人工神經(jīng)網(wǎng)絡(luò)在消化道腫瘤檢測和診斷中的應(yīng)用進(jìn)展

解庭波

(長江大學(xué)醫(yī)學(xué)院，湖北 荊州 434023)

張 蕾

(武漢工程大學(xué)計算機學(xué)院，湖北 武漢 430074)

人工神經(jīng)網(wǎng)絡(luò)在消化道腫瘤檢測和診斷中的應(yīng)用進(jìn)展

解庭波

(長江大學(xué)醫(yī)學(xué)院，湖北 荊州 434023)

張 蕾

(武漢工程大學(xué)計算機學(xué)院，湖北 武漢 430074)

作為一種人工智能形式，人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性、并行處理能力和非線性處理優(yōu)點，廣泛用于腫瘤早期檢測和診斷。介紹了人工神經(jīng)網(wǎng)絡(luò)的工作原理和特點，綜述了人工神經(jīng)網(wǎng)絡(luò)在消化道腫瘤檢測和診斷中的應(yīng)用研究進(jìn)展，并就其發(fā)展作出評述。

人工神經(jīng)網(wǎng)絡(luò)；消化道腫瘤；腫瘤檢測與診斷；進(jìn)展

人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，其用途日益廣泛，應(yīng)用領(lǐng)域也不斷拓展。而腫瘤標(biāo)志物已被公認(rèn)為一種有效的腫瘤診斷方法，并廣泛應(yīng)用于臨床腫瘤的診斷[1，2]。本文主要介紹ANN原理、發(fā)展歷程及其在消化道腫瘤早期檢測和診斷中應(yīng)用進(jìn)展，對應(yīng)用ANN進(jìn)行腫瘤診斷具有一定的借鑒意義。

1 人工神經(jīng)網(wǎng)絡(luò)

ANN是一種模仿人神經(jīng)結(jié)構(gòu)所發(fā)展起來的計算機網(wǎng)絡(luò)系統(tǒng)，由許多相對獨立的人工神經(jīng)元彼此連結(jié)成網(wǎng)絡(luò)，模仿生物神經(jīng)處理信息的方式解決問題。最早的ANN是由McCulloch和Pitts于1943年所提出，這個網(wǎng)絡(luò)被用來從事邏輯運算。1949年，Hebb提出了一套模仿人神經(jīng)系統(tǒng)學(xué)習(xí)方式的法則。1957年, Resenblatt發(fā)明了第一套被認(rèn)為有用的神經(jīng)計算器，名為馬克一號辨認(rèn)器。但是，在1980年之前，由于專家系統(tǒng)是當(dāng)時最流行的人工智能系統(tǒng)，加上ANN的理論不成熟，計算機運算速度有限，因此ANN 并沒有受到很大的重視。直到20世紀(jì)80年代后，Hopfield神經(jīng)網(wǎng)絡(luò)被提出，而此時專家系統(tǒng)開始遇到了瓶頸，ANN理論才逐漸受到重視[3]。目前，ANN不斷有新的架構(gòu)及理論被提出，配合計算機運算速度的加快，使得ANN的功能更為強大，運用層面也更為廣泛，結(jié)合了生理、心理、計算機等科技而成為新的研究領(lǐng)域，并被應(yīng)用于醫(yī)學(xué)科學(xué)。

1.1人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理ANN是一種由多個神經(jīng)元以某種規(guī)則連接而成的層次型網(wǎng)絡(luò)結(jié)構(gòu)，一般分為輸入層、隱含層和輸出層結(jié)構(gòu)[4](圖1)。前向型網(wǎng)絡(luò)模型中信號是逐層前傳的，不相鄰間無聯(lián)系，其主要思想是把整個學(xué)習(xí)過程分為3部分：①輸入模式從輸入層經(jīng)隱含層傳向輸出層的模式“順傳播”過程；②網(wǎng)絡(luò)的希望輸出與實際輸出之間的差異信號由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)值的“誤差逆?zhèn)鞑ァ边^程；③由模式“順傳播”和“誤差逆?zhèn)鞑ァ钡姆磸?fù)交替進(jìn)行的網(wǎng)絡(luò)記憶訓(xùn)練，最終網(wǎng)絡(luò)趨向收斂，即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過程。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

