BP神經(jīng)網(wǎng)絡(luò)在CESM強(qiáng)化密度及乳腺癌診斷中的研究分析

鎖彤佳,呂子璇,尹思宇,劉 偉

(魯東大學(xué)數(shù)學(xué)與統(tǒng)計(jì)科學(xué)學(xué)院,山東 煙臺(tái) 264011)

2021年3月11日,十三屆全國人大四次會(huì)議提出,要全面推進(jìn)健康中國建設(shè),改革疾病預(yù)防控制體系。2020年統(tǒng)計(jì)數(shù)據(jù)顯示,乳腺癌取代肺癌成為全球發(fā)病率第一的癌癥,而提高乳腺癌診斷的準(zhǔn)確率與效率是疾病預(yù)防控制體系中重要的一環(huán),也是堅(jiān)持健康中國戰(zhàn)略中“預(yù)防為主”方針的重要體現(xiàn)。

隨著乳腺癌病發(fā)率升高,乳腺腫瘤的影像學(xué)表現(xiàn)愈發(fā)多元化,目前對(duì)于乳腺診斷應(yīng)用最廣的普通乳腺X線檢查技術(shù)在長期應(yīng)用中暴露出了一定的局限性,對(duì)此,美國FDA在2011年提出了具有診斷時(shí)間短、價(jià)格低等優(yōu)點(diǎn)的對(duì)比增強(qiáng)乳腺X線成像(CESM)技術(shù)。XING等[1]研究表明,CESM對(duì)乳腺癌診斷的準(zhǔn)確性、特異性較高,有非常大的臨床應(yīng)用價(jià)值;而姜奕歆等[2]認(rèn)為CESM檢查還存在缺少統(tǒng)一診斷標(biāo)準(zhǔn)和成像標(biāo)準(zhǔn)的問題。

得益于人工智能的迅猛發(fā)展,深度學(xué)習(xí)視角下的普通乳腺X線檢查和乳腺磁共振成像等檢查技術(shù)近年來得到了廣泛應(yīng)用。TOURASSI等[3]對(duì)普通乳腺X線技術(shù)構(gòu)建了一種約束滿足神經(jīng)網(wǎng)絡(luò)的方法用于乳腺癌診斷;SINGH等[4]通過將BP神經(jīng)網(wǎng)絡(luò)診斷反饋與放射科醫(yī)師診斷反饋相整合,顯著提高了在超聲檢查中乳腺病變組織診斷的臨床效率。

病灶在影像學(xué)上的強(qiáng)化特點(diǎn)是診斷乳腺癌的重要參考指標(biāo),但是不同檢查技術(shù)下，病灶強(qiáng)化密度的統(tǒng)計(jì)學(xué)表現(xiàn)有所差異。蔡麗珊等[5]通過t檢驗(yàn)對(duì)乳腺良惡性腫塊超聲造影結(jié)果分析得出“良惡性病變都可表現(xiàn)為均勻強(qiáng)化或不均勻強(qiáng)化,其強(qiáng)化方式差異并無統(tǒng)計(jì)學(xué)意義”的結(jié)論;LIU等[6]采用CEUS聯(lián)合微血管成像技術(shù)診斷乳腺病變,χ2檢驗(yàn)結(jié)果顯示,病灶呈均勻和不均勻強(qiáng)化密度模式均未提示有臨床價(jià)值;而郜瑩瑩等[7]分析NME乳腺癌與良性病變的MRI特征并進(jìn)行統(tǒng)計(jì)學(xué)比較發(fā)現(xiàn),內(nèi)部強(qiáng)化密度差異具有統(tǒng)計(jì)學(xué)意義。

因此,現(xiàn)階段對(duì)于CESM檢查下強(qiáng)化密度及乳腺癌診斷的研究還有以下問題有待深入考慮。首先,國內(nèi)外學(xué)者對(duì)于CESM檢查有很多良莠不齊的評(píng)價(jià),因此該技術(shù)在國內(nèi)臨床上得到廣泛使用的愿景還需建立診斷精確率更高的模型來支撐;其次,在現(xiàn)代醫(yī)學(xué)領(lǐng)域,對(duì)CESM檢查相關(guān)指標(biāo)的分析研究大多使用χ2檢驗(yàn)的方法,如盛蕾等[8]采用χ2檢驗(yàn)得到CESM檢查對(duì)致密型乳腺乳腺癌的診斷具有較大價(jià)值的結(jié)論,而結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型對(duì)CESM檢查開展的研究較少;另外,由于強(qiáng)化密度在不同檢查技術(shù)下的顯著性表現(xiàn)存在差異,因此CESM檢查下強(qiáng)化密度對(duì)診斷結(jié)果的影響效果還需進(jìn)一步驗(yàn)證。

