人工神經網絡在膀胱癌診斷中的應用

李 浩，米慶輝，張 憲，李 民

（1.黔南州人民醫院，貴州都勻 558000；2.中國人民解放軍總醫院，北京 100853）

人工神經網絡（artificial neural network，ANN）也稱為神經網絡或連接模型，是對人腦或自然神經網絡若干基本特性的抽象和模擬。其應用領域較廣泛，近幾年取得令人矚目的進展〔1〕，神經網絡在眾多領域的廣泛應用，使其極具吸引力〔2〕。在神經網絡模型中，最常用的為誤差反向傳播神經網絡模型〔3-5〕，它已經廣泛應用于醫學〔6-8〕、藥學、環境科學等諸多方面〔9〕。同時用于醫學多種疾病的診斷〔10〕；而應用ANN對膀胱癌的篩查目前尚無相關報道。因此，本研究應用ANN對膀胱癌的診斷進行研究，建立起膀胱癌診斷模型。以期能夠對膀胱癌進行早期診斷，提高膀胱癌的早診率。

1 對象與方法

1.1 研究對象 連續選擇我院2000年至2008年門診及住院膀胱癌患者118例；其中男性88例，女性30例，年齡19～84歲，平均年齡（60.06±10.28）歲。所有膀胱癌病例符合2011年中國膀胱癌診斷治療指南所制定的診斷標準，并經病理證實為膀胱癌。選取同期健康體檢35例作為對照組，其中男性26例，女性9例；年齡30～79歲，平均年齡（56.07±12.67）歲。

1.2 方法

1.2.1 訓練集和測試集的建立 兩組按照4∶1的比例分開，建立訓練集和測試集。膀胱癌組中有95例進入訓練集，23例為測試集。對照組中26例進入訓練集，9例為測試集。

1.2.2 定性數據資料的量化 對隨機抽取的95例膀胱癌及26例健康體檢人的一般情況、各種危險因素、病史、家族史、癥狀、體征、檢驗、檢查結果等定性資料進行量化處理，量化后進行線性函數轉換歸一化處理，使其滿足人工神經網絡Sigmoid傳遞的函數輸入的參數分布范圍為［0，1］的要求。

1.2.3 人工神經網絡的原理和設置 人工神經網絡的原理的基礎是多層前饋網絡的學習算法，即BP算法〔11〕。該系統由輸入層，隱含層和輸出層組成的3層前饋網絡構成，見圖1。此3層前饋網絡以任意精度逼近任意的非線性函數。因此，該網絡是目前應用最普遍的神經網絡。

2 結果

2.1 人工神經網絡模型效果評價 由表1可見膀胱癌組陽性率為100%，陰性率為0%，對照組陽性率7.7%，陰性率92.3%，說明人工神經網絡模型對膀胱診斷符合率高，錯誤診斷率低，癌模型建立成功。見表1。

表1 人工神經網絡對膀胱癌診斷效果評價

圖1 神經網絡組成

將上述處理數據輸入神經網絡系統，網絡模型參數設定為：網絡結構的確定：輸入層取9個神經元。根據經驗值以及實際情況隱含層取15個神經元，輸出層取1個神經元，與輸出的結果相對應。3層前饋網絡采用不同函數，隱含層用Sigmoid函數表示，輸出層用線性傳遞函數表示，訓練函數則為trainlm。

1.2.4 人工神經網絡模型建立 對輸入神經網絡的數據進行訓練，讓它掌握輸入樣本的內在規律性。訓練標準為：訓練次數6000次，誤差1.0×10-5，學習速率0.7。動量因子mc預設值0.95；網絡連接權重初始值為［-1，1］之間的隨機數，可根據網絡訓練情況適當調整學習速率和動量因子的取值。將95例膀胱癌及26例健康對照進行訓練，以訓練輸出以0.5為測值，>0.5者為膀胱癌患者，<0.5者為正常對照樣本。訓練完畢后應用SPSS13.0的神經網絡模塊來編寫該程序算法，建立人工神經網絡模型。

1.2.5 人工神經網絡模型測試 對膀胱癌組未進行訓練的23例患者及正常對照組中未進入訓練的9例對照健康體檢人的數據進行量化歸一處理，采用上述建立的人工神經網絡進行測試。以預測輸出以0.5為測值，>0.5者為膀胱癌患者，<0.5者為正常對照樣本。

1.3 統計學分析 所有實驗數據采用SPSS13.0進行描述性統計分析，率用百分比表示。

2.2 人工神經網絡模型預測效果評價 23膀胱癌患者測試21例陽性，2例陰性；9例健康對照中2例測試陽性，7例測試陰性。該人工神經網絡模型對膀胱癌的診斷敏感性、特異性、陽性預測值及陰性預測值分別為91.3%、77.8%、91.3%和77.8%。

