人工神經(jīng)網(wǎng)絡(luò)在類風(fēng)濕關(guān)節(jié)炎診斷中的應(yīng)用

1、人工神經(jīng)網(wǎng)絡(luò)在類風(fēng)濕關(guān)節(jié)炎診斷中的應(yīng)用陳華忠謝忠好曾碧新【摘要】目的：應(yīng)用bp人工神經(jīng)網(wǎng)絡(luò)原理，設(shè)計(jì)一種類風(fēng)濕關(guān)節(jié)炎疾病診斷的方法。方法：選用對(duì)類風(fēng)濕關(guān)節(jié)炎敏感的8個(gè)指標(biāo)，作為bp人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，對(duì)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)。結(jié)果：bp人工神經(jīng)網(wǎng)絡(luò)經(jīng)通過(guò)對(duì)150例樣本的運(yùn)算，訓(xùn)練集的113例樣本，訓(xùn)練正確率為97.4%;預(yù)測(cè)集的37例樣本，預(yù)測(cè)正確率為91.9%。結(jié)論：bp人工神經(jīng)網(wǎng)絡(luò)能為類風(fēng)濕關(guān)節(jié)炎作出較準(zhǔn)確的診斷，能提高診斷的客觀性。【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò);類風(fēng)濕關(guān)節(jié)炎;預(yù)測(cè)類風(fēng)濕關(guān)節(jié)炎(rheuatidarthritis,ra)是一種以關(guān)節(jié)滑膜發(fā)生慢性炎性病變的自身免疫性疾病，其病程多呈

2、進(jìn)行性進(jìn)展，致殘率高，治愈率低下1，早期臨床表現(xiàn)不典型，單項(xiàng)自身抗體檢測(cè)的靈敏度和特異性均有不足，類風(fēng)濕因子的檢出率也偏低，容易造成誤診2，3。因此醫(yī)務(wù)人員主要是通過(guò)敏感性互補(bǔ)的幾個(gè)檢驗(yàn)指標(biāo)和臨床表現(xiàn)對(duì)類風(fēng)濕關(guān)節(jié)炎作出診斷4，但在疾病的診斷中往往帶有很多的主觀因素。近年來(lái)發(fā)展起來(lái)的人工神經(jīng)網(wǎng)絡(luò)是種理論化的數(shù)學(xué)模型,是模仿人腦神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)及其功能而建立起來(lái)的一種信息處理系統(tǒng)，具有自行學(xué)習(xí)、聯(lián)想記憶、錯(cuò)誤容納和強(qiáng)大的非線性處理能力5。因此人工神經(jīng)網(wǎng)絡(luò)常常被應(yīng)用到臨床醫(yī)學(xué)疾病的診斷上。本研究結(jié)合類風(fēng)濕關(guān)節(jié)炎診斷的8個(gè)主要指標(biāo)，設(shè)計(jì)一種基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過(guò)對(duì)150例樣本的網(wǎng)絡(luò)

3、運(yùn)算，探討了人工神經(jīng)網(wǎng)絡(luò)對(duì)類風(fēng)濕關(guān)節(jié)炎診斷的可行性。1人工神經(jīng)網(wǎng)絡(luò)基本原理人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)對(duì)外界信息的學(xué)習(xí)，以特定的方式對(duì)這些信息進(jìn)行處理和概括，從而具備了對(duì)這些信息的識(shí)別功能，并產(chǎn)生了一個(gè)相對(duì)應(yīng)的結(jié)論。因此，再次給人工神經(jīng)網(wǎng)絡(luò)這樣一個(gè)相似的條件時(shí)，神經(jīng)網(wǎng)絡(luò)就會(huì)根據(jù)已學(xué)到的知識(shí)，自行推理判斷，得到一個(gè)我們需要的結(jié)果。1.1人工神經(jīng)元人工神經(jīng)元是組成人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，簡(jiǎn)稱為神經(jīng)元。如圖1顯示了一個(gè)具有r個(gè)輸入分量的人工神經(jīng)元模型6。圖1中p(r=1，2，r)為該神經(jīng)元的輸入數(shù)據(jù);r為該神經(jīng)元分別與各輸入數(shù)據(jù)間的連接強(qiáng)度，稱為連接權(quán)重，權(quán)重值的大小代表上一級(jí)神經(jīng)元對(duì)下一級(jí)神經(jīng)元的影響

