手术室护理论文     手术室护理论文   护理学论文发表   外科护理论文
　　人工神经网络诊断类风湿关节炎实例
　　对疾病诊断过程而言，人工神经网络能够模拟专家级医师诊断疾病的思维过程和获得诊断疾病的相关知识。此后对疾病进行预测时就可以避免医师对疾病诊断的主观性及思维定势，因此能提高疾病诊断的客观性。尽管临床上也存在一些疾病患者，往往因为诊断数据的缺失，给医师诊断带来了很多的困难或是误诊，然而神经网络具有的容错性质以及能根据训练得来的知识和处理问题的经验，对上述缺失的数据等这种复杂的问题，做出合理的判断与推理，从而为病人做出较正确的诊断。
　　2.1 病例选取及变量确定
　　根据中华医学会风湿病学分会制定的类风湿关节炎诊断指南，典型的类风湿关节炎按照1987年美国风湿病协会修订的类风湿关节炎诊断标准来诊断并不困难，但某些不典型、早期类风湿关节炎，常常被误诊或漏诊。2008年，胡勇等[9]通过研究发现，抗CCP抗体对类风湿关节炎的敏感性和特异性分别为80.0%和93.7 %，联合抗CCP抗体和RF可以提高诊断的准确性,对类风湿关节炎的早期诊断有重要意义。因此为了提高神经网络诊断各种类型类风湿关节炎的准确率，我们选取了x1(关节晨僵)、x2(对称性关节炎)、x3(腕、掌指或者近端指间关节至少有一个关节肿)、x4(3个或者3个以上关节部位肿)、x5(关节X线改变)、x6(皮下结节)、x7(RF )和x8(抗CCP抗体)这8个指标来作为神经网络运算的输入数据。其中x1、x2、x3、x4、x5、x6和x7这几个输入数据是1987年美国风湿病协会修订的类风湿关节炎诊断标准所包含的内容，x8是为了提高对不典型、早期类风湿关节炎的诊断所采用的输入数据。上述x1、x2、x3、x4、x5、x6是定性变量(离散变量)，临床上常用阳性和阴性来描述，实验中用1和0对这些变量进行赋值，当变量值为1时表示阳性，为0时表示阴性;而变量x7、x8是定量变量(连续变量)，用原始数据来描述。
　　2.2 确定训练样本及预测样本
　　在以上150例样本中(83例类风湿关节炎和67例正常对照)中分别选取63例类风湿关节炎和50例正常对照的样本，用来组成训练集，并用1～113的数字对其进行顺序编号，1～63号代表是类风湿关节炎，64～113号代表的是正常对照组的样本。剩余的样本用来组成预测集，集中样本总数为37例，其中类风湿关节炎患者有20例，正常对照组有17例，也用同样的方法进行编号。训练集与预测集样本比例大约为4:1。
　　2.3 网络参数的设定及算法程序
　　首先对神经网络参数设定如下：输入神经元个数为8，输出神经元个数为1，期望目标输出值用0表示正常，用1表示类风湿关节炎，隐含层采用tansig函数。训练次数为6000次，训练目标为0.06，学习速度为0.05，网络连接权重初始值是[-1,1]之间的随机数，其次网络进行运算所采用的是批动量梯度下降算法，应用MATLAB6.5来编写该程序算法。
　　2.4 训练及预测结果
　　将训练集样本的8个指标输入到BP网络的算法程序中，网络经过500次的训练后，达到了训练目标的要求，训练结果如图3所示，预测输出以0.5为阈值，>0.5者为类风湿关节炎患者，<0.5者为正常对照样本。
　　图3 113例样本训练结果从训练得到的图形可以看出，63例类风湿关节炎患者中有54例训练结果都在目标输出值1附近，而且非常靠近1。只有9例稍微偏离了目标输出值1，由于输出结果均在0.5～1.5的范围内，可以认为训练结果与实际相吻合。类似的在50例正常对照组中，有47例输出结果都在目标值0的附近，输出值都在0～0.5之间，训练结果与实际也相吻合。而编号为64、75、92的3例样本，其输出值大于0.5，明显大于目标输出值0，样本训练结果有错误。综上所述，训练集中113例样本有110训练正确，训练正确率达到97.4%。经过训练可以得到一个能反映类风湿关节炎疾病情况的神经网络模型。把预测集样本的数据导入到训练好的神经网络中去，进行预测，预测的结果如图4。
　　图4 37例样本预测结果从上图的输出结果可以看出，在20例类风湿关节炎样本的预测中，19例样本的输出结果主要集中在目标输出值1附近，没有超出0.5～1.5的范围，可以视为预测结果与实际相符合，而编号为1的样本，其输出值小于0.5，偏离了目标输出值1，预测结果错误。另外17例正常对照组中，15例预测结果与实际相符合，而编号为27、33号的样本其输出值大于0.5，明显偏离目标输出值0，预测不正确。所以对于预测的总体样本来说，34例预测正确，准确率为91.9%，灵敏度为94.7%，特异度为86.7%。