要使得ANN 能正確運作，則必須透過“訓(xùn)練”的方式，讓ANN反復(fù)的學(xué)習(xí)，直到對于每個輸入都能正確對應(yīng)到所需要的輸出。事實上，ANN中最重要的部分就是它的“學(xué)習(xí)法則”，即借著訓(xùn)練過程來調(diào)整網(wǎng)絡(luò)中運算單元間“連結(jié)”的強弱(權(quán)重) 。當(dāng)訓(xùn)練完成后，所有的知識即儲存于這些連結(jié)上。完成訓(xùn)練后的網(wǎng)絡(luò)，即可借著隱含其中的知識去判斷爾后輸入數(shù)據(jù)的屬性。ANN的工作性能與訓(xùn)練樣本有直接的關(guān)系，若訓(xùn)練樣本不正確、太少或是太相似，ANN的工作區(qū)間與能力將大打折扣。換句話說，訓(xùn)練樣本就是ANN的老師，因此，訓(xùn)練樣本越多、越正確、差異性越大，ANN的能力就越強。ANN訓(xùn)練的目的，就是讓ANN的輸出越接近目標(biāo)值。亦即，相同的輸入進(jìn)入到系統(tǒng)與ANN得到的輸出值亦要相同。ANN未訓(xùn)練前其輸出是凌亂的，隨著訓(xùn)練次數(shù)的增加，ANN的鍵結(jié)值會逐漸的被調(diào)整，使得目標(biāo)值與ANN的輸出兩者誤差越來越小。當(dāng)兩者的誤差幾乎不再變化時，則稱此ANN 已收斂，此時ANN便訓(xùn)練完成。通常會定義一個價值函數(shù)作ANN收斂的指針，價值函數(shù)將會隨著網(wǎng)絡(luò)的訓(xùn)練次數(shù)越變越小最后幾乎不再變化[5]。

1.2人工神經(jīng)網(wǎng)絡(luò)的特點ANN是互連的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)，是通過對人腦的研究而得到的一門交叉學(xué)科，它的研究使諸如生物學(xué)、認(rèn)識科學(xué)、非線性科學(xué)等基礎(chǔ)學(xué)科與計算機、人工智能、信息處理、模式識別等工程學(xué)科有機地結(jié)合起來，并具有非常廣泛的應(yīng)用前景，它具有以下特點：①自組織和自學(xué)習(xí)能力：它能借著與環(huán)境交互作用時，改變及調(diào)整自身的結(jié)構(gòu)；②具有很強的推廣能力；③能以任何精度逼近任何非線性函數(shù)；④高度并行，即大量的相似或獨立的運算都可以同時進(jìn)行；⑤很強的信息綜合能力，能同時處理定量和定性的信息，能很好的協(xié)調(diào)多種輸入信息融合和多媒體技術(shù)[6，7]。

2 人工神經(jīng)網(wǎng)絡(luò)在消化道腫瘤檢測和診斷中的應(yīng)用

ANN是屬于人工智能的領(lǐng)域，有別于其它人工智能的方法，ANN具有自我學(xué)習(xí)的能力，使用者無需設(shè)計復(fù)雜的程序去解決問題，只須提供數(shù)據(jù)。目前, 醫(yī)學(xué)對絕大多數(shù)疾病的病因尚不明確，而各種疾病的表現(xiàn)也千變?nèi)f化，在醫(yī)學(xué)實踐中, 對疾病的判斷和相應(yīng)的治療往往只是以經(jīng)驗為基礎(chǔ)。因此，ANN所具有的學(xué)習(xí)、記憶和歸納功能決定了它將在醫(yī)學(xué)領(lǐng)域良好的應(yīng)用前景。

