基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)在臨床中應(yīng)用進(jìn)展

摘 要：從1989年第十一屆國(guó)際人工智能聯(lián)合會(huì)議召開(kāi)至今，數(shù)據(jù)挖掘技術(shù)蓬勃發(fā)展。基于人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network ANN）的數(shù)據(jù)挖掘技術(shù)在臨床領(lǐng)域取得的成果尤其引人矚目，ANN被廣泛應(yīng)用于臨床診斷、預(yù)后等多個(gè)方面。為更好的認(rèn)識(shí)ANN在國(guó)內(nèi)外的發(fā)展現(xiàn)狀，文章就與臨床領(lǐng)域聯(lián)系較密切的ANN模型、ANN數(shù)據(jù)挖掘工具、近期臨床研究狀況等方面加以綜述。

關(guān)鍵字：人工神經(jīng)網(wǎng)絡(luò) 臨床 數(shù)據(jù)挖掘

中圖分類號(hào)：G202 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-6938（2010）03-0095-004

The Development of Data Mining Based on Artificial Neural Network in Clinical Medicine

Yuan Jinqiu Liu YaliYang Kehu （The Evidence-Based Medicine Center of Lanzhou University， Lanzhou， Gansu， 730000）

Abstract：Data mining technology has greatly developed since the 11th international artificial intelligence joint conference which was held in 1989.The achievement of the date mining technology based on Artificial Neural Networks (ANN) is especially conspicuous in the clinical domain; ANN is widely used in the clinical diagnosis， the prognosis and many other aspects. For a better understanding of ANN of the development status at home and abroad， this paper reviews the ANN model， the ANN data mining tool， recent development of clinical research and other relative aspects which are closely related to clinical fields.

Key words：artificial neural network;clinical;data mining

CLC number：G202 Document code：A Article ID：1003-6938（2010）03-0095-004

ANN是基于人腦神經(jīng)網(wǎng)絡(luò)的研究，采用數(shù)理方法對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，建立的一種簡(jiǎn)化模型，最早在1943年由W·Mcculloch和W·Pitts提出了。此后，馮·諾依曼， Widrow，Hopfield等人在ANN的發(fā)展中作出了重要貢獻(xiàn)，并有感知器、Hopfield網(wǎng)絡(luò)等十幾種模型相繼誕生。時(shí)至今日人工神經(jīng)網(wǎng)絡(luò)(ANN)的研究涉及醫(yī)學(xué)、生理學(xué)、哲學(xué)、信息學(xué)、計(jì)算機(jī)科學(xué)等眾多學(xué)科領(lǐng)域，其在臨床領(lǐng)域也取得了較大進(jìn)展。本文將從與臨床領(lǐng)域聯(lián)系較密切的ANN模型、ANN數(shù)據(jù)挖掘工具、近期臨床研究狀況等方面加以綜述。

1 ANN模型及原理

現(xiàn)階段在臨床領(lǐng)域應(yīng)用最多的是BP神經(jīng)網(wǎng)絡(luò)和感知機(jī)模型。這兩種模型也代表了ANN的一般原理。

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)通常由輸入層，隱層和輸出層構(gòu)成。BP算法學(xué)習(xí)過(guò)程包括信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層處理后，傳向輸出層。若輸出與期望值不符，則轉(zhuǎn)入誤差的反向傳播階段。反傳階段中通過(guò)連續(xù)不斷的在相對(duì)與誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差，并依次改變權(quán)值來(lái)逐漸逼近目標(biāo)。在學(xué)習(xí)過(guò)程中，這兩個(gè)過(guò)程周而復(fù)始地進(jìn)行，直至網(wǎng)絡(luò)輸出的誤差減少到可接受的程度或完成預(yù)定的學(xué)習(xí)次數(shù)。隨著ANN研究的不斷深入，新的BP算法從有條件地改變參數(shù)的值、針對(duì)激勵(lì)函數(shù)及誤差函數(shù)等方面對(duì)傳統(tǒng)BP算法進(jìn)行了改進(jìn)，并不同程度的彌補(bǔ)了傳統(tǒng)BP易形成局部極小、學(xué)習(xí)效率低下及訓(xùn)練中存在遺忘趨勢(shì)等缺陷。［1 ］這極大擴(kuò)展了BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍。

