人工神经网络(Artificial Neural Network，ANN)是当前备受关注并且很有发展前途的研究领域，最近几年已被成功地用于解决各种医学问题。这是一篇人工智能技术的发展对神经医学的影响，接下来让我们一起看看吧!
摘要：随着计算机技术与人工智能技术的发展，论文格式人工神经网络已应用于各个领域的信息处理工作。医学中的许多复杂问题由于信息来源不完整又含假象等，给传统专家系统的应用造成极大困难，而神经网络技术能真实和科学地反映事物的本质。本文介绍了人工神经网络的工作原理及特点，显示了其在临床诊断、医学图像信号分析中的独特的优越性，也可详尽地解释和分析新药研制过程中的药效现象。
关键词：人工神经网络 传递函数 应用
医学总是受益于高科技的发展。计算机、激光、超声影像等前沿技术使医学得到了极度发展。人工神经网络(Artificial Neural Network，ANN)是当前备受关注并且很有发展前途的研究领域，最近几年已被成功地用于解决各种医学问题。
1 神经网络介绍人工神经网络简称神经网络(Neural Network，NN)，是人工智能领域中的一个重要分支，它是一个用大量的简单处理单元(神经元)经广泛并行互连所构成的人工网络，用于模拟人脑神经系统的结构和功能。
1.1 神经元模型人脑是由多达1011个生物神经元(Neuron)，也称神经细胞，按网络形式互相连接并协同工作的。每一个神经元与其他103~104个神经元相连。通过众多神经元的复杂连接，就可进行感受、记忆、联想、反应等复杂的人脑思维。人工神经元是对生物神经元的简化和模拟，它是神经网络的基本处理单元。图1显示了一种简化的神经元结构。它是一多输入、单输出的非线性元件，其输入输出关系可描述为
其中χj(j=1，2，…，n)是从其它细胞传来的输入信号，θi为阈值，有时也称偏差(bias)或门限值，Wji表示神经元j至神经元i的连接权值，f(·)称为传递函数。传递函数是一个神经元及网络的核心，网络解决问题的能力除了与网络结构有关，在很大程度上取决于网络所采用的传递函数。传递函数f(χ)可为线性函数，但通常为像阶跃函数(图2)或S型曲线(图3)的非线性函数。
1.2 神经网络模型神经网络是由神经元互连组成的网络(如图4)，是一个高度复杂的非线性系统。虽然每个神经元的结构和功能十分简单，但大量神经元构成的网络系统的行为却十分复杂。神经网络从其外部环境接受信息，对信息加工处理之后又返回到其所处的环境中去。各个神经元的连接并不只是一个传输信号的通道，而是在每个神经元之间的连接上有一个加权系数，它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。这些加权系数可以根据经验或通过学习来改变。其实神经网络系统的学习过程，正是通过改变这些加权系数来实现。
网络的学习方法分为有导师学习和无导师学习两种基本方式。有导师学习的方式是网络根据教师给出的正确输出模式，校正网络的参数，使其输出接近正确模式。这类方式常采用梯度下降的学习方法，如反向传播(Backpropagation，BP)算法。而无导师学习是指网络在没有教师直接指点下通过竞争等方式自动调整网络参数，如自适应共振理论等。神经网络的互连模式反映了神经网络的结构，决定着这个网络的能力。目前已有数十种神经网络模型，具有代表性的有感知器(Perception)、BP网络、RBF(Radial Basis Function)网络、Hopfield模型等等。神经网络具有如下特点:高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆能力，很强的自适应、自学习能力。神经网络技术可用于模式识别、最优化问题计算、信息的智能化处理、复杂控制、信号处理等等。
2 神经网络在医学中的应用现代医学的发展，使医生们面临处理大量数据的挑战。医学中的许多复杂问题，信息来源既不完整，又含有假象，且经常遇到不确定性信息，决策规则往往相互矛盾，有时无条理可循，这给传统专家系统应用造成极大困难。而神经网络技术能突破这一障碍，根据已学会的知识和处理问题的经验对复杂问题做出合理的判断，给出较满意的解答，或对未来过程做出有效的预测。因此神经网络被用于医学领域的临床诊断，图像分析和解释，信号分析和解释，以及药物开发等。
2.1 临床诊断神经网络通常被用于检测癌症和心脏疾病。使用它的好处是它不受疲劳、工作环境以及情绪状态等诸多因素的影响。Choong等[1]将一种熵极大网络(Entropy Maxi-mization Network，EMN)用于预测乳腺癌病人的癌转移。他们用EMN构建离散模型，仅依据原发癌的特征预测乳腺癌患者的腋窝淋巴结是否有癌转移。此分析中所用的特征包括:病人诊断出原发癌时的年龄;原发浸润肿瘤的有丝分裂计数;原发癌小管的形成;肿瘤瘤块大小的评估;肿瘤瘤块大小和形状变异的评估;肿瘤分级;癌周血管是否有肿瘤转移。结果表明EMN是一种由小数据集构建离散模型的有效方法。Burke等[2]比较了用人工神经网络方法和其他统计学方法构建的乳腺癌生存模型的预测精度。这个神经网络是用BP算法训练的多层感知器(Multi-layer Perception)。他们将这种神经网络与TNM系统(肿瘤大小，有癌转移的淋巴结数目，及远处的癌转移)进行了比较，证实神经网络在预测实验中的25例病人的5年生存率上更精确。
