Martín, M. Alvarez, F. Rodríguez de Fonseca, P. Fernández-Llebrez // Frontiers in medicine. -2015. - Vol. 2. - P. 14.

191. Cherkasova O. The possibilities of optical methods in the early diagnosis of gliomas / O. Cherkasova, A. Mankova, M. Konnikova, P. Solyankin, D. Vrazhnov, Yu. Kistenev // 2020 International Conference Laser Optics (ICLO). - IEEE, 2020. - P. 1-1.

192. Vrazhnov D. A. Terahertz Time-Domain Spectroscopy of Blood Serum for Differentiation of Glioblastoma and Traumatic Brain Injury / D. A. Vrazhnov, D. A. Ovchinnikova, T. V. Kabanova, A. G. Paulish, Yu. V. Kistenev, N. A. Nikolaev, O. P. Cherkasova // Applied Sciences. - 2024. - Vol. 14, №. 7. - P. 2872.

193. Takeshita M. Brain lesions induced by hypertonic saline in mice: Dose and injection route and incidence of lesions / M. Takeshita, K. Doi, T. Mitsuoka // Experimental Animals. - 1988. - Vol. 37, №. 2. - P. 191-194.

194. Aucott H. Neuroinflammation in response to intracerebral injections of different HMGB1 redox isoforms / H. Aucott, J. Lundberg, H. Salo, L. Klevenvall, P. Damberg, L. Ottosson, U. Andersson, S. Holmin, H. Erlandsson Harris // Journal of innate immunity. - 2018. - Vol. 10, №. 3. - P. 215-227.

195. Cherkasova O. P. Terahertz spectroscopy of mouse blood serum in the dynamics of experimental glioblastoma / O. P. Cherkasova, M. R. Konnikova, M. M. Nazarov, D. A. Vrazhnov, Y. V. Kistenev, A. P. Shkurinov // Journal of Biomedical Photonics & Engineering. - 2023. - Vol. 9, №. 3. - P. 030308.

196. Koul S. K. Machine learning and biomedical sub-terahertz/terahertz technology / S. K. Koul, P. Kaurav // Sub-Terahertz Sensing Technology for Biomedical Applications. - Singapore : Springer Nature Singapore, 2022. - P. 199-239.

197. Jiang Y. Machine learning and application in terahertz technology: A review on achievements and future challenges / Y. Jiang, G. Li, H. Ge, F. Wang, L. Li, X. Chen, M. Lu, Y. Zhang // IEEE Access. - 2022. - Vol. 10. - P. 53761-53776.

198. Psychogios N. The human serum metabolome / N. Psychogios, D. D. Hau, J. Peng, A. C. Guo, R. Mandal, S. Bouatra, I. Sinelnikov, R. Krishnamurthy, R. Eisner, B. Gautam, N. Young, J. Xia, C. Knox, E. Dong, P. Huang, Z. Hollander, T. L. Pedersen, S. R. Smith, F. Bamforth, R. Greiner, B. McManus, J. W. Newman, T. Goodfriend, D. S. Wishart // PloS one. - 2011. - Vol. 6, №. 2. - P. e16957.