1、醫(yī)學(xué)診斷人工神經(jīng)元網(wǎng)絡(luò)（ANN）作者:93K4B 077403 梁慶昱指導(dǎo)老師：劉尚輝摘要：ANN是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)動(dòng)機(jī)智的認(rèn)識(shí)理解基礎(chǔ)上模擬其結(jié)構(gòu)和智能功能而構(gòu)的一種信息處理系統(tǒng)或計(jì)算機(jī)。ANN數(shù)據(jù)處理功能很強(qiáng)，在醫(yī)學(xué)診斷上得到蓬勃發(fā)展。本文主要介紹人工神經(jīng)元網(wǎng)絡(luò)原理和性質(zhì)特點(diǎn)，并講述其在醫(yī)學(xué)診斷方面的應(yīng)用，最后介紹ANN在醫(yī)學(xué)診斷上的發(fā)展情況。Abstract: ANN is an information processing system or computer which is on the basic of understanding of the structure of th

2、e organizational structure of the human brain and the intelligent function.ANN has strong data-processing functions and it has been booming in medical diagnosis .This article introduces the artificial neural network principle, the characteristics, and the application in medical diagnosis, and then i

3、ntroduced the future of ANN in medical diagnosis.關(guān)鍵字：ANN的產(chǎn)生 ANN的原理 ANN的特點(diǎn) ANN的應(yīng)用 ANN的未來(lái) 討論Key words: the production of Artificial Neural Network; the principle of ANN; the characteristic of ANN; the application of ANN; the future of ANN; the discussion 人工神經(jīng)網(wǎng)絡(luò)（ Artificial Neural Network，簡(jiǎn)寫為ANN）也簡(jiǎn)稱為神經(jīng)

4、網(wǎng)絡(luò)（ANN）或稱作連接模型（Connectionist Model），它就是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)動(dòng)機(jī)制認(rèn)識(shí)理解基礎(chǔ)上人工構(gòu)造的能實(shí)現(xiàn)某種功能的理論化的人腦數(shù)學(xué)模型。1943年美國(guó)心理學(xué)家McCulloch和數(shù)學(xué)家Pitts合作提出了ANN的第一個(gè)數(shù)學(xué)模型(M-P模型)隨后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等學(xué)者先后又提出了感知模型，使人工神經(jīng)網(wǎng)絡(luò)技術(shù)有了新的發(fā)展。在近幾年里，ANN在醫(yī)學(xué)診斷上得到了飛速的發(fā)展。1.ANN的原理：ANN的原理解釋需要兩個(gè)模型人工神經(jīng)元模型與網(wǎng)絡(luò)結(jié)構(gòu)1.1人工神經(jīng)元模型這種模型是一個(gè)多輸入/單輸出的非線性元件.如圖：顯示了

5、一個(gè)具有r個(gè)輸入分量的神經(jīng)元模型。輸入分量pj(j=1，2，.,r)通過(guò)與和它相乘的權(quán)值分量wj(j=1，2，.，r)相連，以rj=1WjPj的形式求和后，形成激活函數(shù)f(.)的輸入，激活函數(shù)的另一個(gè)輸入是神經(jīng)元的閾值b。當(dāng) b值超過(guò)下一個(gè)神經(jīng)元的輸入值是就激活了下一個(gè)神經(jīng)元，信息就以這種方式傳遞下去。神經(jīng)元模型的輸入輸出關(guān)系可表示為：a=f(rj=1WjPj+b)這里用到的激活函數(shù)一般是轉(zhuǎn)移函數(shù)（Sigmoid函數(shù) ）：1.2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 單個(gè)神經(jīng)元的功能滿足不了實(shí)際需要，在實(shí)際應(yīng)用中都是很多個(gè)神經(jīng)元的組合，這些組合就夠成了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。同時(shí)這些組合也叫做“層”。在神經(jīng)網(wǎng)絡(luò)中有三種層，如圖輸

