CN103324981A - 基于神经网络的放化疗规范化质量控制的量化方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的放化疗规范化质量控制的量化方法。该方法的步骤如下：质量控制指标量化以获得质控向量，包括质量控制指标量化及质控向量的降维和归一化；构造神经网络，包括确定网络拓扑结构、神经元数量和传递函数；训练神经网络，包括选择训练样本、统计误差、调整网络参数；以及将训练后的神经网络应用于放化疗规范化质量控制的量化。由于质控向量和质量控制评分之间并没有明确的关系，往往需要专家根据经验全面判断得出，本发明利用神经网络通过学习能够较好地模拟这种非线性的隐含关系，从而便于系统、标准地评判后续治疗过程中的放化疗规范化质量控制程度。

Description

基于神经网络的放化疗规范化质量控制的量化方法

技术领域

本发明涉及放化疗规范化质量控制的量化方法，尤其是涉及一种基于神经网络的放化疗规范化质量控制的量化方法。 

背景技术

人工神经网络，简称为神经网络，是一种模拟生物神经网络的数学模型，其由多个人工神经元互相连接组成，每个神经元对与其输入相连的神经元的输出进行加权求和，并通过一个传递函数将自身的计算结果输出给与其输出相连的神经元，由此神经网络能对外界给定的激励输入做出反应输出。通过训练能够改变各个神经元之间的连接强度，即输入加权的权重，从而实现神经元之间不同程度的激活或抑制等影响。神经网络是一种非线性统计性数据建模工具，可用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。 

多层前馈网络是一种常见的神经网络结构，网络中的神经元被分为多层，每一层可以有一个或多个神经元，各层之间单向连接，激励在各层之间单向传播。接受外界输入的层称为输入层，输出最终反应的层称为输出层，在这两层之间的其他层称为隐藏层，通常只适用单个隐藏层。 

反向传播算法是一种多层前馈神经网络上的监督训练方法，由激励传播和权重更新两个环节组成。对于每一个训练输入，激励传播阶段将输入传入网络并获得网络的最终输出；权重更新阶段比较训练的期望输出和网络实际输出的误差，并将误差反向传递到隐藏层，从而使用梯度下降算法按照误差减小最快的方向调整各神经元的输入加权权重。 

主成分分析是一种分析、简化数据集的技术，其通过保留低阶主成分，忽略高阶主成分来减少数据集的维数，同时保持数据集的对方差贡献最大的特征。 

放疗和化疗，合成放化疗，是广泛应用于恶性肿瘤的两种治疗手段。放疗使用放射线破坏细胞染色体，使细胞停止生长，而化疗通过药物杀灭肿瘤细胞，通常是通过阻断细胞分裂机制以抑制癌细胞生长。然而放化疗在杀灭肿瘤细胞的同时也会杀死人体的正常细胞，从而导致患者出现身体衰弱、免疫力下降、骨髓抑制、消化障碍等并发症状，并可能对各脏器和神经系统有毒副作用。 

对放化疗过程中的规范化质量控制使用质量控制评分进行量化，能够指导 医务人员进行切实有效的放化疗治疗，避免因不同医师对病例认识的差异等导致的错误治疗或过度治疗而导致患者额外的经济负担、生活质量下降甚至是死亡。另一方面，可评估的客观标准有利于医务人员对治疗方案进行客观地评估，也有利于医院、国家的管理部门对医务人员的诊疗水平以及相应癌症的治疗情况进行分析，据此改善医疗资源分配，提高医疗质量。 

