神经网络在类风湿性关节炎病情分级中的应用初探*
作者：周志坚 毛宗源 邓兆智
单位：周志坚 毛宗源 (华南理工大学 自动控制工程系，广州 510641)；邓兆智 (广州中医药大学 第二附属医院，广州 510120)
关键词：神经网络；中医诊断；病情分级
生物医学工程学杂志990419 摘要 本文构造了一神经网络分级系统，并用于类风湿性关节炎证型之一的寒热错杂证病情分级诊断中，初步探讨了神经网络用于中医诊断中的可行性。
Neural Network Approach to Medical Grading of Rheumatoid Arthritis
Zhou Zhijian1 Mao Zongyuan1 Deng Zhaozhi2
, 百拇医药
1 (Department of Automation,South China University of Technology,Guangzhou 510641)
2 (The Second Affiliated Hospital,Guangzhou University of Traditional Chinese Medicine，Guangzhou 510120)
Abstract A grading system based on neural network has been developed and used int he medical grading diagnosis of a case group of Rheumatoid Arthritis presenting Cold syndrome intermingled with Heat syndrome.The possibility of using neural network in TCM diagnosis is preliminarily explored in this paper.
, 百拇医药
Key words Neural network Traditional Chinese Medicine(TCM) Diagnosis Medical grading
1 引 言
人工神经网络模拟人脑的认知特点，借助学习、训练对专家的经验进行学习和总结，并可用总结出的规律对未知问题识别。神经网络的类型很多，最常用的是BP网络。这种网络的显著功能就是通过网络自身学习来实现高度复杂的非线性映射[1]。而中医诊断过程，实质上是由收集到的各种症状，通过分析获得诊断的过程，因而，可以把这个过程看作是一个非线性映射过程，用神经网络来实现。
本文构造了一神经网络分级系统，并用于类风湿性关节炎证型之一的寒热错杂证病情分级诊中，初步探讨了神经网络在中医诊断中的可行性。
2 神经网络分级系统
, http://www.100md.com
神经网络分级系统如图1所示，其原理为：将收集的病例知识按照一定方法组织成学习样本，输入到网络中学习训练，将诊断规则隐含在网络的权重上；最后输入患者症状信息，网络则通过前向运算给出诊断结果。诊断的结果可以纳入学习样本，从而使网络具有动态增强的分级能力。
图1 神经网络分级系统
Fig 1 Neural network grading system
上述分级系统中网络模型采用的是三层前向BP网络。其结构如图2所示。
图2 三层BP网络
Fig 2 Three-layer BP network
, 百拇医药
该网络的映射关系用数学表达式来描述如下：
Y=F2(Wl×m.F1(Wn×l.X)) (1)
式中：
X=[x1，…，xk,…，xn]，输入向量；
Y=[y1，…，yi,…，ym]，输入向量；
Wn×l=[wjk]n×l,wl×m=[wij]l×m
, 百拇医药
权矩阵，wjk和wij分别为输入层第k个神经元与隐层第j个神经元之间的连接权以及隐层经j个神经元与输出层第i个神经元之间的连接权；
激活函数F1与F2均取sigmoid函数，即：
(2)
网络的学习过程一般包括网络内部的前向计算与误差的反向传播计算。在前向传播过程中，输入信息从输入层经隐层逐层处理并传向输出层，每一层神经元的状态仅影响下一层的神经元状态。如果在输出层得不到期望的输出，则转入误差反向传播，通过修改各层神经元的状态权值使得误差信号最小。通常定义均方型误差函数为目标函数，即：
(3)
(4)
, http://www.100md.com
式中：μ为样本组数；P为样本组总数；y*μi为期望输出；yμi为实际输出。
为使目标函数达到最小，采用梯度下降算法[2]修改网络的权值，计算公式如下：
wt+1jk=wtjk+η.σjk.xk+α.(wtjk-wt-1jk) (5)
wt+1ij=wtij+η.σij.vj+α.(wtij-wt-1ij) (6)
(7)
, http://www.100md.com
σij=(y*j-yi).yi.(1-yi) (8)
式中：t为迭代次数。
3 学习样本组织
本实验采用广东省中医院邓兆智教授提供的50例类风湿性关节炎之寒热错杂证的临床病例。从这些病例中分析统计，抽取临床症状和病情分级构成集合，作为神经网络的学习样本。
由于病情轻重不但与各症状出现与否有关，而且与症状的轻重程度有关。因此，在收集典型病例的过程中，对各个症状进行量化[3]。本文仅考虑了关节症状和中医症象共45个症状。由此构造症状向量S=(si,…，si，…，s45)，其中si的不同取值分别表示症状i不出现(0)，轻度(l)，中度(2)或重度(3)。在神经网络的训练过程中 ，症状向量作为神经网络的输入向量。
