这是一篇ANN技术的理论在临床神经学中的应用前景，人们将人工神经网络(ANN)这项新的分析工具引入了临床疾病的诊断与疗效预测。这项技术能够分析错综复杂的非线性数据集，由此而受到了临床医师的特别关注。
关键词 人工神经网络 反向传播 BP网络 遗传算法 模式识别 诊断 预测
在临床上有许多疾病情况不能用单一的参数来进行判断，代写论文而是需要对多个临床病理表现(症状、体征)和检测指标进行综合分析后才能得出结论。因此，人们将人工神经网络(ANN)这项新的分析工具引入了临床疾病的诊断与疗效预测。这项技术能够分析错综复杂的非线性数据集，由此而受到了临床医师的特别关注。本文主要介绍ANN技术的理论背景，同时探讨当代和将来这一技术在临床诊疗中可能的应用前景。
1 人工神经网络的发展历史所有的人工神经网络都是一种神经元计算机模拟系统。人的大脑是由神经元网络体系构成的，感觉神经元通过感受器接受周围环境的各种变化(即刺激)，并把刺激能量转化为神经冲动，经传入神经传至中枢，经过中枢的分析综合，然后将信息沿传出神经传至效应器，以支配和调节各器官的活动。一些神经元接受来自其它神经元的信号输入而产生兴奋或抑制，当兴奋达到一定的阈值时，神经元就产生冲动，而且这一过程本身可以重复。正因为如此，一个神经元的输出总是与其输入是一对一的关系。同样，人类的适应和学习过程也是如此，必须通过神经元之间联系强度的改变来诱导。一个神经元使另一神经元兴奋的能力不是恒定的，可以随“经验”而变化，在一个神经元网络中，其输出仍然可以通过输入的相关函数来计算。由于网络中的关联强度是可变的，网络的输出与其输入的相关性可以随“经验”而改变，这就是Hebb[海布]最早提出的生物神经细胞之间的作用规律，这种调节规则称之为海布法则(Hebbian):当神经元输入与输出节点的状态相同(即同时兴奋或抑制)时，从第j个到第i个神经元之间的连接强度则增强，否则则减弱[1]。
1.1 20世纪40年代，美国的心理学家W.McCul-loch[麦卡洛克]和数学家W.Pitts[皮茨]在分析和研究了人脑细胞神经元后用电路构成了简单的神经网络数学模型(简称MP模型)。这种网络是一个由简单几个神经元构成的理论数学模型，可以计算任意有限的基础性Boolean逻辑函数，包括符号逻辑。
1.2 50年代，是ANN发展的一个重要阶段，有一位心理学家，叫Rosenblatt[罗森布拉特]，他将人脑看成为学习联想器，对刺激所产生的反应进行计算分类。Rosenblatt不是将识别看成为一种符号逻辑函数，而是假定一种基于统计学可分性的神经元分析方法，所以他开发了一类称之为感知器的网络系统(图1)。最简单的感知器网络是由3层神经元细
胞组成，来自第一层的输入通过部分的或随机的基底节连接到细胞的中间层或关联层，这些神经元然后以随机的方式连接到感应层的神经元。感应神经元产生网络的输出，同时相互抑制，不接受来自关联神经元的输入。所以，当一个感知器以输入的方式存在时，各种关联细胞被激活，并且可依次激活一些感应细胞。接受最强输入的感应细胞抑制其它感应细胞，而其本身的感应变成输出。已经证实感知器能进行综合归纳(即对一个输入相类似的陈述能给出相同的反应)，况且，感知器还具有学习的能力。
1.3 1959年，美国的B.Widrow[威德罗]和M.Hoff[霍夫]是ANN实际应用的先驱者，他们首先开发了一种简易的类似于感知器的元件，叫做ADA-LINE(adaptive linear element，自适应线性元件)，和称之为MADALINE (multiple adalines)的ADA-LINEs网络系统。这类元件现在已经用于长途电话线路的适应性回声抑制器和MODEMs(调制解调器)的噪音抑制器。Widrow和Hoff还创建了一种W-H学习法则，也称之为最小均方差(least meansquare，LMS)规则，能够得到比感知器更快的收敛速度和更高的精度，这种学习算法至今还在广泛应用。
