PSO—BP算法在醫(yī)學(xué)中的應(yīng)用

葉財智　唐德玉

摘要：粒子群優(yōu)化算法（PSO）是一種帶有全局隨機性質(zhì)的群體搜索演化算法， 魯棒性強，通過微粒群優(yōu)化算法同BP算法的結(jié)合 ，解決BP算法收斂速度慢，容易陷入局部最小值的問題，并實驗證明PSOBP算法其收斂性能，學(xué)習速度和穩(wěn)定性要優(yōu)于BP算法。再結(jié)合實際需求，以印第安人肝癌疾病為例對PSOBP算法在醫(yī)學(xué)中的應(yīng)用進行探討。

關(guān)鍵詞： 粒子群算法；BP算法；PSOBP算法 ；印第安人肝癌；醫(yī)學(xué)應(yīng)用

中圖分類號：TP301 文獻標識碼：A 文章編號：1009-3044（2013）07-1689-05

隨著醫(yī)療改革政策的出臺，越來越多的政策惠及于民，老百姓看病難的問題漸漸得到解決，但是看病并不能幫助老百姓解決根本性的問題-看好病，能夠從根本上預(yù)防一些疾病，提前對疾病做出醫(yī)學(xué)療效的預(yù)測，合理控制藥劑，藥量的使用 ，讓老百姓能夠遠離疾病的折磨和困擾，從而提高醫(yī)療服務(wù)的質(zhì)量，降低患者的就醫(yī)成本和用藥成本，進而保證百姓的身體健康，這樣才是百姓所需要的。在云計算和大數(shù)據(jù)的時代背景下，醫(yī)院存有患者的大量數(shù)據(jù)，通過對海量數(shù)據(jù)的處理，建立預(yù)測模型，再對這個模型進行測試訓(xùn)練，挖掘出數(shù)據(jù)中潛藏的有價值的信息或者診斷規(guī)則，得到合適的算法模型，輔助醫(yī)學(xué)診斷治療成為了可能。

該文簡單介紹了BP算法和微粒群優(yōu)化算法，重點討論了兩種算法的結(jié)合，形成了PSOBP算法，并使用其優(yōu)化BP算法的初始權(quán)值和閾值，并實驗驗證其比BP算法更具優(yōu)越性，最后以印第安人肝癌疾病為醫(yī)學(xué)應(yīng)用事例，對PSOBP算法進行應(yīng)用分析。

1 BP算法神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（backpropagation，BP）是從仿生學(xué)的角度上模仿的生物智能科學(xué)行為，是基于誤差反向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，具有良好的自適應(yīng)、自組織和極強的學(xué)習、聯(lián)想、容錯和抗干擾能力[1].BP神經(jīng)網(wǎng)絡(luò)能模擬任意線性與非線性函數(shù)，因而具有良好的預(yù)測能力.其包含輸入層，隱含層，輸出層，各層都有一些神經(jīng)元，與相鄰層的所有各單元均互相連接，兩個單元間的連接強度稱為“權(quán)值”.主要步驟如下：

①確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)研究的具體問題設(shè)置BP神經(jīng)網(wǎng)絡(luò)輸入層，隱含層，輸出層，各層的節(jié)點數(shù)

②初始化BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)，包括各連接層之間的權(quán)值和閾值，以及學(xué)習率

③根據(jù)隱含層輸出H和預(yù)測誤差O，計算網(wǎng)絡(luò)輸出誤差

④判斷誤差是否符合要求，不滿足的話。根據(jù)誤差，調(diào)整各層誤差， 更新網(wǎng)絡(luò)連接權(quán)值和閾值。

⑤判斷迭代是否結(jié)束，若沒有結(jié)束，返回③。

2 粒子群優(yōu)化（PSO）算法

粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法微粒群算法（PSO ） 是由Kennedy 和Eberhart等[2，3] 于1995 年開發(fā)的一種演化計算技術(shù)， 來源于對一個簡化社會模型的模擬。通過群體中個體之間協(xié)作和信息的共享來搜索全局的最優(yōu)解，其追隨兩個最優(yōu)位置運行的信息共享原理為優(yōu)化算法設(shè)計提供了嶄新的思路. 這兩個位置中的一個是粒子目前找到的最優(yōu)解gbest，另一個是鄰域內(nèi)的個體目前找到的最優(yōu)解 Pbest[4].

