计算机技术与人工智能技术发展对神经医学影响探究

　计算机技术与人工智能技术的发展对神经医学的影响探究

　-->计算机技术与人工智能技术的发展对神经医学的影响探究

　关键词：人工神经网络 传递函数 应用

　[Abstract]Artificial Neural Netation processing of all fields as the devel-opment of puter technology and Artificial Intelligence (AI). shenjing/ Traditional methods cannot deal ed-ical problems ation, but ANN can reflect the truth of things. This article in-troduced the principle and characteristics of ANN, and shoedical imageand signal analysis. ANN can also be applied in drug development.

　Keyization Netamoto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于复杂的临床领域。Fraser等[5]通过实验调查了RBF(Radial BasisFunction)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%,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(Electrical Impedance Tomography,EIT)图像中识别特定器官的感兴趣区域(region ofinterest,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)和模糊聚类两种技术用于头部MRI图像的分割。两种方法都用于智能诊断。结果由经验丰富的放射学家验证,它们都可在智能医学诊断中进行自动图像分割。Dachlein等[10]将一个两层的神经网络用于腹部CT图像的分割。这种方法需要识别不同的组织如肾脏,肝脏,骨骼以及病变组织如肾结石,肾癌。Ozkan等[11]将BP网络用于正常和病变人脑多光谱(Multi-spectral)MRI图像的分割和分类。

　结果表明用一个小结构的神经网络就可获得清晰的压缩的MRI图像分割。Anthony等[12]评价了神经网络用于肺闪烁图的图像压缩的性能。Houston等[13]在使用核磁共振成像(MRI)和肿瘤标记确定结直肠癌的最佳诊断策略时比较了规则归纳式专家系统和神经网络两种方法。来自于39例病人的数据用于评估这些方法的适宜性。不确定的结果暗示两种方法都强烈地依赖于大量的采样。Karakas等[14]将神经网络用于从显微镜图像中自动筛选血细胞类别。用经典的图像增强算法对133张数字化图像中提取的82个目标进行分离。这个单层感知器是用BP算法训练的。输出是一个二进制数,指示输入是对应于正常的还是病变的细胞。代写毕业论文该网络能对82个目标中的65个进行正确分类。

　2.3　信号分析和解释Dokur等用Kohonen神经网络检测四个心电图(ECG)波形。训练集来自于MIT/BIH心律失常数据库。该数据库包含48个半小时的心电图记录。Jervis等[15]训练了一个多层感知器用来区分三种病人的关联性负变(Contingent Negative Varia-tion, V)引起的反应波形,这些病人分别患有亨丁顿氏舞蹈症(Huntington’s disease)、 shenjing/ 帕金森氏症(Parkinson’s disease)、精神分裂症。研究中的数据采自47个病人(20例精神分裂症,16例帕金森氏症,11例亨丁顿氏舞蹈症)和47个对照。17个V特征作为网络的输入。实验结果敏感性超过了90%,说明在临床上应用是可行的。随着输入数据增多,结果可得到进一步改进。Sordo[16]用基于知识的神经网络(Knoination analysis)和标准统计学方法的正确分类率只能达85.8%,显示了神经网络在对复杂数据归类上的优越性。神经网络方法确实给解决复杂的医学问题带来了很大的帮助,但它永远也不会替代医学专家的作用,而医学专家可以借助它做出更合理的判断和决策。

　摘要：随着计算机技术与人工智能技术的发展,论文格式人工神经网络已应用于各个领域的信息处理工作。医学中的许多复杂问题由于信息不完整又含假象等,给传统专家系统的应用造成极大困难,而神经网络技术能真实和科学地反映事物的本质。本文介绍了人工神经网络的工作原理及特点,显示了其在临床诊断、医学图像信号分析中的独特的优越性,也可详尽地解释和分析新药研制过程中的药效现象。

　参　考　文　献

　1　Choong PL, deSilva CJS. Breast Cancer Prognosis using EMN Ar-chitecture. Proceedings of IEEE International Conference on NeuralNetp; Goodman P . paring the Prediction Ac-curacy of Artificial Neural Netp; Leen T.(Eds). Advances in Neural Information Processing Systems, 1995:1063~1067. The MIT Press

　3　Hamamoto I, Okada S, Hashimoto T,et al . Prediction of the EarlyPrognosis of the Hepatectomized Patient a ed,1995 ;25(1):49~59

　4　Lapu

　-->erta P, Azen SP, LaBree L. Use of Neural Netedical Research,1995; 28: 38~52

　5　Fraser H, Pugh R, Kennedy R,et al. A parison of Backpropa-gation and Radial Basis Functions, in the Diagnosis of Myocardial In-farction. In Ifeachor, E., Rosen, K. (Eds.), shenjing/ InternationalConference on Neural Nets in Medicine andHealthcare, 1994:76~84

　6　Sordo M (1995). Neural Nete. Master’s thesis, Department of Artificial Intelligence, Uni-versity of Edinburgh.

　7　Verrelst H, Vandep; De Moor, B. Bayesian Input Selec-tion for Neural Netp; Starita, A. (Eds.), Third International Conference onNeural Nets in Medicine and Healthcare,1998: 125~132. iller A (1993). The Application of Neural Netagingand Signal Processing in Astronomy and Medicine. Ph.D. thesis,Faculty of Science, Department of Physics, University of Southamp-ton

　9　Hall L, Bensaid A, Clarke L,et al. A parison of Neural Net-enting Magic Res-onance Images of the Brain. IEEE Transactions on Neural Net-entation of putertomographies p; Rosen, K. (Eds), International Confer-ence on Neural Nets in Medicine andHealthcare,1994: 240~247

　11　Ozkan M, Sprenkels H, Daage Segmentation Using Neural Net J,et al. A parison of Imagepression by Neural Netp P, Macleod M, et al. Analysis of a NuclearMedicine Database for Colorectal Cancer Using Expert System RuleInduction and Neural Netp; Rosen K.(Eds), International Conference on Neural Nets in Medicine and Healthcare,1994:303~309

　14　Karakas M, Duru H, Tipi V, et al. A System for an AutomatedClassification of Blood Cells from Microscope Images: CELL v. 1.0. In Ifeachor E, Rosen K. (Eds), International Conference onNeural Nets in Medicine and Healthcare,1994: 248~256

　15　Jervis B, Yu S, Saatchi M, et al.The Sensitivity of MultilayerPerceptrons for Differentiating Bets ofSchizophrenic, Parkinson’s Disease and Huntington’s Disease Sub-jects. In Ifeachor E, Rosen K. (Eds), International Confer-ence on Neural Nets in Medicine andHealthcare, 1994: 275~282

　16　Sordo M, Buxton H, Watson D(2001). shenjing/ A Hybrid

　-->Approach toBreast Cancer Diagnosis. In Practical Applications of putation-al Intelligence Techniques. Jain L. and De, et al. Neural puting in Can-cer Drug Development: Predicting Mechanism of Action. Science,1992;258: 447~451