1.4 70年代，Teuvo Kohonen[科荷伦]创建了关联记忆理论，就是将一对样本储存，当这两个成对样本中的一个出现时，可直接提出关联样本，而不需要任何方式的寻找。所以，关联记忆实际上是地址性内容。Kohonen还创立了一种自组织映射网络，当外界输入不同的样本到Kohonen白组织映射网络中，一开始时输入样本引起输出兴奋的位置各不相同，但通过网络自组织后会形成一些输出群，它们分别代表了输入样本的分布，反映了输入样本的图形分布特征，所以Kohonen网络常被称之为特征图。人脑的许多功能区域都表现为地图学结构，生物细胞中的这种功能柱现象在Kohonen网络模型中有所反映。
1.5 1982年，美国加洲工学院物理学家J.Hopfield[霍普非尔德]发表了一篇对人工神经网络研究颇有影响的论文[1]。他提出了一种具有相互联接的反馈型人工神经网络模型，并将Lyapunov能量函数的概念引入到Hopfield网络的研究中，给出了网络的稳定性判据，并用来求解约束优化问题，如旅行商问题(traveling salesman problem，TSP)的求解，实现A/D转换等。Hopfield网络已成功地应用于多种场合，现在仍常有新的应用的报道。具体应用方向主要集中在以下方面:图像处理、语音处理、信号处理、数据查询、容错计算、模式分类、模式识别等。神经网络研究中一个最重要的发展就是多层前向网络权值修正学习算法的发现，这一算法称之为反向传播(Back-Propagation，BP算法)，是美国哈佛(Haevard)大学博士Paul Werbos创立的，它由两部分组成:信息的正向传递与误差的反向传播。这一重要发明促进了神经网络在解决非线性问题方面的应用，同时也扩展了神经网络在解决某些实际问题方面的应用，包括一些医疗中常见的问题。反向传播网络(Back-Propagation Network，简称BP网络)是对非线性可微分函数进行权值训练的多层前向网络。在人工神经网络的实际应用中，80%~90%的人工神经网络模型是采用BP网络或它的变化形式，它主要用于以下几个方面:函数逼近:用输入矢量和相应的输出矢量训练一个网络逼近一个函数;模式识别:用一个特定的输出矢量将它与输入矢量联系起来;分类:把输入矢量以所定义的合适方式进行分类;数据压缩:减少输出矢量维数以便于传输或储存。可以说，BP网络是人工神经网络中前向网络的核心内容，体现了人工神经网络最精华的部分。
2 人工神经网络的工作原理神经网络有许多类型，在医学上，最常见的是多层前向感知器(Multilayer feedforward perceptron)(MLP或MLFF)，这种类型的网络体现了大多数网络的一般原理。一旦设计出了ANN软件，就必须对其进行训练和有效化。ANN的工作原理实际是一种有效的学习算法，根据ANN类型及其应用目的，有多种学习算法可以采用，而最常用的学习算法是反向传播。
2.1 反向传播(Back-Propagation，BP算法)BP算法属于δ算法，是一种监督式的学习算法[2]。其主要思想为:对于q个输入学习样本:P1，P2，…，Pq，已知与其对应的输出样本为:T1，T2，…Tq。学习的目的是用网络的实际输出A1，A2，…Aq与其目标矢量T1，T2，…Tq之间的误差来修改其权值，使An(n=1，2，…，q)与期望的Tn尽可能接近，即:使网络输出层的误差平方和达到最小。它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。神经元的第一层代表预选输入参数，中层称之为隐含层，因为它们不直接与数据接触，而只是输入与输出神经元之间的通路(图1)。BP算法包括信息的正向传递与误差的反向传播。在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的输出作用于下一层神经元输入。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标。反向传播可通过整个训练过程使网络输出的均方误差最小化(即达到数据的最佳适应性)。每次学习训练允许修正的值必须在训练期前确定。一般来讲，问题越复杂，允许修正的值就越小。对于一些复杂的问题，BP算法可能要进行几小时甚至更长时间的训练。这主要是由于学习速率太小所造成的。对于复杂的网络，其误差函数为多维空间的曲面，就像一个碗，其碗底是最小值点。但是这个碗的表面是凹凸不平的，因而在对其训练过程中，可能陷入某一小谷区，而这一小谷区产生的是一个局部极小值。由此点向各方向变化均使误差增加，以至于使训练无法跳出这一局部极小值。为防止ANN陷入局部极小值和丢失最低误差值，则需要给网络提供一个学习动量。这种情况类似于一个登山者从山顶往下跑，觉得有一种往前推进的动力，到达山凹的底部后，又不得不往上走(即矛盾论上行)。
