Модели биоимпедансного картирования на основе эквивалентных многополюсников в системах интеллектуальной поддержки заболеваний легких

Цель исследования. Отечественные и зарубежные исследования доказали, что электрический импеданс биоткани может быть использован в качестве предиктора заболеваний грудной клетки. Однако этот метод нуждается в совершенствовании, так как имеет ограничения в разрешающей способности, а также в несовершенстве моделей биоимпеданса, необходимых для формирования дескрипторов для систем машинного обучения.

Методы. В представленном исследовании предложена гибридная модель интеллектуальной системы биоимпедансных исследований, которая использует как модель машинного обучения, так и интеллект специалиста, который анализирует изображение анатомического объекта, полученное по результатам электроимпедансного картирования. Для получения изображения используется многополюсная модель импеданса биоматериала. Для построения такой модели были решены прямая и обратная задачи. В результате решения прямой задачи были получены уравнения, позволяющие определить потенциалы в узлах многополюсника при известном импедансе в его звеньях. В результате решения обратной задачи были определены импедансы звеньев многополюсника при известных потенциалах в его полюсах.

Результаты. В ходе исследования была разработана программа для построения тепловых карт распределения импеданса грудной клетки. Она объединяет в себе удобный графический интерфейс, модули математической обработку данных и наглядную визуализацию результатов. Программа позволяет медицинским специалистам быстро получить представление о распределении импеданса, что может быть полезно для диагностики и оценки текущего состояния пациента. Гибкость выбора метода интерполяции и возможность сохранения результатов делают программу ценным инструментом в медицинской практике.

Заключение. Предложено комплексное решение, объединяющее передовые методы математической обработки данных и современные подходы к созданию пользовательских интерфейсов, что дает медицинским специалистам мощный инструмент для анализа данных об импедансе грудной клетки.

1. Бородулина Е. А., Яковлева Е. В., Вдоушкина Е. С. Проблемы диагностики заболеваний легких при выявлении симптома «матового стекла» (обзор литературы) // Медицинский альянс. 2022. Т. 10, № 3. С. 54-62. https://doi.org/10.36422/23076348-2022-10- 3-54-62

2. Мультимодальный классификатор медицинского риска на основе многоэлектродного биоимпедансного преобразователя / А. В. Серебровский, Н. А. Корсунский, А. В. Лях, В. Н. Мишустин, О. В. Шаталова, Л. В. Шульга // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 3. С. 121–143. https://doi.org/10.21869/2223-1536-2024-14-3-121-143

3. 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

4. Mueller J.L., Siltanen S. The D-bar method for electrical impedance tomography – demystified // Inverse Problems. 2020. Vol. 36, N 9. P. 093001. https://doi.org/10.1088/1361-6420/aba2f5

5. Electrical impedance tomography as a tool for monitoring mechanical ventilation. An introduction to the technique / D. Maciejewski, Z. Putowski, M. Czok, Ł. J. Krzych // Advances in Medical Sciences. 2021. Vol. 66, N 2. P. 388–395. https://doi.org/10.1016/j.advms.2021.07.010

6. 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.

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

8. 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

9. Биоимпедансная 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

10. 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

11. Advanced bioimpedance analysis for infectious disease risk assessment via neural network classifiers / S. Filist, R. T. Al-Kasasbeh, T. G. Gevorkyan, O. M. Al-Habahbeh, O. Shatalova, A. Telfah, E. Starkov, N. A. Korenevskiy, A. Shaqadan, M. B. Namazov, I. Maksim, M. S. Mousa // Physical and Engineering Sciences in Medicine. 2025. Vol. 48. P. 1167–1183. https://doi.org/10.1007/s13246-025-01575-5

12. 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. Т. 14, № 2. С. 142–159. https://doi.org/10.21869/2223-1536-2024-14-2-142-159

13. Метод классификации функционального состояния живых систем на основе рекуррентных моделей Войта / А. В. Мирошников, О. В. Шаталова, А. Ю. Новоселов, Н. С. Стадниченко, А. В. Серебровский // Физика и радиоэлектроника в медицине и экологии ФРЭМЭ’2022: труды XV Международной научной конференции с научной молодежной школой им. И. Н. Спиридонова (28–30 июня 2022 г.). Владимир-Суздаль: Графика, 2022. С. 296–300.

14. Шаталова О. В. Итерационная многопараметрическая модель биоимпеданса в экспериментах in vivo // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 1 (30). С. 26-38.

15. 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.

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

17. Клюшников О. И., Степанов А. В. Теоретические основы электротехники. Екатеринбург: Российский государственный профессионально-педагогический университет, 2006. Т. 7. С. 60–63.

18. Очков В. Ф. Mathcad 14 для студентов и инженеров: русская версия. СПб.: БХВПетербург, 2009. 512 с.

19. Denisov A. The Inverse Problem for the Heat Equation in the Case of a Small Heat Capacity Coefficient // Computational Mathematics and Modeling. 2025. N 34 (3). P. 208– 216. https://doi.org/10.1007/s10598-025-09612-4