乳房癌的诊断模型马壮于翠影张宏硕指导教师：王镁（内蒙古大学，呼和浩特010021 ）摘要本文对乳房癌的诊断问题， 应用神经网络与模糊数学的理论，给出了几种乳房癌的量化诊断方案．首先，建立了 LVQ 神经网络模型， 使用 500 组数据的前 400 组作为训练样本，用后 100 组数据对网络性能进行检测，诊断正确率达98%．然后对这 500 个特征向量进行了回归分析，从30 个特征中筛选出了6 个特征，它们分别是：细胞核直径均值、标准差和最坏值、紧密度的均值、面积的最坏值、周长的均值．并将以上6 个特征用于 LVQ 网络，诊断正确率达95%．进一步考虑到神经网络与模糊数学各自的特点，将二者有机结合构造了神经模糊系统，并用以上的6 个特征对系统进行训练，诊断正确率达96%．本文构造的模型具有良好的稳定性，对于模式识别问题具有很强的实用价值，最后本文提出了神经网络和模糊数学深层次结合的方向．一.问题的重述乳房癌通过穿刺采样进行分析可以确定其为良性或恶性．医学研究发现乳房肿瘤病灶组织的细胞显微图像的10 个量化特征： 细胞核直径， 质地，周长，面积，光滑度， 紧密度，凹陷度，凹陷点数，对称度，断裂度与该肿瘤的性质有密切关系．现有500 个已确诊病例，每个病例的一组数据包括采样组织中各细胞核的这十个特征量的平均值，标准差和“最坏值”（各特征的 3 个最大特征的平均值）共30 个数据．根据这 500 组数据建立诊断模型，并将其用于另外69 名已做穿刺采样的患者．为节省费用发展一种只用此30 个特征数据中的部分特征来区分乳房肿瘤是良性还是恶性的方法．二.问题的假设1．所给的 500 组病例具有广泛的代表性．2．500 组病例所反映的良性与恶性的概率分布符合病例的自然分布．三.问题的分析本问题是一个典型的模式识别问题，要求根据它的特征量来进行分类．对于模式识别问题，现今有两类解决办法．一类是传统的线性模型．另一类是近年来发展起来的非线性模型．本题是一个典型的非线性问题，用传统的线性模型解决有一定的困难，而且识别率不高．所以非线性模型是解决此类问题的首选．现今常用的非线性模型有神经网络模型和模糊系统模型．神经网络由许多并行运算的简单单元组成，单个神经元的结构及其简单，但大量神经元相互连接组成人工神经元网络显示出人脑的某些特征：1）分布存储和容错性；2）大规模并行处理；2 3）自学习、自组织和自适应性；4）它并不是各单元行为的简单相加，而表现出一般复...
VIP