Hamamoto等[3]用多层感知器作为肝细胞癌病人肝切除术的预后和评价的工具。训练数据是54例肝细胞癌病人早期预后的手术前数据，实验证明它是一个可靠的决策工具。Lapuerta等[4]将神经网络用于预测冠状动脉疾病的发生。162例病人十多年的血脂浓度和临床表现作为网络的输入。它的预测准确率为66%，虽然对它自身来说成绩并不显著，但与Cox回归方法(56%)比较起来，神经网络作为分类工具更适合应用于复杂的临床领域。Fraser等[5]通过实验调查了RBF(Radial BasisFunction)网络用于诊断心肌梗死的有效率。研究中包含了500例病人的临床数据，敏感性达85.7%，说明RBF网络能可靠地进行医学诊断。Sordo[6]比较了采用不同网络结构和学习算法的神经网络在诊断胎儿唐氏综合征(Down’s Syn-drome)上的成绩。459例病人(410例对照，49例先天愚型)的8个数据(母亲的年龄，妊娠周数及6个血清标记)作为输入。正确分类率为84%，超过了现今所用的统计方法的60%~70%的分类率。但是假阳性率高达35.5%，而一般的数学方法的假阳性率只有6%~7%。Verrelst等[7]在神经网络的输入选择上采用了贝叶斯后验概率分布。这种网络可帮助无经验的妇科医生在手术前辨别良性和恶性的卵巢癌。191例相继入院的病人的数据输入该神经网络进行训练。经妇科专家验证，神经网络方法在辅助诊断上明显优于传统方法。
2.2 图像分析和解释由于神经网络可进行模式识别，因此它的一个重要应用领域是图像分析。在医学上，模式识别被广泛用于从X光照片、ECT、MRI等图像中鉴别和提取重要特征。Miller[8]训练了不同的神经网络用于胸腔的电阻抗断层扫描(Electrical Impedance Tomography，EIT)图像中识别特定器官的感兴趣区域(region ofinterest，ROI)。这个网络可根据一个采样周期的图像数量自动选择最佳的总像素，每一个像素被归类属于某个特定的器官。初始结果使用模拟的EIT数据，表明用神经网络描述这些图像是可行的。Hall等[9]比较了神经网络(级联神经网络)和模糊聚类两种技术用于头部MRI图像的分割。两种方法都用于智能诊断。结果由经验丰富的放射学家验证，它们都可在智能医学诊断中进行自动图像分割。Dachlein等[10]将一个两层的神经网络用于腹部CT图像的分割。这种方法需要识别不同的组织如肾脏，肝脏，骨骼以及病变组织如肾结石，肾癌。Ozkan等[11]将BP网络用于正常和病变人脑多光谱(Multi-spectral)MRI图像的分割和分类。
结果表明用一个小结构的神经网络就可获得清晰的压缩的MRI图像分割。Anthony等[12]评价了神经网络用于肺闪烁图的图像压缩的性能。Houston等[13]在使用核磁共振成像(MRI)和肿瘤标记确定结直肠癌的最佳诊断策略时比较了规则归纳式专家系统和神经网络两种方法。来自于39例病人的数据用于评估这些方法的适宜性。不确定的结果暗示两种方法都强烈地依赖于大量的采样。Karakas等[14]将神经网络用于从显微镜图像中自动筛选血细胞类别。用经典的图像增强算法对133张数字化图像中提取的82个目标进行分离。这个单层感知器是用BP算法训练的。输出是一个二进制数，指示输入是对应于正常的还是病变的细胞。代写毕业论文该网络能对82个目标中的65个进行正确分类。
2.3 信号分析和解释Dokur等用Kohonen神经网络检测四个心电图(ECG)波形。训练集来自于MIT/BIH心律失常数据库。该数据库包含48个半小时的心电图记录。Jervis等[15]训练了一个多层感知器用来区分三种病人的关联性负变(Contingent Negative Varia-tion， CNV)引起的反应波形，这些病人分别患有亨丁顿氏舞蹈症(Huntington’s disease)、 http://www.51lunwen.com/shenjing/ 帕金森氏症(Parkinson’s disease)、精神分裂症。研究中的数据采自47个病人(20例精神分裂症，16例帕金森氏症，11例亨丁顿氏舞蹈症)和47个对照。17个CNV特征作为网络的输入。实验结果敏感性超过了90%，说明在临床上应用是可行的。随着输入数据增多，结果可得到进一步改进。Sordo[16]用基于知识的神经网络(Knowledge-based Neural Network，KBANN)区分正常乳腺和乳癌组织的磷(31P)磁共振谱(Magnetic ResonanceSpectra，MRS)。26例数据用作网络的输入。正常和乳癌组织的新陈代谢特点作为先验知识结合进网络的结构中，以克服可获得数据的不足。分类率由原来未结合先验知识时的62.4%提高到87.36%，说明KBANN在对31P MRS的分类上优于传统的神经网络。实验证明，将先验知识与神经网络相结合可使网络的功能更加强大。
