基于分数阶导数模型与支持向量机的微波乳腺癌诊断：皮肤杂波抑制的临床验证

《IEEE Journal of Electromagnetics, RF and Microwaves in Medicine and Biology》：Clinical Validations on Effective Skin Clutter Rejection for Microwave Breast Cancer Diagnosis

本刊推荐：为解决传统微波乳腺癌诊断在致密乳腺中因纤维腺体组织低对比度导致的识别难题，研究人员开展了基于反向散射信号直接识别与先进皮肤表面反射（SSR）抑制的研究。通过引入分数阶导数（FD）模型优化皮肤反射波形频率特性，结合支持向量机（SVM）分类器对100余例临床数据进行分析，结果表明FD-SSR方案能显著提升识别率，为无成像化癌症诊断提供新思路。

　　

在全球癌症统计中，乳腺癌常年位居女性癌症发病率和死亡率首位。虽然X射线成像仍是主流筛查手段，但其电离辐射风险和压迫式检查过程导致受检率较低，尤其对年轻女性群体影响显著。磁共振成像（MRI）虽能提供高分辨率图像，但设备昂贵且需电磁屏蔽环境；超声诊断虽安全无创，但其识别准确性高度依赖操作者经验，且在致密乳腺中易因纤维腺体组织与癌变组织对比度低而出现高假阳性率。相较之下，微波乳腺癌诊断技术凭借其非电离、无压迫、低成本及非接触测量等优势，展现出独特的临床潜力。然而，传统微波雷达成像方法在致密乳腺组织中面临核心挑战：纤维腺体组织与癌变组织的介电常数差异微小，导致成像对比度不足，难以实现准确识别。

针对这一瓶颈，东京电气通信大学的研究团队在《IEEE Journal of Electromagnetics, RF and Microwaves in Medicine and Biology》发表了一项创新研究，提出了一种绕过成像环节、直接基于原始反向散射信号的癌症识别方案。该研究的核心突破在于引入分数阶导数（Fractional Derivative, FD）模型增强的皮肤表面反射（Skin Surface Reflection, SSR）抑制技术，并结合支持向量机（Support Vector Machine, SVM）对临床数据进行端到端分类。

为开展此项研究，团队采用了多项关键技术：首先基于多输入多输出（Multiple-Input Multiple-Output, MIMO）超宽带雷达系统采集临床数据，该系统工作频段为2.65–9.35 GHz，采用旋转测量模式获取多角度散射信号；其次提出FD-SSR方法，通过优化FD参数α补偿皮肤反射波形的频率依赖性，显著提升皮肤杂波抑制效果；最后采用奇异值分解（Singular Value Decomposition, SVD）对旋转增强数据进行降维处理，生成低维度特征向量输入SVM分类器。临床验证阶段使用广岛大学医院提供的100余例患者数据（含癌性与非癌性样本），通过十折交叉验证评估性能。

II. 皮肤表面反射抑制方法

研究团队首先建立了包含皮肤、脂肪和纤维腺体组织的乳腺介质模型，通过旋转天线阵列获取多角度散射信号。传统SSR方法（SSR-AVE）通过平均旋转信号生成参考波形并进行模板匹配消除皮肤反射，但无法补偿因天线-皮肤互耦合效应引起的波形频变特性。为此，团队引入FD模型构建频变参考信号（公式(4)），通过优化幅度A、时延τ和FD参数α（公式(5)）实现高精度皮肤信号重构。如图4所示，FD-SSR能更精准地拟合实际皮肤反射波形，残余信号强度显著降低。

III. 临床测试与讨论

A. 测量与临床设置

临床数据采集自广岛大学医院2019年开展的试验，使用手持式MIMO雷达模块（图3），其交叉形阵列含8发8收天线，以45°为步进角旋转扫描。所有病例均经MRI或PET影像确认诊断结果，最终获得131例含癌样本和89例无癌样本。

B. SSR结果

以抑制因子F_sup≤0.1为阈值筛选数据（公式(11)），FD-SSR方案满足条件的样本数达64例（癌性37例，非癌性27例），是传统SSR-AVE方法的1.7倍（图5）。这表明FD模型能有效应对近场效应引起的波形失真，为后续分类提供更纯净的内部组织响应信号。

sup最大值的累积分布函数。蓝线与红线分别对应SSR-AVE与SSR-FD的处理结果。'>

C. SVM分类

在2.1–4.4 GHz低频段提取信号特征后，比较不同SSR方案与降维方法的分类精度（图6）。结果显示：结合FD-SSR与SVD降维时取得最高中位数精度66.7%（四分位距IQR=6.7%），显著优于简单平均降维方案（45.0%）及无SSR处理组（56.7%）。SVD通过提取旋转不变性主成分，有效增强了对肿瘤偏移中心情况的鲁棒性。相比之下，卷积神经网络（CNN）虽在部分条件下达到76%的峰值精度，但其IQR高达43–52%，稳定性远低于SVM方案（图7）。

进一步放宽筛选阈值至F_sup≤0.2（200例样本）后，FD-SSR+SVD组合的精度降至58.5%（表III），证实皮肤抑制效果与分类性能直接相关。研究同时指出，纤维腺体组织与癌变组织的介电特性相近仍是误判主因，未来需结合肿瘤尺寸、恶性度分级等先验信息优化标签策略。

IV. 结论与展望

本研究证实了基于原始散射信号的机器学习方案在微波乳腺癌诊断中的可行性。FD-SSR技术通过精准补偿皮肤反射频率特性，为内部组织响应提取奠定基础；而SVD降维与SVM分类的组合在临床数据中展现出优于深度学习模型的稳定性。尽管当前识别精度（<70%）尚未满足临床要求，但该研究为无成像化癌症诊断提供了新范式。未来可通过融合介电特性反演技术（如衍射层析成像）、扩大样本量及引入概率型输出指标进一步提升实用价值。此项工作标志着微波医学诊断从成像依赖向信号智能解析的重要转变。