淺析神經網絡在醫學中的應用

楊澤宇

摘 要 隨著科技的發展，醫療數據規模也在飛速增長，由于人類本身對于數據并不具有敏感性，因此需要計算機輔助人類進行相關的數據處理、疾病診斷、輔助治療等。與傳統的計算機技術不同，人工神經網絡是一種具備自我學習、自我優化特點的新興技術，這也使得其能夠從大量的數據中提取出使用者所感興趣的特征或相關數據。文章介紹了人工神經網絡的特點并從信號處理、醫學影像處理和專家系統/輔助診斷3個方面展開，詳細描述了人工神經網絡在醫學中的應用。

關鍵詞 神經網絡；信號處理；醫學影像處理；專家系統

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2018）224-0152-03

健康是人類始終關注的話題，在短短的幾百年內，醫學有了令人震驚的進步，一個直觀的例子就是結核病：該病曾在19世紀初在歐洲和北美大陸肆虐，但在今天的醫學工作者看來幾乎不值一提。而人類之所以能在醫學領域取得矚目的成績，一大原因便是對人類自身生理構造及相關指標的了解與探索。人類通過血液化驗、核磁共振成像、心電圖等形式對人類自身的各項生理指標進行監控，對疾病進行預防，并根據生理指標的變化制定出相應的治療策略。

然而，隨著研究的不斷深入，培養一名特定領域的醫學專家的成本也在不斷提高。在人類壽命沒有明顯提高，但知識庫的規模卻成倍增長的今天，一位醫學生從入學到工作再到成為專家的時間跨度大大增長。同時，由于被人類研究的疾病不斷增多，進行診斷時所要考慮的病癥也在不斷增加，這對診斷結果的可靠性也提出了挑戰。？

人工神經網絡是當前機器學習的主流發展方向，其自適應、自訓練的特點使得其在提取特征、模式識別、圖像處理、數據降維等方面的表現非常亮眼。因此，將神經網絡與醫學相結合不失為一條可行之路。？

本文首先介紹神經網絡，進而主要從3個方面介紹神經網絡在醫學中的典型應用。？

1 神經網絡

人腦是一個極其龐大而復雜的系統，因此也具備了十分強大的功能。一方面，它能極快地對大量信息進行處理，另一方面，它能不斷學習，同時根據環境的變化不斷調整自我。盡管人類不斷在電子信息、計算機科學上有所突破，但迄今為止任何人工系統的表現都無法真正與人腦相匹敵。實際上，腦系統與計算機在結構上有著較為明顯的差異，例如，人腦并沒有一個集中的CPU，而是由千千萬萬個神經元構成。這些神經元彼此之間存在著某種聯系，成為了大腦處理信息的基本元件。？

人工神經網絡是一種通過模仿人類腦結構來優化計算、判斷過程從而實現當前計算機無法實現的功能的技術。該技術涉及的學科很廣，包含生物、數學、計算機等。正如前文所說，人的大腦皮層的基本運算單元是神經元，而人工神經網絡也正是通過在數學上模擬神經元之間的連接（同時對單個神經元賦予相應的計算或者輸入，例如激活函數）進而構成了一個龐大的系統。

自1943年美國心理學家Warren？McCulloch和數學家Walter？Pitts提出M-P模型，人工神經網絡就一直是一個熱門的話題。人工神經系統經過幾十年的發展，已然越來越成熟，并且在各個領域發揮著積極作用。

2 神經網絡與醫學的結合

科學技術的發展為醫學的進步奠定了堅實的基礎，實際上，人類在醫學上之所以能夠不斷突破，歸根結底是因為我們通過不斷迭代的技術對人類本身的構造不斷加以研究，從而更加精確地掌握人體內部的各種生理指標。

以神經影像學為例，隨著技術的更新，腦電圖的分辨率也在不斷上升，隨之而來的是待處理數據規模的幾何增長，這對醫學工作者的要求也在不斷提高。人的大腦雖然巧妙而精密，但對于數據（尤其是大量數據）本身并不敏感，因此，從大量數據中發現異常并非人類擅長。而神經網絡由于其本身所具備的并行處理、自我優化的特征，在面對這些問題時顯得游刃有余。

因此，將神經網絡與醫學結合起來是促進醫學進步、推動人類健康的必由之路。接下來，筆者將會從信號處理、圖像處理、專家系統3個領域介紹神經網絡在醫學中的應用。

2.1 信號的處理

在信號處理方面，比起傳統的濾波技術，人工神經網絡具有明顯的優勢，具體體現在以下方面。？

1）人工神經網絡的自學習以及自適應能力可以滿足不同環境下對波形進行分類的需求。實際上，許多醫學上關注的生理信號與患者的其他生理指標有著比較強的耦合，以腦電信號為例，患者眨動眼睛所引發的眼電信號會對腦電信號產生嚴重的干擾。在這種情況下，人工判斷的可靠性會大幅降低，而如果使用神經網絡進行特征提取，將噪聲直接排除，就能大大簡化我們的判斷。？

2）神經網絡的并行處理能力可以提高心電圖分析的效率，一個簡單的例子：人工判斷極易受到判斷者生理狀態的影響（例如人在疲倦時做出的判斷其可信度往往會下降），而計算機則不具備這種局限性。？