发明内容

本发明的目的在于提供一种基于神经网络的放化疗规范化质量控制的量化方法。 

本发明采用的技术方案的步骤如下： 

1）质量控制指标量化以获得质控向量，包含以下步骤： 

1.1使用质量控制指标构造原始质控向量，质量控制指标分为已量化和未量化两类，量化方法如下： 

1.1.1已经量化的质量控制指标分别进行标准单位转换后去除单位，使用数值作为原始质控向量的分量； 

1.1.2未量化的离散值质量控制指标使用从0开始的自然数表示各个选项，使用自然数作为原始质控向量的分量； 

1.2对原始质控向量进行降维和归一化，获得质控向量； 

2）构造神经网络，确定网络的拓扑结构、神经元数量和传递函数参数，包括以下步骤： 

2.1拓扑采用三层前馈网络，第一层为输入层，第二层为中间的隐藏层，第三层为输出层，相邻两层之间的神经元两两单向连接； 

2.2输入所述质控向量，输入层神经元数量与所述质控向量的分量数量相同； 

2.3隐藏层神经元数量根据训练结果选择； 

2.4输出为质量控制评分，输出层只有一个神经元； 

2.5各神经元的传递函数均采用Sigmoid； 

3）训练神经网络，包括以下步骤： 

3.1选择神经网络的训练样本，每份训练样本包括所述质控向量和所述质量控制评分，其中质控向量从历史病例中获取，质量控制评分由专家根据质量控制指标确定； 

3.2所述的训练样本被分为多份训练样本集和测试样本集； 

3.3随机选择一个训练样本集，对其中的每个样本，使用反向传播算法更新各个神经元的连接权重； 

3.4随机选择一个测试样本集，对其中的每个样本，输入训练后的神经网络， 累计输出的误差； 

3.5若测试样本集的累积误差达到要求，神经网络训练完成； 

3.6若测试样本集的累积误差没有达到要求，且训练的次数没有达到阈值，随机选择另一个样本集继续训练； 

3.7若训练的次数达到阈值，则调整网络结构，包括隐藏层中神经元数量后重新训练； 

3.8若调整次数达到阈值则需要从头开始重新选择训练样本； 

4）将训练后的神经网络应用于放化疗规范化质量控制的量化，包括以下步骤： 

4.1按照神经网络的构造方式获取未来放化疗的质量控制指标以构造质控向量； 

4.2将质控向量输入神经网络，输出即为神经网络预测的质量控制评分； 

4.3若在应用过程中质量控制指标发生变化，则需要重新进行神经网络训练。 

本发明具有的有益效果是： 

本发明的质控向量和质量控制评分之间并没有明确的关系，专家往往需根据经验全面判断得出，神经网络通过学习能够较好地模拟这种非线性的隐含关系，从而便于系统、标准地评判后续治疗过程中的放化疗质量控制程度。 

附图说明

图1是本发明的整体流程图。 

图2是本发明构造神经网络结构图。 

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。 

如图1所示，本发明的基于神经网络的放化疗规范化质量控制的量化方法分为四个部分，分别是质量控制指标量化、构造神经网络、训练神经网络和应用到新案例。 

质量控制指标量化以获得质控向量，首先使用所述质量控制指标构造原始质控向量，质量控制指标分为已量化和未量化两类，量化方法如下： 

1.对于如血液学检查中的白细胞计数、单核细胞百分比等已经量化的质量控制指标： 

1.1检查其单位是否为标准单位，如白细胞计数的单位应为“个/L”，若不是则转化为标准单位； 

1.2去除单位，只保留数值作为原始质控向量分量，如白细胞计数5.6×10⁹ 个/L变为5.6×10⁹； 

2.对于如是否异常、毒副作用程度等未量化的离散值质量控制指标：使用从0开始的自然数表示各个选项作为原始质控向量分量，如没有异常用0表示，出现异常用1表示，毒副作用程度用0、1、2、3、4表示等。 

对原始质控向量进行降维和归一化，获得质控向量。在肺癌首次化疗完成后的例子中经过以上的量化过程后得到一个900多维的原始质控向量，高维度的质控向量会增加后续神经网络训练的时间并降低使用的准确率，因此本发明采用主成分分析的方法对原始神经网络进行降维。降维后得到的每一维线性归一化到[0.1,0.9]以适应神经网络所采用的Sigmoid传递函数：对于每一维，若其最大值和最小值分别为x_max和x_min，对于一个实例x，其标准化后的值x’为 