4、程度。b為該神經(jīng)元的閾值，f(x)為作用于神經(jīng)元的激勵(lì)函數(shù)，通常采用的是s型函數(shù)，其數(shù)學(xué)表達(dá)式見(jiàn)式(1)7：f(x)=(1+e-qx)-1(1)a為神經(jīng)元的輸出數(shù)據(jù)。神經(jīng)元將接收信息pi與連接權(quán)重i的點(diǎn)乘積求和構(gòu)成其總輸入,在神經(jīng)元閾值b的作用下經(jīng)函數(shù)f(x)的作用,產(chǎn)生信號(hào)輸出a。圖1人工神經(jīng)元模型1.2人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是由多個(gè)不同的神經(jīng)元連接而成，一般含有多個(gè)層次，每個(gè)層次又包含了多個(gè)神經(jīng)元，上一層次的神經(jīng)元只能對(duì)下一層的神經(jīng)元產(chǎn)生作用，同層神經(jīng)元間無(wú)相互作用7。根據(jù)神經(jīng)元的不同連接方式，就形成了不同功能的連接網(wǎng)絡(luò)模型。比如bp神經(jīng)網(wǎng)絡(luò)，khnen神經(jīng)網(wǎng)絡(luò)，hpfield神經(jīng)網(wǎng)絡(luò)等

5、等，多達(dá)數(shù)十種。在醫(yī)學(xué)中應(yīng)用比較廣泛的是bp神經(jīng)(bakprpagatin)，也就是誤差逆向傳遞網(wǎng)絡(luò)8，本研究中采用的也是bp神經(jīng)網(wǎng)絡(luò)。bp神經(jīng)網(wǎng)絡(luò)一般由輸入層，隱含層和輸出層構(gòu)成，其結(jié)構(gòu)模型如圖2所示。神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元是接受外界信息的端口，不包括數(shù)據(jù)運(yùn)算功能，他將外界的輸入數(shù)據(jù)通過(guò)一個(gè)連接權(quán)重傳遞給下一隱含層的神經(jīng)元。隱含層是神經(jīng)網(wǎng)絡(luò)的核心部分，數(shù)量上可以有一個(gè)或多個(gè)層次，隨著層次的增多，網(wǎng)絡(luò)結(jié)構(gòu)變得更復(fù)雜，網(wǎng)絡(luò)數(shù)據(jù)處理功能也增強(qiáng)。網(wǎng)絡(luò)的最后一層是輸出層，輸出層接收到隱含層的各項(xiàng)信息，然后經(jīng)過(guò)轉(zhuǎn)換把信息傳給外界。輸入層隱含層輸出層圖2bp人工神經(jīng)網(wǎng)絡(luò)模型1.3人工神經(jīng)網(wǎng)絡(luò)工作原理為了解

6、決臨床上對(duì)疾病的預(yù)測(cè)或識(shí)別等問(wèn)題，神經(jīng)網(wǎng)絡(luò)主要是通過(guò)學(xué)習(xí)來(lái)獲取知識(shí)或經(jīng)驗(yàn)的，這一過(guò)程總體上可分為訓(xùn)練和預(yù)測(cè)兩個(gè)階段。所謂訓(xùn)練就是形成一種病因與疾病之間的函數(shù)映射關(guān)系，即給定一個(gè)實(shí)際輸出與期望輸出的目標(biāo)誤差值，將病人的各種病因、實(shí)驗(yàn)室檢查、影像超聲檢查、臨床表現(xiàn)等作為網(wǎng)絡(luò)的輸入信息加到其輸入端，輸入信息經(jīng)過(guò)隱含層神經(jīng)元的處理后，傳遞給輸出層。如果輸出層得到的結(jié)果大于預(yù)先給定的誤差目標(biāo)值時(shí)，神經(jīng)網(wǎng)絡(luò)將這種誤差信號(hào)沿原來(lái)的傳遞路線逐層返回，并調(diào)節(jié)各個(gè)層次間神經(jīng)元連接的權(quán)重值，這種過(guò)程不斷交替進(jìn)行，直到誤差達(dá)到目標(biāo)值時(shí)，訓(xùn)練過(guò)程結(jié)束。經(jīng)過(guò)訓(xùn)練可使疾病的各種情況分布到連接權(quán)上,使學(xué)習(xí)后的網(wǎng)絡(luò)權(quán)重值存儲(chǔ)了