在微粒群算法中，粒子是D維搜索空間里沒有質(zhì)量和體積，帶有位置和速度信息的微粒，并且在搜索空間里以變動的速度飛行，該飛行速度根據(jù)個體的飛

行經(jīng)驗和群體的飛行經(jīng)驗進行動態(tài)調(diào)整[5]。設(shè)搜索空間里存在n個微粒，則第i個微粒個體的位置可表示為Xi=（Xi1，Xi2，， Xi3，Xi4，.....Xin）；飛行速度Vi=（Vi1，Vi2，， Vi3，Vi4，.....Vin）；微粒i所經(jīng)歷的最好適應(yīng)值的位置為Pi=（Pi1，Pi2，， Pi3，Pi4，.....Pin）；微粒群體經(jīng)歷的最優(yōu)位置為Pg=（Pg1，Pg2，， Pg3，Pg4，.....Pgn）；

微粒的位置和速度通過以下公式進行更新[6]

其中：W是慣性系數(shù)，表示的微粒的歷史速度對當前速度的影響；c1和c2表示加速因子，c1調(diào)節(jié)微粒飛向自身最優(yōu)位置，c2調(diào)節(jié)微粒飛向全局最優(yōu)位置，通常可以取c1=c2=2[6]；rand1和rand2為均勻分布的隨機數(shù)，范圍在0到1之間，包括0和1，xidk為第k 次迭代粒子i 位置矢量的第d 維分量[7]；速度公式（1）的第二項表明微粒個體的認知能力；第三項表明社會認知能力?；诠剑?）、（2）的微粒群算法稱作基本微粒群算法[8]。

標準PSO 的算法流程圖如圖1所示。

3 基于PSOBP算法的研究

粒子群優(yōu)化算法高效，結(jié)構(gòu)簡單，收斂速度快，容易實現(xiàn)，性能穩(wěn)定，通過粒子群算法去優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值比BP神經(jīng)網(wǎng)絡(luò)算法隨機產(chǎn)生權(quán)值和閾值獲得的結(jié)構(gòu)更具穩(wěn)定性和優(yōu)越性。

PSOBP算法步驟如下：

Step1：通過訓(xùn)練樣本確定BP神經(jīng)網(wǎng)絡(luò)輸入層，隱含層 ，輸出層各層的節(jié)點數(shù)。

Step2：根據(jù)Step1中確定好的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立關(guān)于BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值同微粒群粒子維度空間的映射關(guān)系，即神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值的總數(shù)目等于微粒群的維數(shù)，初始化微粒群的有關(guān)參數(shù)：慣性權(quán)值W，加速常數(shù)C1和C2以及初始位置X和初始速度V，設(shè)置最大最小速度，種群規(guī)模以及進化代數(shù)。

Step3： 設(shè)置[error=i=1i=n|Oi預(yù)測-Oi實際|]即訓(xùn)練誤差和函數(shù)作為BP神經(jīng)網(wǎng)絡(luò)適應(yīng)度評價函數(shù)，當error的值最小時，微粒群粒子的適應(yīng)度達到最高，此時問題獲得最優(yōu)解。Oi預(yù)測為神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出，Oi實際 為神經(jīng)網(wǎng)絡(luò)的實際輸出。

Step4： 根據(jù)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差和Step3計算微粒群粒子的適應(yīng)度值。

Step5： 比較各個粒子的適應(yīng)度值與其歷史最優(yōu)位置的優(yōu)劣，如果更好，則更新該粒子的適應(yīng)度值作為粒子的最優(yōu)位置，即Pbest 。

Step6： 比較各個粒子的適應(yīng)度值同群體的歷史最佳位置g best的優(yōu)劣， 若更優(yōu)，則更新gbest.

