基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型

徐甜甜，薛 旻，劉衛(wèi)勇，付 超+

(1.合肥工業(yè)大學 管理學院，安徽 合肥 230009；2.合肥工業(yè)大學 過程優(yōu)化與智能決策教育部重點實驗室，安徽 合肥 230009；3.中國科學技術(shù)大學附屬第一醫(yī)院 超聲科，安徽 合肥 230036)

0 引 言

甲狀腺結(jié)節(jié)臨床診斷中，醫(yī)生觀察超聲圖像中的結(jié)節(jié)特征給出診斷意見。受限于醫(yī)生的專業(yè)知識和診斷經(jīng)驗，存在一定的誤診可能性[1]。新一代信息技術(shù)的發(fā)展及其在臨床中的廣泛應(yīng)用，使得大量臨床診斷數(shù)據(jù)得以保存，為運用SVM[2]、決策樹[3]、神經(jīng)網(wǎng)絡(luò)[4]等機器學習方法進行輔助診斷提供了數(shù)據(jù)基礎(chǔ)。文獻[5]就機器學習在甲狀腺疾病診斷中的應(yīng)用做了詳細綜述，指出目前神經(jīng)網(wǎng)絡(luò)方法在甲狀腺疾病診斷中使用最多。為提高甲狀腺結(jié)節(jié)的臨床診斷精度，降低誤診率，文獻[6]提出基于卷積神經(jīng)網(wǎng)絡(luò)的診斷方法，并利用超聲圖像數(shù)據(jù)驗證了所提方法的可行性。BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)中最成熟的方法之一，具有較好的泛化能力和容錯性，是一種極具潛力的臨床決策支持工具。文獻[7]建立BP神經(jīng)網(wǎng)絡(luò)模型對甲狀腺結(jié)節(jié)良惡性進行分類識別，實驗結(jié)果表明，該模型能得到較高的惡性識別率。

上述研究工作雖取得了較好的效果，但也存在一些不足之處。一是上述研究沒有將預(yù)測精度與醫(yī)生自身的精度進行對比，難以體現(xiàn)模型的輔助診斷意義。二是上述研究主要圍繞甲狀腺超聲圖像開展工作，忽略了文本數(shù)據(jù)在甲狀腺輔助診斷中的重要性。三是TI-RADS分級作為被普遍使用的甲狀腺結(jié)節(jié)臨床診斷分級標準，并未被上述研究所考慮。針對上述研究不足，本文設(shè)計一套醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程，并在此基礎(chǔ)上構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型，用于預(yù)測甲狀腺結(jié)節(jié)TI-RADS分級。此外，在模型中引入病理結(jié)果作為精度判定的“金標準”，進而利用區(qū)間數(shù)距離測度，定義新的診斷精度公式。最后立足于安徽合肥某三甲醫(yī)院甲狀腺超聲診斷數(shù)據(jù)，3個對比實驗結(jié)果表明，所提出的輔助診斷模型能有效幫助醫(yī)生提高診斷水平。

1 醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程

醫(yī)療領(lǐng)域由于缺乏標準化的數(shù)據(jù)管理模式，導致診斷數(shù)據(jù)大都是以不規(guī)范的自由文本形式記錄[8]。為基于醫(yī)療診斷文本數(shù)據(jù)進行研究，首要問題是如何從中提取出真正有價值的數(shù)據(jù)并進行規(guī)范化處理。因此，本節(jié)設(shè)計一種醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程，并將該流程應(yīng)用于甲狀腺超聲診斷數(shù)據(jù)的規(guī)范化處理中。

1.1 整體流程

本文將醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程分為4個階段，包括數(shù)據(jù)采集、特征提取、數(shù)據(jù)分級以及數(shù)據(jù)轉(zhuǎn)化，具體過程如圖1所示。

數(shù)據(jù)采集取決于研究對象和研究目的。據(jù)此聚焦所需數(shù)據(jù)，采集相關(guān)原始數(shù)據(jù)并適當刪減，將檢查數(shù)據(jù)，醫(yī)生診斷意見，病理結(jié)果及其它基本信息匯總整合。

