数学建模-肿瘤诊断问题模型.pdf

精品资料 肿瘤的诊断模型 摘要 本文对肿瘤的诊断问题， 应用神经网络与模糊数学的理论， 给出了几种乳房 癌的量化诊断方案． 首先，建立了 LVQ 神经网络模型，使用 500 组数据的前 400 组作为训练样 本，用后 100 组数据对网络性能进行检测，诊断正确率达 98% ． 然后对这 500 个特征向量进行了回归分析， 从 30 个特征中筛选出了 6 个特征， 它们分别是：细胞核直径均值、标准差和最坏值、紧密度的均值、面积的最坏值、 周长的均值．并将以上 6 个特征用于 LVQ 网络，诊断正确率达 95% ． 进一步考虑到神经网络与模糊数学各自的特点，将二者有机结合构造了神经模 糊系统，并用以上的 6 个特征对系统进行训练，诊断正确率达 96% ． 本文构造的模型具有良好的稳定性，对于模式识别问题具有很强的实用价值， 最后本文提出了神经网络和模糊数学深层次结合的方向． 一. 问题的重述 肿瘤通过穿刺采样进行分析可以确定其为良性或恶性．医学研究发现乳房肿瘤病灶组 织的细胞显微图像的 10 个量化特征：细胞核直径，质地，周长，面积，光滑度，紧密度， 凹陷度，凹陷点数， 对称度， 断裂度与该肿瘤的性质有密切关系． 现有 500 个已确诊病例， 每个病例的一组数据包括采样组织中各细胞核的这十个特征量的平均值，标准差和“最坏 值” （各特征的 3 个最大特征的平均值）共 30 个数据．根据这 500 组数据建立诊断模型， 并将其用于另外 69 名已做穿刺采样的患者． 为节省费用发展一种只用此 30 个特征数据中 的部分特征来区分乳房肿瘤是良性还是恶性的方法． 可编辑修改 精品资料 二. 问题的假设 1 ．所给的 500 组病例具有广泛的代表性． 2 ．500 组病例所反映的良性与恶性的概率分布符合病例的自然分布． 三. 问题的分析 本问题是一个典型的模式识别问题，要求根据它的特征量来进行分类． 对于模式识别问题，现今有两类解决办法．一类是传统的线性模型．另一类是近年来 发展起来的非线性模型．本题是一个典型的非线性问题，用传统的线性模型解决有一定的 困难，而且识别率不高．所以非线性模型是解决此类问题的首选．现今常用的非线性模型 有神经网络模型和模糊系统模型． 神经网络由许多并行运算的简单单元组成，单个神经元的结构及其简单，但大量神经 元相互连接组成人工神经元网络显示出人脑的某些特征： 1） 分布存储和容错性； 2 ） 大规模并行处理； 3 ） 自学习、自组织和自适应性； 4 ） 它并不是各单元行为的简单相加，而表现出一般复杂非线性动态系统的特性． 神经元可以处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题，如乳 房癌诊断问题． 模糊集打破了传统的分明集只有 0 和 1 的界限，任意元素可同时部分地属于多个模 糊子集，隶属关系用隶属的程度来表示．这更接近人的表述方式．模糊规则是定义在模糊 集上规则，常采用“ If-then ”（若…则…）的形式，可用来表示专家的经验、知识等．由 一组模糊规则构成的模糊系统可代表一个输入、输出的映射关系．从理论上说，模糊系统 可以近似任意的连续函数．模糊系统除了模糊规则外，还包括模糊逻辑推理和去模糊化