1.2 感知器

感知器的基本思想是將一些類似生物神經(jīng)元的處理單元構(gòu)成一個(gè)計(jì)算網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠自動(dòng)地學(xué)習(xí)如何對(duì)模式進(jìn)行識(shí)別和分類。通常它由感知層S，連接層A和反應(yīng)層R構(gòu)成。S由輸入元素組成。S層與A層的連接權(quán)固定為1。中間層的元素位于A層，輸出層的元素位于R層。A層與R層的連接權(quán)是通過(guò)學(xué)習(xí)來(lái)確定，通常在初始時(shí)取［-1，1］內(nèi)的隨機(jī)值，并在學(xué)習(xí)階段根據(jù)梯度下降法不斷調(diào)整，使權(quán)值的變化量等于正負(fù)輸入矢量，最終使之在一定的輸入時(shí)有期望的輸出。實(shí)踐證明，感知器可以很好的劃分線性可分的輸入矢量。然而感知器網(wǎng)絡(luò)必須在輸入矢量是線性可分時(shí)才有效。在臨床領(lǐng)域中主要應(yīng)用于一些醫(yī)分類問(wèn)題。［2 ］

2 ANN數(shù)據(jù)挖掘工具

ANN數(shù)據(jù)挖掘工具作為聯(lián)系臨床與ANN計(jì)算機(jī)科學(xué)的橋梁，發(fā)揮著重要作用。現(xiàn)階段數(shù)據(jù)挖掘工具層出不窮，且大多可以完成關(guān)聯(lián)、ANN等不同類型的數(shù)據(jù)挖掘任務(wù)。目前臨床中應(yīng)用較廣的ANN工具有 Spss Clementine、 InsightfullMiner、Enterprise mine等。

2.1 Spss Clementine

SpssClementine是現(xiàn)階段SPSS公司的核心挖掘產(chǎn)品，是業(yè)界領(lǐng)先的快速可視化數(shù)據(jù)挖掘建模環(huán)境。此工具結(jié)合了多種圖形用戶接口分析技術(shù)，包含神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則等多種算法，其性能優(yōu)良：（1）軟件平臺(tái)使用圖像象征的方法進(jìn)行操作，可視化程序高，使其數(shù)據(jù)挖掘直觀而具有交互性； （2）功能強(qiáng)大，易用性良好，用戶可以不需編程就可以完成建模、數(shù)據(jù)匯總、變換等工作，從而集中精力處理具體業(yè)務(wù)問(wèn)題；（3）完善的項(xiàng)目管理功能，支持CRISP-DM標(biāo)準(zhǔn)流程，依據(jù)該流程可對(duì)數(shù)據(jù)挖掘項(xiàng)目進(jìn)行有效管理；（4）強(qiáng)大的數(shù)據(jù)存取能力。［3］目前，Clementine在臨床疾病診斷、信號(hào)識(shí)別、預(yù)后等領(lǐng)域已有相當(dāng)數(shù)量的成功應(yīng)用范例。

2.2 Insightful Miner

Insightful Miner是IBM公司的數(shù)據(jù)分析和挖掘工具。Insightful Miner包含了目前最廣泛的數(shù)據(jù)挖掘技術(shù)和算法，有如下幾個(gè)重要特點(diǎn)：（1）采用獨(dú)特的“管線式”架構(gòu)，可擴(kuò)展分析組件，高效率處理海量數(shù)據(jù)；（2）可操作性強(qiáng)，支持完整的數(shù)據(jù)挖掘流程，使得操作人員可不必關(guān)注算法的實(shí)現(xiàn)；（3）可實(shí)現(xiàn)探索性數(shù)據(jù)分析，通過(guò)Trellis快速圖示多維數(shù)據(jù)，實(shí)現(xiàn)單變量描述性統(tǒng)計(jì)；（4）可實(shí)現(xiàn)模型的自動(dòng)評(píng)估。總體來(lái)說(shuō)，Insightful Miner是目前市場(chǎng)上最大容量及功能強(qiáng)大的工具，在顧客反饋報(bào)告中它的整體效能是最好的。目前Insightful Miner在臨床疾病分類診斷，信號(hào)分析等方面都有不同程度的應(yīng)用。

2.3 其他

除上述工具以外，Enterprise miner、Microsoft SQL server 2005、Darwin、Knowledge Mine等工具的ANN在臨床診斷、圖像識(shí)別、預(yù)后、決策分析等方面也有一定程度的應(yīng)用。

