Использование методов машинного обучения при диагностике рака молочной железы

Обложка

Цитировать

Полный текст

Аннотация

В последние несколько лет методы машинного обучения привлекают всё большее внимание в области диагностики, особенно при обнаружении рака молочной железы.

В статье проведён анализ актуальных исследований, посвящённых использованию методов машинного обучения при диагностике рака молочной железы, по трём направлениям: используемых для решения вспомогательных задач, возникающих в современной диагностике рака молочной железы, выступающих в качестве интеллектуальной оценки состояния пациента для предварительных диагностических решений и определяющих факторы риска рака молочной железы.

Анализ показал, что использование методов машинного обучения при диагностике рака молочной железы предоставляет большие возможности для улучшения точности и эффективности диагностики, а также позволяет решать дополнительные задачи.

В результате анализа литературы были выявлены признаки, которые используются в качестве входных данных в методах машинного обучения. В дальнейшем собранная информация будет использована при построении системы признаков для диагностики рака молочной железы методами машинного обучения.

Об авторах

Кирилл Сергеевич Дёмин

Волгоградский государственный университет

Автор, ответственный за переписку.
Email: diominkirill@yandex.ru
ORCID iD: 0009-0002-4571-3437
Россия, Волгоград

Илья Васильевич Гермашев

Волгоградский государственный университет

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

д-р тех. наук, профессор

Россия, Волгоград

Список литературы

  1. Состояние онкологической помощи населению России в 2022 году / под ред. Каприна А.Д., Старинского В.В., Шахзадовой А.О. Москва : МНИОИ им. П.А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2023.
  2. Zou S., Lin Y., Yu X., et al. Genetic and lifestyle factors for breast cancer risk assessment in Southeast China // Cancer Medicine. 2023. Vol. 12, N 14. P. 15504–15514. doi: 10.1002/cam4.6198
  3. Raza S.K., Sarwar S.S., Syed S.M., Khan N.A. 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 A.A., Arora A.S. Thermography as an Economical Alternative Modality to Mammography for Early Detection of Breast Cancer // Journal of Healthcare Engineering. 2021. P. 5543101. doi: 10.1155/2021/5543101
  5. Ko C., Toh C., Brody J.P. Genetic risk scores for breast cancer based on machine learning analysis of chromosomal-scale length variation // Clinical Cancer Research. 2021. Vol. 27, Suppl. 5. P. PR-09. doi: 10.1158/1557-3265.ADI21-PR-09
  6. Yagin B., Yagin F.H., 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. Vol. 13, N 21. P. 3314. doi: 10.3390/diagnostics13213314
  7. O’Leary T.J., Mikel U.V., Becker R.L. Computer-assisted image interpretation: use of a neural network to differentiate tubular carcinoma from sclerosing adenosis // Modern Pathology. 1992. Vol. 5, N 4. P. 402–405.
  8. Tsochatzidis L., Costaridou L., Pratikakis I. Deep Learning for Breast Cancer Diagnosis from Mammograms – A Comparative Study // Journal of Imaging. 2019. Vol. 5, N 3. P. 37. doi: 10.3390/jimaging5030037
  9. Hamad Y.A., Simonov K., Naeem M.B. 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. Ручай А.Н., Кобер В.И., Дорофеев К.А., и др. Классификация патологий молочной железы с использованием глубокой сверточной нейронной сети и трансферного обучения // Информационные процессы. 2020. Т. 20, № 4. С. 357–365.
  11. Сасов Д.А., Зубков А.В., Орлова Ю.А., Турицына А.В. Классификация рака молочной железы с помощью сверточных нейронных сетей // Инженерный вестник Дона. 2023. № 6. С. 730–741.
  12. Computational Intelligence and Neuroscience. Retracted: Value of Artificial Neural Network Ultrasound in Improving Breast Cancer Diagnosis // Computational Intelligence and Neuroscience. 2023. P. 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. P. 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. Vol. 11, N 1. P. 1236. doi: 10.1038/s41467-020-15027-z
  15. Мустафин Ч.К. Современная диагностика заболеваний молочных желез // Главный врач Юга России. 2014. № 2. С. 20–23.
  16. Jochelson M.S., Dershaw D.D., Sung J.S., 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. Vol. 266, N 3. P. 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. Vol. 14, N 664. P. eabo4802. doi: 10.1126/scitranslmed.abo4802
  18. Yurttakal A.H., Erbay H., İkizceli T., Karacavus S. Detection of breast cancer via deep convolution neural networks using MRI images // Multimedia Tools and Applications. 2020. Vol. 79. P. 15555–15573. doi: 10.1007/s11042-019-7479-6
