基于人工智能的慢性肾病分级预警模型.pdfVIP

基于人工智能的慢性肾病分级预警模型

摘要：目前世界超过5亿人患有不同的肾脏疾病，但全社会对慢性肾脏病的知

晓率尚不足10%，肾病患者甚至一些非肾脏科的大夫对慢性肾脏病的危害缺乏足

够的了解，由于慢性肾脏病早期多没有明显症状，很容易被忽略，很多患者直到

肾功能完全恶化导致尿毒症时才去就医。同时，针对不同慢性肾病的等级又有对

应的不同治疗方向。因此，对慢性肾病进行分级预警是一个影响非常深远的课题。

在进行慢性肾病分级的过程中，肾小球滤过率对慢性肾病分级起着基础与指导的

作用，因此我们必须着重解决一个重要的问题：肾小球滤过率的评估。

本文主要针对肾小球滤过率的预测进行设计。为了达到人工智能对慢性肾病进行

分级的最终目的，本文将通过MATLAB软件平台对肾小球滤过率的评估进行仿真。

接着对于在医院收集好的数据进行筛选，最终选出一组具有较高参考意义的数据，

对其使用适当的处理方法，并运用了BP神经网络来构建合适的预测模型，对肾

小球滤过率进行预测评估。在经过反复的网络学习，测试后，最终确定一个误差

最少，精度最高，稳定性最好的BP神经网络评估模型。最后，根据训练好的神

经网络对数据进行分级，从而最终构建出一个实用性良好的慢性肾病分级预警模

型。

关键词：慢性肾病；肾小球滤过率；BP神经网络

一、前言

在众多的神经网络结构中，多层前馈神经网络是目前应用最广泛也是最成熟

的一种网络结构。Rumelhart，McClelland和他们的同事洞察到神经网络信息处理

的重要性，于1982年成立了一个PDP小组，在研究并行分布信息处理方法，探

索人类认知的微结构的过程中，于1986年提出了BP网络

(Back．PropagationNetwork，简称BP网络)模型，实现了Minsky的多层网络设想

[1]。在多层前馈神经网络MFNN中，网络权值的调整是通过著名的误差反向传播

学习算法——BP算法来进行的。BP网络具有非线性映射能力、泛化能力和容错

能力，同时BP网络结构简单，是在自动控制中是最有用的学习算法之一，也是

慢性疾病分析的首选神经网络[2-5]。因此，本文选取这种网络结构作为慢性肾病

分级预测的基础，在后面将对它进行详细论述。

二、基于BP神经网络的慢性肾病分级预警模型设计框架

要设计出慢性肾病的分级预警模型，关键在于如何把慢性肾病进行分级[6-9]。

我所采用的设计框架是基于MATLAB的BP神经网络，把从医院获得的临床数据

进行筛选，并对网络进行初始化设置，运用BP神经网络对数据进行学习，根据

不断的误差修正以及数据的测试，构建起肾小球滤过率的预测模型，根据肾小球

滤过率的指标最终建立起符合实际的慢性肾病分级预警模型，如图1所示。

图1慢性肾病预警模型设计框架

因此，本文的整个设计重点分为两部分：第一部分为建立肾小球滤过率的预

测模型，第二部分为建立基于人工智能的慢性肾病分级预警模型。

（一）BP神经网络进行肾小球滤过率预测的原理

BP神经网络是通过对以往历史数据的学习，找出不同测量指标对肾小球滤过

率的相应的非线性的变化关系，并将具体的资料存储于相应的权值与阈值之中，

从而对肾小球滤过率进行预测。

（二）基于BP神经网络的肾小球滤过率预测模型

利用BP神经网络对肾小球滤过率进行预测时，网络的拓扑结构的设计、隐层

节点个数的确定、样本数据的选取以及对原始数据、输出数据的预处理的确定等

问题，都直接影响着我们所建立的肾小球滤过率预测模型的各项性能[10-12]。

网络拓扑结构的设计。1.

由于网络训练样本是有限的，因此把推广能力作为主要的要求来操作的话，

则强调选择能达到要求的最小网络[13]。许多理论都表明，一个三层网络可以任

意逼近一个非线性连续函数。由于这种三层网络简单、易于实现、计算量小、并

行性强得众多特点，目前仍然是多层式网络训练的首选网络结构之一，并且已经

被人们广泛应用于解决实际的问题。因此，鉴于上述提及的论点，本文采取三层

网络建模进行对肾小球滤过率的预测。

相比起输入输出层节点的选择，隐层节点数目的选择可谓是一个较为复杂的

问题，因为没有很好的表达式来表示。隐层节点的数目与我所需要的输入、输出

节点数目密切相关。隐层节点数目太小，则会导致学习过程不能收敛，或者导致

网络实用性不强，不能识别以前所没有遇到过的样本；但是如果隐层节点数目过

多，虽然网络映射能力会增强，局部极小点会越少，且越