人工神经网络在膀胱癌诊断中的应用

李 浩，米庆辉，张 宪，李 民

（1.黔南州人民医院，贵州都匀 558000；2.中国人民解放军总医院，北京 100853）

人工神经网络（artificial neural network，ANN）也称为神经网络或连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。其应用领域较广泛，近几年取得令人瞩目的进展〔1〕，神经网络在众多领域的广泛应用，使其极具吸引力〔2〕。在神经网络模型中，最常用的为误差反向传播神经网络模型〔3-5〕，它已经广泛应用于医学〔6-8〕、药学、环境科学等诸多方面〔9〕。同时用于医学多种疾病的诊断〔10〕；而应用ANN对膀胱癌的筛查目前尚无相关报道。因此，本研究应用ANN对膀胱癌的诊断进行研究，建立起膀胱癌诊断模型。以期能够对膀胱癌进行早期诊断，提高膀胱癌的早诊率。

1 对象与方法

1.1 研究对象 连续选择我院2000年至2008年门诊及住院膀胱癌患者118例；其中男性88例，女性30例，年龄19～84岁，平均年龄（60.06±10.28）岁。所有膀胱癌病例符合2011年中国膀胱癌诊断治疗指南所制定的诊断标准，并经病理证实为膀胱癌。选取同期健康体检35例作为对照组，其中男性26例，女性9例；年龄30～79岁，平均年龄（56.07±12.67）岁。

1.2 方法

1.2.1 训练集和测试集的建立 两组按照4∶1的比例分开，建立训练集和测试集。膀胱癌组中有95例进入训练集，23例为测试集。对照组中26例进入训练集，9例为测试集。

1.2.2 定性数据资料的量化 对随机抽取的95例膀胱癌及26例健康体检人的一般情况、各种危险因素、病史、家族史、症状、体征、检验、检查结果等定性资料进行量化处理，量化后进行线性函数转换归一化处理，使其满足人工神经网络Sigmoid传递的函数输入的参数分布范围为［0，1］的要求。

1.2.3 人工神经网络的原理和设置 人工神经网络的原理的基础是多层前馈网络的学习算法，即BP算法〔11〕。该系统由输入层，隐含层和输出层组成的3层前馈网络构成，见图1。此3层前馈网络以任意精度逼近任意的非线性函数。因此，该网络是目前应用最普遍的神经网络。

2 结果

2.1 人工神经网络模型效果评价 由表1可见膀胱癌组阳性率为100%，阴性率为0%，对照组阳性率7.7%，阴性率92.3%，说明人工神经网络模型对膀胱诊断符合率高，错误诊断率低，癌模型建立成功。见表1。

表1 人工神经网络对膀胱癌诊断效果评价

图1 神经网络组成

将上述处理数据输入神经网络系统，网络模型参数设定为：网络结构的确定：输入层取9个神经元。根据经验值以及实际情况隐含层取15个神经元，输出层取1个神经元，与输出的结果相对应。3层前馈网络采用不同函数，隐含层用Sigmoid函数表示，输出层用线性传递函数表示，训练函数则为trainlm。

1.2.4 人工神经网络模型建立 对输入神经网络的数据进行训练，让它掌握输入样本的内在规律性。训练标准为：训练次数6000次，误差1.0×10-5，学习速率0.7。动量因子mc预设值0.95；网络连接权重初始值为［-1，1］之间的随机数，可根据网络训练情况适当调整学习速率和动量因子的取值。将95例膀胱癌及26例健康对照进行训练，以训练输出以0.5为测值，>0.5者为膀胱癌患者，<0.5者为正常对照样本。训练完毕后应用SPSS13.0的神经网络模块来编写该程序算法，建立人工神经网络模型。

1.2.5 人工神经网络模型测试 对膀胱癌组未进行训练的23例患者及正常对照组中未进入训练的9例对照健康体检人的数据进行量化归一处理，采用上述建立的人工神经网络进行测试。以预测输出以0.5为测值，>0.5者为膀胱癌患者，<0.5者为正常对照样本。

