人工神经网络（BPANN）在乳腺癌的诊断效能研究

郭毓娟，吴 雄*，杨乐艺，王增燕，王增燕，颜 昕

（福建医科大学附属漳州市医院，福建 漳州 363000）

乳腺癌在临床上较为常见，及早诊断有助于降低患者的病死率，改善生活质量。随着现代医学理念的发展，数据挖掘（DM）成为目前医学界诊断的首选方法，通过在定制数据集中进行分析，提取人们所不知道的有用信息，而人工神经网络（BPANN）则是DM技术的重点内容，基于人工神经网络技术的医学诊断，正在各地区快速发展，并取得了满意效果。

1 资料与方法

1.1 一般资料

选择我院收治的186例乳腺肿块患者，患者入院时间为2017年7月～2019年9月，入选病例在手术治疗前对患者实施高频彩超与病理检查。本组患者平均年龄（48.96±7.36）岁，平均受教育时间为（10.52±2.83）年。本组的186例患者均常规体检中发现乳腺肿块就诊，少数患者自觉乳房疼痛；经病理检查，确诊43例为恶性肿瘤患者，占总例数23.12%（43/186）。

1.2 统计分析方法

通过E P I D ATA 3.0建立数据库，通过S P S S Clementine11.1进行BP人工神经网络分析，其中以Xi（i=1，2，3…n）为输入神经元，以Y为输出神经元，构建三层BP神经网络模型，其中数据分析过程中采用输入层、输出层与隐含层的三层分析结构。

2 结 果

通过对186例患者的影像学检查资料进行分析后，发现恶性肿瘤患者的影像学资料要明显区别于良性肿块患者，在分别对两组患者的影像学检查结果进行分析后，发现组间数据差异显著（P＜0.05），相关资料如表1所示。

表1 影像学检查结果（n=186）

同时通过人工神经网络模型，本次研究中对样本进行拆分，并选择表1的7个如现在超声特征指标为指标量，同时在SPSS软件中测量的尺度为有序，以Y（恶性=1，良性=0）为因变量建立模型，最终的神经网络拟合结果如表2所示。

3 讨 论

3.1 人工神经网络在乳腺癌诊断中的应用

乳腺癌是临床上常见的女性恶性肿瘤，具有恶性程度高、预后差的特征，对女性的生命安全构成严重威胁，因此寻找一种更有效的临床诊断方法已经成为医学绝关注的重点内容。在本次研究中，本文将结合人工神经网络（BPANN）技术，对该技术在乳腺癌中的应用效能做详细研究，希望能为进一步提高乳腺癌检出率提供支持。

在本次研究中，详细分析了超声诊断方法配合人工神经网络在乳腺癌患者诊断中的应用价值。从本文的研究结果来看，通过人工神经网络方法能够进一步提高检出率，从研究结果可知，边界、包膜以及微钙化等都是标准化的重要指标。并且结合本次研究发现，临床上的乳腺良性肿块呈膨胀性生长的特征，放射性浸润周围组织中，并且在影像学检验中表现为包膜不清等，而该体征无论是在超声检查还是钼靶检查中，都是肿瘤浸润的征象，可以确诊为乳腺癌[1]。同时根据本文的研究结果可以发现，内部回声、肿块形态、腋窝淋巴结、微钙化等都是影响乳腺癌诊断结果的重要因素。其中肿块内部回声能够反映出其病理变化情况，对于肿块内部回声不均匀以及后方回声衰减的情况，这是临床诊断乳腺癌的主要特征。而造成这种特殊结果的主要原因，是因为肿块的内部弥补不均匀，相应也造成了在内部回声上的差异，再加之恶性肿块本身具有针尖状的钙化特征，所以经过超声诊断方法，能够出现内部回声均匀以及后方回声增强的效果。

表2 自变量病理结果的重要性列表

本次的分析结果显示显示，BP人工神经网络模型的预测结果的准确性为97.67%（42/43）。

也有学者通过研究发现，使用X线影像学诊断方法对乳腺肿块患者进行诊断，在乳腺癌临床诊断期间，钼靶软X线影像学技术依靠自身经济有效、成像清晰以及效率高等优点，成为目前医学界乳腺癌普查的首选方法，也被认为是能够筛查早期无症状隐匿性乳腺癌的可行方法[2]。在临床诊断期间，可以根据钼靶X线影像上观察乳腺癌的危险正向，包括微钙化点以及肿块等，其中医学界将微钙化点作为隐匿性乳腺癌的主要表现形式。但是在诊断期间可以发现，患者乳腺钼靶胶片上的微钙化点存在形状不一、大小各异的情况，并且分布多变，具有较高的误诊率；再加之早期如现在微钙化点与周围组织的密度相差不大，所以存在一定的对比难度，单纯的通过肉眼观察很容易出现漏诊。针对这种问题，通过人工神经网络技术能够进一步提高检出率。

3.2 人工神经网络模型的确定

在常规的统计方法中，统计学计算被要求能够满足正态性与独立性的数据处理条件，并且相关计算方法在复杂的非线性问题处理中存在局限性。为了能够有效解决这个问题，就需要通过一种更有效的处理方法来对乳腺癌诊断的相关数据进行处置。而相比之下，人工神经网络作为一种非线性映射系统，在数据处理阶段，对被分析变量没有任何需求，因此在患者疾病诊断的数据处理中，人工神经网络能够在模型的信息含量、结果合理性等方面具有显著优势[3]。但是根据我院的实践结果可以发现，在应用人工神经网络期间，确定建模过程则是整个数据处理的重难点，尤其是在很多特殊的诊断数据处理中，隐含层神经元数量尚无有效的指导方法，很多情况下疾病诊断都会面临隐含层神经元数量较少的问题，因此所构建的模型十分简单，这种情况会导致数据的提取严重不足，拟合缺乏合理性；而神经元数量过多，导致网络结构十分复杂，造成了过度拟合的问题。所以为了能够更好的确定人工神经网络模型，还需要意识对网络结构的拟合效果做多次评价，这样才能选择最理想的模型。

综上所述，人工神经网络模型在乳腺癌临床诊断中具有满意的效果，医师通过将该方法应用到临床上，为相关疾病诊断提供前瞻性分析方法，这对于提高乳腺癌检出率、改善患者预后具有重要影响，所以值得推广。