$x^{\′}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}\×(0.9-0.1)+0.1.$

如图2所示，本发明构造神经网络中采用常用的三层前馈网络，图2中每个方框为一个神经元。每个神经元的所有输入和相应的连接权重分别可以表示为向量 

X=(1，x₁，x₂，…，x_n) 

W=(w₀，w₁，w₂，…，w_n)^T

其中x_i和w_i分别表示神经元的第i个输入分量和第i个连接权重分量，且两者分别共有n个分量，其中x₀=1。 

则加权的结果net可表示为 

$\mathrm{net}=\mathrm{XW}=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{x}_i\·w_i$

于是神经元的输出为（其中f是传递函数） 

$o=f\left(\mathrm{net}\right)=f(\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{x}_i\·w_i)$

整个网络中的神经元被分为三个层次： 

1.第一层是输入层，其中神经元的个数与质控向量的维数相同，即每个质控向量的分量是一个神经元的输入； 

2.第二层是隐藏层，其中每个神经元接以入层中的所有神经元的输出为输入，隐藏层神经元的个数需在训练时确定，训练前采用以下经验公式确定神经元个数

3.第三层是输出层，只有一个神经元，其输入为隐藏层的所有神经元的输出，其输出为0到1之间的质量控制评分。 

所有的神经元采用常用的Sigmoid函数作为传递函数以模拟输入和输出之间的非线性关系，即

其中e为自然对数的底。神经网络在训练前需将所有神经元的所有权重设为-0.5到0.5之间的随机数。 

训练神经网络通过对历史案例的分析调整神经网络中各个神经元的连接权重和/或隐藏层的神经元数量，使得神经网络能够准确给出输入质控向量对应的质量控制评分，神经网络训练的流程如下： 

1.首选需要选择训练样本，标准是针对质量控制的每个步骤，尽量选择这个步骤需要考虑的所有质控指标变化的情况，这样才能让神经网络充分训练，每个样本包括质控向量和相应的质量控制评分，其中质量控制评分由专家根据相应的样本确定； 

2.所有训练样本被划分为多个训练样本集和测试样本集，训练样本集用于训练神经网络，其应覆盖所有指标变化的情况，测试样本集用于测试训练的效果； 

3.随机选择一个训练样本集，对其中的每个样本，使用反向传播算法更新各个神经元的连接权重，过程如下： 

3.1.从所选的训练样本集中随机选择一个训练样本，将训练样本的质控向量输入神经网络； 

3.2对于神经网络的输出和样本中专家评定的质量控制评分，以反向传播算法更新各神经元的加权权重，具体方法如下： 

3.2.1对于隐藏层和输出层的每个神经元j，其连接前一层神经元i的权重w_ji更新的方法是 

w_ji=w_ji+Δw_ji

其中Δw_ji是更新的增量； 

3.2.2对于每一个训练样本<X，y>（网络输入为向量X，输出为标量y）： 

Δw_ji(n)=ηδ_jt_ji+αΔw_ji(n-1) 

其中η为学习率，过快的学习率可能错过最优点，而过低的学习率会降低收敛速度，这里取0.3;t_ji是神经元i的输入(神经元j传递给神经元i的值);α为冲量因子，能够避免陷入某些局部最优点，这里取0.9;Δw_ji(n-1)为上一次计算获得的Δw_ji;δ_j为误差项，由于隐藏层没有期望的输出结果作对比，其对于输出层的隐藏层有着不同的计算方法; 

3.2.3对每个输出层神经元k，误差项δ_k为 

δ_k=o_k(1-o_k)(y_k-o_k) 

