人工神經(jīng)網(wǎng)絡(luò)技術(shù)在肺癌診療中的應(yīng)用

劉 磊 鐵 英 (吉林工商學(xué)信息工程分院，吉林 長春 130062)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在肺癌診療中的應(yīng)用

劉 磊 鐵 英 (吉林工商學(xué)信息工程分院，吉林 長春 130062)

神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)結(jié)構(gòu);肺癌;診斷;預(yù)后

人工神經(jīng)網(wǎng)絡(luò)(ANN)，也稱為神經(jīng)網(wǎng)絡(luò)，是由大量處理單元(PE)即神經(jīng)元(Neurons)廣泛互連而成的網(wǎng)絡(luò)，是對人腦的抽象、簡化和模擬，反映人腦的基本特性。神經(jīng)網(wǎng)絡(luò)在兩個方面與人腦相似，一是神經(jīng)網(wǎng)絡(luò)獲取的知識是從外界環(huán)境中學(xué)習(xí)得來的;二是互連神經(jīng)元的連接強度，即突觸權(quán)值，用于儲存獲取的知識。用于完成學(xué)習(xí)過程的程序稱為學(xué)習(xí)算法，其功能是以有序的方式改變網(wǎng)絡(luò)的突觸權(quán)值以獲得想要的設(shè)計目標(biāo)。ANN的研究最初是受生物神經(jīng)系統(tǒng)啟發(fā)，研究人的智能行為;而現(xiàn)在則受到對特定的一些問題的適應(yīng)能力和潛在的并行處理能力的驅(qū)動，是根植于神經(jīng)科學(xué)、數(shù)學(xué)、統(tǒng)計學(xué)、物理學(xué)、計算機(jī)科學(xué)及工程等學(xué)科的一種技術(shù)。

神經(jīng)網(wǎng)絡(luò)具有一些顯著的特點：非線性映射能力;不需要精確的數(shù)學(xué)模型;擅長從輸入輸出數(shù)據(jù)中學(xué)習(xí)有用知識;容易實現(xiàn)并行計算;由于神經(jīng)網(wǎng)絡(luò)由大量簡單計算單元組成，因而易于用軟硬件實現(xiàn)等。因為神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)系統(tǒng)構(gòu)成的新的信息處理模型，具有獨特的結(jié)構(gòu)，所以人們期望它能解決一些用傳統(tǒng)方法難以解決的問題，如建模、時間序列分析、模式識別、鑒定、語音、翻譯和控制等，以實現(xiàn)各種復(fù)雜的功能。

1 ANN概述

1.1 神經(jīng)網(wǎng)絡(luò)的歷史與發(fā)展

ANN的研究最早可以追溯到研究人類大腦智能的時期。發(fā)展到現(xiàn)在，先后經(jīng)歷了40年代的萌芽期(MP模型的建立到有了學(xué)習(xí)訓(xùn)練算法)、50和60年代的第一次高潮期(從單級感知器的構(gòu)造成功到否定它為止)、持續(xù)到80年代的反思期(證明了當(dāng)時的單級感知器無法解決許多簡單的問題，后來一系列的基本網(wǎng)絡(luò)模型被建立起來，形成了ANN的理論基礎(chǔ))、隨后迎來了第二次發(fā)展高潮期，期間反向傳播(BP)算法的提出，對ANN的研究與應(yīng)用起到了重大的推動作用，是目前應(yīng)用最廣泛的網(wǎng)絡(luò)模型之一;步入20世紀(jì)90年代后，開始步入了再認(rèn)識與應(yīng)用研究期。

目前大多數(shù)的研究主要集中在三個方面：(1)開發(fā)現(xiàn)有模型的應(yīng)用，并根據(jù)實際運行情況對模型、算法加以改造，提高網(wǎng)絡(luò)的訓(xùn)練速度和運行的準(zhǔn)確度。(2)理論上的突破研究，試圖建立新的通用或?qū)Ｓ玫哪Ｐ秃退惴ā?3)進(jìn)一步對生物神經(jīng)系統(tǒng)研究，對人腦更深入的認(rèn)識。

