神经网络及其在医学方面的应用.docVIP

稿号：0906004（修改稿） 人工神经网络及其在公共卫生领域的应用 沈波（综述）1，郑能雄1（审校），刘宝英2（审校） 摘要：人工神经网络（ANN，简称神经网络）由于其具有高度的自适应性、非线性、善于处理复杂关系的特点，较传统统计方法具有很多优点，对其目前在公共卫生领域中的应用进行综述。 关键词：人工神经网络；公共卫生;卫生统计; 人工神经网络（artificial　neural　network，ANN，简称神经网络）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学和分子生物学等有关，是一门新兴的边缘交叉学科。 神经网络起源于20世纪40年代，1943年心理学家McCulloch和数学家Pitts合作提出了神经元的数学模型，即MP模型，从此开创了神经科学理论研究的新时代。神经网络的发展经历了20世纪60到70年代低潮期，80年代又进入新的研究高潮。1987年6月在美国加州举行了第一届神经网络国际会议，并成立了国际神经网络学会。我国的“863”高技术研究计划从1990年开始批准了关于神经网络的课题，自然科学基金与国防科技基金也把神经网络列入选题指南，对中选的课题提供研究资助[1]。 1　人工神经网络模型的原理和结构 人工神经网络根据神经元的生物特性和功能，把它抽象为简单的数学模型(如图1)，X1，X2，……，Xn是神经元的输入，即是来自前级n个神经元的轴突的信息是神经元的值；Wi1，Wi2……，Win分别是i神经元对X1，X2，……，Xn的权系数，也即突触的传递效率；Yi是i神经元的输出；是函数，它决定i神经元受到输人X1，X2，……，Xn的共同刺激达到阀值时以何种方式输出。logistic回归模型等往往要求资料服从正态分布，且自变量、因变量之间的关系为线性关系，但实际不可能完全满足这些条件，神经网络模型对资料的性质要求较低，可以拟合任意非线性关系。②避免了在建模过程中如何正确设定函数形式，扩充了回归建模研究中的函数类型，能提示系统内部存在的关系，使变量选择研究更具一般性，为在结构未知下的变量筛选开辟了途径。③ 传统对于强影响点和异常点的处理往往是通过回归诊断，使模型能更多地照顾到大多数点的影响。而BP人工神经网络充分考虑强影响点所包含的信息，能够为决策提供一定的帮助。④神经网络模型能同时处理几百种因素，其中某些因素与问题求解只有很小的相关性，但将它们集合起来考虑，可使困难问题的求解更加精确[2]。 人工神经网络方法与传统统计方法又有很强的联系，从统计学的观点来看，人工神经网络最有用的特性之一就是对分析问题的概率模型不要求先做出先验假设然后验证，而是从纯计算的角度实现逼近求解。用人工神经网络逼近映射被认为是统计回归分析，尤其是非线性回归的推广。然而人工神经网络在探查自变量和因变量之间复杂的非线性关系时是从数学计算中发现规律，不能像传统统计分析那样给出明确的方程，但是它能够给出具有确定算法与结构参数的神经网络，这个网络结构是清晰的，从某种意义上说，它能够更有效的表述实际问题，特别是当有些问题并不需要明确的数学表达式或者根本无法找到明确的数学公式表达时，神经网络就更显示其优越性。 人工神经网络与传统统计方法相比，理论基础还不是十分完善，在解决问题的模型上没有统一的标准，无法提供明确的统计学差异等验证功能，因此神经网络并不能完全取代传统统计学。也没有必要按传统统计方法的思路过分追究假设检验、可信区间估计等问题在网络模型中的实现。而应该认识到神经网络和传统统计方法各有作用，需要根据数据的条件做出正确的评价，两者互补，结合起来共同发展和完善。 4　人工神经网络的应用 随着人工神经网络理论研究的深入，以及计算机技术的普及与发展，人工神经网络的应用也取得了令人瞩目的成果，涉及自然科学、应用科学及综合性交叉学科等各个领域，主要用于解决以下问题：模式信息处理和模式识别、最优化问题的计算、信息的智能化处理、复杂控制和信号处理等，目前已在人脸识别、能源的优化利用、机器人的智能控制、电力负荷预报、飞行控制、工业生产监控等领域得到了成功应用。 近年来在生物医药领域应用也越来越广泛，主要有利用人工神经模型进行的模式识别、判别分析、预测预报，例如用于基因识别和DNA、RNA序列分析，进行药物分析、药代动力学、制剂研究，疾病诊断专家系统、医学图像分析和信号处理，疾病预测等[3]。 5　人工神经网络在公共卫生领域的应用 5.1　流行病学方面：有学者通过神经网络建立了一些传染病的预测模型，如吴海磊等根据15个自变量为输入因子建立了性病艾滋病的预测模型[4]，曲波