6、入層 隱含層 輸出層當(dāng)輸入ANN一組數(shù)據(jù)(或稱輸入模式)，網(wǎng)絡(luò)輸入層的每個(gè)單元都接受到輸入模式的一部分，對(duì)輸入模式緩沖后，通過(guò)輸入層與隱含層的連接權(quán)重將輸入信息傳至隱含層；隱含層中的各處理單元有的興奮，有的抑制，經(jīng)過(guò)隱含層處理過(guò)的信息傳至輸出層；輸出單元將隱含層單元的輸出作為自己的輸入，同時(shí)也經(jīng)過(guò)隱含層與輸出層間權(quán)重矩陣及輸出單元閾值的作用，在激活函數(shù)處理后也有的興奮，有的抑制。輸出層單元輸出的模式就是網(wǎng)絡(luò)對(duì)輸入模式激活的總效應(yīng)。多層網(wǎng)絡(luò)比單層的功能強(qiáng)大，但因網(wǎng)絡(luò)節(jié)點(diǎn)及層數(shù)越多，訓(xùn)練時(shí)間會(huì)越長(zhǎng)，所以大多數(shù)實(shí)際的ANN僅僅只有二到三層，很少有四層或多層。根據(jù)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)規(guī)則可將人工神經(jīng)網(wǎng)

7、絡(luò)分為多種類型：不含反饋的前向神經(jīng)網(wǎng)絡(luò)層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)反饋網(wǎng)絡(luò)相互結(jié)合型網(wǎng)絡(luò)醫(yī)學(xué)診斷上常用的一種機(jī)構(gòu)是采用BP算法的多層前饋網(wǎng)絡(luò)首先需要進(jìn)行知識(shí)的獲取。由專家提供關(guān)于某種疾病的各種癥狀作為學(xué)習(xí)樣本。將數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練網(wǎng)絡(luò)，另一部分用于測(cè)試。將訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)按一定順序編碼，分別賦給網(wǎng)絡(luò)輸入、輸出節(jié)點(diǎn)，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對(duì)樣本進(jìn)行學(xué)習(xí)，經(jīng)過(guò)網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修正權(quán)值，直到達(dá)到所要求的學(xué)習(xí)精度為止。此時(shí)在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識(shí)和經(jīng)驗(yàn)。訓(xùn)練完畢后，再將測(cè)試網(wǎng)絡(luò)的數(shù)據(jù)從初始狀態(tài)出發(fā)，向前推理，將顯示出的診斷結(jié)果與實(shí)際的測(cè)試數(shù)據(jù)結(jié)果相比較，如果誤差很小，說(shuō)明網(wǎng)

8、絡(luò)的權(quán)值建立正確；如果誤差較大，說(shuō)明網(wǎng)絡(luò)的權(quán)值建立有誤，需要重新進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。神經(jīng)網(wǎng)絡(luò)描述為：輸出層：隱含層：這里取轉(zhuǎn)移函數(shù)為：其中稱為陡度因子，用于調(diào)節(jié)Sigmoid函數(shù)的形狀。3.ANN的特點(diǎn)3.1 高度的并行性 ANN是由許多簡(jiǎn)單元件并聯(lián)組合而成，雖然每個(gè)元件的功能簡(jiǎn)單，但大量簡(jiǎn)單元件的并行活動(dòng)，使其對(duì)信息的處理能力與效果驚人。3.2 強(qiáng)大的非線性作用 ANN的每個(gè)神經(jīng)元接受大量其他神經(jīng)元的輸入，并通過(guò)并行網(wǎng)絡(luò)產(chǎn)生輸出，影響其他神經(jīng)元，網(wǎng)絡(luò)之間的這種互相制約和影響，實(shí)現(xiàn)了從輸入狀態(tài)到輸出狀態(tài)空間的非線性映射。網(wǎng)絡(luò)整體性能不是網(wǎng)絡(luò)局部性能的簡(jiǎn)單疊加，而是表現(xiàn)出某種集體性的行為，這允許AN

