Медицинская Техника / Медицинская техника №3, 2024 / с. 46-50

Использование машинного обучения для диагностики рака молочной железы по необработанным данным электроимпедансной томографии

А.В. Корженевский

Аннотация

Целью рассматриваемой работы было изучение возможности использования метода опорных векторов для создания автоматического ассистента врача при трехмерной (3D) электроимпедансной томографии (ЭИТ) молочной железы. Показано, что машинное обучение на основе линейного метода опорных векторов позволяет создать алгоритм классификации необработанных результатов измерений системы 3D ЭИТ для диагностики молочной железы. Максимальная достигнутая чувствительность составляет 82 % при специфичности 85 % и точности 84 %.

Вернуться к содержанию

Сведения об авторах

Александр Владимирович Корженевский, д-р физ.-мат. наук, ведущий научный сотрудник, Институт радиотехники и электроники им. В.А. Котельникова РАН, г. Москва,

e-mail: avklab@gmail.com

Список литературы

1. Jossinet J. Variability of impedivity in normal and pathological breast tissue // Medical and Biological Engineering and Computing. 1996. Vol. 34. PP. 346-350.

2. Rezanejad Gatabi Z., Mirhoseini M., Khajeali N. et al. The accuracy of electrical impedance tomography for breast cancer detection: A systematic review and meta-analysis // The Breast Journal. 2022. Vol. 2022. Art. ID 8565490. 9 p.

3. Cherepenin V.A., Karpov A.Y., Korjenevsky A.V. et al. Three- dimensional EIT imaging of breast tissues: System design and clinical testing // IEEE Transactions on Medical Imaging. 2002. Vol. 21. № 6. PP. 662-667.

4. Cherepenin V., Karpov A., Korjenevsky A. et al. A 3D electrical impedance tomography (EIT) system for breast cancer detection // Physiological Measurement. 2001. Vol. 22. № 1. PP. 9-18.

5. Zain N.M., Kanaga K.C., Sharifah M.I.A. et al. Study of electrical impedance tomography as a primary screening technique for breast cancer / 2014 IEEE Conference on Biomedical Engineering and Sciences (IECBES), Dec. 8-10 2014, Miri, Malaysia. PP. 220-224.

6. Троханова О.В., Охапкин М.Б., Корженевский А.В., Черепенин В.А. Диагностические возможности метода электроимпедансной маммографии // Биомедицинская радиоэлектроника. 2009. № 2. С. 66-77.

7. Raneta O., Ondruл D., Bella V. Utilisation of electrical impedance tomography in breast cancer diagnosis // Klin. Onkol. 2012. Vol. 25. № 1. PP. 36-41.

8. Akhtari-Zavare M., Latiff L.A. Electrical impedance tomography as a primary screening technique for breast cancer detection // Asian Pacific Journal of Cancer Prevention. 2015. Vol. 16. № 14. PP. 5595-5597.

9. Aller M., Mera D., Cotos J.M., Villaroya S. Study and comparison of different Machine Learning-based approaches to solve the inverse problem in Electrical Impedance Tomographies // Neural Computing and Applications. 2023. Vol. 35. № 7. PP. 5465-5477.

10. Al Amin A., Parvin S., Kadir M.A. et al. Classification of breast tumour using electrical impedance and machine learning techniques // Physiological Measurement. 2014. Vol. 35. № 6. PP. 965-974.

11. McDermott B., O’Halloran M., Porter E., Santorelli A. Brain haemorrhage detection using a SVM classifier with electrical impedance tomography measurement frames // PloS One. 2018. Vol. 13. № 7. P. e0200469.

12. Aristovich K., Jehl M., Dowrick T. et al. Machine learning approach to clinical stroke type differentiation using electrical impedance tomography (EIT) / Proc. of the 16th Int. Conf. on Biomedical Applications of Electrical Impedance Tomography, June 3-5, 2015, Neuchatel, Switzerland. P. 66.

13. Candiani V., Santacesaria M. Neural networks for classification of strokes in electrical impedance tomography on a 3D head model // Mathematics in Engineering. 2022. Vol. 4. № 4. PP. 1-22.

14. Pessoa D., Rocha B.M., Cheimariotis G. et al. Classification of electrical impedance tomography data using machine learning / 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Oct. 31- Nov. 4, 2021, Virtual Conference. 2021. PP. 349-353.

15. Coripuna R.L., Farias D.I., Ortiz B.O., Padierna L.C., Fraga T.C. Machine learning for the analysis of conductivity from mono frequency electrical impedance mammography as a breast cancer risk factor // IEEE Access. 2021. Vol. 9. PP. 152397-152407.

16. Trokhanova O.V., Okhapkin M.B., Korjenevsky A.V. Dual- frequency electrical impedance mammography for the diagnosis of non-malignant breast disease // Physiological Measurement. 2008. Vol. 29. № 6. PP. S331-S344.

17. Tuykin T., Kobrisev P., Korjenevsky A., Sapetsky S. Influence of skin surface charge/discharge effects in real EIT systems / 21st International Conference on Biomedical Applications of Electrical Impedance Tomography EIT, June 14-16, 2021, Galway, Ireland. 2021. P. 59.

18. Pedregosa F. Scikit-learn: Machine learning in python Fabian // Journal of Machine Learning Research. 2011. Vol. 12. PP. 2825-2830.

19. Chih-Chung C. LIBSVM: A library for support vector machines / https://www.csie.ntu.edu.tw/~cjlin/papers/libsvm.pdf. 2001.

20. D’Orsi C.J., Sickles E.A., Mendelson E.B., Morris E.A. et al. ACR BI-RADS Atlas, Breast Imaging Reporting and Data System. – Reston: American College of Radiology, 2013. PP. 121-140.