特征提取是從采集的數(shù)據(jù)中根據(jù)檢查指標提取病癥的指標特征信息。疾病的診斷大都需要進行相應(yīng)的檢查，而每項檢查都有專業(yè)的檢查指標以幫助醫(yī)生做出診斷。根據(jù)歷史數(shù)據(jù)特點，再結(jié)合醫(yī)學專業(yè)知識可以確定醫(yī)院所關(guān)注的檢查指標。指標確定之后，針對選定的指標從檢查數(shù)據(jù)中提取各項指標的特征詞，并依據(jù)特征詞庫規(guī)范特征詞，得到規(guī)范的特征數(shù)據(jù)。

數(shù)據(jù)分級以提取的特征詞為基礎(chǔ)，對指標特征按惡性程度進行分級。疾病的良惡性會通過各項指標特征來體現(xiàn)，每項指標都存在很多特征，不同的特征代表病灶在該指標上的惡性程度不同。臨床診斷中，僅通過檢查并不能完全確定疾病的良惡性，醫(yī)生只能基于各項指標的特征對疾病的惡性等級提供診斷意見。而病理檢查結(jié)果才是疾病的最終確診。鑒于此，在醫(yī)生輔助下根據(jù)特征-病理的關(guān)系統(tǒng)計分析每個特征的惡性風險等級，實現(xiàn)指標特征的分級，得到特征分級標準。

圖1 醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程

完成數(shù)據(jù)的采集、提取、規(guī)范和分級后，利用數(shù)據(jù)分級得到的特征分級標準轉(zhuǎn)化相關(guān)數(shù)據(jù)，將指標特征、診斷意見、病理結(jié)果等文本數(shù)據(jù)轉(zhuǎn)化為可用于計算機直接使用的數(shù)字矩陣。

該流程為醫(yī)療診斷文本數(shù)據(jù)的規(guī)范化處理提供了一個范式，解決了面對不規(guī)范的醫(yī)療診斷文本數(shù)據(jù)無從下手的困難，為面向甲狀腺輔助診斷的研究工作奠定了數(shù)據(jù)基礎(chǔ)。它不僅適用于本文研究的甲狀腺超聲診斷數(shù)據(jù)，同樣可推廣用于其它疾病的診斷文本數(shù)據(jù)處理，如乳腺，頸動脈等。

1.2 面向甲狀腺超聲診斷文本數(shù)據(jù)規(guī)范化處理

依據(jù)上述所設(shè)計的醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程，以安徽省合肥市某三甲醫(yī)院的甲狀腺超聲診斷文本數(shù)據(jù)為例，驗證該流程的可行性和合理性。

(1)數(shù)據(jù)采集

在第三作者的幫助下，從醫(yī)院電子病歷系統(tǒng)、報告系統(tǒng)等信息系統(tǒng)中采集到2014-01-01至2018-12-31期間甲狀腺超聲診斷相關(guān)的病癥描述、醫(yī)生診斷意見、病理結(jié)果以及病例基本信息等文本數(shù)據(jù)，具體數(shù)據(jù)樣例見表1和表2。

表1 病癥描述數(shù)據(jù)示例

表2 醫(yī)生診斷意見與病理結(jié)果數(shù)據(jù)示例

(2)特征提取

據(jù)現(xiàn)有研究可知，通過超聲檢查可以檢測甲狀腺結(jié)節(jié)的邊緣、邊界、大小、輪廓、回聲、鈣化、血流、聲暈、縱橫比等多種特征信息[9]。這些特征是幫助診斷甲狀腺結(jié)節(jié)的有效指標，但不同的醫(yī)院選取的檢查指標具有一定差異。根據(jù)歷史數(shù)據(jù)及與醫(yī)生討論后，確定該醫(yī)院主要關(guān)注邊緣、邊界、回聲、鈣化及血流共5項甲狀腺超聲指標進行診斷。

