医疗领域人工智能的应用Word格式文档下载.docx

医疗领域人工智能的应用Word格式文档下载.docx

《医疗领域人工智能的应用Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《医疗领域人工智能的应用Word格式文档下载.docx（8页珍藏版）》请在冰豆网上搜索。

专家系统；

神经网络；

前景

1引言

人工智能（ArtificialIntelligenceAI）是当前科学技术发展中的一门前沿科学，它是由Mc－Carthy等在1956年发起的关于机器模拟智能的学术讨论会上提出的［1］。

自此，人工智能广泛应用于医学领域，在临床医疗诊断、神经网络技术、中医学、专家系统以及医学影像诊断中均得到应用。

随着科学技术的发展，人工智能技术在医疗诊断中的应用将越来越广泛，越来越重要。

2人工智能在医疗领域的应用回顾

2.1人工智能发展简史[2]

上世纪三四十年代，Wiener、弗雷治、罗素的数理逻辑，和Church、图灵的数字功用以及计算机处理促使了1956年夏的AI学科诞生。

　　20世纪60年代以来，生物模仿用来建立功能强大的算法。

这方面有进化计算，包括遗传算法、进化策略和进化规划（1962年）。

　　1992年Bezdek提出计算智能。

他和Marks（1993年）指出计算智能取决于制造者提供的数值数据，含有模式识别部分，不依赖于知识；

计算智能是认知层次的低层。

今天，计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，呈现多学科交叉与集成的趋势。

　　人工生命以进化计算为基础，研究自组织、自复制、自修复以及形成这些特征的混沌动力学、进化和环境适应，具体包括生命现象的仿生系统、人工建模与仿真、进化动力学、人工生命的计算理论、进化与学习综合系统以及人工生命的应用等。

20世纪60年代，罗森布拉特研究感知机，Stahl建立细胞活动模型，Lindenmayer提出了生长发育中的细胞交互作用数学模型。

这些模型支持细胞间的通信和差异。

70年代以来，Conrad等研究人工仿生系统中的自适应、进化和群体动力学，提出不断完善的“人工世界”模型。

80年代，人工神经网络再度兴起促进人工生命的发展。

其主要研究方法有信息模型法和工作原理法。

其研究途径分为工程技术途径和生物科学途径。

2.2医疗领域人工智能的兴起和医疗专家系统的创建　

专家系统在90年代兴起,模拟人类专家解决领域问题,知识库的改进与归纳是其重点。

医疗专家系统（MedicalExpertSystem，MES）是人工智能技术应用在医疗诊断领域中的一个重要分支［3］。

在功能上，它是一个在某个领域内具有专家水平解题能力的程序系统。

医学诊断专家系统就是运用专家系统的设计原理与方法，模拟医学专家诊断疾病的思维过程，它可以帮助医生解决复杂的医学问题，可以作为医生诊断的辅助工具，可以继承和发扬医学专家的宝贵理论及丰富的临床经验。

第一个人工智能的医疗专家系统早在50年代就出现了，当时为了模拟病人的病症和疾病之间的关系，主要是医学领域的知识被融合到专家系统中。

人工智能在医疗诊断中的应用是在20世纪50年代后期才开始出现的，如用在一些常规的医学疾病诊断上。

但由于研究任务的复杂性，从而缩小了医疗专家系统的研究范围。

医疗诊断专家系统存在的问题通常，人们对理论上难以解决、而实际上却需要迫切解决的问题，往往希望通过专家的经验来解决，这样，“专家系统”式的医疗诊断系统就应运而生了［4］。

该系统通过把专家的经验和知识以规则的形式存入计算机中，建立知识库，用符号推理的方式进行医疗诊断［5］。

但是，这种“填鸭式”的知识获取遇到了较大的困难。

一方面，一些疑难病症的复杂性使其很难用一些规则来描述，甚至难以用简单的语言来表达，原因在于符号的知识表达方式的局限性；

另一方面，基于规则的专家系统，随着规则库规模的增大，搜索空间的急剧增大，可能导致组合爆炸，并且由于推理循环过程包含了大量无效的匹配尝试，浪费了大量的系统时间，推理效率很低。