3 ANN的臨床應(yīng)用

3.1 疾病診斷分析

ANN精于數(shù)據(jù)整合，能有效避免人在診斷中由于經(jīng)驗(yàn)性傾向而導(dǎo)致的診斷失誤。在很多應(yīng)用實(shí)例中，ANN診斷的準(zhǔn)確率都高于專家診斷的準(zhǔn)確率。

（1）臨床癥狀體征診斷分析。癥狀與體征是醫(yī)師作出診斷的第一手資料，意義重大。然而由于臨床癥狀體征資料存在復(fù)雜性、多樣性、不完整性及缺乏數(shù)學(xué)性質(zhì)等特點(diǎn)，基于多種復(fù)雜臨床癥狀體征數(shù)據(jù)的ANN數(shù)據(jù)挖掘應(yīng)用還為數(shù)不多。在國(guó)外Abe Hiroyuk等應(yīng)用ANN作間質(zhì)性肺病的診斷，研究中選取年齡、肺功能等十項(xiàng)臨床參數(shù)作為訓(xùn)練輸入，經(jīng)測(cè)試所得模型正確性達(dá)0.81。進(jìn)一步將影像學(xué)參數(shù)加入訓(xùn)練輸入項(xiàng)，模型的準(zhǔn)確性提高到0.87。［4 ］Eggers等將ANN 應(yīng)用于早期急性心肌梗塞的診斷和對(duì)胸痛病人梗塞面積的預(yù)測(cè)，選取肌鈣蛋白、肌酸激酶同工酶MB等作為診斷指標(biāo)，應(yīng)用ANN交叉驗(yàn)證技術(shù)建立模型，訓(xùn)練所得系統(tǒng)各項(xiàng)陽(yáng)性預(yù)測(cè)值，陰性預(yù)測(cè)值多大于90%。［5 ］國(guó)內(nèi)孫文恒等建立了一個(gè)基于癌胚抗原、甲胎蛋白等6鐘血清腫瘤標(biāo)志物的ANN診斷模型，該模型可以同時(shí)區(qū)別消化道疾病、胰腺炎與胰腺癌，可為臨床胰腺癌的診斷提供有價(jià)值的參考資料。 ［6 ］此外，我國(guó)學(xué)者在ANN中醫(yī)癥候診斷方面也作了大量富有成效的工作。

（3）臨床圖像診斷分析。ANN應(yīng)用于臨床圖像診斷分析可以提高診斷的正確性，提高影像資料的利用度，降低資歷醫(yī)師培訓(xùn)花費(fèi)。近十年來(lái)，隨著數(shù)字化影像技術(shù)的飛速發(fā)展，ANN 所處理的影像學(xué)資料越來(lái)越趨向與多維化，復(fù)雜化，所處理的影像資料擴(kuò)張到心臟掃描、腦灌注掃描、磁共振成像及正電子發(fā)射斷層掃描圖像等。Acton等將ANN應(yīng)用于帕金森病的診斷，該學(xué)者將81例病人的 Tc-99m紋狀體神經(jīng)多巴胺斷層掃描圖像輸入ANN模型，所有圖像資料同時(shí)用作訓(xùn)練和測(cè)試，系統(tǒng)總正確率達(dá)94.4%。［7 ］Gutte 等將ANN技術(shù)應(yīng)用于肺癌病人的PET/CT圖像的自動(dòng)識(shí)別， 研究過(guò)程中采用肺臟分割算法分析87 例肺癌病人PET/CT圖像，并抽取其中8項(xiàng)指標(biāo)作為ANN模型的輸入，系統(tǒng)準(zhǔn)確率達(dá) 92% ，極大提高了肺癌病人PET/CT圖像分析的水平。 ［8 ］

類似于ANN在影像分析上的應(yīng)用， ANN 在病理標(biāo)本分析方面也有著顯著的診斷優(yōu)勢(shì)。目前ANN已成功用于肺小細(xì)胞癌皮肺穿刺標(biāo)本、乳腺細(xì)針穿刺細(xì)胞學(xué)標(biāo)本、外周病理血管組織、宮頸巴氏物涂片、血細(xì)胞識(shí)別等方面的計(jì)算機(jī)輔助診斷。

