李超　楊樞　周瑛

摘要：為了有效降低骨質(zhì)疏松疾病臨床診斷誤診、漏診率，分析骨質(zhì)疏松診斷指標(biāo)體系，綜合粒子群神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種學(xué)習(xí)型算法，以誤差絕對值和達(dá)到最小為準(zhǔn)則建立疾病診斷分類模型。采用蚌埠醫(yī)學(xué)院第一附屬醫(yī)院骨科患者實(shí)際病例數(shù)據(jù)作為樣本集，對模型進(jìn)行訓(xùn)練和測試，使誤差達(dá)到規(guī)定要求，并將仿真結(jié)果與單一診斷模型進(jìn)行比較。實(shí)證分析表明組合模型診斷誤差明顯小于單一診斷模型。用基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的線性組合模型診斷原發(fā)性骨質(zhì)疏松病情，是可行有效的方法。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)；組合模型；骨質(zhì)疏松診斷

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）33-8013-03

Abstract： In order to reduce the misdiagnosis rate of osteoporosis. We analyzed osteoporosis assessment indicator system. Comprehensive application neural networks and support vector machine learning algorithms， established linear combination diagnosis model to achieve the absolute minimum error. Then the combination model was used to compute a large number of actual data in orthopedics Department of first Affiliated Hospital of Bengbu Medical College. And the simulation results were compared with the single diagnostic model. Analysis shows the Diagnostic error of combined model is significantly less than single diagnostic models. The diagnosis of osteoporosis by using combination model based on neural network and support vector machine is feasible and effective.

Key words： neural networks； SVM； combination model； Osteoporosis diagnosis

1 概述

骨質(zhì)疏松癥，在臨床診斷中極易與股骨頭壞死、骨髓瘤、骨軟化癥、骨量不足、遺傳性成骨不全等疾病混淆。世界衛(wèi)生組織以骨量和（或） 骨骼所能承受的力兩個方面來評估骨質(zhì)疏松的程度。但由于骨質(zhì)疏松疾病本身診斷的復(fù)雜性，WHO診斷標(biāo)準(zhǔn)的局限性，及年輕醫(yī)生經(jīng)驗(yàn)不足等原因，導(dǎo)致誤診與漏診情況頻繁出現(xiàn)。作為最具代表性的兩種學(xué)習(xí)型評價方法，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法近年來越來越受到關(guān)注。算法通過對樣本的訓(xùn)練和學(xué)習(xí)得到自變量和因變量的內(nèi)在關(guān)系從而能夠模擬專家智慧，評估或預(yù)測相關(guān)因素的結(jié)果。神經(jīng)網(wǎng)絡(luò)通過模擬人腦的結(jié)構(gòu)來處理信息；而支持向量機(jī)則是一種基于數(shù)據(jù)的統(tǒng)計(jì)學(xué)習(xí)方法。雖然這兩種學(xué)習(xí)型算法在數(shù)據(jù)處理和預(yù)測準(zhǔn)確方面各有優(yōu)勢，但存在易出現(xiàn)局部極小化和處理復(fù)雜樣本時計(jì)算耗時等問題[1]。因此，該文用粒子群理論對傳統(tǒng)BP算法進(jìn)行改進(jìn)，并以誤差絕對值和最小為準(zhǔn)則，建立基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種算法的骨質(zhì)疏松癥線性組合診斷模型，以使診斷結(jié)果更為準(zhǔn)確。

2 骨質(zhì)疏松疾病診斷指標(biāo)體系的構(gòu)建

目前骨質(zhì)疏松疾病的診斷標(biāo)準(zhǔn)多采用世界衛(wèi)生組織的規(guī)定，以骨量和（或）骨骼所能承受的力兩個方面來評估骨質(zhì)疏松的程度，其中BMD如低于-2.5個標(biāo)準(zhǔn)差便可診斷為骨質(zhì)疏松癥。但也有研究表明[2]除骨密度外，性別、身高、體質(zhì)量等因素也同樣是骨質(zhì)疏松癥臨床診斷標(biāo)準(zhǔn)的重要指標(biāo)。骨質(zhì)疏松本文首先通過文獻(xiàn)調(diào)研，參考多篇國內(nèi)外有關(guān)骨質(zhì)疏松癥診斷的相關(guān)文獻(xiàn)，再向多所醫(yī)院骨科專家進(jìn)行咨詢，最終選定以：患者性別、身高、質(zhì)量、腰椎骨密度、腰椎T值、股骨密度、股骨T值及臨床問診結(jié)果，作為骨質(zhì)疏診斷模型的指標(biāo)。其中臨床問診通常是了解患者是否有與該病相關(guān)的不良習(xí)慣，如是否有吸煙嗜酒史、是否發(fā)生過非創(chuàng)傷性骨折、是否腰背痛等，以“1”代表患者回答“是”，“0”代表“否”。結(jié)果如在0.6-1.0之間則表示有骨質(zhì)疏松，大于1.0則表示患者癥狀嚴(yán)重。