产生上述问题的根本原因在于该系统的产生式结构及串行工作方式存在一定的缺陷。

因此，单纯的“专家系统”式的医疗诊断系统只能用于比较简单的疾病诊断，价值不大。

此外，在人工智能的应用中，存在着一个最基本的问题是建模的不确定性。

这个问题一直困扰着人工智能的发展，后来经典概率和DemP－ster—schafers的迹象理论被应用到这个领域，以及后来的贝叶斯网络成为最受欢迎的工具，它取代了利用符号的不确定性跟踪不确定性的起源的研究。

直到20世纪80年代中期，Peral的形式论才使得贝叶斯网络在计算机上成为易处理。

从那时起，人工智能才在临床诊断问题上得到了实施。

当今21世纪，人工智能技术的医学虚拟应用不仅要对特定病人进行模拟，而且要对整个治疗过程中可能出现的反应和问题有一精确的预测和提出相应的对策。

这就是２１世纪医学虚拟现实的最后目标。

3人工智能在医学上的应用

3.1人工智能在临床医疗诊断中的应用

人工智能在临床医疗诊断中常用于医疗专家系统[6],主要是运用专家系统的设计原理与方法模拟医学专家诊断、治疗疾病的思维过程编制的计算机程序，它可以帮助医生解决复杂的医学问题，作为医生诊断的辅助工具，继承和发扬医学专家的宝贵理论及丰富的临床经验。

概括来说，人工智能在医疗领域有如下作用：

（1）可以为医生提供完整和有效的信息，从而为疾病的诊断和治疗提供科学、可靠的依据。

（2）可以极大地提高医学数据的测定和分析过程的自动化程度，从而大大提高工作速度，减轻人的工作强度，并减少主观随意性。

（3）可以集中专家的知识，辅助医生做出更为可靠和正确的诊断；

随着病例的增多，还可以丰富系统的知识，自动地或在人工干预下进行知识的积累和分析，提高医疗水平。

可以从大规模的医学历史数据中发现规律和知识，从而为未来疾病防控提供决策支持。

3.2人工智能在神经网络中的应用

3.2.1医疗智能诊断系统的研究进展

人工神经网络理论的发展为医疗智能诊断系统提供了一条新的有效途径。

基于这一思路，人们将人工神经网络与专家系统进行了有效的结合，建立了人工神经网络式的医疗智能诊断系统［7，8］。

该系统知识获取的特点是向现实世界学习，它是将大量的样本（病例），通过特定的学习算法得到网络各种神经元之间的连接权而获得的。

这种方式与人脑存贮知识十分相似，具有联想、并行处理和容错的功能，可以将医疗智能诊断系统提高到一个新的水平。

然而，目前用这种方法建立医疗诊断系统的成果仍是有限的。

这主要是由于建立人工神经网络模型所需要的算法在解决规模稍大、特征较多的疾病诊断问题时，往往学习算法不能计算出正确的结果。

经研究，本文提出了一种“非梯度学习算法”，即单参数动态搜索算法（简称为SPDS算法）［9］。

这种学习算法对于规模稍大、特征较多的实际问题可上百倍地快于以往的学习算法。

在一些实际问题中，该算法已见到明显效果，并开始引起人们的重视。

相信将这种学习算法用于医疗智能诊断系统，必然会带来新的突破。

人工智能技术在医学诊断中的应用开始遇到以下难题：

知识获取难；

推理速度慢；

自学习和自适应能力差。

而以研究人脑连接机制为特点的人工神经网络ANN（AitificialNeuralNetwork）能够解决知识获取途径中出现的“瓶颈”现象、知识“组合爆炸”问题，并提高知识的推理能力和自组织、自学习能力等，从而加速神经网络在医学专家系统中的应用和发展。

ANN属于人工智能领域，有别于其他人工智能方法，它是人工智能的一个分支，传统的人工智能是通过逻辑符号模拟人脑逻辑思维来实现其智能的，而ANN是通过学习或训练来实现其智能的。

ANN具有学习的能力，使用者无需设计复杂的程序来解决问题，只须提供数据。

目前，医学对绝大多数疾病的病因尚不明确，而各种疾病的表现也千变万化，在医学实践中，对疾病的判断和相应的治疗往往以经验为基础，因此，ANN所具有的学习、记忆和归纳功能使其在医学领域具有良好的应用前景。

