基于神经网络的急性胸痛疾病辅助诊断系统设计

打开文本图片集

摘要：探讨BP神经网络对五种典型急性胸痛疾病的诊断准确性，搭建神经網络，选取120例胸痛病历作为训练集，训练神经网络，用20个新样本预测网络性能，结果表明，BP神经网络诊断准确率较高，利用BP神经网络实现急性胸痛疾病的初步诊断具有可行性。

关键词：急性胸痛疾病;BP神经网络;诊断

中图分类号：R734.2 文献标志码：A 文章编号：2095-2945（2020）01-0102-02

Abstract： This paper discusses the accuracy of BP neural network in the diagnosis of five typical acute chest pain diseases， builds neural network， selects 120 cases of chest pain medical records as training set， trains neural network， and predicts the network performance with 20 new samples. The results show that the accuracy of BP neural network diagnosis is high， and it is feasible to use BP neural network to realize the preliminary diagnosis of acute chest pain diseases.

Keywords： acute chest pain diseases; BP neural network; diagnosis

引言

近年来，人工智能在医学领域有了广泛的应用研究，主要体现在临床诊断、疾病预后以及临床决策分析等方面。神经网络通过对神经元的建模和联接，具有自适应、自学习能力，能够完成任何从输入到输出的非线性映射。研究表明，急诊科中急性胸痛患者所占比例为5%到20%[1]，而且某些急性胸痛疾病例如急性肺栓塞、心肌梗死、主动脉夹层等发病急，救治时间窗窄，致死率高。这就对急诊医生的快速准确诊断提出更高的要求。本文旨在设计一种急性胸痛疾病智能诊断系统，利用神经网络实现对五种典型胸痛疾病（自发性气胸、急性肺栓塞、心绞痛、心肌梗死、主动脉夹层）的辅助诊断，进而为医生提供一种客观、准确的初步诊断结果，辅助医生的确诊诊断。

1 系统设计与实现

1.1 系统整体设计流程

主要工作包括五种胸痛疾病样本的采集、基于神经网络的诊断模型的建立以及诊断系统的搭建。系统诊断设计流程如图1所示。

1.2 样本的采集

从某医院的电子病历系统中筛选，采集140例完整病历，其中确诊为自发性气胸、急性肺栓塞、心绞痛、心肌梗死的病历数均为30例，确诊为主动脉夹层的病例数为20例。对每种疾病下的病历进行调查，结合医疗专家临床经验，提取和这五种疾病相关的症状、体征、实验室检查、心电图特点等特征共54种，作为神经网络的输入。

1.3 人工神经网络诊断模型

本系统实现的是对于自发性气胸、急性肺栓塞、心绞痛、心肌梗死、主动脉夹层这五种急性胸痛疾病的智能诊断，所以也就相当于对五种疾病的分类。BP神经网络具有强大的分类功能，建立基于BP神经网络的急性胸痛疾病诊断模型，利用采集的样本数据训练该神经网络，使系统能够对上述五种急性胸痛疾病进行分类是诊断典型急性胸痛疾病的一种较好方法。利用MATLAB神经网络工具箱实现该神经网络的仿真建模。

1.3.1 样本数据预处理

样本中的特征向量分为三类来预处理，第一类是针刺样痛、压榨样痛、气胸史、高血压病史等按照有无用1、0表示;第二类是左胸痛、右胸痛、心前区痛、胸骨部痛、胸闷、呼吸困难等按照表现程度用无轻中重表示为0、0.5、0.75、1;第三类年龄、PO2、P（A-a）O2、D-dimer、CTn1、CK-MB 等用实际数值表示。将这54个特征向量采用归一化的方法处理后作为BP神经网络的输入。

1.3.2 网络拓扑结构

采用三层前馈型BP神经网络，网络的输入为提取的54种特征，输出为自发性气胸、急性肺栓塞、心绞痛、心肌梗死、主动脉夹层这五种胸痛疾病，输出层节点数为5，将预测值分界点设为0.5[2]，输出≥0.5则表示患有该种疾病。根据经验公式l=+a（n，m是输入、输出层节点数，l是隐含层节点数，a为1到10之间任意值）[3]，确定隐含层节点数范围为[8，18]，故初始值取8，逐渐增加隐含层节点数一直到18，观察比较网络性能图，确定最佳节点数为10。因此，搭建的BP神经网络模型的拓扑结构就基本确立了，网络拓扑结构为54-10-5，其中输入变量54个，输出变量5个，隐含层层数为1层，隐含层节点数为10。人工神经网络诊断模型的拓扑结构图如图2所示。

1.3.3 模型重要参数

采用newff函数构建一个BP神经网络。在该函数下，一些参数对网络性能有较大影响。其中，在节点传递函数的选择上，隐含层传递函数初步设置为newff函数默认的tansig函数，输出层选取的是分类竞争激活函数。为了保证诊断的准确性，目标误差界值设定为1e-6，学习速率选为0.01，训练函数选用trainlm。

1.3.4 网络训练

从120例样本中随机抽取70%、15%、15%训练、验证、测试网络。训练集中自发性气胸、急性肺栓塞、心绞痛、心肌梗死、主动脉夹层例数分别为25、25、25、25、20。用处理过的样本数据训练网络，训练网络的过程中确定隐含层节点数。

2 实验结果分析

用20例为测试集评价该系统的应用效果。将确诊为自发性气胸、急性肺栓塞、心绞痛、心肌梗死的病例分别编号1-5、6-10、11-15、16-20。输出结果如表1所示。在本次诊断中，存在3例错误诊断，故该系统BP神经网络的诊断准确率为85%。

3 结束语

急性胸痛疾病发病急，进展快。早期评估、准确分诊能够为患者争取救治时间，本文设计的急性胸痛诊断系统搭建人工神经网络诊断模型，利用BP神经网络实现对这五种疾病的初步诊断，这对于社区医院的首诊以及胸痛中心的快速分诊有重要意义。实验测试表明，系统诊断准确率较高，能够辅助医生的诊断提高诊断的准确性。

参考文献：

[1]王旭东，李晓娜.致死性胸痛的诊治[J].中国临床医生杂志，2016，44（2）：1-4.

[2]王克全，张义兰，邝双鑫.肺癌CT诊断中应用模糊神经网络辅助诊断的效果探析[J].深圳中西医结合杂志，2015，25（06）：70-71.