本文將在考慮CESM上病灶強(qiáng)化程度、強(qiáng)化方式、強(qiáng)化密度三個(gè)指標(biāo)的前提下,重點(diǎn)關(guān)注強(qiáng)化密度對(duì)明確乳腺腫瘤性質(zhì)的影響,并在醫(yī)學(xué)領(lǐng)域常用的χ2檢驗(yàn)方法基礎(chǔ)上,發(fā)展BP神經(jīng)網(wǎng)絡(luò)方法來驗(yàn)證CESM成像技術(shù)在臨床上廣泛應(yīng)用的可能性。通過控制強(qiáng)化密度屬性,訓(xùn)練得到兩個(gè)基于一定診斷精確率的神經(jīng)網(wǎng)絡(luò)模型來評(píng)估CESM檢查技術(shù)對(duì)于乳腺癌檢出的可靠性,找出最佳模型的診斷參考值,為放射科醫(yī)師提供一個(gè)神經(jīng)網(wǎng)絡(luò)輔助診斷乳腺癌的模型,致力于減少臨床診斷中誤診、漏診等情況的出現(xiàn),減少女性群體每年進(jìn)行乳腺檢查的經(jīng)濟(jì)壓力以及時(shí)間精力。

1 診斷指標(biāo)收集及預(yù)處理

1.1 指標(biāo)選取

病灶的強(qiáng)化特點(diǎn)反映了腫瘤或病變組織的血液供應(yīng)情況。病灶的強(qiáng)化程度按照腫瘤或病變組織的血供豐富程度從小到大依次分為無強(qiáng)化、輕度強(qiáng)化以及中、重度強(qiáng)化;病灶的強(qiáng)化方式按照時(shí)間密度曲線分為增長型、平臺(tái)型和流出型;病灶的強(qiáng)化密度按照其對(duì)比劑填充是否均一分為均勻強(qiáng)化與不均勻強(qiáng)化。

據(jù)臨床經(jīng)驗(yàn)可知,惡性腫瘤的強(qiáng)化特點(diǎn)多表現(xiàn)為中度或重度強(qiáng)化、平臺(tái)型或流出型強(qiáng)化、不均勻(包括環(huán)型)強(qiáng)化。在此,基于CESM技術(shù)的成像特點(diǎn),選取強(qiáng)化程度、強(qiáng)化方式、強(qiáng)化密度三種重要的影像學(xué)表現(xiàn)作為驗(yàn)證CESM檢出致密型乳腺癌精確度的主要屬性信息。

1.2 指標(biāo)數(shù)據(jù)獲取

圖1 數(shù)據(jù)獲取流程

采用2016年7月至2020年7月在山東省泰安市中心醫(yī)院就診的241例31～60歲的女性乳腺腫瘤患者資料進(jìn)行分析,所有患者均接受CESM檢查,簽署CESM檢查知情同意書,并以隨機(jī)編號(hào)的形式匿名參與研究。所有患者的CESM影像資料均由兩位具有豐富經(jīng)驗(yàn)的乳腺病變?cè)\斷醫(yī)師獨(dú)立地進(jìn)行重復(fù)判讀,判讀不一致的影像資料由兩位協(xié)商解決。將由手術(shù)或穿刺得到的判讀結(jié)果離散化,并將其作為金標(biāo)準(zhǔn)形成本文數(shù)據(jù)的標(biāo)簽信息;將由CESM技術(shù)得到的腫瘤判讀結(jié)果離散化,形成本文數(shù)據(jù)的屬性信息。

1.3 指標(biāo)數(shù)據(jù)預(yù)處理

本文共收集到241例患者資料,其中43位患者在案例收集期間存在2～3次復(fù)查行為;9位患者體內(nèi)發(fā)現(xiàn)多處疑似腫瘤;由于圖像不清晰、體位不標(biāo)準(zhǔn)等原因,17位患者資料存在不同程度屬性信息不全的情況。

