人工神經網絡在血型分析中的應用

孟正中

（中山大學達安基因股份有限公司，廣州 510650)

0 引言

傳統的全自動血型分析方式都是通過對血型凝集情況進行拍照，然后對采集的照片進行凝集數據分析，分析凝集容器中各個部分灰度值的分布情況。然后按照試劑說明書中已經設定的血型反應強度判別條件，將灰度分布情況進行反應強度條件判別，最終判定凝集的陰、陽性結果。

全自動血型分析系統，在實際應用中，由于光線、機械運動等因素影響，相機采集的血型凝集圖片的灰度會發生變化，而血型反應強度的判定條件在系統發布出去前已經根據大量統計的經驗預先設定好。光線變化導致的灰度變化對于預先設定的判定條件是巨大的挑戰，將導致自動分析的結果系統不穩定。即使通過系統重判結果，也不能兼容以前所有實驗數據修改系統中設定的判定規則，系統不能自動修正。

人工神經網絡無需輸入判定規則，其通過數據進行訓練，將自動產生其內部的判定規則。對于上述挑戰原有判定規則的情況，人工神經網絡只需重訓練，自動修正血型判定規則，無需發布新程序。人工神經網絡的應用，使全自動血型分析系統更加智能。

1 算法實現

人工神經網絡在指紋、車牌、人臉等模式識別，智能機器人、自動控制、醫學等領域已經獲得重大突破，解決了諸多現代計算機算法無法解決的問題。人工神經網絡從信息分解、存儲、識別的角度模擬人類大腦運作的方式，構建了大量的相互連接的神經元，各層神經元對輸入進行激勵輸出。人工神經網絡每完成某神經元的輸入到輸出的激勵后，自動修正各層神經元之間對應的激勵權重，從而無限逼近理想的輸出。激勵權重即是神經網絡的記憶。

圖1

假設輸入為 X={x1,x2,x3,...,xm}，權重為W={w1,w2,w3,…,wm} ，輸出為 Y={y1,y2,y3,...,yn} 則(j=1,2,3,…,n)。

由上述公式，可知，經過大量數據訓練收斂后產生的權重W={w1,w2,w3,...,wm}，再次輸入數據和X={x1,x2,x3,...,xm}數據分布規律類似的X′={x′1,x′2,x′3,...,x′m}，經過W={w1,w2,w3,...,wm}加權后，得到的輸出結果將逼近于訓練集Y={y1,y2,y3,...,yn}中的一種分類。

由于血型凝集反應的特殊性，雖然采集的圖像數據輸入多樣，但凝集的分布情況都類似，而且在醫學上其反應強度特征也只有特定的幾種，分為陰性、±，1+，2+，3+，4+、溶血、矛盾這幾種特征，這種情況非常適合采用神經網絡的方法，進行血型凝集反應強度的識別。采用神經網絡的方法，只需采集各個特征的反應圖片進行訓練，直到收斂得到各個特征的權重記憶，那么在實際應用中，只要輸入采集的血型凝集圖片，將得到對應的反應強度結果。

假設采集的血型凝集圖片如下圖，凝集反應強度的數據為二維灰度圖像矩陣。

圖2

為了實現算法的需要，我們將數據分為N組,統計各組的灰度值，定義數組為A[N]，A[N]組數據做為神經網絡的輸入層。定義反應強度的數據為一維數組B[n]，將B[n]作為輸出層，隱藏層設定為L，對采集的大量圖片數據進行訓練直到收斂，就產生了血型分析的規則。

下面給出C++偽代碼實現：

訓練：

預測：

2 結語

本文給出了基于人工神經網絡進行全自動血型分析的思想和實現方式的演示，該算法的應用能解決全自動血型分析系統實際工作中的相關問題，具有重要的意義。本文給出了算法實現的源程序，有助于讀者對算法的應用進行實現和改進。

[1]馬曉軍，李海軍，李凌波.Hemotype全自動血型分析系統在血型鑒定中的應用研究[J].四川醫學,2012,33(3):536-538.

[2]石紹川，張巧琳，田耘博.OLYMPUS PK7300全自動血型分析儀使用體會及探討[J].實驗與檢驗醫學,2014(6):801-802.

[3]高雋.人工神經網絡原理與仿真實例[M].北京：機械工業出版社，2003.