模糊神經網絡在消化道系統疾病診斷中的應用

摘要： 目的 運用模糊神經網絡（ FNN） 模型，對四種消化道系統疾病進行輔助診斷。方法 從100例消化道系統疾病的病例中隨機抽取70例作為訓練集，15例作為驗證集，15例作為測試集，通過對網絡進行訓練，用訓練好的網絡對驗證集和測試集進行仿真診斷試驗。結果 FNN 診斷消化道系統疾病的準確率達到95.2%以上。結論 FNN 模型可以用來在臨床上作輔助診斷。

關鍵詞：模糊神經網絡，訓練函數，學習函數，性能函數

中圖分類號： TP391 文獻標識碼： A

模糊神經網絡（ fuzzy neural network，FNN） 是模糊邏輯推理與BP神經網絡的結合，利用誤差信號反向傳播、調節權重，具有良好的自適應性、自組織性和很強的自學習能力，是數據分類和模式識別的有力工具，目前，模糊神經網絡在臨床疾病診斷中的應用日益廣泛[1-4] 。消化道系統中的急性胰腺炎、膽囊炎（膽石癥）、急性胃腸炎等疾病之間，由于有很多相似的癥狀體征，從而極容易引起誤診，為了能對這些疾病進行準確的輔助診斷，本文將消化道系統中急性胰腺炎、膽囊炎（膽石癥）、急性胃腸炎等疾病的診斷技術引入模糊神經網絡，借助模糊神經網絡的模式識別來進行診斷。

1 資料與方法

1.1 一般資料 收集了2011年1月～2012年10月南昌大學第四附屬醫院的100例消化道系統疾病患者的各種檢測結果，100例患者中膽結石伴膽囊炎患者30例，急性膽囊炎10例，急性胃腸炎32例，急性胰腺炎28例，診斷結果均得到病理證實。

1.2 數據預處理 提取膽結石伴膽囊炎患者、急性膽囊炎患者、急性胃腸炎患者、急性胰腺炎患者的血液分析及生化篩查等39項檢測數據和7項臨床癥狀為第1層的輸入向量。7個臨床癥狀通過利用模糊數學的\"降半梯形\"結構的錄屬函數來賦值：

其中， yji為第i 個對象對第j 類癥狀的隸屬函數 ，其定義域為[0 ，λ（2）m （i）] 。

1.3 模糊神經網絡模型的建立： 由3層前向BP神經網絡組成。第1層為數據預處理層，先提取患者的46個特征值再對其進行模糊化處理；第2層為隱含層；第3層為輸出層，輸出層為消化道系統的四種疾病，其結構如下圖（圖1）：

2 模糊神經網絡臨床診斷的實現

2.1 網絡訓練 從全部樣本中隨機抽取70 例（膽結石伴膽囊炎21例，急性膽囊炎6例，急性胃腸炎23例，急性胰腺炎20例）作為訓練組，15例作為驗證組（膽結石伴膽囊炎6例，急性膽囊炎3例，急性胃腸炎2例，急性胰腺炎4例），15例為測試組（膽結石伴膽囊炎3例，急性膽囊炎1例，急性胃腸炎7例，急性胰腺炎4例）。用MATLAB 2012a編程，分別對FNN 進行訓練，并用完成訓練的網絡模型進行驗證和測試。網絡的訓練函數為trainlm，學習函數為learngdm，誤差性能函數為mse，各層的傳遞函數為logsig，訓練次數設置為1000。

2.2 仿真診斷結果 通過神經網絡的訓練、驗證和和測試，在訓練次數達到40次時，訓練、驗證和和測試誤差同時達到最小，其中驗證誤差稍大一點，但也只有2.99 ，見圖2：

從圖2中可以看出，模糊神經網絡（FNN）具有較快的收斂速度，只用了40次訓練，就使訓練誤差、驗證誤差、測試誤差都同時達到最小，從而使仿真診斷測試的準確率能大大提高。為了能了解模糊神經網絡臨床診斷的效果，于是把訓練組、驗證組和測試組的診斷結果進行對照，見表1：

3總結

將神經網絡技術與模糊理論結合構起來進行醫學知識處理是一種很好的方法，這種方法也適用于其他它領域的知識處理，該系統的識別能力與訓練集關系密切，若能搜集更多的典型病例，系統的識別能力將進一步提高。

參考文獻：

[1]黃永鋒， 岑康等. 模糊神經網絡在顱腦磁共振圖像分割中的應用研究[N]. 中國生物醫學工程學報， 2003， 22（ 6） ： 508-512.

[2]徐力平，尚丹. 模糊神經網絡在肺癌CT 診斷中的應用[N]. 鄭州大學學報（醫學版），2014，49（2）：191-194.

[3]劉 俐，霍麗琴. 模糊BP 神經網絡在新生兒HIE 早期診斷中的應用研究[J]. 生物醫學工程學雜志，2011，28（4）：814-819.

[4]周長英. 基于改進的模糊BP神經網絡圖像分割算法[J]. 計算機仿真，2011，28（4）：287-290.編輯/康潔