医学诊断——人工神经元网络（ANN）

1医学诊断——人工神经元网络（ANN）作者:93K4B077403梁庆昱指导老师：刘尚辉摘要：ANN是在对人脑组织结构和运动机智的认识理解基础上模拟其结构和智能功能而构的一种信息处理系统或计算机。ANN数据处理功能很强，在医学诊断上得到蓬勃发展。本文主要介绍人工神经元网络原理和性质特点，并讲述其在医学诊断方面的应用，最后介绍ANN在医学诊断上的发展情况。Abstract:ANNisaninformationprocessingsystemorcomputerwhichisonthebasicofunderstandingofthestructureoftheorganizationalstructureofthehumanbrainandtheintelligentfunction.ANNhasstrongdata-processingfunctionsandithasbeenboominginmedicaldiagnosis.Thisarticleintroducestheartificialneuralnetworkprinciple,thecharacteristics,andtheapplicationinmedicaldiagnosis,andthenintroducedthefutureofANNinmedicaldiagnosis.关键字：ANN的产生ANN的原理ANN的特点ANN的应用ANN的未来讨论Keywords:theproductionofArtificialNeuralNetwork;theprincipleofANN;thecharacteristicofANN;theapplicationofANN;thefutureofANN;thediscussion人工神经网络（ArtificialNeuralNetwork，简写为ANN）也简称为神经网络（ANN）或称作连接模型（ConnectionistModel），它就是在对人脑组织结构和运动机制认识理解基础上人工构造的能实现某种功能的理论化的人脑数学模型。1943年美国心理学家McCulloch和数学家Pitts合作提出了ANN的第一个数学模型(M-P模型)随后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等学者先后又提出了感知模型，使人工神经网络技术有了新的发展。在近几年里，ANN在医学诊断上得到了飞速的发展。1.ANN的原理：ANN的原理解释需要两个模型—人工神经元模型与网络结构1.1人工神经元模型这种模型是一个多输入/单输出的非线性元件.如图：显示了一个具有r个输入分量的神经元模型。输入分量pj(j=1，2，...,r)通过与和它相乘的权值分量wj(j=1，2，...，r)相连，以∑rj=1WjPj的形式求和后，形成激活函数f(.)的输入，激活函数的另一个输入是神经元的阈值b。当b值超过下一个神经元的输入值是就激活了下一个神经元，信息就以这种方式传递下去。神经元模型的输入输出关系可表示为：a=f(∑rj=1WjPj+b)这里用到的激活函数一般是转移函数（Sigmoid函数）：21.2神经网络结构单个神经元的功能满足不了实际需要，在实际应用中都是很多个神经元的组合，这些组合就够成了神经网络结构。同时这些组合也叫做“层”。在神经网络中有三种层，如图输入层隐含层输出层当输入ANN一组数据(或称输入模式)，网络输入层的每个单元都接受到输入模式的一部分，对输入模式缓冲后，通过输入层与隐含层的连接权重将输入信息传至隐含层；隐含层中的各处理单元有的兴奋，有的抑制，经过隐含层处理过的信息传至输出层；输出单元将隐含层单元的输出作为自己的输入，同时也经过隐含层与输出层间权重矩阵及输出单元阈值的作用，在激活函数处理后也有的兴奋，有的抑制。输出层单元输出的模式就是网络对输入模式激活的总效应。多层网络比单层的功能强大，但因网络节点及层数越多，训练时间会越长，所以大多数实际的ANN仅仅只有二到三层，很少有四层或多层。根据网络的拓扑结构和学习规则可将人工神经网络分为多种类型：不含反馈的前向神经网络层内有相互结合的前向网络反馈网络相互结合型网络医学诊断上常用的一种机构是采用BP算法的多层前馈网络首先需要进行知识的获取。由专家提供关于某种疾病的各种症状作为学习样本。将数据分为两部分，一部分用于训练网络，另一部分用于测试。将训练网络的数据按一定顺序编码，分别赋给网络输入、输出节点，通过神经网络学习算法对样本进行学习，经过网络内部自适应算法不断修正权值，直到达到所要求的学习精度为止。此时在大量神经元之间联结权值上就分布着专家知识和经验。训练完毕后，再将测试网络的数据从初始状态出发，向前推理，将显示出的诊断结果与实际的测试数据结果相比较，如果误差很小，说明网络的权值建立正确；如果误差较大，说明网络的权值建立有误，需要重新进行网络的训练。神经网络描述为：输出层：3隐含层：这里取转移函数为：其中称为陡度因子，用于调节Sigmoid函数的形状。3.ANN的特点3.1高度的并行性ANN是由许多简单元件并联组合而成，虽然每个元件的功能简单，但大量简单元件的并行活动，使其对信息的处理能力与效果惊人。3.2强大的非线性作用ANN的每个神经元接受大量其他神经元的输入，并通过并行网络产生输出，影响其他神经元，网络之间的这种互相制约和影响，实现了从输入状态到输出状态空间的非线性映射。网络整体性能不是网络局部性能的简单叠加，而是表现出某种集体性的行为，这允许ANN能更好地进行数据拟合。