人工神经网络在血型分析中的应用

孟正中

（中山大学达安基因股份有限公司，广州 510650)

0 引言

传统的全自动血型分析方式都是通过对血型凝集情况进行拍照，然后对采集的照片进行凝集数据分析，分析凝集容器中各个部分灰度值的分布情况。然后按照试剂说明书中已经设定的血型反应强度判别条件，将灰度分布情况进行反应强度条件判别，最终判定凝集的阴、阳性结果。

全自动血型分析系统，在实际应用中，由于光线、机械运动等因素影响，相机采集的血型凝集图片的灰度会发生变化，而血型反应强度的判定条件在系统发布出去前已经根据大量统计的经验预先设定好。光线变化导致的灰度变化对于预先设定的判定条件是巨大的挑战，将导致自动分析的结果系统不稳定。即使通过系统重判结果，也不能兼容以前所有实验数据修改系统中设定的判定规则，系统不能自动修正。

人工神经网络无需输入判定规则，其通过数据进行训练，将自动产生其内部的判定规则。对于上述挑战原有判定规则的情况，人工神经网络只需重训练，自动修正血型判定规则，无需发布新程序。人工神经网络的应用，使全自动血型分析系统更加智能。

1 算法实现

人工神经网络在指纹、车牌、人脸等模式识别，智能机器人、自动控制、医学等领域已经获得重大突破，解决了诸多现代计算机算法无法解决的问题。人工神经网络从信息分解、存储、识别的角度模拟人类大脑运作的方式，构建了大量的相互连接的神经元，各层神经元对输入进行激励输出。人工神经网络每完成某神经元的输入到输出的激励后，自动修正各层神经元之间对应的激励权重，从而无限逼近理想的输出。激励权重即是神经网络的记忆。

图1

假设输入为 X={x1,x2,x3,...,xm}，权重为W={w1,w2,w3,…,wm} ，输出为 Y={y1,y2,y3,...,yn} 则(j=1,2,3,…,n)。

由上述公式，可知，经过大量数据训练收敛后产生的权重W={w1,w2,w3,...,wm}，再次输入数据和X={x1,x2,x3,...,xm}数据分布规律类似的X′={x′1,x′2,x′3,...,x′m}，经过W={w1,w2,w3,...,wm}加权后，得到的输出结果将逼近于训练集Y={y1,y2,y3,...,yn}中的一种分类。

由于血型凝集反应的特殊性，虽然采集的图像数据输入多样，但凝集的分布情况都类似，而且在医学上其反应强度特征也只有特定的几种，分为阴性、±，1+，2+，3+，4+、溶血、矛盾这几种特征，这种情况非常适合采用神经网络的方法，进行血型凝集反应强度的识别。采用神经网络的方法，只需采集各个特征的反应图片进行训练，直到收敛得到各个特征的权重记忆，那么在实际应用中，只要输入采集的血型凝集图片，将得到对应的反应强度结果。

假设采集的血型凝集图片如下图，凝集反应强度的数据为二维灰度图像矩阵。

图2

为了实现算法的需要，我们将数据分为N组,统计各组的灰度值，定义数组为A[N]，A[N]组数据做为神经网络的输入层。定义反应强度的数据为一维数组B[n]，将B[n]作为输出层，隐藏层设定为L，对采集的大量图片数据进行训练直到收敛，就产生了血型分析的规则。

下面给出C++伪代码实现：

训练：

预测：

2 结语

本文给出了基于人工神经网络进行全自动血型分析的思想和实现方式的演示，该算法的应用能解决全自动血型分析系统实际工作中的相关问题，具有重要的意义。本文给出了算法实现的源程序，有助于读者对算法的应用进行实现和改进。

[1]马晓军，李海军，李凌波.Hemotype全自动血型分析系统在血型鉴定中的应用研究[J].四川医学,2012,33(3):536-538.

[2]石绍川，张巧琳，田耘博.OLYMPUS PK7300全自动血型分析仪使用体会及探讨[J].实验与检验医学,2014(6):801-802.

[3]高隽.人工神经网络原理与仿真实例[M].北京：机械工业出版社，2003.