3 討論

ANN對疾病診斷分為訓練和預測兩個階段，訓練反映一種病因與疾病之間的函數映射關系。預測是檢驗判別訓練函數的可靠性，檢驗診斷是否正確。ANN能夠很好的處理非線性數據，對臨床資料類型限制性較小，容錯性較強，能較好的解決臨床問題。同時，ANN還能克服人主觀因素的影響，保證結果的客觀性。另外，ANN通過增加樣本量和反復訓練可以使建立的模型更加完美，因此，較適合于臨床疾病的診斷。近年來，由于人工智能的迅速發展，ANN已成為一種快速診斷疾病的方法〔12〕。Atkov等〔13〕應用ANN冠心病，其正確率達64%～94%。Feng〔14〕等應用ANN結合六種腫瘤因子診斷肺癌。陳華忠〔15〕等應用ANN對類風濕性關節炎進行診斷。Buchner〔16〕等應用ANN對膀胱上皮癌行根治術患者的復發進行預測，然而，ANN應用于膀胱癌的診斷較少，因此本研究對此進行研究。

本研究通過建立ANN，對進入訓練的患者及健康體檢者進行訓練，結果顯示膀胱癌組陽性率為100%，陰性率為0%，對照組陽性率7.7%，陰性率92.3%，說明人工神經網絡模型對膀胱診斷正確率高，錯誤診斷率低，ANN模型建立成功。隨后應用建立的ANN對膀胱癌進行預測，結果顯示對膀胱癌的診斷敏感性、特異性、陽性預測值及陰性預測值分別為91.3%、77.8%、91.3%和77.8%。ANN對膀胱癌的診斷敏感性和陽性預測值較高，特異性和陰性預測值接近80%，說明ANN可作為膀胱癌診斷的一種新方法。但是，應用建立ANN模型對測試集進行預測，結果存在個別誤判，這可能由于選取BP算法容易使網絡陷入局部極小點的缺點造成的。還可能與網絡參數設置中隱含層的節點越多，導致學習效率相對越低，模型的穩定性相對較差，導致個別樣本預測結果出現了偏離。

本研究表明ANN可作為膀胱癌診斷的一種方法，可以提高臨床膀胱癌診斷的準確性，具有一定的應用前景。但它畢竟是一種輔助的計算機診斷系統，對膀胱癌最后診斷，仍然需要臨床醫師對病人的病情作出全面的分析和判斷。

〔1〕焦李成.神經網絡系統理論〔M〕．西安：西安電子科技大學出版社，1996：1-6，34-35.

〔2〕吳建偉，艾書躍，袁梅.PET-CT聯合腫瘤標志物診斷大腸癌術后轉移〔J〕．江蘇醫藥，2009，35（1）：38-40.

〔3〕鄭輝.基于BP神經網絡的血液細胞自動識別技術的研究與實現〔D〕．濟南：山東大學，2007.

〔4〕劉斌，曾立波，劉生浩.遺傳法和神經網絡在白細胞自動識別中的應用〔J〕．計算機工程與應用，2003，7：213-215.

〔5〕Benamrane N,Aribi A,Kraoula L.Fuzzy Neural Networks and Genetic Algorithms for Medical Images Interpretation〔J〕.proceedings of the Geometric Modeling and Imagine-New Trends,2006，12（7）：5-7.

〔6〕艾超，聶邦畿.人工神經網絡在醫學中的應用與展望〔J〕．現代醫學儀器與應用，1999，11（1）：11-13．

〔7〕易軍，許忠保，劉小鵬.人工神經網絡技術的工程應用與展望〔J〕．湖北工業大學學報，2007，33（4）：18-21．

〔8〕吳鷺萍.人工神經網絡在醫學上的應用〔J〕．醫學信息，2000，13（6）：368-370．

〔9〕周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計〔M〕．北京：清華大學出版社，2005.

〔10〕潘湘高，彭楚武，管茶香.人工神經網絡在生物醫學檢測中的應用—生化測量數據處理方法的研究〔J〕．中國生物醫學工程學報，2007，26（2）：161-165．

〔11〕Rumen lhart DE,Hinton GE,Williams RJ.learning representation by back propagation errors〔J〕.Nature.1986,323（2）：899-905.

〔12〕Alk1m E,Gürbüz E,Kilic E.A fast and adaptive automated disease diagnosis method with an innovative neural network model〔J〕.Neural Netw，2012，33（9）：88-96.

〔13〕Atkov O Y,Gorokhova S G,Sboev A G,et al.Coronary heart disease diagnosis by artificial neural networks including genetic polymorphisms and clinical parameters〔J〕.Cardiol，2012，59（2）：190-194.

〔14〕Feng F,Wu Y,Wu Y.The effect of artificial neural network model combined with six tumor markers in auxiliary diagnosis of lung cancer〔J〕.Med Syst，2012，36（5）：2973-2980.

〔15〕陳華忠，謝忠好，曾碧新.人工神經網絡在類風濕關節炎診斷中的應用〔J〕．數理醫藥雜志，2010，23（1）：213-215.

〔16〕Buchner A,May M,Burger M,et al.Prediction of outcome in patients with urothelial carcinoma of the bladder following radicalcystectomy using artificial neural networks〔J〕．Eur J Surg Oncol,2013，39（1）：372-379.