人工神经网络(artificial neural networks , ANN)是近年迅速发展起来的一门集神经科学、信息科学、计算机科学于一体的交叉、边缘学科，是生物神经网络在结构、功能及某些基本特性方面的理论抽象、简化和模拟而构成的一种信息处理系统[1]。其理论的应用已渗透到各个领域并取得非常令人瞩目的进展，近年来在医学领域的应用也越来越广泛，现对其基本理论及其在疾病诊断方面的应用综述如下。

     1 ANN的产生

    神经元是处理人体内各部分之间信息传递的基本单元。每个神经元都由一个简单处理作用的细胞体，一个连接其他神经元的轴突和树突组成。人的大脑正是拥有约上百亿个神经元这样庞大的信息处理体系，来进行感受、记忆、联想及反应等复杂的人脑思维。ANN就是在对人脑组织结构和运动机制认识理解基础上人工构造的能实现某种功能的理论化的人脑数学模型[2]。它兴起于19世纪末20世纪中期，1943年美国心理学家McCulloch和数学家Pitts合作提出了ANN的第一个数学模型(M-P模型)[3]，从此开创了ANN的理论研究时代。其后，Rosenblatt[4]等众多学者又先后提出了感知模型、BP网络及Hopfield网络等更为复杂的网络模型及改进方法，使得ANN技术得以蓬勃发展。

    2 人工神经元模型与网络结构

    一个ANN的神经元模型和结构描述了一个网络如何将它的输入矢量转化为输出矢量的过程。通过选取不同的模型结构和激活函数，可以形成各种不同的ANN，达到不同的设计目的，完成不同的任务。

    2.1 人工神经元模型(artificial neuron model) 一般是一个多输入/单输出的非线性元件，如图1显示了一个具有r个输入分量的神经元模型。输入分量pj(j=1，2，...,r)通过与和它相乘的权值分量wj(j=1，2，...，r)相连，以∑r j=1WjPj的形式求和后，形成激活函数f(.)的输入，激活函数的另一个输入是神经元的阈值b。

    神经元模型的输入输出关系可表示为：a=f(∑r j=1WjPj+b)

    图1 人工神经元模型 (略)

    若将此模型与生物神经元相对照，则权值w对应于突触的联结强度，细胞体对应累加器∑和激活函数f(.)，神经元输出a代表轴突的信号。

    在网络的设计中，具有固定常数为1的输入的阈值起着重要的作用，能使激活函数的图形左右移动从而增加解决问题的可能性。激活函数是神经元及网络的核心，常用的有硬限制型、线性型及S型 ......