模式識別在醫學工程領域的應用

馮世領

衛生部北京醫院 醫學工程科， 北京100730

模式識別在醫學工程領域的應用

馮世領

衛生部北京醫院 醫學工程科， 北京100730

本文簡要介紹了模式識別的方法，包括決策理論、句法分析和人工神經網絡，并指出了不同方法的特點和適用情況，進而介紹了模式識別方法在醫療器械采購風險分析、故障間期分析和損失評估等方面的應用，并提出了將模式識別技術應用于輔助排錯方面的構想，闡述了應用方式、可能遇到的困難以及解決困難的思路和設想。

模式識別；貝葉斯決策理論；句法分析；醫療器械風險評估；預防性維護

0 前言

認識世界是人類的一項基本智能。模式識別（Pattern Recognition）技術則是以計算機科學為基礎，對事物進行感知和區分的一種新興的、極具活力、具有廣泛應用范圍和前景的人工智能技術[1-2]。在過去的幾十年中，模式識別技術在醫學信號分析、醫學影像處理和臨床輔助診斷等方面已有較為成熟的應用，是現代醫學發展的重要助力。醫學工程（Medical Engineering）學科是應用工程理論、技術來研究和解決與醫學有關的工程問題的新興交叉學科。這兩種新興學科的碰撞，必將迸發出絢麗的火花。

1 關于模式識別

1.1 模式識別定義和方法

1.1.1定義

模式識別或稱模式分類（Pattern Classification），是指對表征事物或現象的各種形式的（數值的、文字的和邏輯關系的）信息進行處理和分析,以對事物或現象進行描述、辨認、分類和解釋的過程[3]。這一過程主要包括：輸入原始數據（模式的數據采集）；確定并提取模式特征（基于先驗的特征選擇）；判別模式類別（基于先驗的類別選擇）；并根據其類別采取相應行為等（訓練、評價）[4]。

1.1.2 模式識別方法

（1）決策理論方法（Decision Theoretic Approach），又稱統計方法，是發展較早、比較成熟的一種方法，也是理論基礎最為扎實的一種方法。它通過特征提取，使得輸入模式從對象空間映射到特征空間，即通過多維特征空間中的一個點或一個特征向量表示輸入模式。特征的選取依賴于具體的識別對象，要盡量使得模式在特征空間中“抱團”，即所選取的特征對于某種分類應用來說，能夠真正地表現出模式的“特點”。最后，再通過引入合適的判別函數對出入模式進行合理的分類。

（2）句法方法（Syntactic Approach），又稱結構方法或語言學方法。其基本思想是通過選取合適的基元（底層的最簡單的子模式）和語法（轉化規則），把一個模式轉化為樹形結構。所謂句法分析，即分析給定的模式語句是否符合指定的語法，滿足某類語法的即被分入該類。

（3）人工神經網絡（Artificial Neural Network Approach），是一個由大量簡單的處理單元組成的高度復雜的大規模非線性自適應系統，是從生理的角度對人類大腦系統的一階特性的一種描述。它通過網絡權系數和激勵函數對輸入模式進行響應，輸出分類結果；并通過訓練，對權系數進行矯正，改善神經網絡性能。

模式識別方法的選擇取決于問題的性質。如果先驗類的概率和類的條件概率密度或分布是清晰的，則最好采用決策理論方法，因為這種方法的理論基礎最為扎實，能夠給出最優化的結果；如果被識別的對象極為復雜，但包含豐富的結構信息，一般采用句法方法，這樣可以充分利用上下文關系解決問題；如果待解決問題需要突出系統的學習能力，則人工神經網絡的方法更為合適，這種方法便于通過訓練（學習）來調整網絡權系數，進而改善系統性能。在實際應用中，將各種方法結合起來能夠更好地解決問題。

1.2 模式識別的應用范圍

模式識別可用于文字、語音、遙感、工程和醫學等各個領域。在醫學領域中，尤其是臨床醫學中，模式識別在臨床自動檢驗和分析、心電和腦電信號提取分析、醫學影像處理和分析、自動治療計劃和輔助診斷等方面，已取得了成效，這些在傅京孫教授[2]的著作中已有闡述。近年來，模式識別技術在醫學領域中的應用發展迅速，如石宏理、羅述謙等人[5]在磁共振圖像降噪方面取得的成果。另外，模式識別在腦-機接口[6]（Brain-Computer Interface, BCI）和臨床專家系統（輔助診療）等方面的應用也發展極快。

