Мультимодальный классификатор риска рака молочной железы на основе анализа импеданса биоматериала

Цель исследования. Рак молочной железы является наиболее распространенной злокачественной опухолью среди женщин в Европе, и его раннее выявление играет ведущую роль в снижении уровня смертности. В настоящее время рентгеновская маммография является стандартным методом скрининга для выявления рака молочной железы. Однако из-за морфологического сходства между доброкачественными и злокачественными образованиями многие из положительных скрининговых маммограмм оказываются ложноположительными (до 40%). Поэтому автоматизация и интеллектуализация этого процесса являются актуальной задачей.
Методы. В представленных исследованиях рассмотрены проблемы поиска новых, высокочувствительных, оперативных и неинвазивных методов обнаружения злокачественных образований, основанных на использовании современных компьютерных и телекоммуникационных технологий, позволяющих не только идентифицировать ранние проявления патологического очага, но и осуществлять мониторинг процесса эффективности терапии без существенного вреда здоровью пациента.
Результаты. Представленная модель многоканального классификатора интегрирует возможности многочастотной биоимпедансометрии и матричного съема информации с поверхности кожи человека посредством многоэлектродных матричных систем. Для этого на основе матрицы электродов осуществляется 3D-картирование поверхности кожи в проблемных областях. За счет многочастотного сканирования получаем трехмерное биоимпедансное изображение, которое анализируется посредством сверточной нейронной сети и/или лицом, принимающим решение. Предложенное решение позволяет одновременно анализировать данные экспертом (биоимпедансное изображение) и сверточной нейронной сетью (обучаемый классификатор), что приводит к снижению ложноположительных результатов.
Заключение. Возможности многоканального контроля открывают перспективы построения импедансных многомерных «портретов» злокачественных образований. Для классификации «портретов» (диагностики и доклинической диагностики) привлекаются методы и алгоритмы распознавания и классификации изображений.

1. Алиева Г. С., Корженкова Г. П., Колядина И. В. Анализ ключевых рентгенологических характеристик раннего инвазивного рака молочной железы стадий T₁ₐ₋bN₀M₀ и DCIS // Онкологический журнал: лучевая диагностика, лучевая терапия. 2021. Т. 4, № 1. С. 9–19. https://doi.org/10.37174/2587-7593-2021-4-1-9-19

2. Объективизация топографо-анатомических показателей злокачественной опухоли молочной железы при ультразвуковом исследовании / А. Р. Хамитов, А. Х. Исмагилов, Н. А. Савельева, И. А. Киясов // Поволжский онкологический вестник. 2017. Т. 1, № 28. C. 59–64.

3. Zou Y., Guo Z. A review of electrical impedance techniques for breast cancer detection // Medical Engineering & Physics. 2003. Vol. 25, N 2. P. 79–90. https://doi.org/10.1016/s1350-4533(02)00194-7

4. Пат. 2504328 Российская Федерация. Устройство для контроля анизотропии электрической проводимости биотканей / Томакова Р. А., Филист С. А., Кузьмин А. А., Кузьмина М. Н., Алексенко В. А., Волков И. И. № 2012128471/14; заявл. 06.07.12; опубл. 20.01.14.

5. Шаталова О. В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований: монография / Юго-Западный государственный университет. Курск, 2020. 356 с.

6. Технологии биоимпедансной спектроскопии в системах поддержки принятия решений при диагностике социально значимых заболеваний / О. В. Шаталова, Н. С. Стадниченко, М. А. Ефремов, И. А. Башмакова, А. В. Лях, А. В. Серебровский // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 4. С. 148–174. https://doi.org/10.21869/2223-1536-2023-13-4-148-174

7. Биомедицинская спектроскопия в классификаторах функционального состояния органов и систем человека, построенных на основе гибридных технологий искусственного интеллекта / О. В. Шаталова, А. В. Серебровский, Н. С. Стадниченко, А. Ю. Новоселов, А. В. Лях // Системный анализ и управление в биомедицинских системах. 2023. Т. 22, № 2. С. 100-113. https://doi.org/10.36622/VSTU.2023.22.2.015

8. Модели импеданса биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний / А. В. Мирошников, Н. С. Стадниченко, О. В. Шаталова, С. А. Филист // Моделирование, оптимизация и информационные технологии. 2020. Т. 8, № 4. С. 1‒14. https://doi.org/10.26102/2310-6018/2020.31.4.018

9. Филист С. А., Кассим К. Д. А., Руцкой Р. В. Гибридные решающие системы для прогнозирования послеоперационных осложнений у больных с доброкачественной гиперплазией предстательной железы // Известия Юго-Западного государственного университета. 2013. № 5 (50). С. 40–49.

10. Гибридные интеллектуальные модели для сегментации изображений рентгенограмм грудной клетки / С. А. Филист, Р. А. Томакова, С. В. Дегтярев, А. Ф. Рыбочкин // Медицинская техника. 2017. № 5 (305). С. 41–45.

11. Филист С. А., Томакова Р. А., Насер А. А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях // Биомедицинская радиоэлектроника. 2012. № 4. С. 43–50.

12. Филист С. А., Емельянов С. Г., Рыбочкин А. Ф. Нейросетевой решающий модуль для исследования живых систем // Известия Курского государственного технического университета. 2008. № 2 (23). С. 77–82.

13. Жилин В. В., Филист С. А., Аль-Муаалеми В. А. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей // Биомедицинская радиоэлектроника. 2009. № 5. С. 77–82.

14. A method for creating fuzzy neural-network models using the MATLAB package for biomedical applications / V. V. Zhilin, S. A. Filist, Kh. A. Rakhim, O. V. Shatalova // Biomedical Engineering. 2008. N 42 (2). P. 64–66. https://doi.org/10.1007/s10527-008-9019-y

15. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем / А. В. Мирошников, О. В. Шаталова, М. А. Ефремов, Н. С. Стадниченко, А. Ю. Новоселов, А. В. Павленко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 2. С. 59‒75. https://doi.org/10.21869/2223-1536-2022-12-2-59-75

16. Классификации биологических объектов на основе многомерного биоимпедансного анализа / А. В. Мирошников, О. В. Шаталова, Н. С. Стадниченко, Л. В. Шульга // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 3/4. С. 29–49.

17. Филист С. А., Шаталова О. В., Богданов А. С. Модели биоимпеданса при нелинейной вольтамперной характеристике и обратимом пробое диэлектрической составляющей биоматериала // Бюллетень сибирской медицины. 2014. Т. 13, № 4. С. 129–135.

18. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / А. Г. Курочкин, В. В. Жилин, С. А. Суржикова, С. А. Филист // Прикаспийский журнал: управление и высокие технологии. 2015. № 3 (31). С. 85–95.

19. Курочкин А. Г., Протасова В. В., Филист С. А., Шуткин А. Н. Нейросетевые модели для метаанализа медико-экологических данных // Нейрокомпьютеры. Разработка, применение. 2015. № 6. С. 42–48.

20. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35–39.

21. Распределенные автономные интеллектуальные агенты для мониторинга и мета-анализа эффективности управления живыми системами / Т. В. Петрова, А. А. Кузьмин, Д. Ю. Савинов, В. В. Серебровский // Прикаспийский журнал: управление и высокие технологии. 2017. № 40 (4). С. 61–73.

22. Структурно-функциональная модель для мониторинга влияния управляющих воздействий на функциональное состояние самоорганизующихся систем / П. С. Кудрявцев, А. Н. Шуткин, В. В. Протасова, С. А. Филист // Прикаспийский журнал: управление и высокие технологии. 2015. № 2 (30). С. 105–118.