2.4 药物开发美国国家癌症研究院的Weinstein等[17]将神经网络用于药物开发领域。该网络能通过检测药物在一个嵌有60个恶性细胞株的面板上的作用方式来预测药物的作用机理。网络根据药物机理对实验中所用抗癌药物的正确分类率为91.5%。而线性区别分析(linear discrimination analysis)和标准统计学方法的正确分类率只能达85.8%，显示了神经网络在对复杂数据归类上的优越性。神经网络方法确实给解决复杂的医学问题带来了很大的帮助，但它永远也不会替代医学专家的作用，而医学专家可以借助它做出更合理的判断和决策。
参 考 文 献
1 Choong PL， deSilva CJS. Breast Cancer Prognosis using EMN Ar-chitecture. Proceedings of IEEE International Conference on NeuralNetworks. June， 1994
2 Burke H， Rosen D， & Goodman P . Comparing the Prediction Ac-curacy of Artificial Neural Networks and Other Statistical Models forBreast Cancer Survival. In Tesauro G， Touretzky D， & Leen T.(Eds). Advances in Neural Information Processing Systems， 1995:1063~1067. The MIT Press
3 Hamamoto I， Okada S， Hashimoto T，et al . Prediction of the EarlyPrognosis of the Hepatectomized Patient with Hepatocellular Carci-noma with a Neural Network. Comput. Biol. Med，1995 ;25(1):49~59
4 Lapuerta P， Azen SP， & LaBree L. Use of Neural Networks inPredicting the Risk of Coronary Artery Diease. Computers andBiomedical Research，1995; 28: 38~52
5 Fraser H， Pugh R， Kennedy R，et al. A Comparison of Backpropa-gation and Radial Basis Functions， in the Diagnosis of Myocardial In-farction. In Ifeachor， E.， & Rosen， K. (Eds.)，http://www.51lunwen.com/shenjing/ InternationalConference on Neural Networks and Expert Systems in Medicine andHealthcare， 1994:76~84
6 Sordo M (1995). Neural Networks for Detection of Down’s Syn-drome. Master’s thesis， Department of Artificial Intelligence， Uni-versity of Edinburgh.
7 Verrelst H， Vandewalle J， & De Moor， B. Bayesian Input Selec-tion for Neural Network Classifiers. In Ifeachor， E.， Sperduti，A.， & Starita， A. (Eds.)， Third International Conference onNeural Networks and Expert Systems in Medicine and Healthcare，1998: 125~132. World Scientific
8 Miller A (1993). The Application of Neural Networks to Imagingand Signal Processing in Astronomy and Medicine. Ph.D. thesis，Faculty of Science， Department of Physics， University of Southamp-ton
9Hall L，
相关推荐：