在工程領域中，模式識別在工程可靠性分析、機械部件識別、故障檢查和判斷、設備風險評估等方面應用廣泛。

2 模式識別在醫學工程中的應用

醫學工程學是醫學與工程學相融合的一門交叉學科，以醫學需求引導工程發展，以工程發展推動醫學進步[7]。近年來，由于醫學和工程學的飛速發展，以及兩者愈發緊密地結合，使得醫學工程學這一年輕的學科發展迅猛，其應用范圍不斷擴展，這就需要有更多的理論和技術支持，以滿足多方面的應用需求。模式識別就是其中重要的一員。目前，模式識別在醫學工程學中的應用主要體現在風險評估（Risk Estimation）與輔助決策等方面。

2.1 模式識別在風險評估方面的應用

風險評估主要是針對醫療器械而言。醫療器械直接作用于人體，它的安全性和有效性直接關系到醫療機構的社會和經濟效益，其全生命周期管理包括設計、制造、市場、使用、質控、維修、處置等眾多環節，每個環節都可以通過風險評估來提高效益。

2.1.1 采購環節

針對醫療器械的價值、技術、環境等風險因素隨時間變化快的情況，張洪鵬等人[8]提出采用便于將定性的描述進行量化比較的模糊綜合評價法來進行風險評估。該方法一般分為6步：① 收集風險因素，構建因素集；② 對因素集劃分等級，建立備擇集；③ 對風險因素進行獨立評價，建立判斷矩陣；④ 根據各風險因素的影響程度確定其權重；⑤ 利用模糊數學方法，計算綜合評價結果；⑥ 根據結果給出風險評價意見。由此，可得出對簡單采購方案風險的量化比較結果。

2.1.2 質控環節

對于醫療器械來講，其主要工作內容之一就是建立并執行預防性維護計劃（Preventive Maintenance, PM），即在獲知設備發生故障或性能下降隨時間的概率分布后，有針對性地提前對其進行維護，以降低實際的故障發生概率。周丹等人[9]對基于風險評估的設備管理進行了闡述，認為物理、臨床、技術等醫療風險在醫學工程中都表現為故障信息，對其進行風險評估主要包括基于報告、經驗和先驗知識的風險分析，基于以專家評分來確定權重的風險評估，基于技術水平和監控能力的風險控制等內容，其核心工作就是確定PM時間間隔。

在此基礎上，劉延武等人[10]利用基于Weibull分布的故障間期分布函數，對醫療器械故障進行可靠性和風險率分析。他們認為，在醫療設備的質量控制中, 故障間期（Failure Interval）是醫療設備的壽命數據,其特點是：① 故障間期始終是正值,單位是時間單位；② 故障間期數據不可能精確地被觀察到,因此，只知道它們之中一些高于某個定量。這一數據由以往的維修記錄和先驗知識而來，通過如醫學工程保障信息系統等方式獲取，得到各種類型醫學工程質量控制所需的相應類型的故障間期。其方法簡述如下：

假設醫療設備故障間期分布函數為F(t)（不可直接估算） ,則醫療設備故障間期分布密度函數f (t) = F′(t) ,以及醫療設備故障風險率函數λ( t) = f (t) / [ 1- F (t) ]。設Ti ( i = 1, 2, …, n)表示醫療設備故障間期,它們是非負獨立同分布的隨機變量。針對這類隨機數據,得到醫療設備故障間期分布函數F(t)的經驗估計。同時大量實驗表明故障間期的分布遵循著韋伯（Weibull）分布，因此采用Weibull分布函數擬合醫療設備故障間期的經驗分布函數，并據此計算出醫療設備故障風險率函數：

其工程意義在于可以根據故障風險高低來制定、實施不同的應對措施，有針對性地降低損失。對于這類壽命數據分析的問題，目前已有較為成熟的商業軟件，如ReliaSoft的Weibull++等。

2.2 模式識別在輔助排錯（Assisted Troubleshooting）方面的應用

一般的故障排錯工作包括故障檢出、原因分析、故障定位、性能監測等環節，最核心的工作就是通過對故障現象、使用環境等影響因素的檢測和分析，判斷出故障部位并做出相應的處理。為方便進行此項工作，很多設備廠家在產品設計和制造時就有所考慮，采取了很多措施，如內置錯誤代碼或是連接外置的故障診斷程序等。但限于技術能力，以及實際工作的困難程度，這些措施的適用性小、成本高，而且只能給出一個較大的故障參考范圍，準確程度也不能令人滿意，對于工程師的幫助力度有限[11]。目前進行故障排錯，主要還是依靠工程師的知識和經驗。由于這些知識和經驗是專屬于個人的資源，不是標準化的數據，所以很難復制（一致性）、傳輸（傳授他人）、存儲（知識和經驗的積累）和查詢（參考、借用他人知識和經驗）；而資源的總量不大（技術好的工程師總是少數），且不易增長（教和學都不是容易的事）[12]。這些原因就成為了限制故障排錯總體水平提高的瓶頸。能不能充分利用這些資源為所有的工程師提供幫助，從而突破技術瓶頸呢？輔助決策系統應該是一個行之有效的方法。