1.2 ANN的構(gòu)成

ANN一般由8個方面的要素組成：一組處理單元(PE或AN)、處理單元的激活狀態(tài)、每個處理單元的輸出函數(shù)、處理單元之間的連接模式、傳遞規(guī)則、把處理單元的輸入及當(dāng)前狀態(tài)結(jié)合起來產(chǎn)生激活值的激活規(guī)則、通過經(jīng)驗修改連接強度的學(xué)習(xí)規(guī)則、系統(tǒng)運行的環(huán)境(樣本集合)。1987年，Simpson對神經(jīng)網(wǎng)絡(luò)給出了簡明扼要的定義：人工神經(jīng)網(wǎng)絡(luò)是一個非線性的有向圖，圖中含有可以通過改變權(quán)大小來存放模式的加權(quán)邊，并且可以從不完整的或未知的輸入找到模式。

1.3 神經(jīng)網(wǎng)絡(luò)的互連模式

的神經(jīng)元之間的連接有如下幾種形式：(1)前向網(wǎng)絡(luò)：前向網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)元分層排列，分別組成輸入層、中間層(也稱為隱含層，可以由若干層組成)和輸出層。每一層的神經(jīng)元只接受來自前一層神經(jīng)元的輸入，后面的層對前面層沒有信號反饋。輸入模式經(jīng)過各層次的順序傳播，最后在輸出層L得到輸出。感知器網(wǎng)絡(luò)和BP網(wǎng)絡(luò)均屬于前向網(wǎng)絡(luò)。(2)有反饋的前向網(wǎng)絡(luò)：從輸出層對輸入層有信息反饋，這種網(wǎng)絡(luò)可用于存儲某種模式序列，如神經(jīng)認(rèn)知機(jī)和回歸BP網(wǎng)絡(luò)都屬于這種類型。(3)層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)：通過層內(nèi)神經(jīng)元的相互結(jié)合，可以實現(xiàn)同一層內(nèi)神經(jīng)元之間的橫向抑制或興奮機(jī)制。這樣可以限制每層內(nèi)可以同時動作的神經(jīng)元素，或者把每層內(nèi)的神

根據(jù)連接方式的不同，神經(jīng)網(wǎng)絡(luò)經(jīng)元分為若干組，讓每一組作為一個整體進(jìn)行運作。例如，可利用橫向抑制機(jī)理把某層內(nèi)具有最大輸出的神經(jīng)元挑選出來，從而抑制其他神經(jīng)元，使之處于無輸出的狀態(tài)。(4)相互結(jié)合型網(wǎng)絡(luò)(全互連或部分互連)：這種網(wǎng)絡(luò)在任意兩個神經(jīng)元之間都可能有連接。Hopfield網(wǎng)絡(luò)和Boltzmann機(jī)均屬于這種類型。在無反饋的前向網(wǎng)絡(luò)中，信號一旦通過某神經(jīng)元，該神經(jīng)元的處理就結(jié)束了。而在相互結(jié)合網(wǎng)絡(luò)中，信號要在神經(jīng)元之間的反復(fù)傳遞，網(wǎng)絡(luò)處于一種不斷改變狀態(tài)的動態(tài)之中。信號從某初始狀態(tài)開始，經(jīng)過若干次變化，才會達(dá)到某種平衡狀態(tài)。根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元的特性，網(wǎng)絡(luò)的運行還有可能進(jìn)入周期振蕩或其他如混沌等平衡狀態(tài)。選擇哪種互聯(lián)方案(即網(wǎng)絡(luò)結(jié)構(gòu))，是設(shè)計時的主要問題。通常將PE分成不同的層。每層中PE的數(shù)量也是要選擇的問題。