3.2.2人工神经网络在中医学中的应用

3.2.2.1在中医专家系统知识挖掘中的应用

中医学辨证施治过程，实质上是对一大堆数据信息作出处理，提取规律的过程。

人工神经网络有较好获得数据规律的能力，应用于中医学具有可行性。

中医学中的“辨证论治”中的“证”[10]具有模糊性、不确定性的特点，主观性较强，所以中医的诊断和治疗与医师的经验、水平有较大关系，多年来对“证”的研究思路和方法主要集中在实验研究、临床观察、文章整理、经验总结上。

人工神经网络的应用可以替代部分“辨证”过程，选择适当的中医症状作为基本输入和适当的人工神经网络模型，人工神经网络能够根据已有的学习“经验”进行分析，综合提出中医诊断。

人工神经网络由神经元结构模型、网络连接模型、网络学习算法等几个要素组成，是具有某些智能代写论文功能的系统。

从网络结构划分，人工神经网络有许多不同的种类，如感知器、BP网络、Hopfield网络等，其中BP网络是目前应用最为广泛的神经网络之一。

BP网络是一种前向网络，通过网络的结构与权值表达复杂的非线性I/O映射关系，同时BP网络具有优良的自学习功能，可以通过误差的反向传播方法，对照已知样本进行反复训练，调整网络的权值，直至网络的I/O关系在某一训练指标下最接近样本。

3.2.2.2在中医舌诊研究中的应用

赵忠旭等[11]采用神经网络模型对中医舌像分析仪的摄像机、显示器的输入输出三刺激值特征化。

并采用动量法和学习率进行自适应调整，有效地抑制网络陷入局部极小或“假饱和”现象。

这样舌象分析仪在采集舌图象时，可将相机的输出代入其建立的校正环节模型，然后将它的输出作为计算机的数字驱动值，以达到校正的目的。

吴芸等[12]构建了一个“中医舌诊八纲辨证”神经网络知识库。

3.2.2.3在中医脉象研究中的应用

王炳和等[13]针对脉象本身的模糊性特点和中医辨识脉象的思维方式，研究了人工神经网络方法应用于人体脉象的识别问题。

建立了一个8-5-7三层结构的脉象人工神经网络模型。

采用输入样本的模糊化处理，并对BP算法用加动量的自适应算法加以改进，因此大大减少了训练时间。

经280例脉象的识别检验，结果表明，该对7种脉象的识别准确率平均为87%，比传统的模糊聚类方法提高了12个百分点。

此研究为计算机识别脉象和辅助诊断疾病提供了一种有效的方法。

岳沛平等[14]构建了一种比较实用的基于小波分析BP神经网络的中医脉象信号辨识系统，经1456例临床脉象检测，准确率>

90%。

徐方维等[15]针对海洛因吸食者的脉象信号与正常人脉象信号的特征差异，成功地应用人工神经网络对15例海洛因吸食者和15例正常人。

3.2.2.4在中医证候研究中的应用

证候是以中医的基本理论为基础,对临床所收集到的信息进行辨证的结果。

中医证候体系是一个非线性的、多维多阶的、可以无限组合的复杂巨系统。

采用人工神经网络技术挖掘大样本所蕴含的海量信息,从而建立中医证候诊断模型,可能是解开当前证候研究的僵局、取得实质突破的有效方法。

人工神经网络的类型多种多样，从功能特性和学习能力来分，典型的神经网络模型主要包括感知器、线性神经网络、多层前向神经网络、自组织映射网络和反馈神经网络等。

笔者认为，比较适合应用于中医证候诊断的是BP神经网络以及在此基础上发展起来的模糊神经网络。

目前，我们正在进行的基于模糊神经网络的糖尿病肾病中医证候规范研究，其方法就是利用模糊多层感知器网络（FMLP），构建糖尿病肾病中医证候的模糊神经网络模型。

我们并同时利用基于BP算法的多层前馈神经网络（BP），以相同的观察资料为研究对象，构建糖尿病肾病中医证候的BP神经网络模型，从解决实际问题的能力比较两种模型的性能，以确立较优糖尿病肾病中医证候神经网络模型。

3.2