Гибридные технологии искусственного интеллекта и биоимпедансной спектроскопии для классификации функционального состояния органов и систем человека

Цель исследования заключается в разработке метода многоотведённой биоимпедансной спектроскопии грудной клетки, ориентированного на объективную и доступную оценку функционального состояния дыхательной системы и дифференциальную диагностику патологий лёгких.

Методы. В работе предложен метод регистрации и обработки биоимпедансных характеристик грудной клетки, основанный на использовании восьми контактных электродов и последовательном формировании двадцативосьми уникальных биоимпедансных отведений. Для каждого отведения выполняется многочастотное зондирование тканей переменным током малой амплитуды с последующей регистрацией амплитудно-фазочастотных характеристик, построением графиков Коула и вычислением диагностических дескрипторов. Обработка данных реализована с применением многоуровневого обучаемого классификатора, включающего нейронные сети первого уровня для анализа отдельных отведений, сети второго уровня - для агрегирования информации по топологическим группам, соответствующим анатомическим зонам грудной клетки, и интегрирующую сеть для формирования итоговой оценки функционального состояния дыхательной системы. Разработан аппаратно-программный модуль, обеспечивающий автоматизированное переключение отведений и формирование признакового пространства.

Результаты. Проведена экспериментальная апробация предложенного метода на группе добровольцев и пациентов с различными нарушениями вентиляционной функции лёгких. Показано, что использование многоотведённой схемы измерений и пространственно ориентированной обработки биоимпедансных данных обеспечивает повышение разделимости диагностических групп по сравнению с традиционными схемами биоимпедансных измерений. Разработанный классификатор продемонстрировал устойчивую работу и высокие показатели точности, чувствительности и специфичности, сопоставимые с результатами традиционных инструментальных методов диагностики. Применение собственного модуля коммутации электродных каналов позволило автоматизировать процесс измерений, снизить влияние артефактов и сократить время обследования.

Заключение. Предложенный метод многочастотной многоотведённой биоимпедансной спектроскопии в сочетании с многоуровневой архитектурой классификации может быть использован при создании систем поддержки клинических решений для диагностики социально-значимых заболеваний дыхательной системы, обеспечивая расширение функциональных возможностей и повышение качества классификации.

1. 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 (31). С. 1–14.

2. Chitturi V., Farrukh N. Spatial resolution in electrical impedance tomography // J. Electr. Bioimp. 2017. N 8. P. 66-78. https://doi.org/10.2478/joeb-2017-0009

3. Brazey B., Haddab Y., Zemiti N. Robust imaging using electrical impedance tomography: review of current tools // Proc. Math. Phys. Eng. Sci. 2022. N 478(2258). P. 20210713. https://doi.org/10.1098/rspa.2021.0713

4. Biotechnical system based on fuzzy logic prediction for surgical risk classification using analysis of current–voltage characteristics of acupuncture points / S. Filist, Riad Taha AlKasasbeh, O. Shatalova, N. Korenevskiy, A. Shaqadan, Z. Protasova, M. Ilyash, M. Lukashov // J. Integr. Med. 2022. N 20(3). P. 252-264. https://doi.org/10.1016/j.joim.2022.02.007

5. Hybrid neural networks with virtual flows in medical risk classifiers / K. Khatatneh, S. Filist, Riad Taha Al-Kasasbeh, A. A. Aikeyeva // Journal of Intelligent & Fuzzy Systems. 2022. Vol. 43, N 1. P. 1621–1632. https://doi.org/10.3233/JIFS-219234

6. Classifier for the functional state of the respiratory system via descriptors determined by using multimodal technology / S. A. Filist, Riad Taha Al-kasasbeh, O.V. Shatalova, A. A. Aikeyeva, Osama M. Al-Habahbeh, Mahdi Salman Alshamasin // Computer Methods in Biomechanics and Biomedical Engineering. 2023. Vol. 26, is. 12. Р. 1-19. https://doi.org/10.1080/10255842.2022.2046656

7. Developing neural network model for predicting cardiac and cardiovascular health using bioelectrical signal processing / S. Filist, Riad Taha Al-Kasasbeh, O. Shatalova, A. Aikeyeva, N. Korenevskiy, A. Shaqadan, A. Trifonov, M. Ilyash // Computer Methods in Biomechanics and Biomedical Engineering. 2022. N 25(8). P. 908-921. https://doi.org/10.1080/10255842.2021.1890857

8. 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.

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

10. Application of fuzzy neural network model and current-voltage analysis of biologically active points for prediction post-surgery risks / O. Shatalova, S. Filist, N. Korenevskiy [et. al.] // Computer Methods in Biomechanics and Biomedical Engineering. 2021. N 24(13). P. 1504-1516. https://doi.org/10.1080/10255842.2021.1906895

11. Miroshnikov A. V., Shatalova O. V., Zhilin V. V. Biomaterial impedance model for medical risk classifiers in in vivo experiments // Journal of Physics: Conference Series. 2021. Vol. 1801. P. 012045. https://doi.org/10.1088/1742-6596/1889/1/012045

12. Iterative models of bioimpedance in intelligent systems for early diagnosis of infectious diseases / A. V. Miroshnikov, A. V. Kiselev, O. V. Shatalova, R. A. Krupchatnikov // CEUR Workshop Proceedings. ITIDMS 2021 – Proceedings of the International Scientific and Practical Conference «Information Technologies and Intelligent Decision Making Systems». Moscow, 2021. Vol. 2843. Р. 25.

13. 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.

14. 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.

15. Oludare Isaac Abiodun 1, Aman Jantan 2, Abiodun Esther Omolara 3, Kemi Victoria Dada 4, Nachaat AbdElatif Mohamed 5, Humaira Arshad // Heliyon. 2018. N 4(11). P. e00938. https://doi.org/10.1016/j.heliyon.2018.e00938

16. Formation of descriptors for medical risk classifiers based on the current-voltage characteristics of biologically active points / A. V. Miroshnikov, A. V. Kiselev, O. V. Shatalova, S. Kadyrova // Journal of Physics: Conference Series. 2021. Vol. 2060. P. 012013. https://doi.org/10.1088/1742-6596/1889/1/012013