3 組合模型的建立與分析

3.1.組合模型基本原理

傳統(tǒng)BP算法雖應(yīng)用廣泛，但存在易出現(xiàn)局部極值、收斂速度慢等的問題。因此本文采用粒子群智能算法其進(jìn)行改進(jìn)，通過權(quán)值和閾值的調(diào)節(jié)，最終使BP算法擺脫梯度下降的思想[3]。支持向量機(jī)是一種新的機(jī)器學(xué)習(xí)技術(shù)，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無錯誤的識別任意樣本的能力）之間尋求最佳折衷，以獲得最好的推廣能力[4]。但SVM也存在核函數(shù)很難求解，且需要大量存儲空間來計(jì)算函數(shù)的二次規(guī)劃的不足[5]，需要BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行彌補(bǔ)。該文充分利用BP神經(jīng)網(wǎng)絡(luò)非線性映射、自適應(yīng)、泛化能力和容錯能力強(qiáng)和支持向量機(jī)分類可靠度高，推廣性強(qiáng)的優(yōu)點(diǎn)，提出以誤差絕對值和達(dá)到最小為準(zhǔn)則的基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)組合診斷模型。模型以誤差絕對值和達(dá)到最小為依據(jù)，計(jì)算出每個單一模型在診斷結(jié)果中所占的權(quán)重，進(jìn)行組合診斷。模型的框圖如下：

3.2 模型結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)選用包含輸入層、隱含層、輸出層的三層網(wǎng)絡(luò)結(jié)構(gòu)來構(gòu)建診斷模型。輸入層包含8個神經(jīng)元（節(jié)點(diǎn)數(shù)為患者的相關(guān)數(shù)據(jù)），輸出層包含1個神經(jīng)元（為診斷結(jié)果0-0.3表示正常.0.3-0.6表示骨量減少，0.6-1.0表示存在骨質(zhì)疏松，大于1.0表示有嚴(yán)重骨質(zhì)疏松），隱含層神經(jīng)元的數(shù)量采用經(jīng)驗(yàn)公式[b=a+c+d]（a為輸入層為神經(jīng)元個數(shù)取值8，c為輸出層神經(jīng)元個數(shù)取值1，b為隱含層為神經(jīng)元個數(shù)，d為1-10之間的整數(shù)）。通過實(shí)驗(yàn)最終選擇采用包含16個神經(jīng)元的隱含層。設(shè)置模型學(xué)習(xí)率為0.001，目標(biāo)誤差為0.00001。利用matlab神經(jīng)網(wǎng)絡(luò)工具箱，構(gòu)建網(wǎng)絡(luò)。支持向量機(jī)模型核函數(shù)經(jīng)過多次試驗(yàn)，最終確定為選擇RBF函數(shù)。

從表2及圖2中可見神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種模型的輸出值，在整體趨勢上與實(shí)測值保持一致，但精度卻各不相同。具體來說，粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)診斷模型的預(yù)測誤差較大，易出現(xiàn)過估計(jì)現(xiàn)象；而支持向量機(jī)診斷模型，則在多分類處理時，存在估計(jì)不足的情況。組合診斷模型與兩種單項(xiàng)診斷模型相比誤差更小，說明該組合診斷方法較單項(xiàng)方法更加準(zhǔn)確，能夠更好地模擬專家智慧對骨質(zhì)疏松癥進(jìn)行診斷。

5 結(jié)論

本文研究的基于粒子群神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)線性組合的骨質(zhì)疏松臨床診斷分類模型，能夠精確地模擬專家智慧，較好地利用神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)兩種學(xué)習(xí)算法在多影響因子下網(wǎng)絡(luò)訓(xùn)練的優(yōu)勢，克服兩種方法的不足。將診斷分類過程中的人為因素有效降低，從而提高骨質(zhì)疏松疾病診斷分類的可靠性，使結(jié)果更精確、客觀，并能夠根據(jù)實(shí)際問題加以調(diào)整，具有較好的推廣性。

參考文獻(xiàn)：

[1] 郭虎升，王文劍.基于神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)學(xué)習(xí)方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2009（2）：52.

[2] 阮祥燕.體重及骨峰值對骨質(zhì)疏松診斷的影響[J].當(dāng)代醫(yī)學(xué)，2000，6（9）：47-51.

[3] 張丹，韓勝菊，李建，等.基于改進(jìn)粒子群算法的BP算法的研究[J].計(jì)算機(jī)仿真，2011（2）：147-149.

[4] 馮駿，薛云燦，江金龍.一種新的改進(jìn)粒子群算法研究[J].河海大學(xué)常州分校學(xué)報，2006（1）：10-12.

[5] 解少博，魏朗.基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的大客車運(yùn)行車速組合預(yù)測[J].武漢理工大學(xué)學(xué)報：交通科學(xué)與工程版，2013（3）：486-487.

[6] 程慧杰，張國印，何穎.基于粒子群神經(jīng)網(wǎng)絡(luò)集成的腫瘤分型研究[J].計(jì)算機(jī)工程，2010（5）：210.

[7] 王麗，王紅梅，吳振洲.基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的電能質(zhì)量組合評價[J].華北水利水電學(xué)院學(xué)報，2009（3）：61-63.

[8] 徐富強(qiáng)，謝如龍，郝江鋒.基于神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的組合預(yù)測模型[J].巢湖學(xué)院學(xué)報，2012（6）：1-2.