结合介电特性分析与机器学习技术，以实现精准的肝癌识别及浸润深度预测

《Physical and Engineering Sciences in Medicine》：Integrating dielectric properties analysis and machine learning for accurate liver cancer identification and infiltration depth prediction

　　介电特性分析与机器学习结合可有效区分正常肝组织与肝癌组织并预测肿瘤浸润深度（最高分类准确率98.91%，预测MAPE/RMSE最优值0.1434/0.0614），探针有效检测范围为0.1-0.6 mm

　　

摘要

对介电特性（DPs）的研究揭示了正常组织和肝癌组织之间的显著差异。尽管开放式同轴探针（OCP）方法被广泛用于测量介电特性，但肿瘤浸润深度会影响测量结果，导致介电阈值模糊，从而给基于介电特性的组织识别带来挑战。本研究将介电特性分析与机器学习（ML）相结合，以实现两个关键目标：（1）准确区分组织类型；（2）可靠预测肿瘤浸润深度。我们模拟了不同浸润深度下的肝癌组织的介电特性，使用了共计90,000个样本和181个频率点特征。我们评估了常见机器学习模型（包括人工神经网络（ANN）、支持向量机（SVM）和Bagging树集成）的性能，并通过真实组织和模拟样本的测量结果进行了验证。此外，还实验验证了探针的检测深度。实验结果表明，这三种机器学习模型在组织识别和肿瘤浸润深度预测方面都表现良好。其中，SVM的分类准确率最高，达到98.91%。在深度预测方面，SVM和ANN的MAPE/RMSE分别为0.1742/0.0673和0.1658/0.0730。探针的有效检测范围为0.1–0.6毫米，这对于准确测量和预测至关重要。这些模型在真实组织和模拟样本的验证中也表现出色，Bagging树集成模型的分类准确率为100%，MAPE/RMSE为0.1434/0.0614。这些发现证实了该方法在精确组织识别和浸润深度估计方面的可靠性，有助于实现准确的肿瘤切除并改善患者预后。