Мультимодальный классификатор медицинского риска на основе многоэлектродного биоимпедансного преобразователя

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. 

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

5. 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

6. 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

7. 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

8. An Automatic Detection of Breast Cancer Diagnosis and Prognosis Based on Machine Learning Using Ensemble of Classifiers / U. Naseem, J. Rashid, L. Ali, J. Kim, Q. E. Ul Haq, M. J. Awan, M. Imran // IEEE Access. 2022. Vol. 10. P. 78242–78252.

9. 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.

10. 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

11. 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.

12. 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.

13. 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.

14. Мультимодальный классификатор риска рака молочной железы на основе анализа импеданса биоматериала / А. В. Серебровский, О. В. Шаталова, А. В. Лях, И. А. Халин, И. А. Башмакова, З. У. Протасова // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. № 14 (2). С. 142–159. https://doi.org/10.21869/2223-15362024-14-2-142-159

15. 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.

16. 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.

17. 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/10.21869/2223-15362022-12-2-59-75

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. Суржикова С. Е., Шаталова О. В., Федянин В. В. Программно-аппаратный комплекс диагностики социально значимых заболеваний // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2015. № 2 (15). С. 79–87.

22. Суржикова С. Е., Шаталова О. В., Федянин В. В. Программно-аппаратный комплекс для анализа вольтамперных характеристик биоактивных точек на основе модуля L-CARD E20-10 / С.Е. Суржикова // Прикаспийский журнал: управление и высокие технологии. 2015. № 2 (30). С. 150–161.

23. Мультимодальный классификатор риска кардиореспираторных заболеваний с учетом сопутствующих заболеваний и эффекта синергии / Е. В. Петрунина, О. В. Шаталова, Хайдер А. Х. Алавcи, В. В. Песок, А. А. Кузьмин, Л. В. Шульга // Известия ЮгоЗападного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 2. С. 81–105. https://doi.org/10.21869/2223-1536-2024-14-2-81-105

24. Распределенные автономные интеллектуальные агенты для мониторинга и метаанализа 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.

25. 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.