1.3 统计学分析 所有实验数据采用SPSS13.0进行描述性统计分析，率用百分比表示。

2.2 人工神经网络模型预测效果评价 23膀胱癌患者测试21例阳性，2例阴性；9例健康对照中2例测试阳性，7例测试阴性。该人工神经网络模型对膀胱癌的诊断敏感性、特异性、阳性预测值及阴性预测值分别为91.3%、77.8%、91.3%和77.8%。

3 讨论

ANN对疾病诊断分为训练和预测两个阶段，训练反映一种病因与疾病之间的函数映射关系。预测是检验判别训练函数的可靠性，检验诊断是否正确。ANN能够很好的处理非线性数据，对临床资料类型限制性较小，容错性较强，能较好的解决临床问题。同时，ANN还能克服人主观因素的影响，保证结果的客观性。另外，ANN通过增加样本量和反复训练可以使建立的模型更加完美，因此，较适合于临床疾病的诊断。近年来，由于人工智能的迅速发展，ANN已成为一种快速诊断疾病的方法〔12〕。Atkov等〔13〕应用ANN冠心病，其正确率达64%～94%。Feng〔14〕等应用ANN结合六种肿瘤因子诊断肺癌。陈华忠〔15〕等应用ANN对类风湿性关节炎进行诊断。Buchner〔16〕等应用ANN对膀胱上皮癌行根治术患者的复发进行预测，然而，ANN应用于膀胱癌的诊断较少，因此本研究对此进行研究。

本研究通过建立ANN，对进入训练的患者及健康体检者进行训练，结果显示膀胱癌组阳性率为100%，阴性率为0%，对照组阳性率7.7%，阴性率92.3%，说明人工神经网络模型对膀胱诊断正确率高，错误诊断率低，ANN模型建立成功。随后应用建立的ANN对膀胱癌进行预测，结果显示对膀胱癌的诊断敏感性、特异性、阳性预测值及阴性预测值分别为91.3%、77.8%、91.3%和77.8%。ANN对膀胱癌的诊断敏感性和阳性预测值较高，特异性和阴性预测值接近80%，说明ANN可作为膀胱癌诊断的一种新方法。但是，应用建立ANN模型对测试集进行预测，结果存在个别误判，这可能由于选取BP算法容易使网络陷入局部极小点的缺点造成的。还可能与网络参数设置中隐含层的节点越多，导致学习效率相对越低，模型的稳定性相对较差，导致个别样本预测结果出现了偏离。

本研究表明ANN可作为膀胱癌诊断的一种方法，可以提高临床膀胱癌诊断的准确性，具有一定的应用前景。但它毕竟是一种辅助的计算机诊断系统，对膀胱癌最后诊断，仍然需要临床医师对病人的病情作出全面的分析和判断。

〔1〕焦李成.神经网络系统理论〔M〕．西安：西安电子科技大学出版社，1996：1-6，34-35.

〔2〕吴建伟，艾书跃，袁梅.PET-CT联合肿瘤标志物诊断大肠癌术后转移〔J〕．江苏医药，2009，35（1）：38-40.

〔3〕郑辉.基于BP神经网络的血液细胞自动识别技术的研究与实现〔D〕．济南：山东大学，2007.

〔4〕刘斌，曾立波，刘生浩.遗传法和神经网络在白细胞自动识别中的应用〔J〕．计算机工程与应用，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，聂邦畿.人工神经网络在医学中的应用与展望〔J〕．现代医学仪器与应用，1999，11（1）：11-13．

〔7〕易军，许忠保，刘小鹏.人工神经网络技术的工程应用与展望〔J〕．湖北工业大学学报，2007，33（4）：18-21．

〔8〕吴鹭萍.人工神经网络在医学上的应用〔J〕．医学信息，2000，13（6）：368-370．

〔9〕周开利，康耀红.神经网络模型及其MATLAB仿真程序设计〔M〕．北京：清华大学出版社，2005.

〔10〕潘湘高，彭楚武，管茶香.人工神经网络在生物医学检测中的应用—生化测量数据处理方法的研究〔J〕．中国生物医学工程学报，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〕陈华忠，谢忠好，曾碧新.人工神经网络在类风湿关节炎诊断中的应用〔J〕．数理医药杂志，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.