Machine learning techniques for breast cancer diagnosis

Capa

Citar

Texto integral

Resumo

In the last few years, machine learning techniques have been attracting even greater attention in the field of diagnostics, particularly when detecting breast cancer. Relevant studies dedicated to machine learning techniques in breast cancer diagnosis were analyzed in three areas: solving secondary problems that occur in modern-day breast cancer diagnostics, role in an intelligent assessment of the patient’s condition for preliminary diagnostic decisions, and capability to detect breast cancer risk factors. The results revealed that machine learning techniques applied in breast cancer diagnosis have great potential for improving diagnostic accuracy and efficiency and solving secondary problems. The medical literature analysis has determined the parameters that are used as input data in machine learning techniques. Furthermore, the collected information will be applied to create a parameter system for breast cancer diagnosis using machine learning techniques.

Sobre autores

Kirill Dyomin

Volgograd State University

Autor responsável pela correspondência
Email: diominkirill@yandex.ru
ORCID ID: 0009-0002-4571-3437
Rússia, Volgograd

Ilya Germashev

Volgograd State University

Email: germashev@volsu.ru
ORCID ID: 0000-0001-5507-8508
Código SPIN: 2489-2628

Dr. Sci. (Engineering)

Rússia, Volgograd

Bibliografia

  1. Kaprin AD, Starinsky VV, Shakhzadova AO, editors. Sostoyanie onkologicheskoj pomoshchi naseleniyu Rossii v 2022 godu. Moscow: P.A. Herzen Institute of Medical Sciences − branch of the Federal State Budgetary Institution “NMIC of Radiology” of the Ministry of Health of the Russian Federation; 2023. (In Russ.)
  2. Zou S, Lin Y, Yu X, et al. Genetic and lifestyle factors for breast cancer risk assessment in Southeast China. Cancer Medicine. 2023;12(14):15504–15514. doi: 10.1002/cam4.6198
  3. Raza SK, Sarwar SS, Syed SM, Khan NA. Classification and Segmentation of Breast Tumor Using Mask R- CNN on Mammograms. Research Square. 2021. doi: 10.21203/rs.3.rs-523546/v1
  4. Khan AA, Arora AS. Thermography as an Economical Alternative Modality to Mammography for Early Detection of Breast Cancer. Journal of Healthcare Engineering. 2021:5543101. doi: 10.1155/2021/5543101
  5. Ko C, Toh C, Brody JP. Genetic risk scores for breast cancer based on machine learning analysis of chromosomal-scale length variation. Clinical Cancer Research. 2021;27 Suppl. 5:PR-09. doi: 10.1158/1557-3265.ADI21-PR-09
  6. Yagin B, Yagin FH, Colak C, et al. Cancer Metastasis Prediction and Genomic Biomarker Identification through Machine Learning and eXplainable Artificial Intelligence in Breast Cancer Research. Diagnostics (Basel). 2023;13(21):3314. doi: 10.3390/diagnostics13213314
  7. O’Leary TJ, Mikel UV, Becker RL. Computer-assisted image interpretation: use of a neural network to differentiate tubular carcinoma from sclerosing adenosis. Modern Pathology. 1992;5(4):402–405.
  8. Tsochatzidis L, Costaridou L, Pratikakis I. Deep Learning for Breast Cancer Diagnosis from Mammograms – A Comparative Study. Journal of Imaging. 2019;5(3):37. doi: 10.3390/jimaging5030037
  9. Hamad YA, Simonov K, Naeem MB. Breast Cancer Detection and Classification Using Artificial Neural Networks. In: 1st Annual International Conference on Information and Sciences (AiCIS); Nov 20–21, 2018; Fallujah. P. 51–57. doi: 10.1109/aicis.2018.00022