（3）醫(yī)學(xué)信號(hào)診斷分析。現(xiàn)階段ANN已用于腦電圖、肌電圖、心電圖、多譜勒超聲和二氧化碳分析等各種醫(yī)學(xué)信號(hào)分析。ANN可以把專家知識(shí)融入數(shù)學(xué)框架，來(lái)提取特征、分類和識(shí)別模式。由于ANN不需要考慮對(duì)數(shù)據(jù)噪聲的統(tǒng)計(jì)假設(shè)，也不需要將專家知識(shí)經(jīng)驗(yàn)條文化，因而ANN的數(shù)據(jù)處理方式更合理，在模式識(shí)別方面有顯著優(yōu)勢(shì)。Srinivasan 等將ANN應(yīng)用于癲癇病人的EEG分析，利用癲癇病人癲癇發(fā)作時(shí)EEG近似熵銳減這特性，通過(guò)訓(xùn)練樣本建立起了ANN分析系統(tǒng)，試驗(yàn)測(cè)試該系統(tǒng)總精確率達(dá)100%。［9 ］Kara等應(yīng)用多層前饋ANN分析視網(wǎng)膜電圖，通過(guò) LM 反傳算法訓(xùn)練樣本，最后得到的一個(gè)可以區(qū)分正常與非正常視網(wǎng)膜電圖的診斷系統(tǒng)，該系統(tǒng)診斷的正確率94.2%。［10 ］

3.2 ANN應(yīng)用于臨床決策分析

ANN能夠綜合患者的各項(xiàng)具體情況給出一個(gè)特定的預(yù)測(cè)值，因而對(duì)于個(gè)體來(lái)說(shuō)意義更大，這是傳統(tǒng)的統(tǒng)計(jì)分析方法所望塵莫及的。Lisboa.等對(duì)1996年到2006年間發(fā)表的關(guān)于ANN在腫瘤方面應(yīng)用論文資料進(jìn)行系統(tǒng)評(píng)價(jià)，肯定了ANN在腫瘤決策支持應(yīng)用方面的積極意義，同時(shí)作者也呼吁擴(kuò)大的嚴(yán)謹(jǐn)研究方法的應(yīng)用。［11 ］此外，Larder等將ANN應(yīng)用于HIV治療藥物選擇的決策支持分析， 研究所得ANN模型有較大實(shí)用價(jià)值，可以用于HIV耐藥的分析及HIV感染者治療過(guò)程中藥物選擇的決策支持。［12 ］

3.3 預(yù)后預(yù)測(cè)分析

在臨床預(yù)后的分析中傳統(tǒng)的依據(jù)統(tǒng)計(jì)數(shù)字作方法通常顯得捉襟見(jiàn)肘。相比之下，ANN應(yīng)用其個(gè)案分析的優(yōu)勢(shì)，充分整合各種相關(guān)因素，顯著提高了精確度。ANN預(yù)后分析是近幾年來(lái)最為活躍的研究領(lǐng)域之一。 Fumiaki Sato等將ANN應(yīng)用與食道癌的生存率預(yù)測(cè)，該學(xué)者收集418名病人199項(xiàng)臨床及病理資料，經(jīng)訓(xùn)練所得ANN模型對(duì)病人的一年存活率及五年存活率預(yù)測(cè)精確度較高(AUR=0.884，P<0.0001)，明顯優(yōu)于依據(jù)TNM分期標(biāo)準(zhǔn)的預(yù)后方法。［13 ］Heckerling等將ANN與遺傳算法結(jié)合應(yīng)用與泌尿道感染病人的預(yù)后， 將212名泌尿道感染婦女的尿頻、排尿困難等九項(xiàng)指標(biāo)作為預(yù)測(cè)變量進(jìn)行訓(xùn)練，到了較滿意的ANN預(yù)后系統(tǒng)。作者認(rèn)為ANN與遺傳算法結(jié)合能夠簡(jiǎn)化且較精確的預(yù)測(cè)泌尿道感染，且能夠新發(fā)現(xiàn)不同癥狀、體征之間的聯(lián)系。［14 ］Ivanov將ANN應(yīng)用于大腦缺血性障礙的疾病進(jìn)程預(yù)測(cè)分析，通過(guò)對(duì)224例病人的超聲圖譜資料的訓(xùn)練，得到了較好的結(jié)果，其預(yù)測(cè)準(zhǔn)確性優(yōu)于傳統(tǒng)預(yù)后預(yù)測(cè)方法。［15］此外ANN還廣泛應(yīng)用于HIV發(fā)展過(guò)程預(yù)測(cè)、創(chuàng)傷修復(fù)、乳腺癌手術(shù)、腹主動(dòng)脈瘤修復(fù)手術(shù)、肝移植和心外科手術(shù)等相關(guān)的預(yù)后預(yù)測(cè)分析。