9、N能更好地進(jìn)行數(shù)據(jù)擬合。3.3 良好的容錯(cuò)性和穩(wěn)健性 ANN結(jié)構(gòu)內(nèi)部存在神經(jīng)元之間的復(fù)雜連接和可變的連接權(quán)值矩陣，在模型運(yùn)算中形成高度的冗余，使網(wǎng)絡(luò)具有良好的容錯(cuò)性和穩(wěn)健性，這使其在存在不確定數(shù)據(jù)和測(cè)量誤差時(shí)仍能準(zhǔn)確地的進(jìn)行預(yù)測(cè)。3.4 自組織、自適應(yīng)、自學(xué)習(xí)能力 ANN可以通過(guò)訓(xùn)練和學(xué)習(xí)來(lái)獲得網(wǎng)絡(luò)的權(quán)值與結(jié)構(gòu)，呈現(xiàn)出很強(qiáng)的自學(xué)習(xí)能力和對(duì)環(huán)境的自適應(yīng)能力。3.5 局限性 網(wǎng)絡(luò)實(shí)體與要處理的問(wèn)題相去甚遠(yuǎn)，領(lǐng)域?qū)＜液茈y理解用數(shù)據(jù)化的節(jié)點(diǎn)、權(quán)值和連接來(lái)描述他們要解決的問(wèn)題。此外，網(wǎng)絡(luò)是“黑箱推理”，全部知識(shí)存儲(chǔ)于網(wǎng)絡(luò)內(nèi)部，難以提供可信的解釋。最后，在訓(xùn)練階段存在訓(xùn)練時(shí)間長(zhǎng)，過(guò)度擬合或訓(xùn)練不足，網(wǎng)絡(luò)麻

10、痹及局部最小值等問(wèn)題。4. ANN疾病診斷模型 以病人的臨床資料為輸入變量，以是否為某種疾病為輸出變量來(lái)建立診斷模型。診斷模型包括兩個(gè)基本程序：訓(xùn)練和測(cè)試。訓(xùn)練：將描述病人各種情況的數(shù)據(jù)作為網(wǎng)絡(luò)的輸入數(shù)據(jù)加到其輸入端，同時(shí)調(diào)整神經(jīng)元之間的連接權(quán)值以使網(wǎng)絡(luò)的輸出和實(shí)際的病例情況相符，即當(dāng)病人確實(shí)患有某種疾病時(shí)網(wǎng)絡(luò)的輸出結(jié)果也恰好指示為該種疾病，反之亦然。若訓(xùn)練集網(wǎng)絡(luò)的輸出基本上(95%或更高)與實(shí)際結(jié)果一致，則訓(xùn)練過(guò)程結(jié)束，認(rèn)為ANN已建立起病人的各種因素與他是否為某疾病患者之間的函數(shù)映射關(guān)系。為了使函數(shù)關(guān)系具有普遍性, 以便提高準(zhǔn)確性，一般對(duì)某種疾病往往要輸入數(shù)百上千的樣本才能獲得良好訓(xùn)練的A

11、NN系統(tǒng)測(cè)試：對(duì)新的候診病人，將他的情況輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去，根據(jù)網(wǎng)絡(luò)的輸出結(jié)果就可以知道他是否患有此種疾病。5.ANN應(yīng)用于疾病診斷的靈敏度和特異度較高診斷方法ANN醫(yī)生診斷項(xiàng)目準(zhǔn)確率特異度靈敏度準(zhǔn)確率特異度靈敏度活動(dòng)性肺結(jié)核90.1%69.0%100%70.5%79.6%64.5%肝癌91.7%94.6%88.2%78.5%80.4%68.4%惡性腫瘤88.0%90.3%89.5%79.7%75.4%69.8%冠心病91.02%87.50%92.79%80.5%79.4%73.6%6.ANN在其它領(lǐng)域的應(yīng)用：6.1民用領(lǐng)域： 人工神經(jīng)網(wǎng)絡(luò)在民用領(lǐng)域主要用于語(yǔ)言識(shí)別，圖像識(shí)別與理解，計(jì)