1.4 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)/訓(xùn)練的算法

的學(xué)習(xí)為：學(xué)習(xí)是一個過程，通過這個過程神經(jīng)網(wǎng)絡(luò)的自由參數(shù)在其嵌入的環(huán)境的激勵過程之下得到調(diào)節(jié)。學(xué)習(xí)的類型由參數(shù)改變的方式?jīng)Q定。目前，對應(yīng)不同的人工神經(jīng)網(wǎng)絡(luò)模型，有不同的學(xué)習(xí)/訓(xùn)練算法，有時，同種結(jié)構(gòu)的網(wǎng)絡(luò)擁有不同的算法，以適應(yīng)不同的應(yīng)用要求。對一個網(wǎng)絡(luò)模型來說，其學(xué)習(xí)/訓(xùn)練算法是非常重要的。五個基本的學(xué)習(xí)算法：誤差一修正學(xué)習(xí)、基于記憶的學(xué)習(xí)Hebb學(xué)習(xí)、競爭學(xué)習(xí)和Boltzmann學(xué)習(xí)。誤差修正學(xué)習(xí)植根于最優(yōu)濾波?；谟洃浀膶W(xué)習(xí)通過明確地記住訓(xùn)練數(shù)據(jù)來進(jìn)行。Herb學(xué)習(xí)和競爭學(xué)習(xí)都是受了神經(jīng)生物學(xué)上的考慮的啟發(fā)。Boltzmann學(xué)習(xí)有所不同，因為它是建立在從統(tǒng)計學(xué)力學(xué)借來的思想基礎(chǔ)上。BP網(wǎng)絡(luò)常被應(yīng)用在函數(shù)逼近、模式識別、分類以及數(shù)據(jù)壓縮等領(lǐng)域。在實際應(yīng)用中，80%～90%的神經(jīng)網(wǎng)絡(luò)模型是采用BP人工神經(jīng)網(wǎng)絡(luò)或它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。

在神經(jīng)網(wǎng)絡(luò)的背景下定義

2 ANN在肺癌診斷中的應(yīng)用

肺癌起病隱匿，倍增時間短，轉(zhuǎn)移快，早期不易診斷，惡性程度高，早期診斷、早期治療是提高肺癌生存率和降低死亡率的關(guān)鍵。目前ANN在國內(nèi)肺癌診斷上的研究不是很多，但在常用的腫瘤標(biāo)志物檢測、影像學(xué)診斷和細(xì)胞學(xué)檢查三種診斷手段上均有應(yīng)用。

2.1 ANN在腫瘤標(biāo)志物檢測上的應(yīng)用

吳擁軍等〔1，2〕通過對血清中12種腫瘤標(biāo)志物進(jìn)行聯(lián)合檢測，建立了基于BP網(wǎng)絡(luò)的肺癌智能化診斷模型系統(tǒng)，并通過對比結(jié)果顯示，這種方法優(yōu)于常規(guī)統(tǒng)計學(xué)方法。BP網(wǎng)絡(luò)對肺癌診斷的識別率和預(yù)示率均為100%，同時判斷出正常、良性與肺癌組織，為臨床肺癌診斷提供有價值的參考資料，亦可以用于大規(guī)模的高危人群普查時初篩。韓小宏等〔3〕同樣建立的神經(jīng)網(wǎng)絡(luò)模型對8個標(biāo)記物單獨測試檢驗準(zhǔn)確率，并篩選出最高準(zhǔn)確率的腫瘤標(biāo)志物最佳的組合，結(jié)果顯示預(yù)測肺癌樣本的特異性為92.9%，敏感度為86.0%，陽性預(yù)測值85.5%。

2.2 ANN在切片圖像處理與模式識別上的應(yīng)用

黃雪梅等〔4〕通過采集肺癌穿刺標(biāo)本涂片或者切片，先后經(jīng)過圖像預(yù)處理、圖像分割和特征提取而得到樣本，共14個特征值，然后進(jìn)行歸一化處理。在確定BP網(wǎng)絡(luò)結(jié)構(gòu)時，輸入層取14個節(jié)點，對應(yīng)肺部細(xì)胞的14個特征值--6個形態(tài)特征值、6個色度特征值、整幅切片圖的紅色分量平均值和細(xì)胞區(qū)域的灰度平均值;隱含層根據(jù)實際情況取11個節(jié)點：輸出層取5個節(jié)點，對應(yīng)5種不同的診斷結(jié)果——鱗癌、腺癌、小細(xì)胞癌、核異型和無癌。在訓(xùn)練過程中，作者加入了權(quán)值和閥值調(diào)整的動量參數(shù)，取值在0.8上。結(jié)果表明，加入動量后項訓(xùn)練時間減少，在通用的訓(xùn)練次數(shù)下均方差更小，說明動量項加快了收斂速度。誤差變化更穩(wěn)定，出現(xiàn)的局部極小次數(shù)明顯降低。最終的識別率都在80%以上，較好地符合了已知數(shù)據(jù)。南京大學(xué)計算機(jī)科學(xué)與技術(shù)系和中國人民解放軍八一醫(yī)院聯(lián)合研制完成了基于神經(jīng)網(wǎng)絡(luò)的肺癌早期細(xì)胞病理診斷系統(tǒng)Lung Cancer Diagnosing System(LCDS)。此系統(tǒng)充分利用了數(shù)字圖像處理、模式識別和人工神經(jīng)網(wǎng)絡(luò)等方面的先進(jìn)技術(shù)，能根據(jù)細(xì)胞切片的彩色圖像進(jìn)行肺癌的識別和診斷。在模式識別階段，提取出有關(guān)的形態(tài)和色度特征，并進(jìn)行規(guī)范化處理，建立了一個三層前饋型BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行肺癌細(xì)胞分類診斷〔5〕。