7、臨床癥狀和疾病類型等相關(guān)的知識(shí)，此時(shí)可以認(rèn)為神經(jīng)網(wǎng)絡(luò)建立起了病人的各種因素與該病人是否患有某種疾病的映射關(guān)系，這種映射關(guān)系就是一個(gè)預(yù)測(cè)疾病的判別函數(shù)。預(yù)測(cè)就是檢驗(yàn)判別函數(shù)的可靠程度，利用一些未包括在訓(xùn)練集中的樣本構(gòu)成預(yù)測(cè)集，將預(yù)測(cè)集中與疾病相關(guān)的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中去，在訓(xùn)練階段所得到的判別函數(shù)的作用下，就可以得到一個(gè)測(cè)試結(jié)果，從網(wǎng)絡(luò)的輸出端就可以診斷病人是否為疾病患者。2人工神經(jīng)網(wǎng)絡(luò)診斷類風(fēng)濕關(guān)節(jié)炎實(shí)例2.1病例選取及變量確定實(shí)驗(yàn)數(shù)據(jù)來(lái)源于哈爾濱醫(yī)科大學(xué)附屬醫(yī)院，總共有150例。其中類風(fēng)濕關(guān)節(jié)炎患者83例，女71例，占85.5%;男12例，占14.5%。年齡范圍為2079歲，平均年齡為4

8、8.92歲。所有患者均符合1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)。用來(lái)作正常對(duì)照的有67例，其中女62例，占92.5%;男5例，占%7.5，年齡范圍為1879歲，平均年齡為43.63歲。病人資料主要包括臨床癥狀與體征，相關(guān)實(shí)驗(yàn)室檢查，相應(yīng)影像學(xué)檢查。根據(jù)中華醫(yī)學(xué)會(huì)風(fēng)濕病學(xué)分會(huì)制定的類風(fēng)濕關(guān)節(jié)炎診斷指南，典型的類風(fēng)濕關(guān)節(jié)炎按照1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)來(lái)診斷并不困難，但某些不典型、早期類風(fēng)濕關(guān)節(jié)炎，常常被誤診或漏診。2008年，胡勇等9通過(guò)研究發(fā)現(xiàn)，抗p抗體對(duì)類風(fēng)濕關(guān)節(jié)炎的敏感性和特異性分別為80.0%和93.7%，聯(lián)合抗p抗體和rf可以提高診斷的準(zhǔn)確性,對(duì)類

9、風(fēng)濕關(guān)節(jié)炎的早期診斷有重要意義。因此為了提高神經(jīng)網(wǎng)絡(luò)診斷各種類型類風(fēng)濕關(guān)節(jié)炎的準(zhǔn)確率，我們選取了x1(關(guān)節(jié)晨僵)、x2(對(duì)稱性關(guān)節(jié)炎)、x3(腕、掌指或者近端指間關(guān)節(jié)至少有一個(gè)關(guān)節(jié)腫)、x4(3個(gè)或者3個(gè)以上關(guān)節(jié)部位腫)、x5(關(guān)節(jié)x線改變)、x6(皮下結(jié)節(jié))、x7(rf)和x8(抗p抗體)這8個(gè)指標(biāo)來(lái)作為神經(jīng)網(wǎng)絡(luò)運(yùn)算的輸入數(shù)據(jù)。其中x1、x2、x3、x4、x5、x6和x7這幾個(gè)輸入數(shù)據(jù)是1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)所包含的內(nèi)容，x8是為了提高對(duì)不典型、早期類風(fēng)濕關(guān)節(jié)炎的診斷所采用的輸入數(shù)據(jù)。上述x1、x2、x3、x4、x5、x6是定性變量(離散變量)，臨床上常用陽(yáng)性和陰

10、性來(lái)描述，實(shí)驗(yàn)中用1和0對(duì)這些變量進(jìn)行賦值，當(dāng)變量值為1時(shí)表示陽(yáng)性，為0時(shí)表示陰性;而變量x7、x8是定量變量(連續(xù)變量)，用原始數(shù)據(jù)來(lái)描述。2.2確定訓(xùn)練樣本及預(yù)測(cè)樣本在以上150例樣本中(83例類風(fēng)濕關(guān)節(jié)炎和67例正常對(duì)照)中分別選取63例類風(fēng)濕關(guān)節(jié)炎和50例正常對(duì)照的樣本，用來(lái)組成訓(xùn)練集，并用1113的數(shù)字對(duì)其進(jìn)行順序編號(hào)，163號(hào)代表是類風(fēng)濕關(guān)節(jié)炎，64113號(hào)代表的是正常對(duì)照組的樣本。剩余的樣本用來(lái)組成預(yù)測(cè)集，集中樣本總數(shù)為37例，其中類風(fēng)濕關(guān)節(jié)炎患者有20例，正常對(duì)照組有17例，也用同樣的方法進(jìn)行編號(hào)。訓(xùn)練集與預(yù)測(cè)集樣本比例大約為4:1。2.3網(wǎng)絡(luò)參數(shù)的設(shè)定及算法程序首先對(duì)神經(jīng)網(wǎng)絡(luò)

