李洪進

摘 要：隨著計算機信息化和人工智能的發(fā)展迅速，專家自動診斷疾病系統(tǒng)成為各界關注的焦點。卵巢癌是嚴重威脅婦女健康的惡性腫瘤之一，而且目前無有效的篩選方法和特異的診斷方法。BP人工神經(jīng)網(wǎng)絡因其具有分布式信息存儲方式、自適應能力、強大的容錯性和非線性處理能力，能有效地對疾病進行篩查和診斷。該文采用遺傳算法來優(yōu)化改進BP算法得到GA-BP算法，通過遺傳和變異操作對BP神經(jīng)網(wǎng)絡的初始權值和閾值進行優(yōu)化，不斷更新選擇，使得網(wǎng)絡的系統(tǒng)總誤差趨于最小，構建出卵巢癌診斷模型。采用Matlab2013、VC++編程和統(tǒng)計軟件SPSS.18等工具來實現(xiàn)專家自動診斷的人工智能模型，并通過計算機仿真和預測進行檢驗。

關鍵詞：遺傳算法 BP神經(jīng)網(wǎng)絡 自動診斷 人工智能模型

中圖分類號：TP3 文獻標識碼：A 文章編號：1674-098X（2015）01（a）-0005-03

目前，隨著計算機信息化和人工智能的迅速發(fā)展，人們生活水平在不斷提高，人們對健康也越來越重視。專家自動診斷疾病的系統(tǒng)成為各界關注的焦點，人們都希望從疾病知識庫中根據(jù)專業(yè)知識和病案數(shù)據(jù)，提取相應的規(guī)則來不斷學習更新，能盡早地發(fā)現(xiàn)疾病，提高疾病分類診斷的效率。該文采用遺傳算法和神經(jīng)網(wǎng)絡來建立一個卵巢癌自動分級診斷的人工智能模型。

卵巢癌是嚴重威脅婦女健康的惡性腫瘤之一，由于卵巢位于盆腔深部，早期無任何癥狀，而且目前沒有有效的篩選方法和特異的診斷方法，患有卵巢癌的婦女的存活率較低，在各種卵巢癌中漿液性囊腺癌比例最大，5年存活率只有20%～30%。目前，臨床上對癌癥的診斷主要有B超、CT、對血清腫瘤標志物的聯(lián)合檢測、血清蛋白質組識別、病理分析等方法。病理學檢查是一種非常重要的疾病診斷方法，目前主要靠手工來完成，不但工作量大，且易受檢查者水平的限制。數(shù)字圖像中細胞的自動分割和細胞分類識別模型的建立，分類識別模型是提高分類性能的重要因素。首先對卵巢腫瘤是良性、惡性還是交界性進行準確判斷，然后再判斷卵巢癌患者臨床分期。卵巢癌的臨床分期越早，治療效果越好；期別越晚，效果越差。檢查腹水中有無癌細胞是對卵巢臨床分期分級的重要步驟。

BP人工神經(jīng)網(wǎng)絡因其具有分布式信息存儲方式、并行式信息處理方式、自組織學習、自適應能力、強大的容錯性和非線性處理能力，能夠有效地對疾病進行篩查和診斷。只需選擇好輸入和輸出變量，其他的工作全部由人工神經(jīng)網(wǎng)絡來完成，使用非常方便。既能避免人腦判斷問題時的主觀性和思維定勢，也可完全消除人腦在決策過程中的易疲勞性。

BP神經(jīng)網(wǎng)絡在疾病的篩查和診斷中發(fā)揮重要作用，但是仍然存在一些難以解決的問題，如：局部極小問題、結構設計問題、實時性差問題等。有研究采用BP神經(jīng)網(wǎng)絡來對卵巢癌診斷建模，但是由于改進的BP算法有局限性，不易得到最優(yōu)解，從實驗數(shù)據(jù)可以看到存在很大的誤差。為了改善BP神經(jīng)網(wǎng)絡學習算法易陷入局部極小的缺陷，可以將遺傳算法和神經(jīng)網(wǎng)絡結合應用，所以本文采用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡，改進BP算法得到GA-BP算法，得到BP反向傳播神經(jīng)網(wǎng)絡的初始權值和閾值，使其網(wǎng)絡模型的預測值誤差更小。

