医学多元资料分析中的人工神经网络方法研究

多数传统统计模型存在一个共同的局限性：①要求预先知道被研究对象的数学 模型，但实际上许多对象具有复杂的不确定性和时变性，另外还具有复杂的非线性， 有的是已知的但难于用数学描述，有的是未知的非线性，这必将造成根本无法或者 很难精确建立模型；②要求变量满足正态性和协变量之间的独立性。 人工神经网络是一种非线性动力学系统，是生物神经网络在结构、功能及某些 基本特性方面的理论抽象和简化，具有分布式的信息存储方式和并行的信息处理方 式。把神经网络思想引入医学资料的分析之中，并和传统统计分析方法相结合，预 计为以上问题的解决提供新的思路和方法，这是本研究的目的。 本研究在熟悉神经网络基本理论和实现方法的基础上，进行了理论模拟研究和 实际资料的应用研究。 模拟试验研究表明：①单层线性网络的权重系数与多元线性回归的系数相等或 非常接近，两方法的区别仅在于系数求解的迭代过程不同。②单层神经网络和多元 线性回归一样，不能克服多元共线性，而岭回归和不完全主成分分析能较好地克服 协变量间的多元共线性。③多层神经网络的非线性拟合能力对于神经网络隐含层非 线性转换函数的类型和资料的非线性类别具有非特异性。 实际资料的应用研究表明：①对两类判别问题，若选择适当的转换函数和网络 结构，单层神经网络具有与Logistic回归模型相同的意义，但拟合结果稍优于Logistic 回归模型。②多层神经网络的预测结果在灵敏度、特异度和ROC曲线下面积都大于 Logistic回归模型和单层神经网络。③BP神经网络和Cox比例风险模型分别以CSR和 线性和χβ作为预测变量进行预测准确性的比较，20对一致性指数的配对t检验表明， BP神经网络具有更高的预测一致性。④多层BP神经网络对临床随访资料复发时间的 预测也取得了较为理想的结果。 人工神经网络具有较好的非线性处理能力，对资料的类型具有较少的限制性， 值得在医学多元资料分析中进一步推广应用。