, http://www.100md.com
寒热错杂证的病情进展分级分为3组(Ⅰ级、Ⅱ级、Ⅲ级)，分别对应网络输出层的三个节点。在诊断过程中，除了期望的诊断(病情分级)对应的节点输出为1外，其余的节点输出为0。则寒热错杂证的病情进展分级对应的网络输出为100(Ⅰ级)、010(Ⅱ级)、001(Ⅲ级)。
4 实验结果
本文采用的神经网络，输入层45个节点，隐层50个节点，输出层3个节点。BP算法采用递增的形式。初始权值为-0.5～0.5之间的随机数；网络参数学习率η初始值为0.3，并随迭代次数增加而线性减小；冲量因子α取值为0.9。
为测试系统的正确分级能力，先从50位患者的病例中随机抽取30例，然后依次增加为40例和50例做为学习样本，其余的做为测试样本。网络学习结束后，利用系统对50例病例进行诊断。诊断结果采用最大值原则，即选取输出值最大的输出节点对应的病情分级为诊断结果。将系统诊断结果与临床诊断结果进行比较，举例如下：
, http://www.100md.com
病例：
某患者关节症状：红(1)，肿(2)，按之热感(2)，酸痛(2)，弯痛(2)，晨僵(2)；中医症象：色素沉着(2)，肢冷(2)，畸形(1)，曲伸不利(2)，肌肉疲削(2)，自理功能(2)，X光病情(2)，发热(2)，自觉发热(1)，盗汗(2)，腰膝酸软(1)，气短(2)，疲倦(3)，口干不欲饮(1)。
该患者的症状向量(网络输入向量)为：
S=
(122002202002212222201002000100230001000000000)
网络输出为(0.011 0.006 0.994)
系统诊断结果：该患者病情进展分级为Ⅲ级。与临床诊断结果相符。
, 百拇医药
50例病例的系统诊断结果与临床诊断结果的比较见下表：
表 系统诊断结果与临床诊断结果比较
Table Comparison of grading system and clinical diagnosis 学习样本数
(sample)
符合例数
(Consistent)
不符例数
(Inconsistent)
符合率
(Consistent Ratio)
, 百拇医药
30
学习样本(Learning)
30
0
86%
测试样本(Testing)
13
7
40
学习样本(Learning)
40
0
98%
, http://www.100md.com
测试样本(Testing)
9
1
50
学习样本(Learning)
50
0
100%
测试样本(Testing)
-
-
5 结 论
我们用神经网络方法实现寒热错杂证的病情分级。通过从实际病例中学习，完成知识的自动获取。由于神经网络的分布式存储和并行处理能力，使之具有联想推理和自学习能力，不仅能处理已学习过的病例，而且可以学习和完成新的病例。同时，诊断的结果可以纳入学习样本，从而使网络具有动态增强的分级能力。
, 百拇医药
上述实验结果表明，神经网络用于中医诊断是可行的。需要指出的是，本文只考虑了患者的关节症状和中医症象，而没有考虑患者的舌脉象以及实验室指标，同时病例数尚不够充分，因此有待进一步完善。*国家中医药管理局科研基金资助项目(97A105)
参考文献
1 Rumelhart DE,Mcclelland JL.Parallel Distributed Processing,MIT Press,1986∶1-2
2 焦李成.神经网络系统理论.西安：西安电子科技大学出版社，1991∶34-36
3 王 奇，谭芬来，梁伟雄等.中医证侯量化的临床汉行病学研究初探.广州中医学院学报，1994；9(4)∶224
(收稿：1998-08-31), 百拇医药
单位：周志坚 毛宗源 (华南理工大学 自动控制工程系，广州 510641)；邓兆智 (广州中医药大学 第二附属医院，广州 510120)
关键词：神经网络；中医诊断；病情分级
生物医学工程学杂志990419 摘要 本文构造了一神经网络分级系统，并用于类风湿性关节炎证型之一的寒热错杂证病情分级诊断中，初步探讨了神经网络用于中医诊断中的可行性。
Neural Network Approach to Medical Grading of Rheumatoid Arthritis
Zhou Zhijian1 Mao Zongyuan1 Deng Zhaozhi2
, 百拇医药
1 (Department of Automation,South China University of Technology,Guangzhou 510641)
2 (The Second Affiliated Hospital,Guangzhou University of Traditional Chinese Medicine，Guangzhou 510120)
Abstract A grading system based on neural network has been developed and used int he medical grading diagnosis of a case group of Rheumatoid Arthritis presenting Cold syndrome intermingled with Heat syndrome.The possibility of using neural network in TCM diagnosis is preliminarily explored in this paper.
