资 源 简 介
应用背景
支持向量机（Support Vector Machine，SVM）是一种新的机器学习方法，其基础是Vapnik创建的统计学习理论（Statiscal Learning Theory，STL）。统计学习理论采用结构风险最小化（Structural Risk Minimization，SRM）准则，在最小化样本点误差的同时，最小化结构风险，提高了模型的泛化能力，且没有数据维数的限制。在进行线性分类时，将分类面取在离两类样本距离较大的地方；进行非线性分类时通过高维空间变换，将非线性分类变成高维空间的线性分类问题。
关键技术
本章将详细介绍支持向量机的分类原理，并将其应用于基于乳腺组织电阻抗频谱特性的乳腺癌诊断。
乳腺是女性身体的重要器官，乳腺疾病类别繁多、病因复杂，其中，乳腺癌是乳腺疾病的一种，逐渐成为危害女性健康的主要恶性肿瘤之一。近年来，乳腺癌等乳腺疾病发病率呈明显上升趋势，被医学界称为“女性健康第一杀手” 。
相关研究结果表明，在直流状态下不同生物组织表现出不同的电阻特性，生物组织电阻抗随着外加电信号频率的不同而表现出较大的差异。常见的电阻抗测量方法有：电阻抗频谱法(Impedance Spectroscopy)、阻抗扫描成像法(Electrical
Impedance Scanning，EIS)、电阻抗断层成像法（Electrical Impedance Tomography，EIT）等。电阻抗频谱法的测量依据是生物组织的电阻抗随着外加电信号频率的不同而呈现出较大的差异；阻抗扫描成像法的原理是癌变组织与正常组织及良性肿瘤组织的电导（阻）率相比，存在着显著性的差异，从而使得均匀分布在组织外的外加电流或电压场产生畸变；电阻抗断层成像法则利用设于体表外周的电极阵列及微弱测量电流，提取相关特征并重新构造出截面的电阻抗特性图像。
尽管目前的电阻抗测量结果还存在一些偏差，但相关研究已经证实癌变组织与正常组织的电阻抗特性存在显著地差异。因此，乳腺组织的电阻抗特征可以应用于乳腺癌的检查与诊断中。由于电阻抗测量法具有无创、廉价、操作