醫(yī)生綜合考慮各項指標特征提供診斷意見，為標準化醫(yī)生的診斷意見，許多研究參考乳腺影像報告和數(shù)據(jù)系統(tǒng)(BI-RADS)分級，提出了不同的甲狀腺影像報告和數(shù)據(jù)系統(tǒng)(TI-RADS)分級，但目前還未形成公認的國際標準[10]。在第三作者幫助下得知該醫(yī)院的實際臨床診斷中所采用的TI-RADS分級見表3，由于TI-RADS 1級和TI-RADS 2級的惡性風險概率為0%，TI-RADS 6級的惡性風險概率為100%，在甲狀腺結(jié)節(jié)的超聲檢查中并不考慮這3類，因此本文對這3類也不予考慮。

確定指標和醫(yī)院采用的TI-RADS分級標準后，便可從原始數(shù)據(jù)中提取各項指標特征和醫(yī)生的TI-RADS分級意見，同時也將最終確診的病理結(jié)果以及審核醫(yī)生，審核日期等信息從原始數(shù)據(jù)中提取出來。對于表1和表2所示的原始數(shù)據(jù)，提取到的有效數(shù)據(jù)見表4，為節(jié)省空間這里省略了部分基本信息。

表3 采用的TI-RADS分級標準

(3)數(shù)據(jù)分級

基于有效數(shù)據(jù)，用統(tǒng)計與規(guī)則相結(jié)合的方法，依照醫(yī)院的TI-RADS分級標準，將5個指標上的特征詞也劃分為8個等級。設(shè)計統(tǒng)計量對每個特征詞計算惡性風險概率，統(tǒng)計量如下

表4 有效數(shù)據(jù)

(1)

其中，j表示邊界、邊緣、回聲、鈣化及血流5項指標，i表示j指標上的特征詞。NT代表在指標j上特征詞i的總數(shù)據(jù)量，NE代表在病理為惡性的前提下指標j上特征詞i的數(shù)據(jù)量。據(jù)式(1)可得到每個特征詞的惡性風險概率，然后依照該醫(yī)院的TI-RADS分級標準的惡性風險概率區(qū)間將特征詞分類，得到特征分級標準。為節(jié)省空間這里不再展示，標準詳情可參見文獻[11]。

(4)數(shù)據(jù)轉(zhuǎn)化

數(shù)據(jù)轉(zhuǎn)化以特征分級標準為轉(zhuǎn)化規(guī)則，對有效數(shù)據(jù)進行數(shù)字化處理。根據(jù)該數(shù)據(jù)特點，以5*8的0-1數(shù)字矩陣表示每條病例的指標特征信息，行代表指標，列代表等級，‘1’的位置代表特征在對應(yīng)指標上的等級。以1*9的0-1數(shù)字矩陣來代表醫(yī)生提供的TI-RADS分級意見和最終確診的病理結(jié)果，前8位代表TI-RADS分級，其中數(shù)字‘1’出現(xiàn)的位置代表TI-RADS等級，最后一位代表病理結(jié)果，‘0’表示良性，‘1’表示惡性。具體示例如圖2所示。

圖2 數(shù)據(jù)轉(zhuǎn)化示例

2 基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型

利用第1節(jié)得到的規(guī)范化數(shù)字矩陣，本節(jié)將進一步討論基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型。并以安徽省合肥市某三甲醫(yī)院甲狀腺超聲診斷數(shù)據(jù)為例，通過3個對比實驗，驗證了所提模型的有效性。

2.1 模型構(gòu)建

甲狀腺結(jié)節(jié)的臨床診治中，外科醫(yī)生依賴超聲科醫(yī)生提供的診斷意見，即TI-RADS分級意見，來確定患者進一步的診治方案。由此可看出，TI-RADS分級在甲狀腺結(jié)節(jié)診治過程中起著至關(guān)重要的作用。然而，如引言所述，面向甲狀腺結(jié)節(jié)臨床輔助診斷的現(xiàn)有研究中，大多只預(yù)測得到結(jié)節(jié)的良惡性結(jié)果，而較少考慮TI-RADS分級意見。鑒于此，本文引入BP神經(jīng)網(wǎng)絡(luò)，學習隱含在歷史數(shù)據(jù)中的甲狀腺超聲指標特征和TI-RADS分級之間的映射關(guān)系，以預(yù)測得到八分類的TI-RADS分級推薦，為超聲科醫(yī)生提供更具參考價值的輔助診斷意見。

