- 上一篇：FTP客户端实现
- 下一篇：JAVA电子邮件客户端的设计与实现
人工神经网络是一种模仿生物神经网络处理信息的行为，可进行并行信息处理的数学算法模型。该网络内部有复杂的连接，通过调整内部大量节点之间的连接强弱，从而达到处理信息的目的。人工神经网络有良好的环境适应能力，能根据不同的环境进行自我调整，从而到达对环境的正确反应，用途非常广泛。从理论上讲，用3层的神经网络，可以对任意函数进行逼近，从而可以处理各种复杂的关系。当前神经网络的算法特别多，各有优点，本文采用的是BP神经网络（Back Propagation Neural Network）算法。BP神经网络算法是1986年由Rumelhart、McCelland等科学家提出的，是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。论文网
本文通过结合细胞组织形态学的细胞参数的测量和人工神经网络的分类功能，对癌症进行客观的诊断，辅助人工的诊断，尽量避免人为的主观诊断造成的失误。
1.3 本文研究的主要内容、方法和思路
1.3.1 研究内容
本文以子宫内膜细胞为例，采用组织形态4C分类规则来诊断活组织切片。得到四个参数，然后利用神经网络对测量数据进行分类。输出结果分为四类：低得分的子宫内膜增生（LGH，low-grade endometrial hyperplasia），高得分的子宫内膜增生（HGH，high-grade endometrial，hyperplasia），低得分的子宫内膜腺癌（LGA，low-grade endometrial adenocarcinoma），高得分的子宫内膜腺癌（HGA，high-grade endometrial adenocarcinoma）。
根据George L. Mutter MD等人的研究，通过大量的实验统计，该四个参数能很好的体现细胞的癌症特征。采用组织形态4C分类规则，来诊断活组织切片，预测通过子宫切除术浸润性癌的结果。进行过活组织检测或者非典型子宫内膜增生的社区诊断进行刮宫术的妇女参加了临床试验，随后的子宫切除术取得了子宫内膜样腺癌，测量了四种规则预测癌症结果的能力。当应用于活检诊断，4C规则专门用来区分高风险分类和低风险增生类别的病变。在一系列的试验中，证实了使用4C规则能识别高风险分类上的一个子集。
与深度肌入侵、癌症结果相比，不同的组织形态变量与任何癌症有个别的相关。当组织切片瘤上皮细胞的表面面积超过结合腺管腔和基质的面积（VPE>50%）时，子宫切除术中发现任何类型癌的可能性将增加。相反，由于被SDDN的增长衡量，侵略性、深度的肌入侵腺癌与细胞核的多型性相关。这是先前报告的客观确认，主观得分高的细胞核把预测疾病的连续性和子宫内膜腺癌病人的幸存进行独立的分级。
该诊断能很好的进行，首先要能对细胞参数进行准确的测量，其次是每组案例在实际的过程中，由主观准确的诊断，用这些参数去训练神经网络，最后得出相对客观的结果，从而进行更好的辅助诊断。
除此之外，能反映细胞状态的还有另外一种研究方法，D评分计算结果，其有三个参数：间质体积百分比(VPS)，腺体外表面密度(OSD)，最短核轴标准差(SDSNA)。与4C规则的参数相似，D评分不同的能反映细胞不同的状态。对应关系如下表：
表1.3.1 不同的D评分有癌的机率
D score<0 D score 0-1 D score >1 Total
No Cancer 8 13 29 50
Cancer 11 7 0