2.2 遗传算法(Genetic Algorithm，简称GA)根据达尔文的进化论，生物发展进化主要有三个原因，就是遗传、变异和选择。遗传就是子代总是和父亲相似，遗传性是一切事物所共有的特性，正是这种遗传性，使得生物能够把它的特性、性状传给后代，在后代中保持相似。遗传算法就是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性搜索算法。该算法最早是由美国的J.H.Holland教授1975年发表的论文“自然和人工系统的适配”中提出的一种仿生物进化过程的最优化方法，它模拟了自然选择和自然遗传过程中发生的繁殖、交换、变异现象，它根据适者生存、优胜劣汰的自然法则利用遗传算子:选择、交叉、变异逐代产生、优选个体，最终搜索到较优的个体。具有不需要求梯度、能得到全局最优解、算法简单、可并行处理等优点[2]。ANN运行越精确，其特征就最有可能并入下一代。复制的“染色体”经过交换，使运行更好的ANN成分得到组合。在系统中，同样可能有人工诱导的随机“突变”，其训练、复制、交换和突变的过程可以重复，直到形成最佳的网络结构。
3 人工神经网络的应用针对某些特殊问题需设计不同类型的ANN，因此就产生了ANN的分类。应用方面包括:限制性条件满足与最优化，代写毕业论文数据压缩，预测与危险判断，控制，内容可寻址存储，多传感器数据融合，模式识别，以及诊断等[3，4]。
3.1 限制性条件满足与最优化许多类型的问题解决需要定义系统的变量局限在所给予的一定值。例如，一个商人要在n个城市中不重复地各走一遍，则必须计算出在这些城市之间旅行的最佳方式。这种情况代表最优化和限制性问题。这类问题在机械制造中常可以遇到，例如，在最可能短的时间内必须钻多少个孔，时间与钻子穿过的路程直接相关。
3.2 数据压缩在数据压缩中，ANN需计算出输入空间维数的减数(即要将输入的信息从n-维空间转换成m-维空间，其m
3.3 预测与危险判断ANN在许多方面可作为成功的预测工具，包括许多金融机构应用ANN来进行股票选择，外汇交易和有价证券交易。
3.4 控制需要精确机械控制的工业，如装载的运动跟踪或激光的最佳切割部位，都要应用神经网络技术。
3.5 内容可寻址存储ANN设计作为可检索信息的存储器，表现为“联想”模型-即相同(自身联想)或类似、但不同(异型联想)-称之为“内容可寻址”。这类ANN的应用局限，但构成了其它许多网络结构类型的基础。
3.6 多传感器数据融合传感器数据融合是从多个来源组合数据的过程，所以，比通过个别分析产生的信息更多。一个贴切的例子，就是人类与自然相互制约的方式，神经系统对感受器获得的信息进行必要的综合，让我们解释周围环境。
3.7 模式识别ANN具有最佳的识别复杂模式的性能，如视觉和语言模式。
3.8 诊断ANN已经用于整个工程和医疗的各个学科中的有关诊断。人们现已认识到，许多生物系统极其复杂，基于众多的相互依赖的因素，是一种非线性关系，不能依照标准的统计学方法来进行分析。
4 人工神经网络在医学中的应用近年来，ANN在生物医学中应用的有关文献成指数增长。由于这一技术的性质，不可避免地在神经科学领域中发表的文章较多。然而，除疾病诊断外，ANN同样还用于影像、波形分析(模式识别)以及治疗效果预测(预测与危险判断)[5，6]。
4.1疾病诊断ANN最早在临床医学中应用的领域之一就是临床疾病诊断。早在1989年，有人将ANN用于心肌梗塞的诊断。有研究表明，通过适当训练的ANN分析出的结果与通过其它计算机软件包分析和临床医师判断得到的结果一致，其敏感性和特异性超过95%。华中科技大学生命科学与技术学院施侣元教授等设计了“人工神经网络在糖尿病筛查中的应用研究”，该研究的基本思路为:采用几个非常易于获得的与糖尿病状态密切相关的指标，如年龄、糖尿病家族史、身高、体重、腰围、臀围等，利用人工神经网络卓越的模
相关推荐：
