未来智讯 > 神经网络论文 > 浅析神经网络在医学中的应用
    浅析神经网络在医学中的应用作者:未知   摘 要 跟着科技的成长,医疗数据规模也在飞快增进,因为人类自己对付数据并不具有敏锐性,是以必要谋略机帮助人类进行有关的数据处置、疾病诊断、帮助治��等。与传统的谋略机技艺各异,人造神经网络是一种具备自我进修、自我优化特点的新兴技艺,这也使得其可以从大量的数据中提掏出使用者所感乐趣的特性或有关数据。文章先容了人造神经网络的特点并从旌旗灯号处置、医学影像处置和专家体系/帮助诊断3个方面伸开,详细描绘了人造神经网络在医学中的应用。
  关头词 神经网络;旌旗灯号处置;医学影像处置;专家体系
  中图分类号 TP3 文献标识码 A 文章编号 1674-6708(2018)224-0152-03
  康健是人类始终存眷的话题,在短短的几百年内,医学有了令人震惊的前进,一个直观的例子便是结核病:该病曾在19世纪初在欧洲和北美大陆残虐,但在今天的医学事情者看来几近何足道哉。而人类之以是能在医学范畴取得瞩目的成就,一大缘故就是对人类自身心理机关及有关目标的明白与索求。人类议决血液化验、核磁共振成像、心电图等体例对人类自身的各项心理目标进行监控,对疾病进行预防,并凭据心理目标的改变拟定出响应的治疗策略。
  然而,跟着切磋的不息深入,造就一名特定范畴的医学专家的成本也在不息提高。在人类寿命异国较着提高,但常识库的规模却成倍增进的今天,一位医学徒从入学到事情再到成为专家的时间跨度大大增进。同时,因为被人类切磋的疾病不息增多,进行诊断时所要思虑的病症也在不息添加,这对诊断了局的靠得住性也提议了挑衅。?
  人造神经网络是当前机械进修的主流成长偏向,其自顺应、自训练的特点使得其在提取特性、模式辨认、图像处置、数据降维等方面的表示很是亮眼。是以,将神经网络与医学相联合不失为一条可行之路。?
  本文起首先容神经网络,进而首要从3个方面先容神经网络在医学中的典型应用。?
  1 神经网络
  人脑是一个极其巨大而纷乱的体系,是以也具备了十分壮大的功能。一方面,它能极快地对大量信息进行处置,另一方面,它能不息进修,同时凭据情况的改变不息调解自我。纵然人类不息在电子信息、谋略机科学上有所突破,但迄今为止任何人造体系的表示都无法真实与人脑相匹敌。现实上,脑体系与谋略机在布局上有着较为较着的差别,例如,人脑并异国一个集结的CPU,而是由千万万万个神经元组成。这些神经元互相之间存在着某种关联,成为了大脑处置信息的基本元件。?
  人造神经网络是一种议决模拟人类脑布局来优化谋略、判别过程从而兑现当前谋略机无法兑现的功能的技艺。该技艺涉及的学科很广,蕴含生物、数学、谋略机等。正如前文所说,人的大脑皮层的基本运算单位是神经元,而人造神经网络也恰是议决在数学上模仿神经元之间的联贯(同时对单个神经元授予响应的谋略或者输入,例如激活函数)进而组成了一个巨大的体系。
  自1943年美国生理学家Warren?McCulloch和数学家Walter?Pitts提议M-P模子,人造神经网络就一直是一个热点的话题。人造神经体系颠末几十年的成长,已然越来越老练,而且在各个范畴施展着积极作用。
  2 神经网络与医学的联合
  科学技艺的成长为医学的前进奠基了坚实的根本,现实上,人类在医学上之以是可以不息突破,归根结底是由于我们议决不息迭代的技艺对人类自己的机关不息加以切磋,从而加倍切确地掌握人体内部的种种心理目标。
  以神经影像学为例,跟着技艺的更新,脑电图的分辩率也在不息上升,随之而来的是待处置数据规模的几何增进,这对医学事情者的要求也在不息提高。人的大脑虽然奇妙而细密,但对付数据(尤其是大量数据)自己并不敏锐,是以,从大量数据中发现异常并非人类擅长。而神经网络因为其自己所具备的并行处置、自我优化的特性,在面临这些问题时显得如鱼得水。
  是以,将神经网络与医学联合起来是促进医学前进、推感人类康健的必由之路。接下来,笔者将会从旌旗灯号处置、图像处置、专家体系3个范畴先容神经网络在医学中的应用。
  2.1 旌旗灯号的处置
  在旌旗灯号处置方面,比起传统的滤波技艺,人造神经网络具有较着的上风,具体体如今以下方面。?
  1)人造神经网络的自进修以及自顺应才力能够餍足各异情况下对波形进行分类的需求。现实上,很多医学上存眷的心理旌旗灯号与患者的其他心理目标有着比力强的耦合,以脑电旌旗灯号为例,患者眨动眼睛所引发的眼电旌旗灯号会对脑电旌旗灯号发生重要的作梗。在这种环境下,人造判别的靠得住性会大幅贬低,而若是使用神经网络进行特性提取,将噪声直接扫除,就能大大简化我们的判别。?
  2)神经网络的并行处置才力能够提高心电图剖析的效果,一个简略的例子:人造判别极易受到判别者心理状况的影响(例如人在疲乏时做出的判别其可托度每每会降落),而谋略机则不具备这种范围性。?
  3)相对传统的旌旗灯号处置要领,人造神经网络每每在技艺上被封装得加倍简捷易懂,加倍有利于对医学职员的培训以及进修。?