  10. Ruchai AN, Kober VI, Dorofeev KA, et al. Classification of breast pathologies using a deep convolutional neural network and transfer learning. Information processes. 2020;20(4):357–365.
  11. Sasov DA, Zubkov AV, Orlova YuA, Tupitsyna AV. Classification of breast cancer using convolutional neural networks. Inženernyj vestnik Dona. 2023;6:730–741. (In Russ.)
  12. Computational Intelligence and Neuroscience. Retracted: Value of Artificial Neural Network Ultrasound in Improving Breast Cancer Diagnosis. Computational Intelligence and Neuroscience. 2023:9872174. doi: 10.1155/2023/9872174
  13. Zhang L, Jia Z, Leng X, Ma F. Artificial Intelligence Algorithm-Based Ultrasound Image Segmentation Technology in the Diagnosis of Breast Cancer Axillary Lymph Node Metastasis. Journal of Healthcare Engineering. 2021:8830260. doi: 10.1155/2021/8830260
  14. Zheng X, Yao Z, Huang Y, et al. Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer. Nature Communications. 2020;11(1):1236. doi: 10.1038/s41467-020-15027-z
  15. Mustafin CK. Sovremennaya diagnostika zabolevanij molochnyh zhelez. Glavnyj vrač Ûga Rossii. 2014;(2):20–23. (In Russ.)
  16. Jochelson MS, Dershaw DD, Sung JS, et al. Bilateral contrast-enhanced dual-energy digital mammography: feasibility and comparison with conventional digital mammography and MR imaging in women with known breast carcinoma. Radiology. 2013;266(3):743–751. doi: 10.1148/radiol.12121084
  17. Witowski J, Heacock L, Reig B, et al. Improving breast cancer diagnostics with deep learning for MRI. Science Translational Medicine. 2022;14(664):eabo4802. doi: 10.1126/scitranslmed.abo4802
  18. Yurttakal AH, Erbay H, İkizceli T, Karacavus S. Detection of breast cancer via deep convolution neural networks using MRI images. Multimedia Tools and Applications. 2020;79:15555–15573. doi: 10.1007/s11042-019-7479-6
  19. Gourav Modanwal, Adithya Vellal, Maciej A. Mazurowski, Normalization of breast MRIs using cycle-consistent generative adversarial networks // Computer Methods and Programs in Biomedicine, Vol. 208, 2021. doi: 10.1016/j.cmpb.2021.106225
  20. Ceny na MRT. In: Like Doctor [Internet] [cited 2024 Jan 9]. Available from: https://like.doctor/ceny/diagnostika/mrt (In Russ).
  21. Diagnosticheskij mikrovolnovyj radiotermometr RTM-01-RES. In: Mikrovolnovaya radiotermometriya v medicine [Internet] [cited 2024 Jan 9]. Available from: http://www.radiometry.ru/radiometry/mammology/ (In Russ).
  22. Polyakov MV, Popov IE, Losev AG, Khoperskov AV. Application of computer simulation results and machine learning in analysis of microwave radiothermometry data. Mathematical Physics and Computer Simulation. 2021;24(2):27–37. doi: 10.15688/mpcm.jvolsu.2021.2.3
  23. Germashev IV, Dubovskaya VI, Losev AG, Popov IE. Factor analysis of the effect of signs on the accuracy of breast cancer diagnosis according to microwave radiothermometry. Caspian Journal: Management and High Technologies. 2022;(1):139–148.
  24. Losev AG, Medvedev DA. The use of neural networks in the diagnosis of breast cancer according to microwave radiothermometry. Modern Science and Innovation. 2019;(4):22–28.
  25. Shusharin AG, Morozov VV, Polovinka MP. Medical thermal imaging – modern possibilities of the method. Modern problems of science and education. 2011:(4).
  26. Titskaya AA, Chernov VI, Sinilkin IG, et al. Standartizirovannye metodiki radionuklidnoj diagnostiki. Mammoscintigrafiya. Moscow: NTC Amplitude; 2014. (In Russ.)