為保證數(shù)據(jù)的完整性,并保證統(tǒng)計(jì)方法有盡量多的數(shù)據(jù)作為支撐,本文將43位多次復(fù)查患者的不同復(fù)查情況分開為不同的案例形式呈現(xiàn),該43位患者最終可以提供94條數(shù)據(jù)資料;將9位多處疑似腫瘤發(fā)現(xiàn)患者的不同部位腫瘤同樣分開為不同的案例形式呈現(xiàn),該9位患者最終可以提供22條數(shù)據(jù)資料;將17位存在缺失數(shù)據(jù)的患者資料請(qǐng)有經(jīng)驗(yàn)的專業(yè)影像醫(yī)師據(jù)其他診斷指標(biāo)進(jìn)行補(bǔ)全處理。

經(jīng)數(shù)據(jù)預(yù)處理之后,共得到357條不同乳腺病變的數(shù)據(jù)資料,部分原始數(shù)據(jù)資料如表1所示。

表1 部分?jǐn)?shù)據(jù)資料

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 指標(biāo)的交叉列聯(lián)分析

對(duì)本文選取的屬性指標(biāo)進(jìn)行交叉列聯(lián)分析,以此來驗(yàn)證本文選取屬性指標(biāo)的科學(xué)性和可行性。列聯(lián)分析在醫(yī)學(xué)領(lǐng)域常被用于研究兩個(gè)或多個(gè)屬性之間是否存在明顯相關(guān)性[9],通常以χ2值作為相關(guān)性強(qiáng)弱的評(píng)價(jià)指標(biāo),計(jì)算公式為:

《規(guī)劃》對(duì)區(qū)域內(nèi)堆土區(qū)和沖填區(qū)進(jìn)行經(jīng)濟(jì)林的新造林和現(xiàn)有林木的更新改造。經(jīng)濟(jì)林建設(shè)盡可能配置高效益苗木、速生豐產(chǎn)林等，提高農(nóng)民參與生態(tài)建設(shè)的積極性。樹種選擇薄殼山核桃、亳州核桃、櫻桃、梨、花椒等名優(yōu)鄉(xiāng)土經(jīng)濟(jì)林品種，株行距為4 m×5 m。經(jīng)濟(jì)林建設(shè)能增強(qiáng)特色經(jīng)濟(jì)林市場競爭力，調(diào)整農(nóng)村產(chǎn)業(yè)結(jié)構(gòu)，有效增加農(nóng)民收入，促進(jìn)當(dāng)?shù)剞r(nóng)業(yè)和農(nóng)村經(jīng)濟(jì)的快速發(fā)展，取得顯著的生態(tài)、經(jīng)濟(jì)、社會(huì)效益。

(1)

(2)

其中:r代表行,c代表列,fij為第i行第j列案例情況的實(shí)際頻數(shù),eij為第i行第j列案例情況的期望頻數(shù),χ2統(tǒng)計(jì)量的自由度為(r-1)(c-1)。

以P值作為判斷三種屬性指標(biāo)的差異是否有統(tǒng)計(jì)學(xué)意義的標(biāo)準(zhǔn),P<0.05說明三種屬性指標(biāo)的差異在腫瘤性質(zhì)的表現(xiàn)上有統(tǒng)計(jì)學(xué)意義;以χ2值作為判斷三種屬性與腫瘤性質(zhì)相關(guān)程度的排序標(biāo)準(zhǔn),χ2值越大,被用來診斷腫瘤的屬性越可靠。χ2檢驗(yàn)結(jié)果見表2。

表2 乳腺良性腫瘤與惡性腫瘤強(qiáng)化特點(diǎn)比較

由表2中χ2檢驗(yàn)結(jié)果可知,強(qiáng)化程度(χ2=228.643,P=0.000)和強(qiáng)化方式(χ2=196.628,P=0.000)的χ2值明顯大于強(qiáng)化密度(χ2=78.676,P=0.000),二者用于腫瘤判斷的可靠性較強(qiáng);強(qiáng)化程度、強(qiáng)化方式和強(qiáng)化密度的不同特征在良、惡性腫瘤的影像學(xué)表現(xiàn)上均具有統(tǒng)計(jì)學(xué)意義(P<0.05),有理由認(rèn)為以強(qiáng)化程度、強(qiáng)化方式和強(qiáng)化密度三個(gè)影像表現(xiàn)指標(biāo)作為輸入屬性,可以構(gòu)建出一個(gè)準(zhǔn)確率較高的BP神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行乳腺癌的輔助篩查工作。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型特點(diǎn)