此外，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)中，預(yù)測精度通常是根據(jù)預(yù)測值和實測值的差距度量的。換言之，針對本文甲狀腺結(jié)節(jié)臨床輔助診斷問題，傳統(tǒng)的預(yù)測精度是通過計算預(yù)測的診斷推薦和超聲科醫(yī)生提供的實際診斷意見之間的差異性得到。值得注意的是，超聲科醫(yī)生提供的診斷意見并不是最終確診，往往并不能完全正確地反映患者甲狀腺的患病情況。為了解決上述問題，本文以細針穿刺細胞學活檢得到的病理結(jié)果作為“金標準”，利用區(qū)間數(shù)距離測度，用于刻畫BP神經(jīng)網(wǎng)絡(luò)預(yù)測得到的TI-RADS分級推薦與“金標準”之間的差異性，基于這一差異性，本文界定了新的預(yù)測精度。綜上所述，基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型結(jié)構(gòu)如圖3所示。

BP神經(jīng)網(wǎng)絡(luò)由一系列神經(jīng)元組成，包括輸入層、隱藏層和輸出層，是一種按照逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡(luò)[12]。BP神經(jīng)網(wǎng)絡(luò)由信號的前向傳遞與誤差的逆向傳播兩個過程組成。其基本原理是：先是輸入樣本前向傳播，從輸入層經(jīng)過隱含層到達輸出層并計算誤差；再是誤差信號按照原路逆向傳播，從輸出層到隱藏層，再到輸入層，不斷更新網(wǎng)絡(luò)的參數(shù)直至達到最優(yōu)。

網(wǎng)絡(luò)的隱含層可以有一層或者多層，本文實質(zhì)為一般的利用BP神經(jīng)網(wǎng)絡(luò)進行分類的實驗，只需構(gòu)建只含有一個隱含層的網(wǎng)絡(luò)即可。網(wǎng)絡(luò)的輸入數(shù)據(jù)為第1節(jié)得到的甲狀腺指標特征矩陣，輸出數(shù)據(jù)為甲狀腺結(jié)節(jié)的TI-RADS分級。隱含層的節(jié)點數(shù)N采用經(jīng)驗式(2)來確定

(2)

其中，A代表輸入層節(jié)點數(shù)，B代表輸出節(jié)點數(shù)。對于網(wǎng)絡(luò)的其它參數(shù)，在綜合考慮訓練時間，訓練效果，硬件成本等多方面問題且經(jīng)過多次訓練測試對比后，確定本文BP神經(jīng)網(wǎng)絡(luò)模型的學習速率為0.005，期望誤差為0.001，最大迭代次數(shù)為1000，隱含層和輸出層的傳遞函數(shù)分別采用tansig函數(shù)和purelin函數(shù)。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型

為方便度量預(yù)測精度，首先將預(yù)測的TI-RADS分級推薦根據(jù)醫(yī)院采用的TI-RADS分級標準轉(zhuǎn)化為區(qū)間數(shù)，即{TI-RADS 3，TI-RADS 4A-1，TI-RADS 4A-2，TI-RADS 4B-1，TI-RADS 4B-2，TI-RADS 4B-3，TI-RADS 4C，TI-RADS 5} = {[0, 0.03], [0.03, 0.15], [0.15, 0.24], [0.24, 0.4], [0.4, 0.65], [0.65, 0.75], [0.75, 0.95], [0.95, 1]}。對于作為“金標準”的病理結(jié)果，用區(qū)間數(shù)[0, 0]表示良性，區(qū)間數(shù)[1, 1]表示惡性。下面引入?yún)^(qū)間數(shù)距離測度，度量TI-RADS分級推薦和“金標準”之間的差異性。

(3)

由于本文中所涉及的區(qū)間數(shù)均限于[0,1]之間，故而定義中的d(x,y)也限于[0,1]之間。TI-RADS分級推薦與病理結(jié)果之間的平均差異越小，說明BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度越高。考慮這一事實，將精度計算公式定義為

(4)