其中o_i为本神经元的输出值； 

3.2.4对每个隐藏层神经元h，误差项δ_h为 

4.随机选择一个测试样本集，对其中的每个样本，输入训练后的神经网络，累计输出的误差，方法如下： 

4.1将测试样本的质控向量输入神经网络； 

4.2计算神经网络的输出和测试样本中的专家评定的质量控制评分的误差，并累计此误差； 

5.比较累计误差是否达到要求，如不超过1%： 

5.1若误差达到要求则训练成功，当前的神经网络可用于新案例； 

6.若误差未达到要求则判断训练次数是否达到阈值，如不超过5000次： 

6.1若未达到训练次数阈值则重新选择一个训练样本集继续训练（回到步骤3）； 

7.若超过训练次数阈值则检查网络调整次数（隐藏层神经元个数变更次数）是否达到阈值，阈值为10： 

7.1若达到阈值则训练失败，则当前的训练样本不足以完成网络训练，需要重新选择训练样本（回到步骤1）； 

7.2若未达到阈值则对神经网络的结构进行调整（隐藏层神经元个数加一，并将新神经元的加权权重初始化为-0.5到0.5之间的随机数），然后重新训练（回到步骤3）。 

将训练后的神经网络应用于放化疗规范化质量控制的量化，具体方法如下： 

1.按照构造神经网络和训练时所使用的质量控制指标，并通过相同参数的降维和归一化获得质控向量； 

2.将质控向量输入神经网络，神经网络计算后的输出即为相应的质量控制评分； 

3.若出现新的质量控制指标，由于输入维度发生改变，需要重新够构造神经网络并执行前述的神经网络训练过程。 

Claims (1)

1.一种基于神经网络的放化疗规范化质量控制的量化方法，其特征在于，该方法的步骤如下：

1）质量控制指标量化以获得质控向量，包含以下步骤：

1.1使用质量控制指标构造原始质控向量，质量控制指标分为已量化和未量化两类，量化方法如下：

1.1.1已经量化的质量控制指标分别进行标准单位转换后去除单位，使用数值作为原始质控向量的分量；

1.1.2未量化的离散值质量控制指标使用从0开始的自然数表示各个选项，使用自然数作为原始质控向量的分量；

1.2对原始质控向量进行降维和归一化，获得质控向量；

2）构造神经网络，确定网络的拓扑结构、神经元数量和传递函数参数，包括以下步骤：

2.1拓扑采用三层前馈网络，第一层为输入层，第二层为中间的隐藏层，第三层为输出层，相邻两层之间的神经元两两单向连接；

2.2输入所述质控向量，输入层神经元数量与所述质控向量的分量数量相同；

2.3隐藏层神经元数量根据训练结果选择；

2.4输出为质量控制评分，输出层只有一个神经元；

2.5各神经元的传递函数均采用Sigmoid；

3）训练神经网络，包括以下步骤：

3.1选择神经网络的训练样本，每份训练样本包括所述质控向量和所述质量控制评分，其中质控向量从历史病例中获取，质量控制评分由专家根据质量控制指标确定；

3.2所述的训练样本被分为多份训练样本集和测试样本集；

3.3随机选择一个训练样本集，对其中的每个样本，使用反向传播算法更新各个神经元的连接权重；

3.4随机选择一个测试样本集，对其中的每个样本，输入训练后的神经网络，累计输出的误差；

3.5若测试样本集的累积误差达到要求，神经网络训练完成；

3.6若测试样本集的累积误差没有达到要求，且训练的次数没有达到阈值，随机选择另一个样本集继续训练；

3.7若训练的次数达到阈值，则调整网络结构，包括隐藏层中神经元数量后重新训练；

3.8若调整次数达到阈值则需要从头开始重新选择训练样本；

4）将训练后的神经网络应用于放化疗规范化质量控制的量化，包括以下步骤：

4.1按照神经网络的构造方式获取未来放化疗的质量控制指标以构造质控向量；

4.2将质控向量输入神经网络，输出即为神经网络预测的质量控制评分；

4.3若在应用过程中质量控制指标发生变化，则需要重新进行神经网络训练。

Images