基于介电特性与深度学习（DieleNet）的乳腺癌细胞分类研究

《Biomedical Signal Processing and Control》：DieleNet: Dielectric properties based breast cancer classification using deep learning

本文提出一种结合介电特性与深度学习的新型乳腺癌分类框架DieleNet，通过开放式同轴探头（OECP）测量细胞介电参数，利用CNN-LSTM网络结合注意力机制动态捕捉频域特征，在含培养基/无培养基条件下分类准确率分别达97.81%±0.24和97.88%±0.91，为乳腺癌无创诊断提供新思路。

　　

Highlight

深度学习模型在利用乳腺X线摄影、MRI、组织病理学分析、超声、核医学成像和热成像扫描等多种成像平台检测乳腺癌方面取得了显著进展。尽管这些成像方式能获取详细的结构和形态学数据，但其实际应用常受限于高昂的设备成本和实时便携性的缺乏。这些挑战促使研究人员探索非侵入性替代方案。

Proposed research methodology

图2展示了所提出的乳腺癌分类方法的框图。该方法的关键阶段包括：（i）使用OECP进行数据集收集；（ii）数据集预处理；以及（iii）分类。介电表征的理论背景在第3.1小节阐述，这些独立阶段的细节在第3.2、3.3和3.4小节中说明。

Experimental results

本节通过使用包含来自不同乳腺细胞系的介电测量值的专用数据集，对模型性能进行了全面评估，突出了其在准确、非侵入性癌症分类方面的潜力。实验结果证明了所提出方法的有效性，该研究首次将结合Bahdanau注意力的CNN-LSTM架构用于乳腺癌细胞系的介电表征。该数据集...

Discussion

所提出的方法在包含使用OECP技术收集的乳腺细胞系介电特性的数据集上进行了评估。与SVM、DT、RF和CNN等传统机器学习和深度学习方法相比，该方法在准确率、精确率、召回率和F1分数等指标上均达到了最高水平。结果强调，深度学习模型，特别是所提出的模型，擅长处理由培养基引起的变异性。这些模型在有培养基和无培养基条件下均保持了高准确性和一致性...

Conclusion

本研究提出了一种名为DieleNet的新型深度学习框架，用于基于通过OECP技术获取的介电特征对乳腺细胞系进行分类。该模型整合了卷积层和循环层，特别是CNN和LSTM，以捕捉介电频谱中局部的频率相关特征和长程的色散模式。为了进一步提高分类性能，引入了Bahdanau注意力机制，使模型能够聚焦于对分类最相关的频谱区域，从而有效处理介电数据中固有的复杂非线性行为。实验结果表明，该方法在乳腺癌细胞分类方面具有高准确性和鲁棒性，为开发基于电磁传感的非侵入性诊断工具提供了有前景的方向。