, 百拇医药
Key words Neural network Traditional Chinese Medicine(TCM) Diagnosis Medical grading
1 引 言
人工神经网络模拟人脑的认知特点，借助学习、训练对专家的经验进行学习和总结，并可用总结出的规律对未知问题识别。神经网络的类型很多，最常用的是BP网络。这种网络的显著功能就是通过网络自身学习来实现高度复杂的非线性映射[1]。而中医诊断过程，实质上是由收集到的各种症状，通过分析获得诊断的过程，因而，可以把这个过程看作是一个非线性映射过程，用神经网络来实现。
本文构造了一神经网络分级系统，并用于类风湿性关节炎证型之一的寒热错杂证病情分级诊中，初步探讨了神经网络在中医诊断中的可行性。
2 神经网络分级系统
, http://www.100md.com
神经网络分级系统如图1所示，其原理为：将收集的病例知识按照一定方法组织成学习样本，输入到网络中学习训练，将诊断规则隐含在网络的权重上；最后输入患者症状信息，网络则通过前向运算给出诊断结果。诊断的结果可以纳入学习样本，从而使网络具有动态增强的分级能力。
图1 神经网络分级系统
Fig 1 Neural network grading system
上述分级系统中网络模型采用的是三层前向BP网络。其结构如图2所示。
图2 三层BP网络
Fig 2 Three-layer BP network
, 百拇医药
该网络的映射关系用数学表达式来描述如下：
Y=F2(Wl×m.F1(Wn×l.X)) (1)
式中：
X=[x1，…，xk,…，xn]，输入向量；
Y=[y1，…，yi,…，ym]，输入向量；
Wn×l=[wjk]n×l,wl×m=[wij]l×m
, 百拇医药
权矩阵，wjk和wij分别为输入层第k个神经元与隐层第j个神经元之间的连接权以及隐层经j个神经元与输出层第i个神经元之间的连接权；
激活函数F1与F2均取sigmoid函数，即：
(2)网络的学习过程一般包括网络内部的前向计算与误差的反向传播计算。在前向传播过程中，输入信息从输入层经隐层逐层处理并传向输出层，每一层神经元的状态仅影响下一层的神经元状态。如果在输出层得不到期望的输出，则转入误差反向传播，通过修改各层神经元的状态权值使得误差信号最小。通常定义均方型误差函数为目标函数，即：
(3) (4), http://www.100md.com
式中：μ为样本组数；P为样本组总数；y*μi为期望输出；yμi为实际输出。
为使目标函数达到最小，采用梯度下降算法[2]修改网络的权值，计算公式如下：
wt+1jk=wtjk+η.σjk.xk+α.(wtjk-wt-1jk) (5)
wt+1ij=wtij+η.σij.vj+α.(wtij-wt-1ij) (6)
(7), http://www.100md.com
σij=(y*j-yi).yi.(1-yi) (8)
式中：t为迭代次数。
3 学习样本组织
本实验采用广东省中医院邓兆智教授提供的50例类风湿性关节炎之寒热错杂证的临床病例。从这些病例中分析统计，抽取临床症状和病情分级构成集合，作为神经网络的学习样本。
由于病情轻重不但与各症状出现与否有关，而且与症状的轻重程度有关。因此，在收集典型病例的过程中，对各个症状进行量化[3]。本文仅考虑了关节症状和中医症象共45个症状。由此构造症状向量S=(si,…，si，…，s45)，其中si的不同取值分别表示症状i不出现(0)，轻度(l)，中度(2)或重度(3)。在神经网络的训练过程中 ，症状向量作为神经网络的输入向量。
