基于GMM—RBF神經網絡的前列腺癌診斷方法

作者：崔少澤,王杜娟,王蘇桐,夏江南,王延章,JIN Yaochu

摘要：前列腺癌是近年來發病率上升速度最快的男性癌癥，嚴重威脅著患者的身體健康，準確地判斷癌癥患者的患病情況對于節約醫療資源、提高患者滿意度起著至關重要的作用。近年來，基于數據挖掘的癌癥診斷方法逐漸成為疾病診斷領域的研究熱點，在提高診斷準確性上顯示出極大優勢。針對現有前列腺癌早期診斷方法準確性不高的問題，提出一種基于高斯混合模型改進徑向基函數神經網絡的前列腺癌診斷方法——GMM—RBF神經網絡方法。該方法通過使用高斯混合模型對徑向基函數神經網絡中徑向基函數的參數進行預訓練，使模型避免陷入局部最優，之后采用改進的粒子群優化算法對神經網絡進行訓練。采用國家臨床醫學科學數據中心提供的數據進行前列腺癌診斷實驗，將所提出的方法與徑向基神經網絡、分類回歸樹、支持向量機和邏輯回歸等主流的機器學習算法進行對比，并使用準確性、特異性、敏感性和AUC值對模型的性能進行評價。研究結果表明，與改進前的神經網絡模型相比，GMM—RBF神經網絡模型收斂速度更快、初始準確度更高；與其它機器學習算法相比，GMM-RBF神經網絡模型在10折交叉驗證中取得了較高的準確性、敏感性、特異性和AUC值。GMM—RBF神經網絡方法在模型預測精度上比傳統的徑向基函數神經網絡模型有很大提升，能夠得到更為可靠的前列腺癌診斷結果，為醫療工作者初步診斷前列腺癌和穿刺活檢操作提供有效的輔助決策支持，該方法的提出對于減少患者痛苦、提高患者滿意度和節約醫療資源具有實際意義。

發文機構：大連理工大學管理與經濟學部 英國薩里大學計算機系

關鍵詞：前列腺癌徑向基函數神經網絡高斯混合模型粒子群優化算法疾病診斷prostate cancerRBF neural networkGaussian mixture modelparticle swarm optimizationdisease diagnosis

分類號： TP183[自動化與計算機技術—控制科學與工程][自動化與計算機技術—控制理論與控制工程]