12、算機(jī)視覺，智能機(jī)器人故障檢測(cè)，實(shí)時(shí)信息翻譯，企業(yè)管理，市場(chǎng)分析，決策優(yōu)化，物資調(diào)運(yùn)，自適應(yīng)控制，專家系統(tǒng)，智能接口，神經(jīng)生理學(xué)，心理學(xué)和認(rèn)知科學(xué)研究等。 6.2軍用領(lǐng)域： 人工神經(jīng)網(wǎng)絡(luò)在軍用領(lǐng)域主要用于語(yǔ)音，圖像信息的錄取與處理，雷達(dá)、聲納的多目標(biāo)識(shí)別與跟蹤，戰(zhàn)場(chǎng)管理與決策支持系統(tǒng)，軍用機(jī)器人控制，信息的快速錄取，分類與查詢，導(dǎo)彈的智能引導(dǎo)，保密通訊，航天器的姿態(tài)控制等。 6.3 生物醫(yī)學(xué)工程領(lǐng)域 人工神經(jīng)網(wǎng)絡(luò)在生物醫(yī)學(xué)工程領(lǐng)域主要是解決用常規(guī)方法難以解決和無(wú)法解決的問(wèn)題。6.4人工神經(jīng)網(wǎng)絡(luò)在肺部CT片定量分析中的應(yīng)用肺部CT圖像定量分析是先通過(guò)計(jì)算ROI區(qū)域的紋理和其它形態(tài)學(xué)的特征，形成特征

13、矢量，然后交由后續(xù)的神經(jīng)網(wǎng)絡(luò)去進(jìn)行分/聚類，從而達(dá)到定量分析的目的。7.ANN在醫(yī)學(xué)診斷上的發(fā)展前景ANN技術(shù)目前在醫(yī)學(xué)診斷上正在蓬勃發(fā)展，并取得很好的醫(yī)學(xué)效果。它的自學(xué)習(xí)、自適應(yīng)性和非線性處理等優(yōu)點(diǎn)使它的疾病診斷操作智能化、并具有較高可信度。 ANN有一定的局限性，ANN與專家系統(tǒng)(在某領(lǐng)域內(nèi)具有專家水平解題能力的程序系統(tǒng))，作為人工智能應(yīng)用的兩大分支，在實(shí)際應(yīng)用中都有許多成功的范例。但作為單個(gè)系統(tǒng)來(lái)講，二者都存在局限性，主要是ANN知識(shí)表達(dá)的“黑箱結(jié)構(gòu)”和專家系統(tǒng)知識(shí)獲取的“瓶頸問(wèn)題”。為解決這個(gè)問(wèn)題，可將兩種技術(shù)相結(jié)合，達(dá)到優(yōu)勢(shì)互補(bǔ)的目的，利用ANN優(yōu)良的自組織、自學(xué)習(xí)和自適應(yīng)能力來(lái)解決

14、專家系統(tǒng)知識(shí)獲取的困難，同時(shí)用專家系統(tǒng)良好的解釋機(jī)能來(lái)彌ANN中知識(shí)表達(dá)的缺陷，從而加速了ANN在疾病診斷中的應(yīng)用和發(fā)展。在以人為本的21世紀(jì)，我們將會(huì)看到探索人腦功能和神經(jīng)網(wǎng)絡(luò)的研究將伴隨著重重困難的克服而日新月異，同時(shí)人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用前景也會(huì)更加廣闊。討論1.本研究所采用的人工神經(jīng)網(wǎng)絡(luò)的肺癌診斷方法的結(jié)果較好地符合了已知數(shù)據(jù)，具有較高的準(zhǔn)確性，特別是對(duì)于肺癌患者一般都能準(zhǔn)確地做出診斷，有利于肺癌的早期發(fā)現(xiàn)和治療。2.要想進(jìn)一步提高該方法的準(zhǔn)確性，應(yīng)該注意收集更多更全面的病例數(shù)據(jù)。人工神經(jīng)網(wǎng)絡(luò)主要是利用它能自動(dòng)從數(shù)據(jù)集中抽取函數(shù)的關(guān)系的功能。如果我們所使用的數(shù)據(jù)越多越全面，則其中

