提高乳腺癌检测:使用多电极生物阻抗的机器学习方法

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 早期发现癌症瘤对于改善治疗结果至关重要.
• 活组织的生物阻抗测量为早期癌症检测提供了一种简单,经济高效的方法.
• 基于生物阻抗的方法显示出识别癌症瘤的巨大潜力.

研究的目的:

• 探索使用生物阻抗早期癌症检测的成本效益高的方法.
• 根据生物阻抗数据开发和评估用于乳腺癌检测的机器学习模型.
• 评估不同的机器学习算法在识别癌症乳腺组织方面的性能.

主要方法:

• 使用科尔-科尔模型和有限元模型对健康和瘤组织进行模拟的乳腺阻抗.
• 采集了使用八个电极系统在不同尺寸和瘤状况的乳腺模型周围收集的生物阻抗数据.
• 在准备好的数据集上开发和训练机器学习模型,包括支持矢量机器 (SVM),卷积神经网络 (CNN) 和随机森林 (RF).

主要成果:

• 证明了将机器学习与多电极生物阻抗集成为精确,自动检测乳腺癌的可行性.
• 与SVM和CNN相比,随机森林 (RF) 模型在检测癌症瘤方面表现出更高的准确性.
• 该研究成功地利用模拟和测量生物阻抗数据来训练有效的癌症检测模型.

结论:

• 生物阻抗方法与机器学习算法相结合,具有早期癌症检测的巨大潜力.
• 随机森林模型显示了准确和自动化乳腺癌检测的前景.
• 这种方法提供了一个有价值的工具,通过早期诊断来改善患者的结果.