  27. Li J, Galazis C, Popov L, et al. Dynamic Weight Agnostic Neural Networks and Medical Microwave Radiometry (MWR) for Breast Cancer Diagnostics. Diagnostics (Basel). 2022;12(9):2037. doi: 10.3390/diagnostics12092037
  28. Glazunov VA. Testing the algorithm of tumor localization in breast cancer based on the results of modeling temperature fields. // XXV Regional Conference of Young Researchers of the Volgograd region : Theses of reports, Volgograd, November 20 – 13, 2020 / Editorial board: A.E. Kalinina (ed.) [et al.]. Volgograd: Volgograd State University, 2021. P:343–347. (In Russ.) EDN: DJQDLK
  29. Zamechnik TV, Losev AG, Levshinsky VV. Results of optimization of diagnostic signs of breast cancer detected by microwave radiothermometry. Medical News of North Caucasus. 2019;14(1.1):48–52. doi: 10.14300/mnnc.2019.14047
  30. Kakileti ST, Madhu HJ, Manjunath G, et al, Personalized risk prediction for breast cancer pre-screening using artificial intelligence and thermal radiomics. Artificial Intelligence in Medicine. 2020;105:101854. doi: 10.1016/j.artmed.2020.101854
  31. Mambou SJ, Maresova P, Krejcar O, et al. Breast Cancer Detection Using Infrared Thermal Imaging and a Deep Learning Model. Sensors (Basel). 2018;18(9):2799. doi: 10.3390/s18092799
  32. Makarova MV, Unitsina AV. Thermal imaging of mammary glands in the assessment of volumetric formations. Vestnik of Northern (Arctic) Federal University. Series “Humanitarian and Social Sciences”. 2013;(4):44–50.
  33. Hussein NAK, Al-Sarray B. Deep Learning and Machine Learning via a Genetic Algorithm to Classify Breast Cancer DNA Data. Iraqi Journal of Science. 2022;63(7):3153–3168. doi: 10.24996/ijs.2022.63.7.36
  34. Magna AAR, Allende-Cid H, Taramasco C, et al. Application of Machine Learning and Word Embeddings in the Classification of Cancer Diagnosis Using Patient Anamnesis. IEEE Access. 2020;8:106198–106213. doi: 10.1109/ACCESS.2020.3000075
  35. Mortazavi SAR, Tahmasebi S, Par-Saei H, Taleie A. Machine Learning Models for Predicting Breast Cancer Risk in Women Exposed to Blue Light from Digital Screens. Journal of Biomedical Physics and Engineering. 2022;12(6):637–644. doi: 10.31661/jbpe.v0i0.2105-1341
  36. Mortazavi SAR. The Association of Screen Time and Female Breast Cancer – A Retrospective Case-Control Study [dissertation]. Shiraz: Shiraz University of Medical Sciences; 2021.
  37. Afrash MR, Bayani A, Shanbehzadeh M, et al. Developing the breast cancer risk prediction system using hybrid machine learning algorithms. Journal of Education and Health Promotion. 2022;11(1):272. doi: 10.4103/jehp.jehp_42_22

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Fig. 1. Example of tumor localization [3].

Baixar (118KB)
Metadados
3. Fig. 2. Visualization of two patient examples [14]: a - the low-sound region inside the tumor is valuable for predicting the status of perivascular lymph nodes; b - tumor border.

Baixar (215KB)
Metadados
4. Fig. 3. Example of a thermogram of a healthy patient.

Baixar (283KB)
Metadados
5. Fig. 4. Location of points for obtaining temperatures.

Baixar (69KB)
Metadados
6. Fig. 5. Frequency of use of machine learning models, %.

Baixar (114KB)
Metadados

Declaração de direitos autorais © Eco-Vector, 2024

Creative Commons License
Este artigo é disponível sob a Licença Creative Commons Atribuição–NãoComercial–SemDerivações 4.0 Internacional.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».