在很多領域中都運用了模式識別中的統計決策理論方法進行輔助決策，并進展迅速，如疾病輔助診斷系統等。本文所提出的輔助排錯（也可稱為故障判別）系統，也是這種方法在工程維修（Service）方面的一種運用，即在已知故障模式類的概率和類的故障現象條件概率密度或分布的基礎上，將故障現象等影響因素作為故障模式的輸入向量，通過決策理論方法對故障模式進行分類。由于故障現象、操作方式、使用環境等影響因素相對穩定，所以很適于用經典的決策理論（Bayes決策理論）的方法來處理。故障模式分類應是已知的，該故障模式的各種信息也是已知的，這樣就可以為維修工程師排除故障提供極大的幫助。

建立并完善輔助排錯系統，包括以下一些工作：

（1）術語。建立術語表，并進行編碼，以便于計算機自動進行統計分析；同時，通過術語編碼來進行標準化的定義和描述，可以極大地減少故障模式和分類數量，使得應用模式識別方法進行輔助排錯具有可行性。

（2）分類。根據故障（或性能下降）的影響因素，確定故障模式，并以多維向量（E0～Ek）的方式表示。k（0，1，…k）為故障模式數量，E0表示正常模式。故障模式可以修改和擴展。

（3）先驗概率。應用Bayes決策理論的前提，是故障模式類的概率和類的條件概率已知，即得出它們的概率密度或分布函數。

（4）權重系數。考慮系統的“學習”能力，包括故障處理對排錯的反饋，需要確定并不斷修正相應的權重系數。

（5）系統性能評價。通常以正確率、誤判率（第一類錯誤）、漏判率（第二類錯誤）、拒判率來評價系統性能。由于故障是已發生的，所以沒有漏判，只用其他3個指標進行評價。

輔助排錯系統，可以充分利用先驗知識和經驗，降低工作復雜度，極大地提高維修的整體技術水平（因為任何人都可能借助該系統而成為高水平的工程師）。這將為建立并實施預防性維護計劃，確保醫療器械處于完好、待用狀態，保證其安全性和有效性提供極大的助力；同時，通過反饋，對設備生產廠家改進設計，提高生產工藝水平也具有極大的促進作用。

3 有關輔助排錯系統的一些問題

3.1 關于參數的選擇、確定和調整

（1）模式識別方法包括對輸入模式的處理（特征提取）和決策（分類）。對于故障模式輸入向量來說，包括了在定量/可測量的、定性（二值）的、可視化的或文字的描述等多種測量值并存的情況下，如何進行多元統計分析？可將該問題最大程度地化簡，如都先簡單地轉成“二值”量，以減少系統的復雜程度。

（2）關于權重系數的確定、調整以及激勵函數的作用和選取。可用帶反饋的人工神經網絡來調整權系數，但要注意隱含節點不可太多，否則可能造成對訓練樣本的“過擬合”。選擇合適的激勵函數和算法，以便加快神經網絡學習的收斂速度[13]。如能在此基礎上將激勵函數與工程實際相結合，并給出其工程定義，則更有利于故障分析和對系統性能進行評測。

3.2 關于系統的學習和完善

（1）系統的“學習”即是系統隨著經驗的積累自動提高性能，實現自我改進的過程，但對于故障模式而言存在一些困難：訓練（故障）數據集只能來自設備自身或同類設備以往的故障模式，與正常模式相比，應該屬于小樣本（即便故障模式種類k（j=0，1，…j…k）很小，也有Nj<

（2）很難確保故障模式向量觀察是完善的，原因有諸多故障現象或變化或條件的不可觀測性，物理退化機制的變異性，傳感器的不準確等。同時，還有故障多為非正態分布，設備磨損穩定期等因素，在應用時需加注意。

3.3 先驗類概率和先驗類的條件概率如何建立并完善

實現輔助排錯的前提，就是故障模式類的概率和類的條件概率已知，但目前尚未有可靠的數據支持。因此，要建立計算機輔助排錯系統，需要做的一項重要工作就是獲取可靠的統計數據。其獲取途徑主要包括：

（1）廠家維修手冊（已經對故障類進行了編碼，但只限于個別設備或廠家）。

（2）個人維修經驗（人工故障排錯過程是模式分類的現實基礎；但個人的知識和經驗難以復制、傳輸、存儲和查詢）。

（3） 維修記錄（設備檔案）和技術論壇網站。雖然數量大、范圍廣、技術高深，但都是非標準化的數據，需要對其進行數據挖掘，以提取有用信息。這可以說是當前獲取先驗概率的主要手段。