  现实上,人造神经网络已经在旌旗灯号处置方面取得了较为丰硕的成果。例如,在心电旌旗灯号处置方面,因为心电旌旗灯号的非线性和不确定性,滤波技艺不免在过滤噪声方面显得不尽人意,而行使人造神经网络的非线性动力学特征及进修特征能够组成一个具有自顺应的体系,从而对该问题兑现优化。
  现实上Widrow[ 1 ]提议的自顺应线性神经元“Adaline”在用于胎儿心电旌旗灯号检测方面就取得了优良的效率。而我国的沈虹[ 2 ]等人使用了较为简略的BP神经网络来辨认3种环境下的心电图:他们设立BP神经网络后,使用9个各异的心电图来训练BP网络,颠末17次训练确定了各个参数值,最后偏差减小至0.480?7%。?
  2.2 医学影像的处置
  因为神经网络议决了大量的训练,它自身可以“印象”并“剖析”所输入的信息而且得出一个公道的展望了局。基于这个特性,人造神经网络在医学影像的筛查和帮助诊断范畴获得了普遍的运用。尤其是近年来跟着卷积神经网络的呈现以及不息优化,人造神经网络愈发在图像处置、数据降维等方面大放异彩。例如,已经有有关职员用混沌神经网络剖析肝超声图像,选取了150例样本进行特性提取,随后用75例样本进行进修,别的75例进行测试,了局切确度跨越75%。Swiercz?M[ 3 ]等用人造神经网络测定颅内双超声,诊断大脑中动脉痉挛。他选取了一百例患者,在2小时进行脑造影分类,议决人造神经网络,正确分类的局限可从79.6%上升至87.6%。   而在超声图像的朋分问题方面,王天富[ 4 ]等人选取特性映射神经网络进行图像朋分,发现朋分了局�c网络的初始状况无关,而且具有较强的保留拓扑布局稳定的才力,现实上,与传统要领比拟,它具有朋分了局的不变性好、正确度高、自顺应好以及拘谨速率快的特点。崔栋[ 5 ]等人对眼底造影图像进行剖析,行使BP神经网络优化算法,确定参数,获得的了局证明神经网络在眼底造影图像朋分中有很强的抗作梗才力。?
  2.3 专家体系
  所谓的“专家”并不仅仅要求有关从业职员具备踏实的理论根本,同时也要求其拥有雄厚的从业阅历,医学上更是云云。这是由于在医学症状的辨析范畴有一个难点,那就是统一症状可能是各异疾病的表示,而统一疾病也可能有着五花八门的临床症状。
  以青少年的“斜眼”症状为例,在很长的时间内该病症都被以为是一种眼疾,而近些年来的切磋发现该病症更可能是由于患者的神经中枢呈现了功能性的病变。在这种症状起原纷乱的环境面前,一个从业几十年的大夫尚且异国控制准确诊断,更遑论事情阅历惟有10年摆布的青丁壮了。?
  如上文所述,人造诊断存在着自然的缺陷,是以成长以谋略机为根本的专家体系是大势所趋。专家体系的成长偏向和技艺思绪有许多,例如该体系的逻辑既能够由事情职员进行编排,也能够由谋略机在大量数据的进修中自行“归纳。但人造编排的速率一定将落伍于时代前进、技艺成长的速率。
  是以,以机械进修为根本的专家体系一定是最后的谜底。在西方专家体系的应用已经比力普遍:Verplancke?T[ 6 ]等人用人造神经网络来展望危沉痾人对透析帮助应用的需求。他们选取了ICU中830例患者,离别使用ESN、SVM、NB三种要领,了局证明ESN在展望ICU病人对透析需求上有着较为较着的上风。?
  3 结论
  时代在成长,科技在前进,人类对付自身的相识也在不息邃密化,而人类自身的进化速率远远慢于技艺的成长速率。
  是以,在数据量越来越巨大的今天,若何从海量数据中提取我们必要的、感乐趣的特性、数据,是对科技事情者的磨练,也是对医学事情者的磨练。
  靠大夫小我“望闻问切”的时代已颠末去,在将来,医学与大数据技艺、人造神经网络技艺相联合是一定的、不行拦截的。不管是医学事情者照旧患者,都应该拥抱改变,适应时代成长的大趋向,为人类加倍康健、夸姣的明天而搏斗。?
  参考文献
  [1]Widrow B, Winter R. Neural nets for adaptive filtering and adaptive pattern recognition[J]. Computer, 1988, 21(03):25-39.
  [2]沈虹,张良震,秦玮,等.用于辨认心电图的BP网络体系[J].生物医学工程学进展,1998(4):13-18.
  [3]Suzuki K, Yoshida H, N?ppi J, et al. Mixture of expert 3D massive-training ANNs for reduction of multiple types of false positives in CAD for detection of polyps in CT colonography.[J]. Medical Physics, 2008, 35(02):694.
  [4]汪天富,郑昌琼,李德玉,等.用神经网络进行超声医学图像朋分[J].生物医学工程学杂志, 1998(4):397-399.
  [5]崔栋,刘敏敏,张光玉.BP神经网络在眼底造影图像朋分中的应用[J].中国医学物理学杂志,2011,28(1):2395-2398.
  [6]Verplancke T, Van L S, Steurbaut K, et al. A novel time series analysis approach for prediction of dialysis in critically ill patients using echostate networks[J]. Bmc Medical Informatics & Decision Making, 2009, 13(Suppl 1):1.
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0123/81338/
 与本篇相关的热门内容: