CN102737153A - 神经网络肝纤维化诊断方法及系统 - Google Patents
神经网络肝纤维化诊断方法及系统 Download PDFInfo
- Publication number
- CN102737153A CN102737153A CN2011100865987A CN201110086598A CN102737153A CN 102737153 A CN102737153 A CN 102737153A CN 2011100865987 A CN2011100865987 A CN 2011100865987A CN 201110086598 A CN201110086598 A CN 201110086598A CN 102737153 A CN102737153 A CN 102737153A
- Authority
- CN
- China
- Prior art keywords
- neural network
- input
- diagnosis
- layer
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 39
- 208000019425 cirrhosis of liver Diseases 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 15
- 230000005055 memory storage Effects 0.000 claims description 15
- 230000008676 import Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010827 pathological analysis Methods 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 8
- 230000000405 serological effect Effects 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000000052 comparative effect Effects 0.000 claims description 4
- 238000013523 data management Methods 0.000 abstract description 6
- 238000003759 clinical diagnosis Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000013479 data entry Methods 0.000 abstract 1
- 238000012986 modification Methods 0.000 abstract 1
- 230000004048 modification Effects 0.000 abstract 1
- 238000011119 multifactor regression analysis Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 238000012317 liver biopsy Methods 0.000 description 4
- 206010019668 Hepatic fibrosis Diseases 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- KIUKXJAPPMFGSW-DNGZLQJQSA-N (2S,3S,4S,5R,6R)-6-[(2S,3R,4R,5S,6R)-3-Acetamido-2-[(2S,3S,4R,5R,6R)-6-[(2R,3R,4R,5S,6R)-3-acetamido-2,5-dihydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-2-carboxy-4,5-dihydroxyoxan-3-yl]oxy-5-hydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-3,4,5-trihydroxyoxane-2-carboxylic acid Chemical compound CC(=O)N[C@H]1[C@H](O)O[C@H](CO)[C@@H](O)[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@H](O[C@H]2[C@@H]([C@@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O)[C@H](O3)C(O)=O)O)[C@H](O)[C@@H](CO)O2)NC(C)=O)[C@@H](C(O)=O)O1 KIUKXJAPPMFGSW-DNGZLQJQSA-N 0.000 description 1
- MXBCYQUALCBQIJ-RYVPXURESA-N (8s,9s,10r,13s,14s,17r)-13-ethyl-17-ethynyl-11-methylidene-1,2,3,6,7,8,9,10,12,14,15,16-dodecahydrocyclopenta[a]phenanthren-17-ol;(8r,9s,13s,14s,17r)-17-ethynyl-13-methyl-7,8,9,11,12,14,15,16-octahydro-6h-cyclopenta[a]phenanthrene-3,17-diol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1.C1CC[C@@H]2[C@H]3C(=C)C[C@](CC)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 MXBCYQUALCBQIJ-RYVPXURESA-N 0.000 description 1
- 208000031261 Acute myeloid leukaemia Diseases 0.000 description 1
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 208000027761 Hepatic autoimmune disease Diseases 0.000 description 1
- 206010019799 Hepatitis viral Diseases 0.000 description 1
- 208000031816 Pathologic Dilatation Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 230000002300 anti-fibrosis Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229920002674 hyaluronan Polymers 0.000 description 1
- 229960003160 hyaluronic acid Drugs 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种神经网络肝纤维化诊断方法及系统,为了解决现有技术中准确性较低等问题而发明。包括数据管理、神经网络、临床诊断三个应用模块,数据管理模块提供数据录入,编辑修改及删除等操作功能,同时还提供了数据导入导出功能,便于数据的管理;神经网络模块包括输入层,隐含层,通过网络训练优化神经网络内部链接关系,通过网络测试测试训练后神经网络的诊断准确率;临床诊断模块通过输入患者检测数据用训练好的神经网络进行诊断。本发明采用神经网络技术进行诊断模型的建立,通过多因素回归分析筛选合适的指标作为诊断依据,操作简单,便于数据管理,诊断的敏感性和特异性均能更加满足临床需求,为肝纤维化的临床诊断提供了参考。
Description
技术领域
本发明涉及一种医疗诊断技术,尤其是一种神经网络肝纤维化诊断方法及系统。
背景技术
肝纤维化是许多慢性肝病的共同病理过程,如病毒性肝炎,酒精性肝病,自身免疫性肝病等均可出现肝脏纤维化,而严重的肝纤维化最终可导致肝硬化甚至肝癌;临床早期诊断肝纤维化,对于及早采用抗纤维化治疗、逆转肝纤维化的过程及改善预后具有重要意义。目前,诊断肝纤维化的金标准是肝脏活体组织检查(简称肝活检),但是,肝脏活体组织检查具有创伤性,并且可能引发严重的并发症,患者难以接受,同时肝活检的准确性受病理医师主观性、取材部位等因素的影响较大,而单项指标对肝纤维化的诊断能力有限,医生可能因为某项指标的特异性或敏感性不足造成对疾病严重程度的错误判断;另外一些实验室血清学指标(如:透明质酸、层粘蛋白、胶原肽等)和影像学也常用于肝纤维化的诊断,为提高这些无创诊断方法的诊断效率,多指标诊断模型现在是该领域的研究热点,已部分取代肝活检在肝纤维化诊断中的作用。目前有学者结合多项血清学指标构建的诊断模型对肝纤维化进行诊断,如FibroTest、APRI等诊断模型,但是这类模型多是基于统计学方法建立的多因素回归模型,在不同的实验室其效果不同,很难具有统一的评价标准。
发明内容
本发明提供一种神经网络肝纤维化诊断方法及系统,用以解决现有技术中的缺陷,进一步提高诊断的准确性。
本发明实施例提供一种神经网络肝纤维化诊断方法,包括以下步骤:
1)向数据库录入或导入多个以具有病理诊断的数据为训练样本的样本组;
2)构建BP神经网络模型;
3)从所述数据库中提取所述样本组并将所述训练样本依次输入所述BP神经网络模型,对所述BP神经网络模型进行反复训练,至到计算结果达到预设的期望误差形成诊断神经网络;
4)向所述诊断神经网络输入测量数据并对所述诊断神经网络输出的计算结果的准确率进行测试;
5)向测试过的诊断神经网络输入检测数据经其诊断后将诊断结果输出。
本发明实施例提供一种神经网络肝纤维化诊断系统,包括:
输入装置,用于输入多个以具有病理诊断的数据为训练样本的样本组,用于输入测试数据及检测数据;
存储装置,与所述输入装置连接,用于存储所述样本组;
神经网络运算装置,至少包括:
提取单元,与所述存储装置连接,用于从所述存储装置中提取所述样本组并将所述训练样本依次输入网络单元;
网络单元,与所述提取单元连接;用于接收所述训练样本并根据网络单元内部的计算关系输出计算结果;
训练单元,与所述网络单元连接,用于根据所述训练样本反复调整网络单元内部运算关系至到计算结果达到预设的期望误差;
测试单元,与所述网络单元和输入装置分别连接,用于根据向所述网络单元输入的测量数据对所述网络单元输出的计算结果的准确率进行测试;
诊断单元,与所述网络单元和训练单元连接,设有输入端和输出端;所述输入端与所述输入装置连接用于将检测数据传送至所述网络单元,
所述输出端用于将所述网络单元的计算结果输出至显示装置;
显示装置,与网络单元连接,用于显示所述输入装置输入的训练数据、测试数据、检测数据和所述网络单元输出的诊断结果。
本发明提供的神经网络肝纤维化诊断方法及系统,采用了神经网络建模技术,结合多项血清学指标对肝纤维化程度进行诊断,该模型在对非线性问题的处理(如疾病的进程)、判别和拟和方面,相对统计学方法建立的模型具有更大的优势,可以进一步提高诊断的准确性。
附图说明
图1为本发明神经网络肝纤维化诊断方法第一具体实施例的流程图。
图2为本发明神经网络肝纤维化诊断系统的具体实施例的结构示意图。
附图标记:
输入装置1; 存储装置2; 神经网络运算装置3;
显示装置4; 提取单元31; 网络单元32;
训练单元33;测试单元34; 诊断单元35;
输入层10; 隐含层20; 输出层30;
比较模块40;权值调整模块50;传输模块60;
计算模块70;输入模块80; 输出模块90。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种神经网络肝纤维化诊断方法,包括:向数据库录入或导入多个以具有病理诊断的数据为训练样本的样本组;构建BP神经网络模型;从数据库中提取样本组并述训练样本依次输入BP神经网络模型,对BP神经网络模型进行反复训练,至到计算结果达到预设的期望误差形成诊断神经网络;向所述诊断神经网络输入测量数据并对所述诊断神经网络输出的计算结果的准确率进行测试;向测试过的诊断神经网络输入检测数据经其诊断后将诊断结果输出。
训练样本是解放军第302医院收治的具有明确病理诊断的住院患者数据,以其中的六项血清指标作为向BP神经网络模型的输入项,此六项指标在以肝活检结果作为金标准的前提下从血清学的二十一项指标中通过多因素回归分析结合数据进行的多项指标筛选。上述的数据可以通过手动录入或将已经建立好的Excel表格文件直接导入SQL server数据库中,在手动录入及导入之前可以进行编辑,在录入和导入数据后可通过SQL server数据库将编辑的数据以Excel表格文件形式导出,方便查看和保存。
BP神经网络模型依次由输入层、隐含层和输出层构成,层与层之间通过传递函数进行链接,其中,输入层和隐含层均由多个神经元构成,输出层由一个神经元构成,传递函数的类型及每层神经元的个数在构建BP神经网络模型时需要确定,构成每层的神经元与构成其他层的神经元之间的运算关系为选定类型的传递函数与动力量因子的权限值的乘积。
在训练的过程中,选定类型的传递函数始终不变,动力量因子的权限值通过每次输入的训练样本进行不断调整,至到输出的误差达到预先设定在BP神经网络模型中的期望误差范围,才停止训练过程,此时的BP神经网络模型具备诊断的能力,称之为诊断神经网络。
在对诊断神经网络进行测试是为了了解它的效果,测试的数据来自于临床病例,采用相同的病例数据与国外著名的FibroTest诊断模型进行比对,结果表明模型验证总正确率77.9%,灵敏度为82.7%,特异度为75.4%,阳性预测值为0.631,阴性预测值为0.895,高于FibroTest的诊断效果。
在上述导入训练样本、构建BP神经网络模型、通过输入训练样本对BP神经网络模型进行训练并测试后才进入诊断阶段,将与训练样本和测试数据对应的六项血清学指标对应输入BP神经网络模型,经其诊断后输出诊断结果,该诊断结果输出值为1、2、3、4分别为按照肝纤维化程度依次递增的四个等级。
下面通过具体的例子来说明本发明神经网络肝纤维化诊断方法的流程。
如图1所示为本发明神经网络肝纤维化诊断方法第一具体实施例的流程图,该流程包括:
步骤S1、向数据库录入或导入多个以具有病理诊断的数据为训练样本的样本组;训练样本包含六项血清学指标和一项肝纤维化的诊断结果;
步骤S2、构建BP神经网络模型;
步骤S21、设置输入层及构成输入层的神经元;
步骤S22、设置隐含层及构成隐含层的神经元,并设置输入层与隐含层之间的传递函数类型;
步骤S23、设置输出层及构成输出层的神经元,并设置隐含层与输出层之间的传递函数类型;
步骤S24、设定期望误差。
步骤S3、从数据库中提取所述样本组并将所述训练样本依次输入所述BP神经网络模型,对所述BP神经网络模型进行反复训练,至到计算结果达到预设的期望误差形成诊断神经网络;
步骤S31、设定数据范围并对训练样本初始化;
步骤S32、向构成输入层的各神经元对应输入训练样本的各分量;
步骤S33、将输出层输出的计算结果与设定的期望误差比较;
步骤S34、若计算结果达到期望误差则结束训练,形成诊断神经网络;若计算结果未达到期望误差则向输入层输入下一个训练样本;
步骤S4、向诊断神经网络输入测量数据并对诊断神经网络输出的计算结果的准确率进行测试;
步骤S41、向构成输入层的各神经元对应输入测量数据的各分量;
步骤S42、将输出层输出的测试结果与输入测量数据中的结果比较;
步骤S43、计算测试结果的准确率;
步骤S5、向测试过的诊断神经网络输入检测数据经其诊断后将诊断结果输出;
步骤S51、向诊断神经网络输入层输入检测数据;
步骤S52、经诊断神经网络输出层输出诊断结果。
如图2所示为本发明神经网络肝纤维化诊断系统的具体实施例的结构示意图,包括输入装置1、存储装置2、神经网络运算装置3和显示装置4,其中,输入装置1用于输入多个以具有病理诊断的数据为训练样本的样本组和输入测试数据及检测数据;存储装置2与输入装置1连接,用于存储样本组,存储装置2包括数据管理模块,提供数据的录入、编辑修改及删除等数据库基本操作功能,同时该模块还提供了数据导入导出功能,可将数据从Excel导入或导出为Excel文件,便于数据的管理;神经网络运算装置3包括:提取单元31、网络单元32、训练单元33、测试单元34和诊断单元35,提取单元31与存储装置2连接,用于从存储装置2中提取样本组并将训练样本依次输入网络单元32;网络单元32与提取单元31连接;用于接收训练样本并根据网络单元32内部的计算关系输出计算结果;训练单元33与网络单元32连接,用于根据训练样本反复调整网络单元内部运算关系至到计算结果达到预设的期望误差;测试单元34与网络单元32和输入装置1分别连接,用于根据向网络单元32输入的测量数据对网络单元32输出的计算结果的准确率进行测试;诊断单元35与网络单元32和训练单元33连接,设有输入模块80和输出模块90;输入模块80与输入装置1连接用于将检测数据传送至网络单元32,输出模块90用于将网络单元32的计算结果输出至显示装置4;显示装置4与网络单元32连接,用于显示输入装置1输入的训练数据、测试数据、检测数据和网络单元32输出的诊断结果。
网络单元32依次由输入层10、隐含层20及输出层30构成,隐含层20与输入层10之间以及隐含层20与输出层30之间通过不同类型的传递函数连接;输入层10和隐含层20由两个以上(图2所示为6个)彼此独立的神经元构成,输出层30由一个神经元构成;构成输入层10的神经元与构成隐含层20的神经元之间及构成隐含层20的神经元与构成输出层30的神经元之间分别通过动力量因子连接。
训练单元33包括比较模块40和权值调整模块50,比较模块40用于将网络单元32根据输入的训练样本输出的计算结果与预先设定的期望误差进行比较,并将比较结果输出;权值调整模块50用于根据上述比较结果调整动力量因子的数值。
测试单元34包括传输模块60和计算模块70;传输模块60用于将输入装置1输入的测量数据的各分量对应传输至构成输入层10的各神经元;计算模块70用于将输出层30输出的测试结果与输入的测量数据中的结果进行比较,并计算出测试结果的准确率。
本发明提供的神经网络肝纤维化诊断系统,通过输入装置1将多个训练样本输入存储装置2,也可通过设在存储装置2上的数据库管理模块将样本组导入存储装置2上,由于本实施例中的训练样本中包含六项输入项,因此,在构建BP神经网络模型时在输入层10和隐含层20均选用六个神经元,在对BP神经网络模型进行训练时,首先需要设定输入数据的范围并将该输入的数据进行初始化,以将输入的数据控制在一个相对较小的范围内,以提高运算速度,将经提取单元31提取的训练样本的六项指标分别对应输入构成输入层10的六个神经元,该六个神经元分别具备不同的功能,经隐含层20最终从输出层30输出计算值与输入的训练样本中的肝纤维化的诊断结果值之间的误差,通过比较模块40比较该误差与预先设定在BP神经网络模型中的期望误差,如果不在该期望误差内,根据BP神经网络模型的特性,把输出层30的误差逐层向输入层逆向传播已分摊给各神经元,从而获得各层神经元的参考误差通过权值调整模块50调整相应的连接权,使得输出层30的误差尽可能减小,继续向输入层10输入下一个训练样本,重复上述过程,至到将各神经元之间的连接权的值调整到能使输出层30的误差在期望误差范围内才结束训练过程,测试单元34开始工作,通过传输模块60将输入装置1输入的测试数据向输入层10传递,此处的测试数据与训练样本的构成指标相同,通过输出层30输出误差,计算模块70计算该误差与期望误差的接近程度,以了解整个系统的各项指标的准确率,最后,将检测数据经输入装置1输入,通过输入模块80将该检测数据向输入层10传递,各项指标通过输入层10的各神经元向隐含层20的神经元传递,传递关系为输入层10与隐含层20的传递函数类型与各神经元之间的连接权值相乘,各项指标值从输入层10各神经元传递到隐含层20各神经元,同理,隐含层20各神经元的指标传递到输出层30的神经元,最后经输出模块90输出诊断结果,该诊断结果能够通过显示装置4显示。
采用神经网络技术进行诊断模型的建立,通过多因素回归分析筛选合适的血清学指标,具有操作简单,便于数据管理,诊断的敏感性和特异性均能更好的满足临床需求,为肝纤维化的临床诊断提供了参考。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种神经网络肝纤维化诊断方法,其特征在于,包括以下步骤:
1)向数据库录入或导入多个以具有病理诊断的数据为训练样本的样本组;所述训练样本包含六项血清学指标和一项肝纤维化的病理诊断结果;
2)构建BP神经网络模型;
3)从所述数据库中提取所述样本组并将所述训练样本依次输入所述BP神经网络模型,对所述BP神经网络模型进行反复训练,至到计算结果达到预设的期望误差形成诊断神经网络;
4)向所述诊断神经网络输入测量数据并对所述诊断神经网络输出的计算结果的准确率进行测试;
5)向测试过的诊断神经网络输入检测数据经其诊断后将诊断结果输出。
2.根据权利要求1所述的神经网络肝纤维化诊断方法,其特征在于,所述步骤2)包括以下步骤:
21)设置输入层及构成输入层的神经元;
22)设置隐含层及构成隐含层的神经元,并设置输入层与隐含层之间的传递函数类型;
23)设置输出层及构成输出层的神经元,并设置隐含层与输出层之间的传递函数类型;
24)设定期望误差。
3.根据权利要求2所述的神经网络肝纤维化诊断方法,其特征在于,所述步骤3)包括:
31)设定数据范围并对训练样本初始化;
32)向构成输入层的各神经元对应输入训练样本的各分量;
33)将输出层输出的计算结果与设定的期望误差比较;
34)若计算结果达到期望误差则结束训练,形成诊断神经网络;若计算结果未达到期望误差则向输入层输入下一个训练样本。
4.根据权利要求3所述的神经网络肝纤维化诊断方法,其特征在于,所述步骤4)包括以下步骤:
41)向构成输入层的各神经元对应输入测量数据的各分量;
42)将输出层输出的测试结果与输入测量数据中的结果比较;
43)计算测试结果的准确率。
5.一种神经网络肝纤维化诊断系统,其特征在于,包括:
输入装置,用于输入多个以具有病理诊断的数据为训练样本的样本组,用于输入测试数据及检测数据;
存储装置,与所述输入装置连接,用于存储所述样本组;
神经网络运算装置,至少包括:
提取单元,与所述存储装置连接,用于从所述存储装置中提取所述样本组并将所述训练样本依次输入网络单元;
网络单元,与所述提取单元连接;用于接收所述训练样本并根据网络单元内部的计算关系输出计算结果;
训练单元,与所述网络单元连接,用于根据所述训练样本反复调整网络单元内部运算关系至到计算结果达到预设的期望误差;
测试单元,与所述网络单元和输入装置分别连接,用于根据向所述网络单元输入的测量数据对所述网络单元输出的计算结果的准确率进行测试;
诊断单元,与所述网络单元和训练单元连接,设有输入端和输出端;所述输入端与所述输入装置连接用于将检测数据传送至所述网络单元,所述输出端用于将所述网络单元的计算结果输出至显示装置;
显示装置,与网络单元连接,用于显示所述输入装置输入的训练数据、测试数据、检测数据和所述网络单元输出的诊断结果。
6.根据权利要求5所述的神经网络肝纤维化诊断系统,其特征在于,所述网络单元依次由输入层、隐含层及输出层构成,所述隐含层与输入层之间以及隐含层与输出层之间通过不同类型的传递函数连接;所述输入层和隐含层由两个以上彼此独立的神经元构成,所述输出层由一个神经元构成;构成输入层的神经元与构成隐含层的神经元之间及构成隐含层的神经元与构成输出层的神经元之间分别通过动力量因子连接。
7.根据权利要求6所述的神经网络肝纤维化诊断系统,其特征在于,所述训练单元包括:
比较模块,用于将网络单元根据输入的所述训练样本输出的计算结果与预先设定的期望误差进行比较,并将比较结果输出;
权值调整模块,用于根据上述比较结果调整所述动力量因子的数值。
8.根据权利要求7所述的神经网络肝纤维化诊断系统,其特征在于,所述测试单元包括:
传输模块,用于将输入装置输入的测量数据的各分量对应传输至构成输入层的各神经元;
计算模块,用于将输出层输出的测试结果与输入的测量数据中的结果进行比较,并计算出测试结果的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100865987A CN102737153A (zh) | 2011-04-07 | 2011-04-07 | 神经网络肝纤维化诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100865987A CN102737153A (zh) | 2011-04-07 | 2011-04-07 | 神经网络肝纤维化诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102737153A true CN102737153A (zh) | 2012-10-17 |
Family
ID=46992651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100865987A Pending CN102737153A (zh) | 2011-04-07 | 2011-04-07 | 神经网络肝纤维化诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102737153A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743867A (zh) * | 2013-12-30 | 2014-04-23 | 镇江市高等专科学校 | 基于神经网络的卡尔曼滤波甲醛检测方法 |
CN103984861A (zh) * | 2014-05-14 | 2014-08-13 | 西安交通大学 | 融合模糊神经网络和规则型专家系统的血透在线监测方法 |
CN106096286A (zh) * | 2016-06-15 | 2016-11-09 | 北京千安哲信息技术有限公司 | 临床路径制定方法及装置 |
CN106127256A (zh) * | 2016-06-30 | 2016-11-16 | 张云超 | 一种肝纤维化检测方法及装置 |
CN106202968A (zh) * | 2016-07-28 | 2016-12-07 | 北京博源兴康科技有限公司 | 癌症的数据分析方法及装置 |
CN106295148A (zh) * | 2016-08-01 | 2017-01-04 | 苏翀 | 基于随机森林算法的乙肝代偿期肝硬化筛查模型建立方法 |
CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
CN111383768A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗数据回归分析方法、装置、电子设备及可读介质 |
CN112464553A (zh) * | 2020-11-02 | 2021-03-09 | 中国电子科技集团公司第三十八研究所 | 一种微波介质板可加工性诊断专家系统 |
CN112862797A (zh) * | 2021-02-23 | 2021-05-28 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
CN113239599A (zh) * | 2021-06-15 | 2021-08-10 | 江苏理工学院 | 基于bp神经网络的智能轮胎磨损寿命预估方法及装置 |
CN113517077A (zh) * | 2021-06-18 | 2021-10-19 | 东莞市人民医院 | 用于预测臀位外倒转术疗效的控制方法、系统和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6571228B1 (en) * | 2000-08-09 | 2003-05-27 | Po-Tong Wang | Hybrid neural networks for color identification |
CN101775434A (zh) * | 2010-04-02 | 2010-07-14 | 天津大学 | 基于bp神经网络的饮用水管网细菌总数快速预测方法 |
-
2011
- 2011-04-07 CN CN2011100865987A patent/CN102737153A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6571228B1 (en) * | 2000-08-09 | 2003-05-27 | Po-Tong Wang | Hybrid neural networks for color identification |
CN101775434A (zh) * | 2010-04-02 | 2010-07-14 | 天津大学 | 基于bp神经网络的饮用水管网细菌总数快速预测方法 |
Non-Patent Citations (2)
Title |
---|
孙赟等: "基于BP神经网络人群流量预测的实现", 《中国安全生产科学技术》, vol. 6, no. 2, 15 April 2010 (2010-04-15) * |
李波等: "血清学指标在肝纤维化诊断中的应用评价及神经网络纤维化诊断模型的建立", 《中华医学会北京分会2009年度检验医学学术年会》, 1 October 2009 (2009-10-01), pages 85 - 90 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743867A (zh) * | 2013-12-30 | 2014-04-23 | 镇江市高等专科学校 | 基于神经网络的卡尔曼滤波甲醛检测方法 |
CN103743867B (zh) * | 2013-12-30 | 2015-06-10 | 镇江市高等专科学校 | 基于神经网络的卡尔曼滤波甲醛检测方法 |
CN103984861A (zh) * | 2014-05-14 | 2014-08-13 | 西安交通大学 | 融合模糊神经网络和规则型专家系统的血透在线监测方法 |
CN103984861B (zh) * | 2014-05-14 | 2017-01-18 | 西安交通大学 | 融合模糊神经网络和规则型专家系统的血透在线监测装置 |
CN106096286A (zh) * | 2016-06-15 | 2016-11-09 | 北京千安哲信息技术有限公司 | 临床路径制定方法及装置 |
CN106127256A (zh) * | 2016-06-30 | 2016-11-16 | 张云超 | 一种肝纤维化检测方法及装置 |
CN106202968A (zh) * | 2016-07-28 | 2016-12-07 | 北京博源兴康科技有限公司 | 癌症的数据分析方法及装置 |
CN106295148A (zh) * | 2016-08-01 | 2017-01-04 | 苏翀 | 基于随机森林算法的乙肝代偿期肝硬化筛查模型建立方法 |
CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
CN111383768A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗数据回归分析方法、装置、电子设备及可读介质 |
CN111383768B (zh) * | 2018-12-28 | 2023-11-03 | 医渡云(北京)技术有限公司 | 医疗数据回归分析方法、装置、电子设备及计算机可读介质 |
CN112464553A (zh) * | 2020-11-02 | 2021-03-09 | 中国电子科技集团公司第三十八研究所 | 一种微波介质板可加工性诊断专家系统 |
CN112862797A (zh) * | 2021-02-23 | 2021-05-28 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
CN112862797B (zh) * | 2021-02-23 | 2024-03-19 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
CN113239599A (zh) * | 2021-06-15 | 2021-08-10 | 江苏理工学院 | 基于bp神经网络的智能轮胎磨损寿命预估方法及装置 |
CN113517077A (zh) * | 2021-06-18 | 2021-10-19 | 东莞市人民医院 | 用于预测臀位外倒转术疗效的控制方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102737153A (zh) | 神经网络肝纤维化诊断方法及系统 | |
KR102361343B1 (ko) | 중약 생산 과정 지식 시스템 및 중약 생산 과정 제어 방법 | |
Setty et al. | Wishbone identifies bifurcating developmental trajectories from single-cell data | |
Gong et al. | The optimal group consensus models for 2-tuple linguistic preference relations | |
CN106202891A (zh) | 一种面向医疗质量评价的大数据挖掘方法 | |
CN104166731A (zh) | 一种社交网络重叠社区发现系统及其方法 | |
CN113707252B (zh) | 一种智能病例质控方法及系统 | |
CN107609711A (zh) | 一种报考信息的提供方法、装置、设备及存储介质 | |
CN104516809B (zh) | 一种自动化测试系统及方法 | |
CN104657574B (zh) | 一种医疗诊断模型的建立方法及装置 | |
US20210364999A1 (en) | System and method for analyzing cause of product defect, computer readable medium | |
CN113609773B (zh) | 基于小样本的数据可靠性评估结果预测性能的方法及系统 | |
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN103971023A (zh) | 研发过程质量自动评估系统和方法 | |
CN109934469A (zh) | 基于异源交叉回归分析的停电敏感度预警方法及装置 | |
CN110335641B (zh) | 一种四个体组合亲缘关系鉴定方法及装置 | |
CN103226728A (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
CN113886207A (zh) | 一种基于卷积神经网络的存储系统性能预测方法及装置 | |
CN111179576B (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及系统 | |
WO2020259391A1 (zh) | 一种数据库脚本性能测试的方法及装置 | |
CN108920601A (zh) | 一种数据匹配方法及装置 | |
CN111124489B (zh) | 一种基于bp神经网络的软件功能点数估算方法 | |
CN116127398B (zh) | 一种基于机理模型与多源数据融合的液压泵故障诊断方法 | |
CN107895235A (zh) | 基于决策树分析法的财务建模系统 | |
CN105787507B (zh) | 基于预算支持向量集的LS‑SVMs在线学习方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121017 |