1 BP神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡ANN（Artificial Neural Network）是對生物神經(jīng)網(wǎng)絡BNN的結構和實現(xiàn)機制原理進行模擬，由大量人工神經(jīng)元以某種方式相互連接而成，對連續(xù)的輸入做出狀態(tài)響應的動態(tài)信息處理系統(tǒng)，能模擬人腦生物神經(jīng)網(wǎng)絡系統(tǒng)處理信息，在醫(yī)學中應用包括臨床對癌細胞診斷方面，如宮頸癌、胰腺癌等，80%～90%的人工神經(jīng)網(wǎng)絡模型是把誤差反傳算法 （BP網(wǎng)絡）應用于函數(shù)逼近、模式識別與分類。

BP神經(jīng)網(wǎng)絡（Back Propagation Neural Network）是一種單向傳播的多層前向神經(jīng)網(wǎng)絡，至少有三層或三層以上的神經(jīng)網(wǎng)絡，即：輸入層、中間層、輸出層，上下層之間實現(xiàn)全連接，而每層神經(jīng)元之間無連接，BP神經(jīng)網(wǎng)絡模型如圖1。學習樣本提供給網(wǎng)絡后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，誤差反傳是將輸出誤差以某種形式通過隱含層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號。在輸出層經(jīng)過各中間層逐層根據(jù)誤差信號調整連接權值，最后回到輸入層，這種算法稱為誤差逆?zhèn)鞑ニ惴?，它包括模式順傳?誤差逆?zhèn)鞑?記憶訓練-學習收斂四個過程。隨著這種誤差反向傳播權值的不斷修正，網(wǎng)絡對輸入模式響應的正確率也不斷上升。如果網(wǎng)絡的輸入節(jié)點數(shù)為M、輸出節(jié)點數(shù)為L，則此神經(jīng)網(wǎng)絡可看成是從M維歐氏空間到L維歐氏空間的映射，這種高度非線性的映射，適合該文的研究對象，所以選擇誤差反向傳播以BP神經(jīng)網(wǎng)絡模型作為系統(tǒng)預測模型。

BP神經(jīng)網(wǎng)絡模型特點如下：

（1）非線性能力很強，由許多神經(jīng)元按拓撲結構構成大規(guī)模的復雜系統(tǒng)。

（2）具有自組織、自適應、自學習的能力。

（3）高度容錯性和穩(wěn)健性，當預測單元中的部分信息不足或由于觀測失誤而產(chǎn)生錯誤信息時，仍可給出較正確的預測結果。

BP算法屬于δ算法，是監(jiān)督式的學習算法，基本步驟：

（1）初始化：置所有的加權系數(shù)為最小的隨機數(shù)。

（2）提供訓練集：給出順序賦值的輸入向量x（t），x（2），…，和期望的輸出向量（訓練集）t（1），t（2），…，tN。

（3）計算實際輸出。

（4）計算期望值與實際輸出的誤差。

（5）調整輸出層的加權系數(shù)ωki。

（6）調整隱含層的加權系數(shù)ωij。

（7）返回步驟（3），使網(wǎng)絡輸出層的誤差平方和達到最小。

BP標準梯度下降算法存在著學習收斂速度慢、容易陷入局部極小而不能得到全局最優(yōu)解等缺點，所以BP神經(jīng)網(wǎng)絡建立的是黑箱模型，不能用數(shù)學方法求最優(yōu)解，而遺傳算法尋優(yōu)無需目標函數(shù)，具備明確的數(shù)學表達式，可以用來進行優(yōu)化計算。本文采用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡建模，使訓練后的網(wǎng)絡模型預測值與實驗值誤差盡可能的小。

2 遺傳算法

遺傳算法GA（Genetic Algorithm）是基于進化論和遺傳變異理論，是新發(fā)展起來基于優(yōu)勝劣汰、自然選擇和適者生存的優(yōu)化算法，特點是直接對結構對象進行操作，不存在求導和函數(shù)連續(xù)性的限定，具有內在的隱并行性和更好的全局尋優(yōu)能力，采用概率化的尋優(yōu)方法，能自動獲取和指導優(yōu)化的搜索空間，自適應地調整搜索方向，不需要確定的規(guī)則?；具z傳算法其本操作包括選擇、交叉和變異操作。遺傳算法通過對多個體的迭代搜索來逐步找出問題的最優(yōu)解，在迭代過程中，實質是處理了一些具有相似編碼結構的個體，把個體作為某些相似模板的具體表示，則對個體的搜索過程就是對這些相似模板的搜索過程，即對模式的處理。遺傳算法的核心內容是參數(shù)編碼、初始群體的設定、適應度函數(shù)的設計、遺傳操作設計、控制參數(shù)設定五個要素。作為一種新的全局優(yōu)化搜索算法，遺傳算法有簡單通用、魯棒性強、適于并行處理以及高效、實用等特點。最大的優(yōu)點是容易和其他的算法結合，具有可擴展性。