2.1在胃癌檢測和診斷中的應(yīng)用胃癌占我國惡性腫瘤死亡的23%，居首位。胃癌的預(yù)后很大程度上取決于早發(fā)現(xiàn)、早診斷、早治療及對治療后的隨訪監(jiān)測[8，9]，而常規(guī)內(nèi)鏡的檢查不適合于普查及隨訪，且會給病人帶來一定的痛苦。血清腫瘤標(biāo)志物的檢測較為便捷，對診斷胃癌具有重要的臨床意義[10]。近年來，胃癌標(biāo)志物的研究發(fā)展很快，但是，這些標(biāo)志物都缺乏高度特異性和敏感性，尤其是對于胃癌的早期診斷和篩選不夠理想。王雪萍等[11]利用ANN建立的胃癌多種血清腫瘤標(biāo)志物ANN模型，在提高診斷敏感性的同時，還保證了較高的特異性，證明ANN模型對胃癌的早期診斷具有較高的價值。

2.2在胰腺癌檢測和診斷中的應(yīng)用胰腺癌是消化系統(tǒng)的惡性腫瘤，占消化道惡性腫瘤的10%。其發(fā)生原因至今仍未清楚，惡性程度高，發(fā)展較快，預(yù)后較差，早期診斷十分困難，且近年來其發(fā)生率不停上升[12]。多數(shù)患者被發(fā)現(xiàn)時已是晚期，僅15%～20%的患者有根治手術(shù)切除的機會。而在平時臨床診斷工作中，由于單一指標(biāo)的靈敏度和特異性具有局限性[13]，不能早期對胰腺癌作出判斷，從而不能使患者得到更早期的治療而提高其存活率[14]。腫瘤標(biāo)志物的檢測在早期診斷中具有非常重要的參考價值[15]，但單一標(biāo)志物的檢測其靈敏度及特異性均難以滿足臨床對早期診斷的要求。因此在臨床上，多主張將具有敏感性互補的標(biāo)志物聯(lián)合檢測[16]。Kazufumi Honda等[17]應(yīng)用ANN模型分析聯(lián)合檢測的腫瘤標(biāo)志物指標(biāo)以診斷胰腺癌，結(jié)果發(fā)現(xiàn)ANN模型可以顯著提高胰腺癌診斷功效。另外ANN模型結(jié)合計算機斷層成像(computed tomography, CT)、內(nèi)窺鏡超聲波檢查法(endoscopic ultrasonographyEUS)以及免疫組化的方法都可以提高其對胰腺癌診斷的準(zhǔn)確度[18]。

2.3在肝癌檢測和診斷中的應(yīng)用長期以來,我國肝癌的死亡率在惡性腫瘤中占居第三位，僅次于胃癌和食管癌[19]。AFP一直是肝癌早期診斷的最佳指標(biāo)，但從病理類型看，高分化和分化很差的肝癌細(xì)胞往往不產(chǎn)生AFP，因此AFP對肝癌診斷的陽性率一般為60%～70%。肝硬化患者中AFP也有一定的陽性率[20]，AFP在原發(fā)性肝癌診斷中存在假陽性。因此，探索和建立一種簡單、快速、敏感性高和特異性強的早期診斷技術(shù)已經(jīng)成了臨床醫(yī)學(xué)上的迫切需要。王家祥等[21]利用人工神經(jīng)網(wǎng)絡(luò)的血清蛋白質(zhì)指紋圖譜模型檢測肝癌的敏感性和特異性均高于AFP。同時，利用AFP檢測為假陰性者, 利用人工神經(jīng)網(wǎng)絡(luò)模型也可以被正確檢驗出來。Luk等[22]也利用人工神經(jīng)網(wǎng)絡(luò)模型對肝癌、肝硬化患者和健康人血清標(biāo)本的蛋白質(zhì)指紋圖譜的數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)該方法對肝癌診斷的敏感性和特異性分別為96.97%和87.88%。