2.3 ANN在CT圖像上的應(yīng)用

Matsuki等〔6〕利用7個臨床參數(shù)和16個高分辨CT掃描評價指標(biāo)構(gòu)建ANN，結(jié)果顯示網(wǎng)絡(luò)診斷的正確性優(yōu)于資深醫(yī)師常規(guī)閱片的正確性。畢曉君等〔7〕、王曉華等〔8〕針對肺部CT圖像的孤立結(jié)節(jié)的腫瘤識別方法，把BP網(wǎng)絡(luò)應(yīng)用其中，進(jìn)行腫瘤的識別和分類。試驗結(jié)果證明，其惡性腫瘤識別率分別達(dá)到了89%和98%。

2.4 ANN呼氣氣體成分分析上的應(yīng)用

趙景波等〔9〕利用分析呼出氣體的成分對肺癌患者進(jìn)行診斷和監(jiān)護(hù)。對所得的傳感器數(shù)據(jù)采用徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)模式識別方法建立傳感器陣列響應(yīng)信號與測量氣體之間的映射關(guān)系。從測試樣本中隨機(jī)抽取80個樣本，其中60個作為訓(xùn)練集，20個作為測試集，在不同的溫度和濕度條件下進(jìn)行3次實驗。將訓(xùn)練好的網(wǎng)絡(luò)對樣本進(jìn)行測試，判別結(jié)果的正確率達(dá)到90%以上。

2.5 ANN在痰液癌細(xì)胞檢查中的應(yīng)用

適應(yīng)線性神經(jīng)網(wǎng)絡(luò)Madaline模型對痰液中的癌細(xì)胞進(jìn)行識別和分類，對于癌細(xì)胞的檢出率為89%。此模型的特點是網(wǎng)絡(luò)結(jié)構(gòu)簡單、算法成熟、收斂性好，缺點是中間層的加工元的個數(shù)需要人為確定。龔平等〔11〕也有類似報道。

除了利用BP網(wǎng)絡(luò)外，還有利用其他網(wǎng)絡(luò)結(jié)構(gòu)的相關(guān)報道。王阿明等〔12〕利用小波神經(jīng)網(wǎng)絡(luò)模型綜合研究肺癌患者的各項指標(biāo)對預(yù)后的影響。小波神經(jīng)網(wǎng)絡(luò)綜合了小波變換良好的時頻局域化性質(zhì)及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，具有很好的逼近能力和容錯能力。將隨訪所得存活期按是否超過3年為標(biāo)準(zhǔn)，分為兩類。對已學(xué)習(xí)過的60例訓(xùn)練樣本進(jìn)行測試，此模型預(yù)測成功率為100%;而對11例未經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的樣本，有9例預(yù)測成功，準(zhǔn)確率為81.8%。相比傳統(tǒng)的BP網(wǎng)絡(luò)，小波神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)收斂速率快，并且可以自適應(yīng)地確定隱層單元數(shù)目;同時，更適用于患者群體的基于統(tǒng)計學(xué)的分類預(yù)測比較，這種基于小波神經(jīng)網(wǎng)絡(luò)模型的預(yù)后具有個性化特征。張卓勇等〔13〕利用Kosko提出的雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)對血清樣本標(biāo)志物進(jìn)行分析，分類判別癌癥患者與正常人，在工作所選定的條件下，達(dá)到了 100%的正確識別率。周怡伶等〔14〕基于 MAT-

陸建峰等〔10〕采用自LAB7.0軟件平臺，建立了基于時間序列的徑向神經(jīng)網(wǎng)絡(luò)(RBF)預(yù)測模型。將4個時間段的時間序列數(shù)據(jù)作為輸入，分別預(yù)測未來2年、3年、4年和5年的肺癌發(fā)病率，同時通過比較來確定模型的有效預(yù)測期限。

毫無疑問，ANN在計算機(jī)輔助肺癌的診斷、患病風(fēng)險預(yù)測、預(yù)后等方面具有很好的應(yīng)用前景，診斷效率與準(zhǔn)確率都有很大提高，誤診率大大降低。隨著ANN技術(shù)的前瞻性研究不斷進(jìn)步和發(fā)展，將有更多改進(jìn)的模型應(yīng)用于臨床。

1 吳擁軍，吳逸明.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在肺癌診斷中的應(yīng)用研究〔J〕.中華微生物學(xué)和免疫學(xué)雜志，2003;23(8)：646-9.