本文采用BP神經(jīng)網(wǎng)絡(luò)的誤差反向傳播訓(xùn)練機(jī)制進(jìn)行學(xué)習(xí)訓(xùn)練,正向傳播強(qiáng)化特點(diǎn)的工作信號(hào),反向傳播產(chǎn)生的誤差信號(hào)。網(wǎng)絡(luò)學(xué)習(xí)是不斷更新權(quán)值和偏置值,使凸型誤差函數(shù)值達(dá)到最小的過程。誤差函數(shù)達(dá)到最小值時(shí),可以得到與標(biāo)簽狀態(tài)相比滿足一定精確率的結(jié)果,最終訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)模型可適用于對(duì)由CESM技術(shù)得到的乳腺腫瘤強(qiáng)化特點(diǎn)屬性數(shù)據(jù)的診斷,以含一層隱含層的神經(jīng)網(wǎng)絡(luò)為例,BP神經(jīng)網(wǎng)絡(luò)循環(huán)更新的傳播過程見圖2。

圖2 含一層隱含層的BP神經(jīng)網(wǎng)絡(luò)傳播方式

2.3 網(wǎng)絡(luò)設(shè)計(jì)

2.3.1 兩網(wǎng)絡(luò)對(duì)比模式 將向后剔除法與神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程相結(jié)合,根據(jù)χ2檢驗(yàn)結(jié)果,使用Python3.6軟件,基于Tensorflow深度學(xué)習(xí)框架構(gòu)建兩個(gè)不同輸入信號(hào)的BP神經(jīng)網(wǎng)絡(luò)?？紤]到交叉列聯(lián)分析結(jié)果顯示,強(qiáng)化密度較其余二者的χ2值小很多,且CESM技術(shù)下的實(shí)際診斷過程中,均勻強(qiáng)化在良惡性腫瘤中的分布較為分散,為驗(yàn)證強(qiáng)化密度是否會(huì)在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中存在干擾作用,本研究構(gòu)建三個(gè)輸入信號(hào)的網(wǎng)絡(luò)后,剔除強(qiáng)化密度,構(gòu)建兩個(gè)輸入信號(hào)的網(wǎng)絡(luò),最終對(duì)比選擇最佳網(wǎng)絡(luò)。過程如圖3所示:

圖3 兩網(wǎng)絡(luò)建立過程

2.3.2 CESM技術(shù)乳腺癌診斷的網(wǎng)絡(luò)訓(xùn)練 本研究采取打亂樣本順序進(jìn)行交叉驗(yàn)證的方法,將案例數(shù)據(jù)按照4∶1的比例劃分為訓(xùn)練集和測試集,從而選取驗(yàn)證過程中最佳的超參數(shù)和數(shù)據(jù)形式。為提高模型的可靠性,根據(jù)原始數(shù)據(jù)的類型,本文選擇采用獨(dú)熱編碼擴(kuò)大輸入節(jié)點(diǎn)數(shù)量的形式來表示輸入信號(hào)以及標(biāo)簽值;采用隨機(jī)生成的正態(tài)隨機(jī)數(shù)據(jù)作為權(quán)值和偏置值的初始值;采用重復(fù)實(shí)驗(yàn)方法確定能使樣本誤差達(dá)到預(yù)設(shè)精度的隱藏層以及隱藏層神經(jīng)元的數(shù)目。

替換傳統(tǒng)的隱藏層激活函數(shù)。傳統(tǒng)的BP算法通常以Sigmoid函數(shù)作為隱藏層的激活函數(shù),但是隨著神經(jīng)元個(gè)數(shù)的增加,函數(shù)值的變化往往會(huì)受到缺失梯度的影響,這將不利于深層神經(jīng)網(wǎng)絡(luò)的反饋傳輸。為了得到更好的精確率以及更小的損失函數(shù)值,本文在隱含層使用ReLU函數(shù)作為σ1激活函數(shù),以x代表輸入信號(hào),ReLU函數(shù)形式如下:

(3)

根據(jù)屬性信息的數(shù)值特征,需要利用Sigmoid函數(shù)將多層感知器最后的結(jié)果映射到(0,1)之間,得到概率值。因此,輸出層使用Sigmoid函數(shù)作為σ2激活函數(shù),以x代表輸入信號(hào),Sigmoid函數(shù)形式如下:

(4)

以第一條案例在三個(gè)輸入信號(hào)神經(jīng)網(wǎng)絡(luò)模型下的訓(xùn)練為例,以向量為單位,其過程及結(jié)構(gòu)見圖4。

x(a[0])為輸入信號(hào)向量，為施加給第i層第j個(gè)節(jié)點(diǎn)線性變換后的向量,為對(duì)第i層第j個(gè)節(jié)點(diǎn)施加激活函數(shù)后的輸出信號(hào)向量,為由第i層的第j個(gè)節(jié)點(diǎn)向下一層的第k個(gè)節(jié)點(diǎn)輸入的權(quán)值向量,為第i層第j個(gè)節(jié)點(diǎn)對(duì)應(yīng)的偏置值向量，為損失函數(shù)。

2.4 評(píng)價(jià)指標(biāo)

本研究將惡性乳腺腫瘤和良性乳腺腫瘤分別作為陽性和陰性,選取模型分類的精確度(ACC)、敏感度(TPR)以及特異度(TNR)作為評(píng)價(jià)指標(biāo)[10],分別描述兩個(gè)分類網(wǎng)絡(luò)的準(zhǔn)確率、真陽性率、真陰性率,以選取最佳網(wǎng)絡(luò),各評(píng)價(jià)指標(biāo)公式為

(6)

(7)

(8)

式中,TP代表實(shí)際為陽性,預(yù)測為陽性的案例數(shù)量;FP代表實(shí)際為陰性,預(yù)測為陽性的案例數(shù)量;FN代表實(shí)際為陽性,預(yù)測為陰性的案例數(shù)量;TN代表實(shí)際為陰性,預(yù)測為陰性的案例數(shù)量。

本研究借助ROC曲線選擇出最佳網(wǎng)絡(luò)的診斷參考值。ROC曲線下方面積越大,網(wǎng)絡(luò)的識(shí)別能力越強(qiáng),由此來選擇最佳網(wǎng)絡(luò);最佳網(wǎng)絡(luò)ROC曲線以(1-特異度)作為橫坐標(biāo),以敏感度作為縱坐標(biāo),最靠近左上角的點(diǎn)被稱為最佳臨界值點(diǎn),其敏感度和特異度之和最大,將該點(diǎn)坐標(biāo)值作為診斷參考值。

3 研究結(jié)果

3.1 CESM檢查技術(shù)對(duì)乳腺癌的診斷網(wǎng)絡(luò)滿足較高精度

兩個(gè)網(wǎng)絡(luò)的訓(xùn)練過程見圖5,隨著損失函數(shù)值的減小,兩個(gè)模型的精度都在逐漸提高,最終均可到達(dá)90%以上的精度范圍。因此,將CESM技術(shù)的影像表現(xiàn)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,對(duì)乳腺腫瘤性質(zhì)的判斷可以滿足較高精度,我們有理由認(rèn)為,CESM檢查對(duì)乳腺癌的診斷具有較大的可靠性,其與神經(jīng)網(wǎng)絡(luò)相結(jié)合,可以為影像醫(yī)師提供良好的診斷參考。

圖5 模型訓(xùn)練過程

3.2 加入強(qiáng)化密度屬性可以提高乳腺腫瘤診斷網(wǎng)絡(luò)的準(zhǔn)確率

兩個(gè)網(wǎng)絡(luò)的訓(xùn)練結(jié)果對(duì)比見表3,其中Train-acc代表訓(xùn)練集精度,Test-acc代表測試集精度。據(jù)表4可知,對(duì)于訓(xùn)練集,未剔除強(qiáng)化密度診斷網(wǎng)絡(luò)的精確率較剔除強(qiáng)化密度診斷網(wǎng)絡(luò)的精確率大2.1個(gè)百分點(diǎn),未剔除強(qiáng)化密度診斷網(wǎng)絡(luò)的敏感度較剔除強(qiáng)化密度診斷網(wǎng)絡(luò)的敏感度大2.65個(gè)百分點(diǎn),二者特異度未見差異。因此,引入強(qiáng)化密度屬性是通過影響敏感度來提高網(wǎng)絡(luò)精度的,即強(qiáng)化密度屬性的引入可以減少乳腺癌漏診情況的出現(xiàn),其對(duì)于影像醫(yī)師的診斷來說是一項(xiàng)不可忽略的參考指標(biāo)。

