ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В ДИАГНОСТИКЕ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ ПО ДАННЫМ МИКРОВОЛНОВОЙ РАДИОТЕРМОМЕТРИИ

В последние годы в диагностике рака молочной железы все более активно используется метод микроволновой радиотермометрии. Однако анализ и интерпретация термометрических данных представляет из себя достаточно сложную задачу. В данной работе предложен способ разработки нейронной сети, предназначенной для диагностики рака молочной железы по данным микроволновой радиотермометрии. Доказана эффективность комбинированного использования признакового пространства, основанного на медицинских знаниях, и результатов анамнеза. Одним из современных и эффективных способов функциональной диагностики является метод микроволновой радиотермометрии, который в последние годы нашел применение в ряде областей медицины, в том числе в диагностике рака молочной железы. Однако анализ данных микроволновой радиотермометрии является весьма сложной задачей, что препятствует широкому применению данного метода в скрининге. Данную проблему можно решить созданием эффективной экспертной системы на основе использования методов математического и компьютерного моделирования, возможностей современных информационных технологий и, прежде всего, алгоритмов машинного обучения. Одному из аспектов данной задачи и посвящена данная статья. А именно, обсуждаются возможности использования нейронных сетей в диагностике рака молочной железы на основе данных микроволновой радиотермометрии и результатов анамнеза. Предложенные в данном исследовании параметры, а также комбинированное использование в первом слое моделирующих функций и результатов анамнеза, позволило значительно увеличить эффективность классификатора, по сравнению с предшествующими результатами.

анализ данных, микроволновая радиотермометрия, нейронные сети, рак молочной железы

1. Авраменко Г. В. Использование радиотермометрии в скрининге непальпируемых новообразований молочных желез// Вестник рентгенологии и радиологии. 2007. № 5. С. 11-14.

2. Веденяпин Д.А., Лосев А.Г. Об одной нейросетевой модели диагностики венозных заболеваний // Управление большими системами: сборник трудов. 2012. № 39. С. 219 - 229.

3. Веснин С. Г., Каплан А. М., Авакян Р. С. Современная микроволновая радиотермометрия молочных желез // Медицинский альманах. 2008. № 3. С. 82-87.

4. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК Пресс. 2017. 652 с.

5. Зенович А.В., Гребнев В.И., Примаченко Ф.Г. Алгоритмы классификации парных органов на основе нейросетей и нечетких множеств// Математическая физика и компьютерное моделирование. 2017. Т. 20. № 6. С. 26 - 37.

6. Кобринский Б.А. Консультативные интеллектуальные медицинские системы: классификация, принципы построения, эффективность// Врач и информационные технологии. 2008. №2. С. 38-47.

7. Лосев А. Г., Левшинский В. В. Интеллектуальный анализ данных микроволновой радиотермометрии в диагностике рака молочной железы// Математическая физика и компьютерное моделирование. 2017. Т. 20. № 5. С.49 - 62.

8. Поляков М.В., Хоперсков А.В. Математическое моделирование пространственного распределения радиационного поля в биоткани: определение яркостной температуры для диагностики// Вестник Волгоградского государственного университета. Серия 1. Математика. Физика. 2016. № 5(36). С. 73 - 84.

9. Galazis, C., Vesnin S., Goryanin I. Application of Artificial Intelligence in Microwave Radiometry (MWR)// Proceedings of the 12th International Joint Conference on Biomedical Engineering Systems and Technologies. 2019. Volume 3, p. 112-122.

10. Vesnin S., Turnbull A.K., Dixon J.M., Gorynin I. Modern Microwave Thermometry for Breast Cancer// Journal of Molecular Imaging & Dynamics/ 2017. V. 7. Is. 2. 1000136.