Серебровский Андрей Вадимович, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Andrey V. Serebrovsky, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Корсунский Никита Александрович, аспирант
ул. 50 лет Октября, д. 94, г. Курск 305040
Nikita A. Korsunsky, Post-Graduate Student
50 Let Oktyabrya Str. 94, Kursk 305040
Лях Антон Викторович, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Anton V. Lyakh, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Мишустин Владимир Николаевич, доктор медицинских наук, доцент, профессор кафедры хирургических болезней, Институт непрерывного образования
ул. К. Маркса, д. 3, г. Курск 305041
Vladimir N. Mishustin, Doctor of Sciences (Medical), Associate Professor, Professor of the Department of Surgical Diseases, Institute of Continuous Education
3 Karl Marx Str., Kursk 305041
Шаталова Ольга Владимировна, доктор технических наук, доцент, профессор кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Researcher ID: C-3687-2015
Olga V. Shatalova, Doctor of Sciences (Engineering), Associate Professor, Professor of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Шульга Леонид Васильевич, доктор медицинских наук, профессор, профессор кафедры охраны труда и окружающей среды
ул. 50 лет Октября, д. 94, г. Курск 305040
Leonid V. Shulga, Doctor of Sciences (Medical), Professor, Professor of the Department of Occupational Safety and Environment
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования. Отечественные и зарубежные исследования доказали, что злокачественные опухоли молочной железы имеют значительно отличающийся импеданс от нормальных тканей. Однако биоимпедансный анализ имеет ограничения в разрешающей способности, а также в несовершенстве моделей биоимпеданса, необходимых для формирования входных векторов для систем машинного обучения.
Методы. В представленном исследовании предложен мультимодальный классификатор, сырые данные для которого получают посредством матрицы электродов. Он также имеет три канала обработки результатов биоимпедансного анализа, с последующей агрегацией их решений. Предложена импедансная модель биоматериала, позволяющая формировать дескрипторы для классификаторов медицинского риска.
Результаты. Разработаны аппаратно-программные средства для биоимпедансных исследований, которые включают устройство сбора данных для биоимпедансной спектроскопии на основе электродной матрицы, устройство связи с объектом исследования и устройство для спектроскопии биоимпеданса посредством матрицы электродов. Программные средства включают интерфейсные окна для настройки программы биоимпедансных исследований и обучения и тестирования полносвязных нейронных сетей. Проведены экспериментальное исследование мультимодального классификатора на физической модели с использованием включений большей проводимости (имитация опухоли) различных типов и размеров в диапазоне проводимости от 1,1 до 1,9 от фоновой. На основе полученных изображений в двухуровневой нейронной сети первого канала определялся интегральный риск рака молочной железы по всем пикселям изображения. Статистические исследования (ROC-анализ) показали достаточную для скринингового метода чувствительность и специфичность – >0,75.
Заключение. Таким образом, создана новая модель интеллектуальной поддержки принятия врачебных решений, интегрирующая возможности спектроскопии биоимпеданса, сверточных нейронных сетей и экспертного оценивания изображений, формируемых посредством биоимпедансного картирования. Однако современные данные, подтверждающие возможность разделения доброкачественных и злокачественных опухолей молочной железы с помощью методов биоимпедансометрии, весьма ограничены, что требует проведения дальнейших исследований в этом направлении.
The purpose of the research. The aim of the study is Russian and foreign studies have shown that malignant breast tumors have significantly different impedance from normal tissues. However, bioimpedance analysis has limitations in resolution, as well as in the imperfection of bioimpedance models required to generate input vectors for machine learning systems.
Methods. The presented study proposes a multimodal classifier, the raw data for which are obtained through an electrode matrix. It also has three channels for processing the results of bioimpedance analysis, with subsequent aggregation of their solutions. An impedance model of biomaterial is proposed, which allows forming descriptors for medical risk classifiers.
Results. Hardware and software for bioimpedance studies have been developed, which include a data collection device for bioimpedance spectroscopy based on an electrode matrix, a device for communication with the object of study, and a device for bioimpedance spectroscopy using an electrode matrix. The software includes interface windows for setting up the bioimpedance research program and training and testing fully connected neural networks. An experimental study of the multimodal classifier on a physical model was conducted using inclusions of higher conductivity (tumor imitation) of various types and sizes in the conductivity range from 1.1 to 1.9 of the background. Based on the obtained images in the two-level neural network of the first channel, the integral risk of breast cancer was determined for all pixels of the image. Statistical studies (ROC analysis) showed sufficient sensitivity and specificity for the screening method - > 0.75.
Conclusion. Thus, a new model of intelligent support for medical decision-making has been created, integrating the capabilities of bioimpedance spectroscopy, convolutional neural networks and expert assessment of images generated by bioimpedance mapping. However, current data confirming the possibility of separating benign and malignant breast tumors using bioimpedancemetry methods are very limited, which requires further research in this direction.
The authors declare that there are no conflicts of interest present.