計算機斷層成像(computed tomography, CT)以其卓越的低對比度分辨率和豐富的影像后處理功能，近幾年內(nèi)已得到迅速的普及和發(fā)展，成為診斷肝癌的主要手段之一[23]。然而CT影像質(zhì)量又受多種因素控制和干擾，特別是在肝癌的早期，其空間形態(tài)變化比較小，給放射醫(yī)生的診斷造成極大困難，很容易發(fā)生誤診和漏診[24]。因此，有必要采用適當(dāng)?shù)募夹g(shù)和方法對肝癌CT影像進(jìn)行處理和分析，以提高CT影像對病變的識別、診斷能力。張波等[25]在對肝癌和其它肝占位疾病CT影像預(yù)處理的基礎(chǔ)上，提取CT影像特征并以此作為訓(xùn)練參數(shù)，建立了肝癌CT影像BP人工神經(jīng)網(wǎng)絡(luò)輔助診斷模型，并對網(wǎng)絡(luò)進(jìn)行仿真測試，經(jīng)過計算神經(jīng)網(wǎng)絡(luò)用于肝癌CT影像診斷的靈敏度和特異度分別為98%和96%，準(zhǔn)確度達(dá)到97%，遠(yuǎn)遠(yuǎn)高于目前國內(nèi)增強CT對肝癌診斷的準(zhǔn)確度。

2.4在大腸癌檢測和診斷中的應(yīng)用大腸癌是常見的惡性腫瘤，在世界范圍內(nèi)其死亡率居各種腫瘤的第三位[26]，在西方居第二位[27]。目前，大腸癌診斷常用的方法仍為結(jié)腸氣鋇雙重造影和電子腸鏡等，但它們均為入侵性診斷方法，存在價格和風(fēng)險問題；血液腫瘤標(biāo)志物檢測較簡便[28]，但單個血清標(biāo)志物診斷率太低，如癌胚抗原(CEA)診斷大腸癌的敏感性只有55.2%[ 29]。大腸癌是一種復(fù)雜疾病，它的發(fā)生和發(fā)展關(guān)系到多種基因的改變，所以聯(lián)合多個標(biāo)志物檢測和診斷大腸癌非常有必要。余捷凱等[30]通過生物信息學(xué)的方法篩選出了檢測大腸癌的最優(yōu)化標(biāo)志物組合：CEA、CA199、CA242、CA211、CA724。對CEAlt;5ng/ml的86例樣本進(jìn)行了人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測，其準(zhǔn)確率為96.5%，證實了人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測大腸癌的敏感性比單個血清標(biāo)志物CEA高的多。同時，他們用了多種生物信息學(xué)方法分析了大腸癌腫瘤標(biāo)志物數(shù)據(jù)，對篩選的結(jié)果和建立的模型用決策樹和支持向量機驗證了其可靠性。在模型的評價中他們應(yīng)用了5倍交叉驗證的方法，并在測試集上估計模型的預(yù)測效果，這樣既做到了盲法測試又避免了結(jié)果的隨機性，使對模型的評價更加可靠。

