人工智能技术的发展对神经医学的影响探究

《人工智能技术的发展对神经医学的影响探究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、人工智能技术的发展对神经医学的影响探究人工神经网络(ArtificialNeuralNetiddot;)称为传递函数。传递函数是一个神经元及网络的核心，网络解决问题的能力除了与网络结构有关，在很大程度上取决于网络所采用的传递函数。传递函数f(χ)可为线性函数，但通常为像阶跃函数(图2)或S型曲线(图3)的非线性函数。1.2　神经网络模型神经网络是由神经元互连组成的网络(如图4)，是一个高度复杂的非线性系统。虽然每个神经元的结构和功能十分简单，但大量神经元构成的网络系统的行为却十分复杂。神经网络从其外部环境接

2、受信息，对信息加工处理之后又返回到其所处的环境中去。各个神经元的连接并不只是一个传输信号的通道，而是在每个神经元之间的连接上有一个加权系数，它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。这些加权系数可以根据经验或通过学习来改变。其实神经网络系统的学习过程，正是通过改变这些加权系数来实现。网络的学习方法分为有导师学习和无导师学习两种基本方式。有导师学习的方式是网络根据教师给出的正确输出模式，校正网络的参数，使其输出接近正确模式。这类方式常采用梯度下降的学习方法，如反向传播(Backpropagation，B

3、P)算法。而无导师学习是指网络在没有教师直接指点下通过竞争等方式自动调整网络参数，如自适应共振理论等。神经网络的互连模式反映了神经网络的结构，决定着这个网络的能力。目前已有数十种神经网络模型，具有代表性的有感知器(Perception)、BP网络、RBF(RadialBasisFunction)网络、Hopfield模型等等。神经网络具有如下特点:高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆能力，很强的自适应、自学习能力。神经网络技术可用于模式识别、最优化问题计算、信息的智能化处理、复杂控制、信号处理

4、等等。2　神经网络在医学中的应用现代医学的发展，使医生们面临处理大量数据的挑战。医学中的许多复杂问题，信息既不完整，又含有假象，且经常遇到不确定性信息，决策规则往往相互矛盾，有时无条理可循，这给传统专家系统应用造成极大困难。而神经网络技术能突破这一障碍，根据已学会的知识和处理问题的经验对复杂问题做出合理的判断，给出较满意的解答，或对未来过程做出有效的预测。因此神经网络被用于医学领域的临床诊断，图像分析和解释，信号分析和解释，以及药物开发等。2.1　临床诊断神经网络通常被用于检测癌症和心脏疾病。使用它的好处是它不受疲

5、劳、工作环境以及情绪状态等诸多因素的影响。Choong等[1]将一种熵极大网络(EntropyMaxi-mizationNetamoto等[3]用多层感知器作为肝细胞癌病人肝切除术的预后和评价的工具。训练数据是54例肝细胞癌病人早期预后的手术前数据，实验证明它是一个可靠的决策工具。Lapuerta等[4]将神经网络用于预测冠状动脉疾病的发生。162例病人十多年的血脂浓度和临床表现作为网络的输入。它的预测准确率为66%，虽然对它自身来说成绩并不显著，但与Cox回归方法(56%)比较起来，神经网络作为分类工具更适合应用

6、于复杂的临床领域。Fraser等[5]通过实验调查了RBF(RadialBasisFunction)网络用于诊断心肌梗死的有效率。研究中包含了500例病人的临床数据，敏感性达85.7%，说明RBF网络能可靠地进行医学诊断。Sordo[6]比较了采用不同网络结构和学习算法的神经网络在诊断胎儿唐氏综合征(Doe)上的成绩。459例病人(410例对照，49例先天愚型)的8个数据(母亲的年龄，妊娠周数及6个血清标记)作为输入。正确分类率为84%，超过了现今所用的统计方法的60%~70%的分类率。但是假阳性率高达35.5%，

7、而一般的数学方法的假阳性率只有6%~7%。Verrelst等[7]在神经网络的输入选择上采用了贝叶斯后验概率分布。这种网络可帮助无经验的妇科医生在手术前辨别良性和恶性的卵巢癌。191例相继入院的病人的数据输入该神经网络进行训练。经妇科专家验证，神经网络方法在辅助诊断上明显优于传统方法。2.2　图像分析和解释由于神经网络可进行模式识别，因此它的一个重要应用领域是图像分析。在医学上，模式识别被广泛用于从X光照片、ECT、MRI等图像中鉴别和提取重要特征。Miller[8]训练了不同的神经网络用于胸腔的电阻抗断层扫描(E

8、lectricalImpedanceTomography，EIT)图像中识别特定器官的感兴趣区域(regionofinterest，ROI)。这个网络可根据一个采样周期的图像数量自动选择最佳的总像素，每一个像素被归类属于某个特定的器官。初始结果使用模拟的EIT数据，表明用神经网络描述这些图像是可行的。Hall等[9]比较了神经网络(级联神经网络)和模糊聚类两