4 ANN國(guó)內(nèi)外發(fā)展動(dòng)態(tài)與趨勢(shì)

ANN在臨床領(lǐng)域的應(yīng)用研究在不同國(guó)家地區(qū)中表現(xiàn)地參差不齊，有學(xué)者對(duì)2000~2001年收錄入ISI有關(guān)ANN在生物學(xué)和醫(yī)學(xué)領(lǐng)域應(yīng)用的論文作統(tǒng)計(jì)分析，發(fā)現(xiàn)最多產(chǎn)的五個(gè)國(guó)家分別為美國(guó)，英國(guó)，德國(guó)，意大利，加拿大（論文數(shù):302，89，76，38，35）。中國(guó)以29篇論文收錄居第九位，但其影響因子普遍較低，平均只有1.8 。［16 ］從2004年起，歐盟十國(guó)整合，使其ANN研究力量極大提升，從而形成了北美、歐盟、亞洲國(guó)家三足鼎立的局勢(shì)。其中北美在放射學(xué)，核醫(yī)學(xué)，醫(yī)學(xué)圖像處理的ANN研究有相當(dāng)優(yōu)勢(shì)，歐盟則在病理學(xué)，微生物學(xué)等方面研究較多，亞洲國(guó)家的研究水平相對(duì)較低，研究的內(nèi)容也較零散。

相比之下，中國(guó)在ANN的臨床研究方面存在一定差距，主要表現(xiàn)在創(chuàng)新性缺乏、研究重復(fù)率高、研究方法欠嚴(yán)謹(jǐn)?shù)确矫妗Ｈ欢瑖?guó)內(nèi)研究取得的成果還是值得肯定的，最近幾年中被發(fā)表的相關(guān)論文直線上升，研究范圍也不斷擴(kuò)大。這些都表明ANN正逐漸為越來(lái)越多的中國(guó)學(xué)者所關(guān)注。值得一提的是，我國(guó)學(xué)者做了大量將ANN與傳統(tǒng)中醫(yī)結(jié)合的工作，主要包括中醫(yī)癥候診斷，中藥療效預(yù)測(cè)，病情診斷預(yù)測(cè)、脈象識(shí)別等。［17 ］這些研究都積極促進(jìn)了祖國(guó)中醫(yī)的發(fā)展。

近些年來(lái)電子病歷的被推廣使用，補(bǔ)充醫(yī)學(xué)也越來(lái)越受重視，［18 ］這為ANN數(shù)據(jù)挖掘帶來(lái)了新的契機(jī)。以往研究中，許多ANN系統(tǒng)缺乏嚴(yán)格對(duì)照，其研究結(jié)果真實(shí)性存在爭(zhēng)議。因此，除進(jìn)一步擴(kuò)大ANN的臨床應(yīng)用范圍外，利用更嚴(yán)謹(jǐn)?shù)难芯糠椒ㄖ貜?fù)驗(yàn)證已取得的成果，可能在將來(lái)的研究中占有很大的分量。此外， 綜合ANN應(yīng)用于多病種的診斷、預(yù)后等工作，可能將是以后的研究重點(diǎn)。最后，將ANN與計(jì)算機(jī)專家系統(tǒng)結(jié)合也表現(xiàn)出了相當(dāng)大的發(fā)展?jié)摿Α?/p>

5 結(jié)語(yǔ)

作為一個(gè)新興的工具，ANN在臨床領(lǐng)域取得了可喜的成績(jī)。然而目前ANN尚且只能被定位為臨床輔助工具。要使ANN為臨床工作，還需要進(jìn)一步擴(kuò)大其臨床應(yīng)用范圍、進(jìn)行多病種融合、以及應(yīng)用更嚴(yán)謹(jǐn)?shù)呐R床研究方法加以證實(shí)。

參考文獻(xiàn)：

［1］陸瓊瑜，童學(xué)鋒. BP算法改進(jìn)的研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)， 2007， 28(3): 648-650.