（4）利用維修管理軟件（電子化、標準化（小范圍）的維修記錄）。建立關于設備故障的術語字典，包括：設備及各部件定義、使用環境和方式、故障現象描述、原因分析、故障定位、故障處理、故障模式分類等。盡可能地將以上內容標準化（至少就本系統而言），以減少數據量（減少了故障模式輸入向量），降低復雜度。

（5）期望在政府部門和學會的帶領和支持下，仿照如國際代碼標識符 （International Code of Diseases，ICD） 等系統，建立故障模式分類編碼系統，形成統一標準，規范工作流程。例如以故障現象為軸，對動力源（電能、氣體動力等，包括輔助動力源（如UPS）等）；保護系統（熔斷保險、限位開關等）；人-機接口（包括控制臺、圖形顯示等I/O模塊）；能量通路（X線管球、超聲探頭等能量發射模塊和X線探測器、超聲探頭等能量接收模塊）；數據通道（醫學信息采集、轉換、傳輸和存儲等模塊）；計算單元（嵌入式系統或后處理工作站等數據處理、計算、分析模塊）等不同故障現象部位進行分級編碼。以此類推，分別以使用環境、故障判別、故障處理等為軸建立分級編碼，并將各類編碼匯總，最終形成故障模式分類的多軸分級編碼，并不斷對其進行動態維護。這是一個龐大而復雜的任務，如能完成，則是為醫療設備維修的自動化、智能化打下了堅實的基礎。我們可以依托于標準編碼，記錄維修檔案，統計先驗概率，發展專家系統，這就相當于用一個廣泛的數據庫來補充工程師個人的維修經驗，協助、指導其工作，并能方便地估算出維修成本和給出處置建議，從而節省出大量的時間和人力資源，提高故障排錯準確率，使得醫學工程的整體工作水平實現一個質的飛躍。

[1] Richard O.Duda(美).模式分類[M].2版.北京:機械工業出版社,2004.

[2] 傅京孫.模式識別應用[M].北京:北京大學出版社,1990.

[3] Sergios Theodoridis（希臘）.模式識別[M].4版,北京:電子工業出版社,2010.

[4] Tom M.Mitchell（美）.機器學習[M].北京:機械工業出版社,2008.

[5] 石宏理,羅述謙.基于非冗余平移不變小波變換的磁共振圖像降噪[J].中國組織工程研究與臨床康復,2010,14(52):9739-9743.

[6] 任亞莉.基于腦電的腦-機接口系統[J].中國組織工程研究與臨床康復,2011,15(4):749-752.

[7] 姜遠海,彭明辰.臨床醫學工程技術[M].2版.北京:科學出版社,2009.

[8] 張洪鵬,周丹,賀密會.衛生裝備采購風險的評估[J].醫療設備信息,2007,22(5):58-62.

[9] 周丹,David,Yadin,等.基于風險評估的設備管理[J].中國醫院管理,2000,20(9):42-43.

[10] 劉延武,呂鵬,王衛東,等.醫學工程質量控制風險評估方法[J].北京生物醫學工程,2008,20(2):169-172.

[11] 程江波,等.數字化醫學工程保障體系及其信息系統設計[J].醫療衛生裝備,2007,(6):33-34,43.

[12] 王衛東,曹德森,吳昊,等.醫學工程保障中的質量控制的研究[J].醫療設備信息,2007,22(3):5-8.

[13] 肖俊芳,王耀青.一種激勵函數可調的快速BP算法[J].自動化技術與應用,2002,21(6):26-29.

Pattern Recognition in Medical Engineering

FENG Shi-ling
Department of Medical Engineering, Beijing Hospital of Ministry of Health, Beijing 100730, China

R197.39；TP18

B

10.3969/j.issn.1674-1633.2012.06.029

1674-1633(2012)06-0080-04

2011-12-27

2012-05-07

作者郵箱：wymuforever@yahoo.com.cn

Abstract:This paper gives a concise introduction of pattern recognition, including decision theory, syntactic analysis and artificial neural networks, and briefly discusses the characteristics and applicabilities of different approaches. The applications of pattern recognition in medicine, especially in the f eld of medical engineering are described. It is currently mainly used in risk estimation of medical devices, which involves the purchase risk analysis, failure interval analysis, loss estimation and so on. An idea is proposed that it can assist engineers in troubleshooting by pattern recognition. The methods, potential diff culties and solutions are also described.

Key words:pattern recognition; Bayes’decision theory; syntactic analysis; medical devices risk estimation; preventive maintenance