表3 神經(jīng)網(wǎng)絡(luò)模型精確度、敏感度、特異度比較

3.3 最佳臨界值出現(xiàn)在最佳模型敏感度為0.978、特異度為0.949時(shí)

兩個(gè)網(wǎng)絡(luò)的ROC曲線如圖6,由圖可知,兩個(gè)模型ROC曲線的下方面積均較大,二者均可以對(duì)CESM的病灶進(jìn)行較好地診斷,但是相比而言,引入三個(gè)輸入信號(hào)的網(wǎng)絡(luò)為最佳網(wǎng)絡(luò)模型,最佳臨界值也出現(xiàn)在該模型中。診斷參考值出現(xiàn)在其敏感度為0.978、特異度為0.949時(shí),在該點(diǎn)靈敏度最高,誤判率最低,可達(dá)到整體最優(yōu)狀態(tài)。

圖6 ROC曲線

4 結(jié) 語

由于本研究中的病例資料有限,案例之間也具有較大的偶然相似性,CESM技術(shù)是否能夠得以廣泛應(yīng)用,仍需更大規(guī)模的案例資料來進(jìn)行研究。但本文的初步研究結(jié)果表明:

CESM是一種可靠的技術(shù),對(duì)乳腺腫瘤的檢出精度較高,采用三個(gè)輸入信號(hào)的BP神經(jīng)網(wǎng)絡(luò)對(duì)CESM上病灶的強(qiáng)化特點(diǎn)進(jìn)行學(xué)習(xí)訓(xùn)練,測試集可以達(dá)到95.77%的判斷準(zhǔn)確率,因此,CESM檢查有望成為平價(jià)、快捷的MRI替代檢查技術(shù),有必要大力支持其在臨床中的廣泛應(yīng)用;將CESM技術(shù)的影像表現(xiàn)與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合,可以為醫(yī)學(xué)影像醫(yī)師進(jìn)行乳腺癌篩查診斷提供有效的輔助決策反饋,提高早期乳腺癌的檢出率,推動(dòng)“健康中國”建設(shè)中疾病預(yù)防控制系統(tǒng)的擴(kuò)充發(fā)展。

經(jīng)過對(duì)神經(jīng)網(wǎng)絡(luò)輸入信號(hào)集的創(chuàng)新選擇,可對(duì)比驗(yàn)證強(qiáng)化密度在CESM上對(duì)乳腺腫瘤性質(zhì)診斷過程中的重要作用。雖然強(qiáng)化密度交叉列聯(lián)分析的χ2值較強(qiáng)化程度和強(qiáng)化方式小,但是將強(qiáng)化密度納入輸入信號(hào)集可通過影響模型敏感度來提高診斷精度,這說明CESM上病灶的強(qiáng)化密度對(duì)乳腺癌的檢出判斷更加嚴(yán)格,可以減少漏診乳腺癌情況的出現(xiàn)。因此,影像醫(yī)師在臨床診斷時(shí),不應(yīng)忽略強(qiáng)化密度的表現(xiàn)特征,應(yīng)將其納入?yún)⒄辗秶?/p>

最佳模型ROC曲線的最左上方點(diǎn)可達(dá)到敏感度和特異度的整體最優(yōu)點(diǎn),CESM檢查技術(shù)對(duì)于乳腺良、惡性腫瘤診斷的最佳BP神經(jīng)網(wǎng)絡(luò)模型為引入強(qiáng)化程度、強(qiáng)化方式以及強(qiáng)化密度三個(gè)輸入信號(hào)的模型,最佳界值出現(xiàn)在該模型敏感度為0.978、特異度為0.949時(shí),在該點(diǎn)靈敏度最高,誤判率最低,可以該點(diǎn)作為CESM檢查診斷乳腺癌的最佳參考值。