徐力平，尚 丹，陳小玉

1)鄭州大學(xué)信息工程學(xué)院 鄭州450001 2)鄭州大學(xué)公共衛(wèi)生學(xué)院衛(wèi)生毒理學(xué)教研室 鄭州450001#通訊作者，女，1957年11月生，教授，研究方向:職業(yè)與健康，E-mail:chen-xiaoyu@zzu.edu.cn

肺癌是嚴(yán)重威脅人類(lèi)健康的常見(jiàn)惡性腫瘤，死亡率居惡性腫瘤之首［1］。早期診斷、早期治療可提高肺癌患者的生存率，改善他們的生活質(zhì)量。然而，盡管使用了高分辨率的CT，判別肺部孤立小結(jié)節(jié)是良性還是惡性仍有困難。作為人工神經(jīng)網(wǎng)絡(luò)的重要一員，BP 神經(jīng)網(wǎng)絡(luò)(BPNN)利用誤差信號(hào)反向傳播、調(diào)節(jié)權(quán)重，具有良好的自適應(yīng)性、自組織性和很強(qiáng)的自學(xué)習(xí)能力，是數(shù)據(jù)分類(lèi)和模式識(shí)別的有力工具。已有利用人工神經(jīng)網(wǎng)絡(luò)辨別肺部孤立小結(jié)節(jié)良惡性的研究［2-4］。模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network，F(xiàn)NN)是模糊邏輯推理與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)在模糊數(shù)據(jù)處理方面的不足和純模糊邏輯在學(xué)習(xí)方面的缺陷。作者綜合運(yùn)用模糊數(shù)學(xué)和人工神經(jīng)網(wǎng)絡(luò)知識(shí)構(gòu)建一個(gè)FNN 模型，用于肺癌的計(jì)算機(jī)輔助診斷，以提高肺癌診斷的正確率。

1 材料與方法

1.1 材料 收集2005年3月至2006年7月鄭州大學(xué)第一附屬醫(yī)院的117例患者的CT 結(jié)果，117例中肺癌59例，肺良性疾病58例，診斷均得到病理證實(shí)。肺癌患者中，男44例，女15例，年齡30～81歲;其中小細(xì)胞肺癌11例，非小細(xì)胞肺癌48例。肺良性疾病患者中，男37例，女21例，年齡13～84歲;其中肺結(jié)核24例，炎性病變25例，其他9例。

1.2 FNN 模型的建立 由3 層前向BPNN組成。第1 層為數(shù)據(jù)預(yù)處理層，先提取患者的26 個(gè)特征值再對(duì)其進(jìn)行模糊化處理;第2 層為隱含層;第3 層為輸出層。

1.2.1 數(shù)據(jù)預(yù)處理 ①特征提取。提取病例的5個(gè)臨床參數(shù)和21 項(xiàng)放射學(xué)特征作為第1 層的輸入向量。5 個(gè)臨床參數(shù)為患者的性別、年齡、吸煙史、家族惡性腫瘤史和體重減輕情況。21 項(xiàng)放射學(xué)特征為:病灶大小、密度、邊緣情況、磨玻璃樣改變、空洞征、毛刺征、血管切跡、分葉征、棘突征、胸膜凹陷、胸膜浸潤(rùn)、縱隔移位、縱隔受侵、縱隔淋巴結(jié)腫大、肺內(nèi)遠(yuǎn)處轉(zhuǎn)移、肺氣腫、鈣化、氣管狹窄情況、衛(wèi)星病灶、肺不張及胸腔積液。放射學(xué)特征經(jīng)3 名有經(jīng)驗(yàn)的放射科醫(yī)師進(jìn)行評(píng)分提取。②特征向量的模糊化。在26 個(gè)特征值中有13 個(gè)為非二值參數(shù)，可以用隸屬度函數(shù)進(jìn)行模糊化處理。每個(gè)輸入變量分為3 個(gè)模糊子空間，用大(H)、中(M)、小(L)3 個(gè)語(yǔ)言變量表示，則輸入變量就有3 個(gè)模糊化神經(jīng)元與其在3 個(gè)模糊子空間對(duì)應(yīng)的隸屬函數(shù)值對(duì)應(yīng)，于是13個(gè)非二值參數(shù)經(jīng)模糊化輸出39 個(gè)參數(shù)。③隸屬度函數(shù)選取。該研究中隸屬度函數(shù)［5］采用三角形分布函數(shù)。隸屬度函數(shù)為:

式中L、H 分別表示參數(shù)極小值和極大值，P =(L+H)/2。

例如，由病例數(shù)據(jù)中的年齡數(shù)據(jù)，L =13，H =84，根據(jù)式(4)、(5)得L' =0，H' =120，代入式(1)、(2)、(3)就可得出年齡參數(shù)的隸屬度函數(shù)為:

1.2.2 其他層的處理 ①隱含層處理。確定最佳隱含節(jié)點(diǎn)的一個(gè)常用方法為試湊法:首先用確定隱含節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式(式中m、n、l 分別為隱含層節(jié)點(diǎn)數(shù)、輸入層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)，α 為1～10 間的常數(shù))確定初始值，再用數(shù)值實(shí)驗(yàn)來(lái)確定最佳隱含節(jié)點(diǎn)數(shù)，即逐漸增加節(jié)點(diǎn)數(shù)，用同一樣本進(jìn)行訓(xùn)練，從中確定誤差最小時(shí)對(duì)應(yīng)的節(jié)點(diǎn)數(shù)。該研究中，輸出節(jié)點(diǎn)數(shù)為1，對(duì)應(yīng)于26 個(gè)參數(shù)，作為對(duì)照的BPNN 輸入節(jié)點(diǎn)數(shù)為26，則初始值取6，選取隱含層節(jié)點(diǎn)數(shù)為6～11 的6 個(gè)數(shù)進(jìn)行數(shù)值實(shí)驗(yàn)，結(jié)果為7 個(gè)節(jié)點(diǎn)數(shù)最佳;FNN 的神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)為52(對(duì)應(yīng)13 個(gè)二值參數(shù)加上3×13 個(gè)模糊化的非二值參數(shù))，則初始值取11，選取隱含層節(jié)點(diǎn)數(shù)為11～16 的6 個(gè)數(shù)進(jìn)行數(shù)值實(shí)驗(yàn)，結(jié)果是取11 個(gè)隱含層節(jié)點(diǎn)最佳。②輸出層處理。輸出層為一個(gè)節(jié)點(diǎn)輸出，預(yù)測(cè)值以0.5 作為分界點(diǎn)，≥0.5 為肺癌患者，越接近1 表示敏感性越強(qiáng);＜0.5 為良性疾病患者，越接近0 表示敏感性越強(qiáng)。輸入層節(jié)點(diǎn)采用線(xiàn)性函數(shù)作為激勵(lì)函數(shù)，隱含層和輸出層節(jié)點(diǎn)均采用對(duì)數(shù)型Sigmoind 函數(shù)作為激勵(lì)函數(shù)。

1.3 網(wǎng)絡(luò)訓(xùn)練 從全部樣本中隨機(jī)抽取73例(良性疾病35例，肺癌38例)作為訓(xùn)練集，其余44例作為預(yù)測(cè)集。用MATLAB 7.0 編程，分別對(duì)BPNN 和FNN 進(jìn)行訓(xùn)練，并用完成訓(xùn)練的網(wǎng)絡(luò)模型預(yù)測(cè)。

2 結(jié)果與討論

兩種方法的輸出結(jié)果見(jiàn)表1，其中劃線(xiàn)處為錯(cuò)誤結(jié)果。由表1可知，良性病例中BPNN 有3 個(gè)診斷錯(cuò)誤，即假陽(yáng)性3例，F(xiàn)NN 有2 個(gè)診斷錯(cuò)誤，即假陽(yáng)性2例;肺癌病例中BPNN 有4 個(gè)診斷錯(cuò)誤，即假陰性4例，F(xiàn)NN 有2 個(gè)診斷錯(cuò)誤，即假陰性2例。FNN 診斷肺癌的靈敏度、特異度和正確率分別為0.904 8、0.913 0和90.91%，BPNN 分別為0.809 5、0.869 6 和84.09%。ROC 空間圖見(jiàn)圖1。從ROC 空間圖可以看到，F(xiàn)NN 分類(lèi)對(duì)應(yīng)的F 點(diǎn)比BPNN 的B 點(diǎn)接近左上角(0，1)，即FNN 分類(lèi)的效果優(yōu)于BPNN。

表1 FNN 與BPNN 輸出結(jié)果的比較

圖1 ROC 空間圖

該研究結(jié)果顯示，在肺癌計(jì)算機(jī)輔助診斷中，結(jié)合模糊理論與神經(jīng)網(wǎng)絡(luò)建立的FNN 模型既考慮了診斷數(shù)據(jù)的模糊性，又考慮了診斷特征與診斷結(jié)果的復(fù)雜關(guān)系，其預(yù)測(cè)結(jié)果與病理診斷結(jié)果相當(dāng)接近，且優(yōu)于BPNN 的預(yù)測(cè)結(jié)果。

［1］楊玲，李連弟，陳育德，等.中國(guó)肺癌死亡趨勢(shì)分析及發(fā)病、死亡的估計(jì)與預(yù)測(cè)［J］.中國(guó)肺癌雜志，2005，8(4):274

［2］Matsuki Y，Nakamura K，Watanabe H，et al.Usefulness of an artificial neural network for differentiating benign from malignant pulmonary nodules on high-resolution CT:evaluation with receiver operating characteristic analysis［J］.Am J Roentgenol，2002，178(3):657

［3］Coppini G，Diciotti S，F(xiàn)alchini M，et al.Neural networks for computer-aided diagnosis:detection of lung nodules in chest radiograms［J］.IEEE Trans Inf Technol Biomed，2003，7(4):344

［4］Nakamura K，Yoshida H，Engelmann R，et al.Computerized analysis of the likelihood of malignancy in solitary pulmonary nodules with use of artificial neural networks［J］.Radiology，2000，214(3):823

［5］蔣中明，徐衛(wèi)亞，張新敏.彈性介質(zhì)模糊有限元控制方程的快速解法［J］.工程力學(xué)，2006，23(7):25