, http://www.100md.com
寒热错杂证的病情进展分级分为3组(Ⅰ级、Ⅱ级、Ⅲ级)，分别对应网络输出层的三个节点。在诊断过程中，除了期望的诊断(病情分级)对应的节点输出为1外，其余的节点输出为0。则寒热错杂证的病情进展分级对应的网络输出为100(Ⅰ级)、010(Ⅱ级)、001(Ⅲ级)。
4 实验结果
本文采用的神经网络，输入层45个节点，隐层50个节点，输出层3个节点。BP算法采用递增的形式。初始权值为-0.5～0.5之间的随机数；网络参数学习率η初始值为0.3，并随迭代次数增加而线性减小；冲量因子α取值为0.9。
为测试系统的正确分级能力，先从50位患者的病例中随机抽取30例，然后依次增加为40例和50例做为学习样本，其余的做为测试样本。网络学习结束后，利用系统对50例病例进行诊断。诊断结果采用最大值原则，即选取输出值最大的输出节点对应的病情分级为诊断结果。将系统诊断结果与临床诊断结果进行比较，举例如下：
, http://www.100md.com
病例：
某患者关节症状：红(1)，肿(2)，按之热感(2)，酸痛(2)，弯痛(2)，晨僵(2)；中医症象：色素沉着(2)，肢冷(2)，畸形(1)，曲伸不利(2)，肌肉疲削(2)，自理功能(2)，X光病情(2)，发热(2)，自觉发热(1)，盗汗(2)，腰膝酸软(1)，气短(2)，疲倦(3)，口干不欲饮(1)。
该患者的症状向量(网络输入向量)为：
S=
(122002202002212222201002000100230001000000000)
网络输出为(0.011 0.006 0.994)
系统诊断结果：该患者病情进展分级为Ⅲ级。与临床诊断结果相符。
, 百拇医药
50例病例的系统诊断结果与临床诊断结果的比较见下表：
表 系统诊断结果与临床诊断结果比较
Table Comparison of grading system and clinical diagnosis 学习样本数
(sample)
符合例数
(Consistent)
不符例数
(Inconsistent)
符合率
(Consistent Ratio)
, 百拇医药
30
学习样本(Learning)
30
0
86%
测试样本(Testing)
13
7
40
学习样本(Learning)
40
0
98%
, http://www.100md.com
测试样本(Testing)
9
1
50
学习样本(Learning)
50
0
100%
测试样本(Testing)
-
-
5 结 论
我们用神经网络方法实现寒热错杂证的病情分级。通过从实际病例中学习，完成知识的自动获取。由于神经网络的分布式存储和并行处理能力，使之具有联想推理和自学习能力，不仅能处理已学习过的病例，而且可以学习和完成新的病例。同时，诊断的结果可以纳入学习样本，从而使网络具有动态增强的分级能力。
, 百拇医药
上述实验结果表明，神经网络用于中医诊断是可行的。需要指出的是，本文只考虑了患者的关节症状和中医症象，而没有考虑患者的舌脉象以及实验室指标，同时病例数尚不够充分，因此有待进一步完善。*国家中医药管理局科研基金资助项目(97A105)
参考文献
1 Rumelhart DE,Mcclelland JL.Parallel Distributed Processing,MIT Press,1986∶1-2
2 焦李成.神经网络系统理论.西安：西安电子科技大学出版社，1991∶34-36
3 王 奇，谭芬来，梁伟雄等.中医证侯量化的临床汉行病学研究初探.广州中医学院学报，1994；9(4)∶224
(收稿：1998-08-31), 百拇医药