其中，an表示TI-RADS分級，bn表示對應(yīng)的病理結(jié)果，M表示數(shù)據(jù)量。這一精度精算公式不僅可用于預(yù)測精度的計算，同時也可用于度量醫(yī)生提供的TI-RADS分級意見與“金標準”之間的差異性，從而得到醫(yī)生的自身精度。因此，使用上述精度計算公式，便于將預(yù)測精度與醫(yī)生自身精度進行對比，從而進一步驗證本文所提輔助診斷模型的有效性。

2.2 實驗與分析

實驗在CPU Intel Core 2.8 GHz，8 G內(nèi)存，win 10操作系統(tǒng)和MATLAB R2017a環(huán)境下進行，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型。利用本文第1節(jié)的醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程，對合作醫(yī)院2014-01-01至2018-12-31期間5位超聲科醫(yī)生共3486條甲狀腺超聲診斷文本數(shù)據(jù)進行規(guī)范化處理，得到規(guī)范化數(shù)字矩陣，進而分別開展如下3個實驗。

實驗1：不同指標組合對預(yù)測精度的影響

基于歷史數(shù)據(jù)中提取出的5項指標特征，先嘗試探討不同的指標組合對預(yù)測精度的影響，用數(shù)字1-5分別表示邊界、邊緣、回聲、鈣化、血流5項指標。以2014-01-01至2017-12-31年期間共2840條數(shù)據(jù)為訓練樣本集，以2018-01-01年至2018-12-31期間共646條數(shù)據(jù)為測試樣本集，針對不同的指標組合進行實驗，得到對應(yīng)的預(yù)測精度見表5。

表5 不同指標組合下的預(yù)測精度對比

由表5可以看出，只考慮單個指標的預(yù)測精度普遍很低，其中鈣化對預(yù)測精度的影響最大，血流的影響最小。同時考慮多個指標的預(yù)測精度比單個指標時有所提高。其中，指標組合{1, 2, 3, 4, 5}的預(yù)測精度最高，達到83.92%，指標組合{1, 2, 3, 4}的預(yù)測精度次之，為81.56%。因此，同時考慮5項指標的特征值訓練網(wǎng)絡(luò)模型效果最好。以下實驗將均選取5項指標特征值來實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)對甲狀腺結(jié)節(jié)的TI-RADS分級預(yù)測。

實驗2：模型輔助診斷有效性驗證

以2014-01-01至2017-12-31期間5位超聲科醫(yī)生的甲狀腺超聲診斷數(shù)據(jù)為訓練樣本，2018-01-01至2018-12-31期間5位醫(yī)生各自的數(shù)據(jù)為測試樣本，用D1,D2,D3,D4,D5分別代表5位醫(yī)生，預(yù)測樣本見表6。

表6 訓練樣本及測試樣本統(tǒng)計

利用2.1節(jié)所提出的BP神經(jīng)網(wǎng)絡(luò)，以5項超聲指標特征矩陣作為網(wǎng)絡(luò)輸入來訓練BP神經(jīng)網(wǎng)絡(luò)模型，分別對5位醫(yī)生的測試樣本進行TI-RADS分級推薦預(yù)測。針對預(yù)測的TI-RADS分級推薦以及醫(yī)生提供的TI-RADS分級意見，利用式(3)和式(4)分別計算模型的預(yù)測精度和醫(yī)生的自身精度?，F(xiàn)隨機取其中一次實驗結(jié)果與醫(yī)生自身的精度作對比，如圖4所示。

圖4 預(yù)測精度與自身精度對比

實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度普遍高于5位醫(yī)生的自身精度。對于醫(yī)生D1，D2，D3，精度有提升但不太明顯，有大約2%的提高，對于醫(yī)生D4，D5，精度相對有明顯提升，達到4%-7%?？傮w而言，基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型的預(yù)測精度高于醫(yī)生自身的精度，對甲狀腺結(jié)節(jié)臨床輔助診斷具有較好的有效性和應(yīng)用性。

針對部分精度提高并不明顯這一現(xiàn)象，考慮到BP神經(jīng)網(wǎng)絡(luò)是通過訓練樣本不斷學習得到預(yù)測模型，訓練得到的模型好壞必然受到訓練樣本本身質(zhì)量的影響。鑒于此，為驗證猜想，下面進一步探討不同訓練樣本集對預(yù)測精度的影響。