2 馮斐斐，聶廣金，吳擁軍，等.基于6項腫瘤標(biāo)志聯(lián)合檢測的3種分類模型判別肺癌的對比分析〔J〕.衛(wèi)生研究，2009;38(4)：389-91.

3 韓小宏，毛巧霞.血清腫瘤標(biāo)記物的人工神經(jīng)網(wǎng)絡(luò)模型在肺癌診斷中的應(yīng)用〔J〕. 中國腫瘤臨床，2010;37(10)：573-5.

4 黃雪梅，唐治德.BP網(wǎng)絡(luò)研究及其在肺癌診斷系統(tǒng)中的應(yīng)用〔J〕.重慶大學(xué)學(xué)報，2005;28(1)：72-3.

5 楊育彬，楊獻(xiàn)春.基于印神經(jīng)網(wǎng)絡(luò)的肺癌早期細(xì)胞診斷系統(tǒng)〔J〕.南京大學(xué)學(xué)報(自然科學(xué))，2000;36(11)：1081-2.

6 Matsuki Y，Nakamura K.Watanabe H，et al.Usefulness of an artificial neural network for differentiating benign from malignant pulmonary nodules on high-resolution CT：evaluation with receiver operating characteristic analysis〔J〕.AJR，2002;178(3)：657-63.

7 畢曉君，李 嬌，石麗娜.基于BP神經(jīng)網(wǎng)絡(luò)的肺部CT腫瘤圖像識別研究〔C〕.中國人工智能學(xué)會第12屆全國學(xué)術(shù)年會，2007.

8 王曉華，譚 石，馬大慶.人工神經(jīng)網(wǎng)絡(luò)對孤立性肺結(jié)節(jié)的診斷價值〔J〕. 中國醫(yī)學(xué)影像技術(shù)，2008;24(7)：1114-7.

9 趙景波，趙德安，蔣春彬.基于神經(jīng)網(wǎng)絡(luò)的電子鼻肺癌早期診斷系統(tǒng)〔J〕.電子技術(shù)應(yīng)用，2006;32(7)：8-10.

10 陸建峰，李士進(jìn).基于人工神經(jīng)網(wǎng)絡(luò)方法的肺癌細(xì)胞識別與分類研究〔C〕.中國智能自動化學(xué)術(shù)會議，1998：653-7.

11 龔 平，郭華雄，王文清，等.基于人工神經(jīng)網(wǎng)絡(luò)的肺癌細(xì)胞形態(tài)學(xué)診斷模型的建立及應(yīng)用〔J〕.中華生物醫(yī)學(xué)工程雜志，2012;18(1)：73-6.

12 王阿明，劉 慧.小波神經(jīng)網(wǎng)絡(luò)模型在肺癌中的應(yīng)用研究〔J〕.徐州醫(yī)學(xué)院學(xué)報，2007;27(2)：78-81.

13 張卓勇，周化嵐，劉思東.雙向聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)及其在肺癌患者分類判別中的應(yīng)用〔J〕.光譜學(xué)與光譜分析，2002;22(2)：341-4.

14 周怡伶，鄧 婕.RBF神經(jīng)網(wǎng)絡(luò)時間序列模型在肺癌發(fā)病率預(yù)測的應(yīng)用研究〔J〕. 科技創(chuàng)新導(dǎo)報，2011;17：8-10.

R734.2

A

1005-9202(2012)23-5364-03;

10.3969/j.issn.1005-9202.2012.23.144

吉林省科學(xué)技術(shù)廳項目(No.201215170)

鐵 英(1965-)，女，教授，主要從事運動醫(yī)學(xué)與保健研究。

劉 磊(1975-)，男，講師，主要從事自然計算方面的研究。

〔2012-01-10收稿 2012-02-12修回〕

(編輯 徐 杰)