3）相對傳統的信號處理方法，人工神經網絡往往在技術上被封裝得更加簡便易懂，更加有利于對醫學人員的培訓以及學習。？

實際上，人工神經網絡已經在信號處理方面取得了較為豐碩的成果。例如，在心電信號處理方面，由于心電信號的非線性和不確定性，濾波技術難免在過濾噪聲方面顯得不盡人意，而利用人工神經網絡的非線性動力學特性及學習特性可以構成一個具有自適應的系統，從而對該問題實現優化。

實際上Widrow[ 1 ]提出的自適應線性神經元“Adaline”在用于胎兒心電信號檢測方面就取得了良好的效果。而我國的沈虹[ 2 ]等人使用了較為簡單的BP神經網絡來識別3種情況下的心電圖：他們建立BP神經網絡后，使用9個不同的心電圖來訓練BP網絡，經過17次訓練確定了各個參數值，最終誤差減小至0.480？7%。？

2.2 醫學影像的處理

由于神經網絡通過了大量的訓練，它自身能夠“記憶”并“分析”所輸入的信息并且得出一個合理的預測結果。基于這個特征，人工神經網絡在醫學影像的篩查和輔助診斷領域得到了廣泛的運用。尤其是近年來隨著卷積神經網絡的出現以及不斷優化，人工神經網絡愈發在圖像處理、數據降維等方面大放異彩。例如，已經有相關人員用模糊神經網絡分析肝超聲圖像，采用了150例樣本進行特征提取，隨后用75例樣本進行學習，另外75例進行測試，結果精確度超過75%。Swiercz？M[ 3 ]等用人工神經網絡測定顱內雙超聲，診斷大腦中動脈痙攣。他采用了一百例患者，在2小時進行腦造影分類，通過人工神經網絡，準確分類的范圍可從79.6%上升至87.6%。

而在超聲圖像的分割問題方面，王天富[ 4 ]等人采用特征映射神經網絡進行圖像分割，發現分割結果與網絡的初始狀態無關，并且具有較強的保持拓撲結構不變的能力，實際上，與傳統方法相比，它具有分割結果的穩定性好、準確度高、自適應好以及收斂速度快的特點。崔棟[ 5 ]等人對眼底造影圖像進行分析，利用BP神經網絡優化算法，確定參數，得到的結果表明神經網絡在眼底造影圖像分割中有很強的抗干擾能力。？

2.3 專家系統

所謂的“專家”并不僅僅要求相關從業人員具備扎實的理論基礎，同時也要求其擁有豐富的從業經驗，醫學上更是如此。這是因為在醫學癥狀的辨析領域有一個難點，那便是同一癥狀可能是不同疾病的表現，而同一疾病也可能有著多種多樣的臨床癥狀。

以青少年的“斜眼”癥狀為例，在很長的時間內該病癥都被認為是一種眼疾，而近些年來的研究發現該病癥更可能是因為患者的神經中樞出現了功能性的病變。在這種癥狀來源復雜的情況面前，一個從業幾十年的醫生尚且沒有把握正確診斷，更遑論工作經驗只有10年左右的青壯年了。？

如上文所述，人工診斷存在著天然的缺陷，因此發展以計算機為基礎的專家系統是大勢所趨。專家系統的發展方向和技術思路有很多，例如該系統的邏輯既可以由工作人員進行編排，也可以由計算機在大量數據的學習中自行“總結。但人工編排的速度必然將落后于時代進步、技術發展的速度。

因此，以機器學習為基礎的專家系統必然是最終的答案。在西方專家系統的應用已經比較廣泛：Verplancke？T[ 6 ]等人用人工神經網絡來預測危重病人對透析輔助應用的需求。他們采用了ICU中830例患者，分別使用ESN、SVM、NB三種方法，結果表明ESN在預測ICU病人對透析需求上有著較為明顯的優勢。？

3 結論

時代在發展，科技在進步，人類對于自身的認識也在不斷精細化，而人類自身的進化速度遠遠慢于技術的發展速度。

因此，在數據量越來越龐大的今天，如何從海量數據中提取我們需要的、感興趣的特征、數據，是對科技工作者的考驗，也是對醫學工作者的考驗。

靠醫生個人“望聞問切”的時代已經過去，在未來，醫學與大數據技術、人工神經網絡技術相結合是必然的、不可阻擋的。不管是醫學工作者還是患者，都應該擁抱變化，順應時代發展的大趨勢，為人類更加健康、美好的明天而奮斗。？

參考文獻

[1]Widrow B， Winter R. Neural nets for adaptive filtering and adaptive pattern recognition[J]. Computer， 1988， 21（03）：25-39.

[2]沈虹，張良震，秦瑋，等.用于識別心電圖的BP網絡系統[J].生物醫學工程學進展，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，鄭昌瓊，李德玉，等.用神經網絡進行超聲醫學圖像分割[J].生物醫學工程學雜志， 1998（4）：397-399.

[5]崔棟，劉敏敏，張光玉.BP神經網絡在眼底造影圖像分割中的應用[J].中國醫學物理學雜志，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.