［2］崔雷. 醫(yī)學(xué)數(shù)據(jù)挖掘［M］. 北京：高等教育出版社，2005.

［3］謝邦昌.數(shù)據(jù)挖掘Clementine 應(yīng)用實(shí)務(wù)［M］.北京：機(jī)械工業(yè)出版社，2008：41-46.

［4］Abe Hiroyuki，Ashizawa Kazuto，Li Feng. Artificial neural networks (ANNs) for differential diagnosis of interstitial lung disease: results of a simulation test with actual clinical cases［J］.Acad Radiol， 2004， 11(1): 29-37.

［5］EggersKai M ， ElleniusJohan ，DellborgMikael. Artificial neural network algorithms for early diagnosis of acute myocardial infarction and prediction of infarct size in chest pain patients［J］.International Journal of Cardiology ， 2007，114(3）: 366-374.

［6］孫文恒等. 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在胰腺癌診斷中的應(yīng)用［J］. 蘭州大學(xué)學(xué)報(bào)， 2008，44：223-226.

［7］ActonPaul D ， NewbergAndrew.Artificialneural network classifier for the diagnosis of Parkinson's disease using ［Tc-99m］ TRODAT-1 and SPECT［J］.Physics in Medicine and Biology ， 2006， 51(12): 3057-3066.

［8］Gutte Henrik， Jakobsson David， OlofssonFredrik， Automated interpretation of PET/CT images in patients with lung cancer［J］. Nucl Med Commun，2007， 28（2）: 79-84.

［9］SrinivasanVairavan ， Eswaran Chikkannan， SriraamNatarajan.Approximate entropy-based epileptic EEG detection using artificial neural network's［J］. IEEE Transactions On Information Technology In Biomedicine， 2007，1(3): 288-295.

［10］KaraSadik，GuvenAysegul，Oner Ayse Ozturk. Utilization of artificial neural networks in the diagnosis of optic nerve diseases［J］. Computers in Biology and Medicine， 2006，36(4): 428-437.

［11］LisboaPaulo J， TaktakAzzam FG . The use of artificial neural networks in decision support in cancer: A systematic review［J］. Neural Networks， 2006，19(4): 408

-415.

［12］LarderBrendan， WangDechao，Revell. AndyApplication of Artificial Neural Networks for Decision Support in Medicine［J］.Methods in Molecular Biology， 2008: 12

3-136.

［13］Fumiaki Sato， Yutaka Shimada ， Florin M. Selaru . Prediction of survival in patients with esophageal carcinoma using artificial neural networks［J］ .CANCER， 2005， 103 (8): 1596-1605.

［14］HeckerlingPaul S ， CanarisGay J ， FlachStephen D. Predictors of urinary tract infection based on artificial neural networks and genetic algorithms［J］. International Journal of Medical Informatics ，2007， 76 ( 4): 289-296.

［15］Ivanov Yu S ， Semin G F.Diagnosis and prognosis of cerebral ischemic disturbances course using a method of artificial neuronal networks［J］. Zhurnal Nevrologii i Psikhiatrii Imeni S. S. Korsakova，2004，(12): 29-33.

［16］Robert Claude，Arreto Charles-Daniel， AzeradJean. Bibliometric overview of the utilization of artificial neural networks in medicine and biology［J］. Scientometrics， 2004，59 (1): 117-130.

［17］施明輝，周昌樂(lè).人工神經(jīng)網(wǎng)絡(luò)在中醫(yī)診斷中的應(yīng)用現(xiàn)狀與趨勢(shì)［J］.中國(guó)中醫(yī)藥信息雜志，2007，14(1):2-5.

［18］Igor Kononenko. Machine learning for medical diagnosis: history， state of the art and perspective［J］． Artificial Intelligence in Medicine， 2001，23（1）：89-109．

作者簡(jiǎn)介：袁金秋，男，蘭州大學(xué)臨床醫(yī)學(xué)專業(yè)本科生；劉雅莉，女，蘭州大學(xué)循證醫(yī)學(xué)中心講師；楊克虎，男，蘭州大學(xué)循證醫(yī)學(xué)中心教授。