  19. Modanwal G., Vellal A., Mazurowski M.A. Normalization of breast MRIs using cycle-consistent generative adversarial networks // Computer Methods and Programs in Biomedicine. 2021. Vol. 208. doi: 10.1016/j.cmpb.2021.106225
  20. Цены на МРТ. В: Лайк Доктор [Internet] Режим доступа: https://like.doctor/ceny/diagnostika/mrt Дата обращения: 09.01.2024.
  21. Диагностический микроволновый радиотермометр РТМ-01-РЭС. В: Микроволновая радиотермометрия в медицине [Internet]. Режим доступа: http://www.radiometry.ru/radiometry/mammology/ Дата обращения: 09.01.2024.
  22. Polyakov M.V., Popov I.E., Losev A.G., Khoperskov A.V. Application of computer simulation results and machine learning in analysis of microwave radiothermometry data // Mathematical Physics and Computer Simulation. 2021. Vol. 24, N 2. P. 27–37. doi: 10.15688/mpcm.jvolsu.2021.2.3
  23. Гермашев И.В., Дубовская В.И., Лосев А.Г., Попов И.Е. Факторный анализ влияния признаков на точность диагностики рака молочной железы по данным микроволновой радиотермометрии // Прикаспийский журнал: управление и высокие технологии. 2022. № 1. С. 139–148.
  24. Лосев А.Г., Медведев Д.А., Применение нейронных сетей в диагностике рака молочной железы по данным микроволновой радиотермометрии // Современная наука и инновации. 2019. № 4. С. 22–28.
  25. Шушарин А.Г., Морозов В.В., Половинка М.П. Медицинское тепловидение – современные возможности метода // Современные проблемы науки и образования. 2011. № 4.
  26. Тицкая А.А., Чернов В.И., Синилкин И.Г., и др. Стандартизованные методики радионуклидной диагностики. Маммосцинтиграфия. Москва : ООО «НТЦ Амплитуда», 2014.
  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. Vol. 12, N 9. P. 2037. doi: 10.3390/diagnostics12092037
  28. Глазунов В.А. Тестирование алгоритма локализации опухоли при раке молочной железы на результатах моделирования температурных полей // XXV Региональная конференция молодых исследователей Волгоградской области : Тезисы докладов, Волгоград, 20 ноября – 13 2020 года / Редколлегия: А.Э. Калинина (отв. ред.) [и др.]. Волгоград: Волгоградский государственный университет, 2021. С. 343–347. EDN: DJQDLK
  29. Замечник Т.В., Лосев А.Г., Левшинский В.В. Результаты оптимизации диагностических признаков рака молочной железы, выявляемых методом микроволновой радиотермометрии // Медицинский вестник Северного Кавказа. 2019. Т. 14, № 1.1. С. 48–52. doi: 10.14300/mnnc.2019.14047
  30. Kakileti S.T., Madhu H.J., Manjunath G., et al, Personalized risk prediction for breast cancer pre-screening using artificial intelligence and thermal radiomics // Artificial Intelligence in Medicine. 2020. Vol. 105. P. 101854. doi: 10.1016/j.artmed.2020.101854
  31. Mambou S.J., Maresova P., Krejcar O., et al. Breast Cancer Detection Using Infrared Thermal Imaging and a Deep Learning Model // Sensors (Basel). 2018. Vol. 18, N 9. P. 2799. doi: 10.3390/s18092799
  32. Макарова М.В., Юницына А.В. Тепловизионное исследование молочных желез в оценке объемных образований // Вестник Северного (Арктического) федерального университета. Серия «Медико-биологические науки». 2013. № 4. С. 44–50.
  33. Hussein N.A.K., Al-Sarray B. Deep Learning and Machine Learning via a Genetic Algorithm to Classify Breast Cancer DNA Data // Iraqi Journal of Science. 2022. Vol. 63, N 7. P. 3153–3168. doi: 10.24996/ijs.2022.63.7.36
  34. Magna A.A.R., 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. Vol. 8. P. 106198–106213. doi: 10.1109/ACCESS.2020.3000075
  35. Mortazavi S.A.R., 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. Vol. 12, N 6. P. 637–644. doi: 10.31661/jbpe.v0i0.2105-1341
  36. Mortazavi S.A.R. The Association of Screen Time and Female Breast Cancer – A Retrospective Case-Control Study: dissertation. Shiraz : Shiraz University of Medical Sciences, 2021.
  37. Afrash M.R., 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. Vol. 11, N 1. P. 272. doi: 10.4103/jehp.jehp_42_22

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Пример локализации опухоли [3].

Скачать (118KB)
Метаданные
3. Рис. 2. Визуализация двух примеров пациентов [14]: a — низкозвуковая область внутри опухоли ценна для предсказания статуса околососудистых лимфатических узлов; b — граница опухоли.

Скачать (215KB)
Метаданные
4. Рис. 3. Пример термограммы здорового пациента.

Скачать (283KB)
Метаданные
5. Рис. 4. Расположение точек для получения температур.

Скачать (69KB)
Метаданные
6. Рис. 5. Частота использования моделей машинного обучения, %.

Скачать (114KB)
Метаданные

© Эко-вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

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».