3 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)有著許多人腦不可比擬的優(yōu)勢，同時由于其可以對線性或非線性多變量在不設(shè)前提條件的情況下進(jìn)行統(tǒng)計分析，同傳統(tǒng)的統(tǒng)計方法需要被分析的變量符合一定的條件相比有其自身的優(yōu)點。一個良好的ANN甚至可以在資料不太完整或有偏差的情況下也可以作出正確的預(yù)測。盡管ANN有諸多的優(yōu)點，但它目前仍不象傳統(tǒng)的統(tǒng)計方法為人們所熟知和應(yīng)用，在ANN被人們廣泛接納之前，還有許多工作要做。畢竟網(wǎng)絡(luò)實體與要處理的問題相去甚遠(yuǎn)，領(lǐng)域?qū)＜液茈y理解用數(shù)據(jù)化的節(jié)點、權(quán)值和連接來描述他們要解決的問題。此外，網(wǎng)絡(luò)是“黑箱推理”，全部知識存儲于網(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)練時間長，過度擬合或訓(xùn)練不足，網(wǎng)絡(luò)麻痹及局部最小值等問題[6，7]。但是可以認(rèn)為，隨著對ANN研究的深入，ANN必將得到臨床工作者的認(rèn)同，成為醫(yī)學(xué)中疾病(尤其是腫瘤)診斷預(yù)測研究的有效工具。

[1]Jin L, Jung C. Diagnostic utility of serum and pleural fluid carcino-embryonic antigen, neuron-specific enolase, and cytokeratin 19 fragments in patients with effusions from primary lung cancer[J]. Chest，2005, 128 (4) ；2298-2303.

[2]David S, Boris Z, Ariella S,etal.Diagnostic value of CYFRA 21-1,CEA, CA19-9, CA15-3 and CA125 assays in pleural effusions: analysis of 116 cases and review of the literature [J]. Oncologist，2005，10 (4)：501-507.

[3]暴春, 謝邦昌. 淺談人工神經(jīng)網(wǎng)絡(luò)[J]. 山西科技, 2006, (1)：132.

[4]Ramesh AN, Kambhampati C, Monson JRT,etal.Artificial intelligence in medicine[J]. Ann R Coll Surg Engl，2004，86(5)：334-338.

[5]段芳，徐亮，黃新. 人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)中的應(yīng)用[J].九江醫(yī)學(xué)，2008，23 (2)：90-92.

[6]宋燁，楊本. 人工神經(jīng)網(wǎng)絡(luò)及其在疾病診斷中的應(yīng)用[J]. 中華醫(yī)學(xué)實踐志，2006，5(3)：275-277.

[7]Farid EA. Artificial neural networks for diagnosis and survival prediction in colon cancer[J]. Molecular Cancer，2005，4：29-33.

[8]Wu CH， Lin SR， Hsieh JS，etal.Molecular detection of disseminated tumor cells in the peripheral blood of patients with gastric cancer： evaluation of their prognostic significance[J]. Dis Markers，2006，22(3)：103-109.

[9]Ebert MP，R?cken C. Molecular screening of gastric cancer by proteome analysis[J]. Eur J Gastroenterol Hepatol，2006，18(8)：847-853.

[10]李建華，吳昌平. 胃癌診斷標(biāo)志物研究新進(jìn)展[J]. 醫(yī)學(xué)綜述，2008，14(10)：1554-1555.

[11]王雪萍，佟素香. 血清腫瘤標(biāo)志物人工神經(jīng)網(wǎng)絡(luò)模型在胃癌診斷中的臨床應(yīng)用[J]. 實用醫(yī)學(xué)雜志，2007，23(12)：1821-1822.

[12]Chen JH， Ni RZ， Xiao MB，etal.Comparative proteomic analysis of differentially expressed proteins in human pancreatic cancer tissue[J]. Hepatobiliary Pancreat Dis Int，2009，8(2)：193-200.

[13]Ru C， Sheng P， Teresa A,etal.Proteomic Profiling of Pancreatic Cancer for Biomarker Discovery[J]. Mol Cell Proteomics，2005，4(4)：523-533.

[14]Sezgin C， Karabulut B， Uslu R，etal.Gemcitabine treatment in patients with inoperable locally advanced/metastatic pancreatic cancer and prognostic factors[J]. Scand J Gastroenterol，2005，40(12)：1486-1492.

[15] Ni X，Bai X，Mao Y，etal.The clinical value of serum CEA， CA19-9， and CA242 in the diagnosis and prognosis of pancreatic cancer[J]. Eur J Surg Oncol，2005， 31(2)：164-169.