3.3良好的容错性和稳健性ANN结构内部存在神经元之间的复杂连接和可变的连接权值矩阵，在模型运算中形成高度的冗余，使网络具有良好的容错性和稳健性，这使其在存在不确定数据和测量误差时仍能准确地的进行预测。3.4自组织、自适应、自学习能力ANN可以通过训练和学习来获得网络的权值与结构，呈现出很强的自学习能力和对环境的自适应能力。3.5局限性网络实体与要处理的问题相去甚远，领域专家很难理解用数据化的节点、权值和连接来描述他们要解决的问题。此外，网络是“黑箱推理”，全部知识存储于网络内部，难以提供可信的解释。最后，在训练阶段存在训练时间长，过度拟合或训练不足，网络麻痹及局部最小值等问题。4.ANN疾病诊断模型以病人的临床资料为输入变量，以是否为某种疾病为输出变量来建立诊断模型。诊断模型包括两个基本程序：训练和测试。训练：将描述病人各种情况的数据作为网络的输入数据加到其输入端，同时调整神经元之间的连接权值以使网络的输出和实际的病例情况相符，即当病人确实患有某种疾病时网络的输出结果也恰好指示为该种疾病，反之亦然。若训练集网络的输出基本上(95%或更高)与实际结果一致，则训练过程结束，认为ANN已建立起病人的各种因素与他是否为某疾病患者之间的函数映射关系。为了使函数关系具有普遍性,以便提高准确性，一般对某种疾病往往要输入数百上千的样本才能获得良好训练的ANN系统测试：对新的候诊病人，将他的情况输入到训练好的神经网络中去，根据网络的输出结果就可以知道他是否患有此种疾病。5.ANN应用于疾病诊断的灵敏度和特异度较高4诊断方法ANN医生诊断项目准确率特异度灵敏度准确率特异度灵敏度活动性肺结核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%恶性肿瘤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在其它领域的应用：6.1民用领域：人工神经网络在民用领域主要用于语言识别，图像识别与理解，计算机视觉，智能机器人故障检测，实时信息翻译，企业管理，市场分析，决策优化，物资调运，自适应控制，专家系统，智能接口，神经生理学，心理学和认知科学研究等。6.2军用领域：人工神经网络在军用领域主要用于语音，图像信息的录取与处理，雷达、声纳的多目标识别与跟踪，战场管理与决策支持系统，军用机器人控制，信息的快速录取，分类与查询，导弹的智能引导，保密通讯，航天器的姿态控制等。6.3生物医学工程领域人工神经网络在生物医学工程领域主要是解决用常规方法难以解决和无法解决的问题。6.4人工神经网络在肺部CT片定量分析中的应用肺部CT图像定量分析是先通过计算ROI区域的纹理和其它形态学的特征，形成特征矢量，然后交由后续的神经网络去进行分/聚类，从而达到定量分析的目的。7.ANN在医学诊断上的发展前景ANN技术目前在医学诊断上正在蓬勃发展，并取得很好的医学效果。它的自学习、自适应性和非线性处理等优点使它的疾病诊断操作智能化、并具有较高可信度。ANN有一定的局限性，ANN与专家系统(在某领域内具有专家水平解题能力的程序系统)，作为人工智能应用的两大分支，在实际应用中都有许多成功的范例。但作为单个系统来讲，二者都存在局限性，主要是ANN知识表达的“黑箱结构”和专家系统知识获取的“瓶颈问题”。为解决这个问题，可将两种技术相结合，达到优势互补的目的，利用ANN优良的自组织、自学习和自适应能力来解决专家系统知识获取的困难，同时用专家系统良好的解释机能来弥ANN中知识表达的缺陷，从而加速了ANN在疾病诊断中的应用和发展。在以人为本的21世纪，我们将会看到探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异，同时人工神经网络在医学领域的应用前景也会更加广阔。讨论1.本研究所采用的人工神经网络的肺癌诊断方法的结果较好地符合了已知数据，具有较高的准确性，特别是对于肺癌患者一般都能准确地做出诊断，有利于肺癌的早期发现和治疗。2.要想进一步提高该方法的准确性，应该注意收集更多更全面的病例数据。人工神经网络主要是利用它能自动从数据集中抽取函数的关系的功能。如果我们所使用的数据越多越全5面，则其中所蕴含的事物本身的规律性就越强，利用人工神经网络从中所抽取的函数关系就越具有普遍性，因而就更准确。3.实现对肺癌的诊断的关键在于准确找到罹患肺癌的判定函数，可利用前向网络的函数逼近功能来实现。但是这里涉及到两个问题。首先，由于差别函数和预测率函数都是利用人工神经网络从已知的病例数据集中抽取出来的，它实际反映的是这些数据集中输入输出对的映射关系。因此要想保证诊断具有较高的准确性，就应该使用来建立函数关系的这些数据集(称训练集)具有充分的代表性，即这些数据应基本蕴含肺癌诊断的医学原理。这就涉及到如何选择网络合理的训练集及关键的输入项。另一个问题涉及到神经网络本身的要求，即网络的输入输出数据值都应在区间(0，1)中。这可以通过数据的编码和归一化来实现。4.由于某些原因有些病人的病例数据不完整，约占总病例数据的10%左右。显然，如果按照传统的方法来建立肺癌病人的诊断模型，这些有缺项的数据是不太好处理的，但是由于人工神经网络有较强的容错性，输入数据在某些项上的错误对网络最终结果的正确性影响不大。参考文献：1.医学影像实用技术教程王世伟主编（2007年8月第1版）中国铁道出版社2.人工神经网络在超声诊断附件包块良恶性中的应用.中华超声影像学杂志3.人工神经网络及其在卫生检验中的应用.中国卫生检验杂志4.://journal.shouxi.net/html/qikan/yykxzh/zhyxsjzz/2006353/zs/20070618035218601_158811.html6.://://://