實驗3：不同訓練樣本集對預(yù)測精度的影響

為比較不同訓練樣本集對預(yù)測精度的影響，實驗選取2014-01-01至2017-12-31期間不同醫(yī)生的數(shù)據(jù)組合作為訓練樣本集來訓練網(wǎng)絡(luò)模型，測試樣本集與實驗2的測試樣本集保持一致，為2018-01-01至2018-12-31期間的數(shù)據(jù)，進行對比實驗。實驗結(jié)果見表7。

表7 不同訓練樣本集的預(yù)測精度對比

由表7可以看出：①訓練樣本集選取{D1,D2,D3}的預(yù)測精度最好，比實驗2中選用的全部醫(yī)生的數(shù)據(jù)集{D1,D2,D3,D4,D5}得到的預(yù)測精度有明顯提高。這主要是因為醫(yī)生D3，D4和D5的自身精度相對偏低，致使預(yù)測精度降低。②訓練樣本集選取自身精度較高的兩位醫(yī)生的數(shù)據(jù)集{D1}和{D1,D2}得到的預(yù)測精度并不高。這是因為對BP神經(jīng)網(wǎng)絡(luò)來說，訓練樣本量太少也會影響模型訓練的質(zhì)量。

若只關(guān)注以{D1,D2,D3}為訓練樣本集的BP神經(jīng)網(wǎng)絡(luò)模型，對于醫(yī)生D1，BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度比醫(yī)生自身提高4.02%；對于醫(yī)生D2，預(yù)測精度比醫(yī)生自身精度提高4.09%；對于醫(yī)生D3，預(yù)測精度比醫(yī)生自身精度提高4.9%；對于醫(yī)生D4，預(yù)測精度比醫(yī)生自身精度提高8.34%；對于醫(yī)生D5，預(yù)測精度比醫(yī)生自身精度提高10.09%。

綜上所述，通過上述3個對比實驗可以得出：①5項指標特征均會影響B(tài)P神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度，且同時考慮5個指標特征值的預(yù)測效果最好。②本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型具有較好的輔助診斷有效性，模型的預(yù)測精度高于醫(yī)生自身的精度。③選取自身精度較高的3位醫(yī)生的數(shù)據(jù)作為訓練樣本得到的模型預(yù)測精度最好，可將該模型用于甲狀腺結(jié)節(jié)的臨床輔助診斷，尤其對醫(yī)技水平較差的醫(yī)生或者缺乏經(jīng)驗的年輕醫(yī)生來說，將預(yù)測得到的TI-RADS分級推薦給醫(yī)生作為參考，以幫助醫(yī)生進一步提高醫(yī)技水平。

3 結(jié)束語

本文面向甲狀腺結(jié)節(jié)輔助診斷問題，針對標準化程度較低的醫(yī)療診斷文本數(shù)據(jù)，設(shè)計了一套醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程，并以安徽省合肥市某三甲醫(yī)院甲狀腺超聲檢查數(shù)據(jù)為例，將該流程用于甲狀腺超聲檢查文本數(shù)據(jù)的規(guī)范化處理。在此基礎(chǔ)上，為利用歷史數(shù)據(jù)提高甲狀腺結(jié)節(jié)診斷的精度，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的甲狀腺結(jié)節(jié)輔助診斷模型，并在該模型中引入“金標準”和區(qū)間數(shù)距離測度，定義了新的精度計算公式，用于預(yù)測精度和醫(yī)生自身精度的度量。通過3個對比實驗得到，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的精度普遍高于醫(yī)生自身的精度，該模型對甲狀腺結(jié)節(jié)的診治具有很好的輔助診斷價值，可以作為一種臨床決策支持工具，幫助醫(yī)生提升診斷水平，提高工作效率。此外，本文進一步分析了不同指標組合和不同訓練樣本集對預(yù)測精度的影響，得到了最優(yōu)的特征組合和訓練數(shù)據(jù)集。

未來將進一步將設(shè)計的醫(yī)療診斷文本數(shù)據(jù)規(guī)范化處理流程以及基于BP神經(jīng)網(wǎng)絡(luò)的輔助診斷模型用于其它疾病的臨床輔助診斷中，以幫助醫(yī)生提高診斷水平。