[16]孫文恒，王煒，周文策. 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在胰腺癌診斷中的應(yīng)用[J]. 蘭州大學(xué)學(xué)報(自然科學(xué)版)，2008，44(3)：224-227.

[17]Honda K， Hayashida Y， Umaki T，etal.Possible detection of pancreatic cancer by plasma protein profiling[J]. Cancer Res，2005，65(22)：10613-10622.

[18]Bartosch-H?rlid A，Andersson B，Aho U，etal.Artificial neural networks in pancreatic disease[J]. Br J Surg， 2008，95(7)：817-826.

[19]Hu LY，Hu GX，Li FQ，etal.Application of protein chip system to the detection of primary liver cancer[J]. Bengbu Med Col，2004，2(3)：74-76.

[20]Witzigmann H，Geissler F，Benedix F，etal.Prospective evaluation of circulating hepatocytes by alpha-fetoprotein messenger RNA in patients with hepatocellular carcinoma[J]. J Surgery，2002，131(1)：34-43.

[21]王家祥，張波，余捷凱，等. 基于人工神經(jīng)網(wǎng)絡(luò)的血清蛋白質(zhì)指紋圖譜模型在肝癌診斷中的應(yīng)用[J]. 中華醫(yī)學(xué)雜志，2005，55(3)：189-192.

[22]Luk JM，Lam BY，Lee NP，etal.Artificial neural networks and decision tree model analysis of liver cancer proteomes[J]. Biochem Biophys Res Commun，2007，361(1)：68-73.

[23]Ippolito D，Sironi S，Pozzi M，etal.Perfusion computed tomographic assessment of early hepatocellular carcinoma in cirrhotic liver disease： initial observations[J]. J Comput Assist Tomogr，2008，32(6)：855-858.

[24]Takayasu K，Muramatsu Y，Mizuguchi Y，etal.CT Imaging of early hepatocellular carcinoma and the natural outcome of hypoattenuating nodular lesions in chronic liver disease[J]. Oncology， 2007，72 (1)：83-91.

[25]張波，張治英，徐德忠，等. 人工神經(jīng)網(wǎng)絡(luò)肝癌CT影像輔助診斷模型的建立[J]. 實用發(fā)射學(xué)雜志，2006，22(9)：1079-1082.

[26]Ries LA，Wingo PA，Miller D，etal.The annual report to the nation on the status of cancer，1973-1997，with a special section on colorectal cancer [J]. Cancer，2000，88(10)：2398-2424.

[27]Jemal A，Murray T，Samuels A，etal.Cancer statistics 2003 [J]. CA Cancer J Clin， 2003，53(1)：5-26.

[28]Mladen DM，Dragoslav MP，Sanja Z，etal.Problems in screening colorectal cancer in the elderly[J]. World J Gastroenterol，2003，9(10)：2335-2337.

[29]Griesenberg D，Nurnberg R，Bahlo M，etal.CA 19-9 and CA 72-4 and the fecal occult blood test in the preoperative diagnosis and follow-up after resective surgery of colorectal cancer [J]. Anticancer Res，1999，19(4A)：2443-2450.

[30]余捷凱，楊美琴，姜鐵軍. 血清腫瘤標(biāo)志物優(yōu)化組合人工神經(jīng)網(wǎng)絡(luò)模型在大腸癌診斷中的應(yīng)用[J]. 浙江大學(xué)學(xué)報(醫(yī)學(xué)版)，2004，33(5)：407-410.

[編輯] 一 凡

2009-04-15

解庭波(1981-)，男，湖北襄樊人，助教，碩士，從事醫(yī)學(xué)微生物學(xué)與免疫學(xué)的教學(xué)與研究工作。

10.3969/j.issn.1673-1409(R).2009.03.031

R735

A

1673-1409(2009)03-R069-04