Память опухоли: как дробный порядок меняет прогноз экспресс
Опухоль растёт не как дерево, а как город: на его сегодняшний облик влияют и вчерашние стройки, и позавчерашние пожары. Обычные уравнения роста опухоли этого не учитывают — они смотрят только на текущий момент, как если бы город каждый день строился заново. Авторы работы добавили в модель «память»: теперь уравнение помнит, что было раньше, и это меняет прогноз.
Такую память описывают дробными производными — математическим инструментом, который растягивает влияние прошлого на сегодня. Вместо целого порядка (обычная производная) используется дробный, меньше единицы. Это как смотреть на рост опухоли через стекло, которое слегка размывает прошлое, но не стирает его полностью. Модель настроили на данные пяти пациентов с реальными измерениями объёма опухоли.
Результат: у всех пяти пациентов дробная модель точнее совпала с наблюдениями, чем классическая. Для каждого нашёлся свой оптимальный дробный порядок — у кого-то память длиннее, у кого-то короче. Это значит, что опухоль каждого человека растёт по-своему, и универсального уравнения не существует.
Разница видна и на графиках: траектории дробной и обычной моделей расходятся, как две дороги, которые сначала идут рядом, а потом одна уходит в сторону. Это не просто математическая деталь — от формы кривой зависит, когда врач заметит опасный рост и успеет вмешаться.
Пока это только первый шаг. В будущем модель можно дополнить учётом лечения и неопределённости, а также проверить на сотнях пациентов. Но уже сейчас ясно: чтобы понять, как растёт опухоль, нужно помнить, с чего она начиналась.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2603.14562
In this work, we investigate a fractional-order tumor growth model aimed at capturing memory effects and nonlocal temporal dynamics inherent to tumor evolution. The model is formulated using Caputo fractional derivatives and incorporates key biological mechanisms related to tumor growth, vascular interaction, and cell clearance. To numerically solve the resulting fractional differential equations, a second-order fractional Runge-Kutta scheme is derived based on a truncated fractional Taylor expansion, providing an accurate and stable computational framework. The proposed model is calibrated using experimental tumor volume data from five patients, and its performance is evaluated through the Root Mean Square Deviation (RMSD) between numerical simulations and experimental observations. The results show that, for all patients considered, the fractional-order model significantly improves the agreement with experimental data compared to the classical integer-order formulation. An optimal fractional order {\alpha} < 1 is identified in each case, highlighting the relevance of memory effects in tumor growth dynamics and their patient-specific nature. Further insight is obtained through phase-space and projection analyses, which reveal substantial geometric differences between integer-order and fractional-order dynamics. Although the present study is based on a limited number of patient datasets, the results demonstrate the potential of fractional-order modeling as a flexible and powerful framework for describing individualized tumor growth behavior. The proposed approach provides a solid basis for future extensions involving larger datasets, uncertainty quantification, and the incorporation of treatment effects and control strategies.
Дробные производные придумали ещё в 1695 году, когда математик Лопиталь спросил Лейбница, что будет, если порядок производной сделать половинным. Лейбниц ответил, что из этого получится парадокс, из которого когда-нибудь извлекут пользу. Прошло три века, и эта «польза» помогает моделировать рост опухолей.