Step7： 根據(jù)2中公式1和公式2調(diào)整微粒的速度，更新微粒的位置

Step8： 根據(jù)種群的最優(yōu)位置調(diào)整BP神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)，主要是連接權(quán)值和閾值。

Step9：對更新的粒子群進行適應(yīng)度評價，判斷迭代次數(shù)是否達到結(jié)束條件，如果滿足結(jié)束條件，則算法停止，則如果不滿足，則應(yīng)該轉(zhuǎn)入Step5繼續(xù)迭代，直至滿足結(jié)束條件為止。

4 PSOBP算法與BP算法的實驗對比

Matlab是一種高性能的可視化科學(xué)和工程計算軟件，它提供了完備的神經(jīng)網(wǎng)絡(luò)工具箱.可以大大節(jié)省對神經(jīng)網(wǎng)絡(luò)學(xué)習算法編程的時間，同時也提高了網(wǎng)絡(luò)輸出的精度.使建立起的網(wǎng)絡(luò)更加可靠有效[9]。所以實驗是在matlab的環(huán)境下進行的。

通過隨機產(chǎn)生1900組關(guān)于函數(shù)z=x^2+y^2（-5

BP算法實驗結(jié)果如圖2：

PSOBP算法的實驗結(jié)果如圖3：

通過圖3和圖 4比較，可以發(fā)現(xiàn)PSOBP算法在迭代次數(shù)上明顯優(yōu)于BP算法，BP算法需要1000epochs，PSOBP算法只需要epochs，BP算法和PSOBP算法在誤差（MSE）訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的擬合程度較高，但是PSOBP算法誤差程度比BP算法更小。BP算法的的誤差是5.0598E-006，PSOBP算法的誤差是1.0454E-007.

由于醫(yī)學(xué)上對于預(yù)測要求較高，預(yù)測的不穩(wěn)定對于醫(yī)學(xué)的診斷結(jié)果影響較大，所以我們重復(fù)了20次試驗 分別記錄下了BP算法和PSOBP算法的的誤差，獲得了PSOBP算法誤差與BP算法誤差曲線分布情況如圖4。

由圖4可以看出BP算法的誤差波動大，不穩(wěn)定，PSOBP算法的誤差相對穩(wěn)定，波動小，BP算法誤差大部分范圍都比PSOBP算法大了幾個級數(shù)。由于PSOBP算法的穩(wěn)定性更好和誤差更小，作為醫(yī)學(xué)實驗的預(yù)測算法從效果上和準確性上來說會明顯要優(yōu)于BP算法。（注：粗線表示BP算法所得誤差，細線表示PSOBP算法所得誤差）

5 PSOBP算法在醫(yī)學(xué)中的應(yīng)用

5.1印第安人肝癌數(shù)據(jù)集

為了驗證提出的PSOBP算法在醫(yī)學(xué)中應(yīng)用的有效性和可行性，采用UCI機器學(xué)習數(shù)據(jù)庫網(wǎng)站提供的關(guān)于印第安人肺癌數(shù)據(jù)集作為實驗的樣本集。所使用的實驗材料來自于 Bendi Venkata Ramana等教授于2012年5月21日所建立的Indian Liver Patient Dataset ，該數(shù)據(jù)集主要是針對印第安人肝癌患者記錄，共有583條記錄樣本，9個輸入屬性為連續(xù)性數(shù)值屬性，1個輸入屬性為非數(shù)值屬性，一個類別標記屬性“是否肝臟患者”（或稱為輸出屬性），“是否肝臟患者”屬性數(shù)值有1 和2兩種，當“是否肝臟患者”屬性值為1時，表示為印第安肝癌患者，數(shù)值值為2時，表示非印第安肝癌患者，該樣本包含441個男性記錄，142個女性記錄。416個肝癌患者記錄，167個非肝癌患者記錄。