15、所蘊(yùn)含的事物本身的規(guī)律性就越強(qiáng)，利用人工神經(jīng)網(wǎng)絡(luò)從中所抽取的函數(shù)關(guān)系就越具有普遍性，因而就更準(zhǔn)確。3.實(shí)現(xiàn)對(duì)肺癌的診斷的關(guān)鍵在于準(zhǔn)確找到罹患肺癌的判定函數(shù)，可利用前向網(wǎng)絡(luò)的函數(shù)逼近功能來(lái)實(shí)現(xiàn)。但是這里涉及到兩個(gè)問(wèn)題。首先，由于差別函數(shù)和預(yù)測(cè)率函數(shù)都是利用人工神經(jīng)網(wǎng)絡(luò)從已知的病例數(shù)據(jù)集中抽取出來(lái)的，它實(shí)際反映的是這些數(shù)據(jù)集中輸入輸出對(duì)的映射關(guān)系。因此要想保證診斷具有較高的準(zhǔn)確性，就應(yīng)該使用來(lái)建立函數(shù)關(guān)系的這些數(shù)據(jù)集(稱訓(xùn)練集)具有充分的代表性，即這些數(shù)據(jù)應(yīng)基本蘊(yùn)含肺癌診斷的醫(yī)學(xué)原理。這就涉及到如何選擇網(wǎng)絡(luò)合理的訓(xùn)練集及關(guān)鍵的輸入項(xiàng)。另一個(gè)問(wèn)題涉及到神經(jīng)網(wǎng)絡(luò)本身的要求，即網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)值都應(yīng)在

16、區(qū)間(0，1)中。這可以通過(guò)數(shù)據(jù)的編碼和歸一化來(lái)實(shí)現(xiàn)。4.由于某些原因有些病人的病例數(shù)據(jù)不完整，約占總病例數(shù)據(jù)的10%左右。顯然，如果按照傳統(tǒng)的方法來(lái)建立肺癌病人的診斷模型，這些有缺項(xiàng)的數(shù)據(jù)是不太好處理的，但是由于人工神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的容錯(cuò)性，輸入數(shù)據(jù)在某些項(xiàng)上的錯(cuò)誤對(duì)網(wǎng)絡(luò)最終結(jié)果的正確性影響不大。參考文獻(xiàn)：1.醫(yī)學(xué)影像實(shí)用技術(shù)教程 王世偉主編 （2007年8月第1版）中國(guó)鐵道出版社2. 人工神經(jīng)網(wǎng)絡(luò)在超聲診斷附件包塊良惡性中的應(yīng)用.中華超聲影像學(xué)雜志3. 人工神經(jīng)網(wǎng)絡(luò)及其在衛(wèi)生檢驗(yàn)中的應(yīng)用.中國(guó)衛(wèi)生檢驗(yàn)雜志4. HYPERLINK /QK/87001X/2006003/21641169.html /QK/87001X/2006003/21641169.html5. HYPERLINK /html/qikan/yykxzh/zhyxsjzz/2006353/zs/20070618035218601_158811.html /html/qikan/yykxzh/zhyxsjzz/2006353/zs/20070618035218601_158811.html6. /pd_8696f106-1829-4f9d-9a5a-98c0a2f38951.html7. HYPERLINK /yi