遺傳算法在人工神經(jīng)網(wǎng)絡的應用中有三種結合方式，即網(wǎng)絡權值的進化、網(wǎng)絡結構的進化、學習規(guī)則的進化，該文選擇的是對網(wǎng)絡權值和閾值的進化?；谶z傳算法的BP算法選擇最佳的染色體作為網(wǎng)絡權值，搜索能力強，訓練速度快，可以有效避免局部最小的問題。采用GA-BP算法，先用遺傳GA算法在全局空間上搜索權值和閾值的最優(yōu)點，然后用BP算法在最優(yōu)點附近尋優(yōu)達到最優(yōu)值，能夠克服BP算法的缺陷。GA-BP算法具有全局搜索能力，增強在搜索過程中自動獲得和積累知識，使得搜索結果誤差很小。

3 GA-BP算法

由于BP算法存在著學習收斂速度慢、容易陷入局部極小而不能得到全局最優(yōu)解等缺點，本課題采用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡建模，GA-BP算法先用遺傳GA算法在全局空間上搜索權值和閾值的最優(yōu)點，然后用BP算法在最優(yōu)點附近尋優(yōu)達到最優(yōu)值，克服BP算法的缺陷。GA-BP算法的基本步驟如下。

（1）編碼，隨機產(chǎn)生一個初始種群。

（2）對染色體解碼解碼，將編碼后的個體轉換成問題空間的決策變量，確定隱含層節(jié)點數(shù)和權值，形成BP神經(jīng)網(wǎng)絡。

（3）按照個體適應值的大小，計算適應度函數(shù)，評價染色體優(yōu)劣。

（4）由交叉和變異這兩個遺傳算子對交配池中的個體進行操作，形成下一代種群。

（5）返回步驟（2）直到滿足收斂判據(jù)，得到解。

將得到的隱含層節(jié)點數(shù)和權值賦值給BP神經(jīng)網(wǎng)絡，進行后續(xù)訓練。

本算法把神經(jīng)網(wǎng)絡中神經(jīng)元的連接權值編碼成二進制碼串，隨機生成這些碼串的初始群體，用遺傳GA算法優(yōu)化計算，進行一代計算后將碼串解碼成權值和閾值構成新的神經(jīng)網(wǎng)絡，對所有訓練樣本計算得到神經(jīng)網(wǎng)絡輸出的均方誤差來確定每個個體的適應度，反復計算使得神經(jīng)網(wǎng)絡的系統(tǒng)總誤差SSE （sum square error）趨于全局最小值，從而構建了卵巢癌診斷模型。具體算法實現(xiàn)需要用到Matlab的神經(jīng)網(wǎng)絡工具箱NNET和遺傳算法工具箱GADS，提供了圖像用戶界面GUI，采用命令行方式，功能強大。

4 專家自動診斷卵巢癌的人工智能模型

首先要確定BP神經(jīng)網(wǎng)絡的特征向量，對從卵巢腫瘤患者的腹水涂片中獲得的卵巢細胞圖像進行識別與特征值提取。特征向量是神經(jīng)網(wǎng)絡的輸入，提取特征向量的目標，就是要把待分類信息轉化到更加能體現(xiàn)其類別的新特征空間中。因此，特征向量提取是否合適，將極大地影響分類結果。初始權值一般取（—1，1）之間的隨機數(shù)，學習速率決定每一次循環(huán)訓練中所產(chǎn)生的權值變化量，選取范圍在0.01～0.8之間。需要做以下工作：

對從卵巢腫瘤患者的腹水涂片中獲得的卵巢細胞圖像，用Matlab7.0中的Image Processing Toolbox工具箱進行處理分析。訓練與測試樣本來源于遵義醫(yī)學院病理科的存檔資料。