樣本集屬性說明如下：患者年齡，性別，總膽紅素，結(jié)合膽紅素，Alkphos 堿性磷酸酶，谷丙轉(zhuǎn)氨酶，谷草轉(zhuǎn)氨酶，總蛋白，白蛋白，白蛋白與球蛋白的比率，是否肝癌患者

5.2實驗結(jié)果與分析

首先對數(shù)據(jù)集進行預(yù)處理，將性別非數(shù)值屬性轉(zhuǎn)換為數(shù)值屬性男性用數(shù)值1表示，女性用數(shù)值0表示，處理完成后，選取前570條記錄作為訓(xùn)練集，后13條記錄作為測試集。通過PSOBP算法對前570記錄進行訓(xùn)練，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，然后通過訓(xùn)練好的網(wǎng)絡(luò)對13條記錄進行測試，獲得測試后的結(jié)果，由于輸出屬性實際數(shù)值為1，2整數(shù)，預(yù)測結(jié)果是非整數(shù)值，所以采用四舍五入的取整處理。

通過30次重復(fù)實驗，發(fā)現(xiàn)印第安肝癌患者通過PSOBP算法的獲得預(yù)測曲線穩(wěn)定在以下兩種情況。

如圖5和圖6所示。

實際數(shù)值曲線為：

通過圖5，圖6同圖7進行比較，結(jié)合表1可以發(fā)現(xiàn)，前期由于實際數(shù)值的波動性較小，數(shù)值穩(wěn)定，所以能夠較好的預(yù)測到結(jié)果，而后期由于數(shù)值有較大波動，預(yù)測結(jié)果有所差異，但整體的預(yù)測準確率穩(wěn)定在85%，對于醫(yī)學(xué)診斷預(yù)測能夠具有良好的輔助作用，當準確率提高時，有利于增加醫(yī)學(xué)預(yù)測診斷的實效性。

6 結(jié)束語

印第安人肝癌疾病實驗事例證明了PSOBP算法能夠應(yīng)用于醫(yī)學(xué)預(yù)測診斷中，預(yù)測準確度較高且穩(wěn)定，能夠很好的服務(wù)于醫(yī)學(xué)領(lǐng)域，在醫(yī)學(xué)行業(yè)中有很大的發(fā)展前景，相信隨著PSOBP的各類改進算法的涌現(xiàn)和算法同各種醫(yī)學(xué)信息的磨合，一定可以為百姓帶來更多的方便，為社會和經(jīng)濟帶來更大的效益。

參考文獻：

[1] 張卉.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的房價預(yù)測[J].價值工程，2012（14）.

[2] Kennedy J ， Eberhart R. Part icle sw arm op t im izat ion[A]. P roc IE E E Int Conf on N eu ral N etw orks [C].Perth， 1995. 194221948.

[3] Eberhart R， Kennedy J. A new op t im izer using part iclesw arm theory [A]. P roc 6th Int S ymposium on MicroMachine and H um an Science[C ]. Nagoya， 1995. 39243.

[4] 謝曉鋒，張文俊，楊之廉.微粒群算法綜述[J].控制與決策，2003（2）：129-131.

[5] 劉宇，覃征，史哲文，簡約粒子群優(yōu)化算法[J].西安交通大學(xué)學(xué)報，2006（8）：883-887.

[6] 袁代林，程世娟，陳虬.一種新形式的微粒群算法[J].計算機工程與應(yīng)用，2008，44（33）：57-59.

[7] 王安娜，陶子玉，姜茂發(fā)，等.基于PSO和BP網(wǎng)絡(luò)的LF爐鋼水溫度智能預(yù)測[J].控制與決策，2006，21（7）：814-817.

[8] 王輝.一種新型的多種群微粒群算法[J].計算機工程與應(yīng)用，2010（35）：45-48.

[9] 王鈺，郭其一，李維剛.基于改進BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型及其應(yīng)用[J].計算機測量與控制，2005（5）：39-42.