11、參數(shù)設(shè)定如下：輸入神經(jīng)元個(gè)數(shù)為8，輸出神經(jīng)元個(gè)數(shù)為1，期望目標(biāo)輸出值用0表示正常，用1表示類風(fēng)濕關(guān)節(jié)炎，隱含層采用tansig函數(shù)。訓(xùn)練次數(shù)為6000次，訓(xùn)練目標(biāo)為0.06，學(xué)習(xí)速度為0.05，網(wǎng)絡(luò)連接權(quán)重初始值是-1,1之間的隨機(jī)數(shù)，其次網(wǎng)絡(luò)進(jìn)行運(yùn)算所采用的是批動(dòng)量梯度下降算法，應(yīng)用atlab6.5來(lái)編寫(xiě)該程序算法。2.4訓(xùn)練及預(yù)測(cè)結(jié)果將訓(xùn)練集樣本的8個(gè)指標(biāo)輸入到bp網(wǎng)絡(luò)的算法程序中，網(wǎng)絡(luò)經(jīng)過(guò)500次的訓(xùn)練后，達(dá)到了訓(xùn)練目標(biāo)的要求，訓(xùn)練結(jié)果如圖3所示，預(yù)測(cè)輸出以0.5為閾值，0.5者為類風(fēng)濕關(guān)節(jié)炎患者，0.5者為正常對(duì)照樣本。圖3113例樣本訓(xùn)練結(jié)果從訓(xùn)練得到的圖形可以看出，63例類風(fēng)濕關(guān)節(jié)

12、炎患者中有54例訓(xùn)練結(jié)果都在目標(biāo)輸出值1附近，而且非常靠近1。只有9例稍微偏離了目標(biāo)輸出值1，由于輸出結(jié)果均在0.51.5的范圍內(nèi)，可以認(rèn)為訓(xùn)練結(jié)果與實(shí)際相吻合。類似的在50例正常對(duì)照組中，有47例輸出結(jié)果都在目標(biāo)值0的附近，輸出值都在00.5之間，訓(xùn)練結(jié)果與實(shí)際也相吻合。而編號(hào)為64、75、92的3例樣本，其輸出值大于0.5，明顯大于目標(biāo)輸出值0，樣本訓(xùn)練結(jié)果有錯(cuò)誤。綜上所述，訓(xùn)練集中113例樣本有110訓(xùn)練正確，訓(xùn)練正確率達(dá)到97.4%。經(jīng)過(guò)訓(xùn)練可以得到一個(gè)能反映類風(fēng)濕關(guān)節(jié)炎疾病情況的神經(jīng)網(wǎng)絡(luò)模型。把預(yù)測(cè)集樣本的數(shù)據(jù)導(dǎo)入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去，進(jìn)行預(yù)測(cè)，預(yù)測(cè)的結(jié)果如圖4。圖437例樣本預(yù)測(cè)

13、結(jié)果從上圖的輸出結(jié)果可以看出，在20例類風(fēng)濕關(guān)節(jié)炎樣本的預(yù)測(cè)中，19例樣本的輸出結(jié)果主要集中在目標(biāo)輸出值1附近，沒(méi)有超出0.51.5的范圍，可以視為預(yù)測(cè)結(jié)果與實(shí)際相符合，而編號(hào)為1的樣本，其輸出值小于0.5，偏離了目標(biāo)輸出值1，預(yù)測(cè)結(jié)果錯(cuò)誤。另外17例正常對(duì)照組中，15例預(yù)測(cè)結(jié)果與實(shí)際相符合，而編號(hào)為27、33號(hào)的樣本其輸出值大于0.5，明顯偏離目標(biāo)輸出值0，預(yù)測(cè)不正確。所以對(duì)于預(yù)測(cè)的總體樣本來(lái)說(shuō)，34例預(yù)測(cè)正確，準(zhǔn)確率為91.9%，靈敏度為94.7%，特異度為86.7%。訓(xùn)練集和預(yù)測(cè)集的樣本，經(jīng)bp神經(jīng)網(wǎng)絡(luò)運(yùn)算，其結(jié)果如表1所示。表1bp神經(jīng)網(wǎng)絡(luò)測(cè)試樣本的計(jì)算結(jié)果3討論由表1可知,2例預(yù)測(cè)有