處理得到需要的細胞樣本圖像后，提取細胞圖像形態(tài)學的特征參數(shù)。

用Matlab中的Neural Network Toolbox工具箱對卵巢癌細胞圖像識別與特征值提取進行深入研究的基礎上，用BP神經(jīng)網(wǎng)絡對細胞圖像進行診斷分類。

用Matlab的神經(jīng)網(wǎng)絡工具箱nnToolKit來創(chuàng)建和訓練神經(jīng)網(wǎng)絡，BP網(wǎng)絡創(chuàng)建函數(shù)為newff，網(wǎng)絡訓練函數(shù)為 train，具體的訓練過程：首先按照特征向量提取方法獲得包含80個特征向量的訓練樣本集，樣本數(shù)據(jù)的定義與預處理，利用load函數(shù)可以在工作空間中自動載入網(wǎng)絡訓練所需的輸入數(shù)據(jù)p；然后按照樣本集計算目標輸出集t；最后調用train函數(shù)即可完成網(wǎng)絡訓練。網(wǎng)絡仿真使用函數(shù)sim，調用sim函數(shù)后返回一個形式與目標輸出集相同的輸出。最后通過比較仿真輸出集與仿真樣本目標輸出集評價神經(jīng)網(wǎng)絡的自動診斷效果。

因為細胞識別的關鍵是細胞特征參數(shù)的選擇和計算，對細胞及細胞核共設立了灰度值、面積、周長、等效圓直徑、形狀因子、核與漿之比6個特征參數(shù)值，將提取的特征向量作為輸入神經(jīng)元對神經(jīng)網(wǎng)絡進行權值訓練，產(chǎn)生BP神經(jīng)網(wǎng)絡，輸出變量包括正常卵巢上皮細胞、良性和惡性兩種不同的漿液性卵巢癌腫瘤細胞。

然后采用遺傳算法來優(yōu)化改進BP算法得到GA-BP算法，并實現(xiàn)算法。通過遺傳和變異操作對BP神經(jīng)網(wǎng)絡的初始權值和閾值進行優(yōu)化，不斷更新選擇，使得網(wǎng)絡的系統(tǒng)總誤差趨于最小，構建出卵巢癌診斷模型。最后應用Matlab、VC++和統(tǒng)計軟件SPSS.18工具來實現(xiàn)人工智能模型，得出實驗數(shù)據(jù)和計算機仿真圖像，并驗證網(wǎng)絡模型預測值與實驗值之間的誤差。

5 結語

采用改進BP算法的方法有以下幾種：加入動量項；使用順序方式訓練網(wǎng)絡；歸一化輸入信號；自適應學習速率法。采用L-M （Levenberg-Marquart）算法讓誤差平方和最小，加快學習收斂速度，通過對比實驗數(shù)據(jù)和臨床數(shù)據(jù)，其誤差還是很大，改進后的效果不好，而遺傳算法尋優(yōu)無需目標函數(shù)，具備明確的數(shù)學表達式，可以用來進行優(yōu)化計算。該文采用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡建模（GA-BP算法），使得訓練后神經(jīng)網(wǎng)絡模型預測值與實驗值的系統(tǒng)總誤差SSE（sum square error）趨于全局最小值，建立了一個卵巢癌自動分級診斷的人工智能模型。這個專家自動診斷系統(tǒng)能有效地診斷卵巢癌患者臨床分期，有利于開展疾病防治工作。

參考文獻

[1] 韓立群.人工神經(jīng)網(wǎng)絡理論、設計用應用一人工神經(jīng)細胞、人工神經(jīng)網(wǎng)絡和人工神經(jīng)系統(tǒng)[M].北京：化學工業(yè)出版社，2002：51-52.

[2] Husseini G A，Abdel-Jabbar N M，Mjalli F S，et al.Modeling and sensitivity analysis of acoustic release of doxorubiein from unstabilized pInie P105 using an artificial neural network model[J].Technol Cancer Res Treat，2007，6（l）：49-56.

[3] 管頌東.神經(jīng)網(wǎng)絡技術在卵巢腫瘤診斷中的應用[D].無錫：江南大學，2008.

[4] 師黎.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡在心電圖身份識別中的應用[J].中國組織工程研究與臨床康復，2010（43）：8069-8072.

[5] 任小洪，徐衛(wèi)東，劉立新，等.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的數(shù)控機床熱誤差補償[J].制造業(yè)和自動化，2011（9）：41-43.