Интеллектуальный анализ термометрических данных в диагностике молочных желез

Автор(ы): Лосев А.Г., Левшинский В.В.

Выпуск: 70

Рубрика: Управление в медико-биологических и экологических системах

Год: 2017

Библиография: Лосев А.Г., Левшинский В.В. Интеллектуальный анализ термометрических данных в диагностике молочных желез // Управление большими системами. Выпуск 70. М.: ИПУ РАН, 2017. С.113-135. URL: https://doi.org/10.25728/ubs.2017.70.5

Дата опубликования: 30.11.2017

Ключевые слова: интеллектуальный анализ данных, микроволновая радиотермометрия, консультативные интеллектуальные системы

Аннотация: Работа посвящена разработке нового метода интеллектуального анализа медицинских термометрических данных, предназначенного для создания на его основе консультативных интеллектуальных диагностических систем. Рассмотрены подходы к анализу данных микроволновой радиотермометрии, полученных для диагностики заболеваний молочной железы. Представлен метод формирования информационных признаков на базе количественного описания медицинских знаний о поведении температурных полей молочных желез.

Author(s): Losev A., Levshinsky V.

Article title: The thermometry data mining in the diagnostics of mammary glands

Issue: 70

Year: 2017

Keywords: data mining, microwave radiothermometry, intelligent advisory systems

Abstract: The paper deals with the microwave thermometry data and proposes a method for forming informative features, based on qualitative descriptions of medical knowledge about the behavior of the temperature fields of mammary glands. There are some already known qualitative characteristics of breast cancer, which were form a basis for quantitative features, e.g. feature ‘a large thermal asymmetry between mammary glands’ can be described by temperature differences between corresponding points of right and left mammary glands. If the value of such difference is sufficiently large, then it may be an indication of pathology. After preprocessing, which involves weighting and cleaning, informative features may be applied in various classification algorithms, such as logistic regression, which yields about seventy percents of accuracy on a test sample, or the more complex ones that yield better accuracy: neural networks, genetic algorithm, and fuzzy classification. The significance of proposed features consists of the fact that they were formed from qualitative characteristics and each of them has a qualitative description, therefore they are of interest for further study and can be applied in diagnosis-advisory systems.