14、誤的樣本，它們來(lái)源于預(yù)測(cè)集的正常對(duì)照組中。同樣在訓(xùn)練階段，運(yùn)算有誤的3例樣本也全都來(lái)源于訓(xùn)練集的正常對(duì)照組中。由此可見(jiàn)，運(yùn)算有誤的樣本在訓(xùn)練集和預(yù)測(cè)集之間存在一種對(duì)應(yīng)關(guān)系，即神經(jīng)網(wǎng)絡(luò)對(duì)樣本訓(xùn)練的錯(cuò)誤率越高，其預(yù)測(cè)的準(zhǔn)確率就越低。同時(shí)，一些樣本的訓(xùn)練和預(yù)測(cè)結(jié)果也出現(xiàn)了較大范圍的波動(dòng)，沒(méi)有集中在目標(biāo)值為1和0的這兩條直線上。出現(xiàn)這種結(jié)果的原因可能是：有些樣本數(shù)據(jù)偏倚，訓(xùn)練樣本總數(shù)又不是很多，從而導(dǎo)致這些數(shù)據(jù)偏倚的樣本所占的比例較大，在總體中表現(xiàn)出來(lái)的作用也就較強(qiáng)。因此加大訓(xùn)練樣本的數(shù)量，選擇數(shù)據(jù)偏倚較少或者更有代表性的樣本來(lái)學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)就能更準(zhǔn)確的反映疾病自身情況，同時(shí)網(wǎng)絡(luò)所包含的病因與疾病

15、間相映射的函數(shù)關(guān)系也就更具有普遍性。對(duì)疾病診斷過(guò)程而言，人工神經(jīng)網(wǎng)絡(luò)能夠模擬專家級(jí)醫(yī)師診斷疾病的思維過(guò)程和獲得診斷疾病的相關(guān)知識(shí)。此后對(duì)疾病進(jìn)行預(yù)測(cè)時(shí)就可以避免醫(yī)師對(duì)疾病診斷的主觀性及思維定勢(shì)，因此能提高疾病診斷的客觀性。盡管臨床上也存在一些疾病患者，往往因?yàn)樵\斷數(shù)據(jù)的缺失，給醫(yī)師診斷帶來(lái)了很多的困難或是誤診，然而神經(jīng)網(wǎng)絡(luò)具有的容錯(cuò)性質(zhì)以及能根據(jù)訓(xùn)練得來(lái)的知識(shí)和處理問(wèn)題的經(jīng)驗(yàn)，對(duì)上述缺失的數(shù)據(jù)等這種復(fù)雜的問(wèn)題，做出合理的判斷與推理，從而為病人做出較正確的診斷。在疾病診斷方面，按照1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)，對(duì)一些不典型，早期的類風(fēng)濕關(guān)節(jié)炎常常不能作出正確的診斷，特異性也

16、低，往往造成誤診。然而基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過(guò)對(duì)37例樣本的預(yù)測(cè)，預(yù)測(cè)結(jié)果表明：本方法對(duì)類風(fēng)濕關(guān)節(jié)炎的診斷，其準(zhǔn)確率為91.9%，靈敏度為94.7%，特異度為86.7%，可作為疾病診斷的一種新方法。當(dāng)然，實(shí)驗(yàn)中也存在一些問(wèn)題有待于進(jìn)一步研究,如輸入變量的選擇及其數(shù)據(jù)處理，網(wǎng)絡(luò)初始權(quán)重的計(jì)算，網(wǎng)絡(luò)訓(xùn)練的最佳原則，隱含層數(shù)的設(shè)計(jì)等等。隨著研究的進(jìn)一步深入，人工神經(jīng)網(wǎng)絡(luò)必將得到臨床工作者的認(rèn)同并為疾病研究帶來(lái)諸多的便利。【參考文獻(xiàn)】1顧福榮,張義東,施錦杰.抗p抗體、抗ra33抗體、抗sa抗體和rf聯(lián)合檢測(cè)對(duì)類風(fēng)濕性關(guān)節(jié)炎診斷的意義.江西醫(yī)學(xué)檢驗(yàn),2007,25(1):2425.4王青青.類風(fēng)濕性關(guān)節(jié)炎的診斷與治療.全科醫(yī)學(xué)臨床與教育.2008,6(2):9294.5孫文恒,王煒,周文策.