浅谈计算机在医学领域中的应用论文

计算机在医学中的应用论文篇一：《计算机人工神经网络在医学领域的应 用现状与展望》 计算机人工神经网络是一门应用广泛，涉及多 学科交叉、综合的前沿学 科。人工神经网络是在对人脑神经网络的基本研究的基础上，采用数理方法 和信息处理的角度对人脑神经网络进行抽象，并建立的某种简化模型。突破 了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息 处理能力和模拟人脑智能行为能力的一大飞跃。近 20 年来，神经网络的软 件模拟得到了广泛研究和应用，发展速度惊人。 由于人体与疾病的复杂性，不可预测性，非常适合人工神经网络的应用。 目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信 号的检测与自动分析，医学专家系统等。 在麻醉与危重医学相关领域的研究涉及到多生理变量的分析与预测，从 临床数据中发现一些尚未发现或尚无确切证据的关系与现象，信号处理，干 扰信号的自动区分检测，各种临床状况的预测，单独或结合其他人工智能技 术进行麻醉闭环控制等。 在围术期和重症监护与治疗阶段，需要获取大量的信息，将可能在信号 处理、基于动态数据驱动的辅助决策专家系统、数据挖掘、各种临床状况的 预测、智能化床旁监护、远程医疗与教学、医疗机器人等各方面广泛运用到 人工神经网络技术和其他人工智能技术。 一、概述 人 工 神 经 网 络 (Artificial Neural Network, ANN)Artificial Neural Network, ANN) 是 人 工 智 能 (Artificial Neural Network, ANN)Artificial Intelligence, AI)学科的重要分支。经过 50 多年的发展，已成为一门应用广 泛，涉及神经生理学、认识科学、数理科学、心理学、信息科学、计算机科 学、微电子学等多学科交叉、综合的前沿学科。 现代计算机的计算构成单元的速度为纳秒级，人脑中单个神经细胞的反 应时间为毫秒级，计算机的运算能力为人脑的几百万倍。可是，迄今为止， 计算机在解决一些人可以轻而易举完成的简单任务时，例如视觉、听觉、嗅 觉，或如人脸识别、骑自行车、打球等涉及联想或经验的问题时却十分迟钝。 也不具备人脑的记忆与联想能力，学习与认知能力，信息的逻辑和非逻辑加 工能力，信息综合判断能力，快速的高度复杂信息处理速度等。 造成这种问题的根本原因在于，计算机与人脑采取的信息处理机制完全 不同。迄今为止的各代计算机都是基于冯*纽曼工作原理：其信息存储与处 理是分开的;处理的信息必须是形式化信息，即用二进制编码定义;而信息处 理的方式必须是串行的。这就决定了它只擅长于数值和逻辑运算。而构成脑 组织的基本单元是神经元，每个神经元有数以千计的通道同其他神经元广泛 相互连接,形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理 单元, 对信息进行分布式存储与加工, 这种信息加工与存储相结合的群体协同 工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。 人工神经网络就是在对人脑神经网络的基本研究的基础上，采用数理方 法和信息处理的角度对人脑神经网络进行抽象，并建立的某种简化模型。一 个人工神经网络是由大量神经元节点互连而成的复杂网络,用以模拟人类进行 知识的表示与存储以及利用知识进行推理的行为。一个基于人工神经网络的 智能系统是通过学习获取知识后建立的,它通过对大量实例的反复学习,由内 部自适应机制使神经网络的互连结构及各连接权值稳定分布，这就表示了经 过学习获得的知识。 人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信 号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种 具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处 理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人 脑智能行为能力的一大飞跃。 近 20 年来，神经网络的软件模拟得到了广泛研究和应用，发展速度惊 人。1987 年在圣地亚哥召开了首届国际神经网络大会，国际神经网络联合 会(Artificial Neural Network, ANN)INNS))宣告成立。这标志着世界范围内掀起神经网络开发研究热潮的开始。 二、医学领域应用现状与前景 由于人体与疾病的复杂性，不可预测性，在生物信号与信息的表现形式、 变化规律(Artificial Neural Network, ANN)自身变化与医学干预后变化)，对其检测与信号表达，获取的数据 及信息的分析、决策等诸多方面均存在大量复杂的非线性关系，非常适合人 工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面 ， 主要应用于生物信号的检测与自动分析，医学专家系统等。 1、信号处理： 在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃 肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，医学图像 的识别和数据压缩处理等。 2、医学专家系统 医学专家系统就是运用专家系统的设计原理与方法, 模拟医学专家诊断、 治疗疾病的思维过程编制的计算机程序, 它可以帮助医生解决复杂的医学问 题, 作为医生诊断、治疗的辅助工具。 “传统”的专家系统，通过把专家的经 验和知识以规则的形式存入计算机中，建立知识库，用逻辑推理的方式进行 医疗诊断。但一些疑难病症的复杂形式使其很难用一些规则来描述，甚至难 以用简单的语言来表达;专家们常常难以精确分析自己的智能诊断过程。另一 方面，基于规则的专家系统，随着数据库规模的增大，可能导致组合爆炸， 推理效率很低。由于人工神经网络能够解决知识获取途径中出现的“瓶颈”现 象、知识“组合爆炸”问题以及提高知识的推理能力和自组织、自学习能力等 等, 从而加速了神经网络在医学专家系统中的应用和发展。 S)ordo 比较了采用不同网络结构和学习算法的神经网络在诊断胎儿唐氏 综合征(Artificial Neural Network, ANN)Down’s S)yndrome) 上的成绩。正确分类率为 84 %, 超过了现今所 用的统计方法的 60 %～70 % 的分类率。 台湾 DEU 科技(Artificial Neural Network, ANN) 德 亚科技)开发的计算机辅助检测系统 Rapid S)creenTM RS)-2000 为全世界最先通过美国 FDA 认证的早期肺癌辅助诊测系统。该产品 采用人工智能神经网络 ANN，自动标识数字胸片中可疑结节区。经台湾和美 国的临床实验，可使放射专家检测 T1 期肺癌的能力明显提高(Artificial Neural Network, ANN)潜在提升约 15 %以上)。 DeGroff 等使用电子听诊器和人工神经网络制造了一种仪器，它可正确 地区分儿童生理性和病理性杂音。用电子听诊器记录的儿童心音，输入能识 别复杂参数的 ANN，分析的敏感性和特异性均达 100%。 3、其他： 生物信息学中的研究中可应用于基因组序列分析、蛋白质的结构预测和 分类、网络智能查询等方面。 药学领域广泛应用于定量药物设计、药物分析、药动/药效学等方面。 例如：用于预测药物效应。Veng-Pederson 用神经网络预测阿芬太尼对兔心 率的影响，对用药后 180-300 分钟的药物效应取得了较好的预测结果(Artificial Neural Network, ANN)平均相 对预测准确度达 78%)。分析群体药动学数据，以获知群体药动学特征和不 同人口统计因子对药物行为的影响，对临床用药具有指导意义。 4、麻醉与危重医学相关领域的研究 手术室和 ICU 内是病人信息富集的地方，而且大量的信息处在动态变化 中，随着医学技术的飞速进步，所能获取的信息越来越多，医护人员面临着 “信息轰炸”。神经网络技术可以很好地帮助我们应对这些问题。例如： 1)可以用于分析多个生理变量之间的关系，帮助研究其内在的关系，或 预测一些变量之间的关系：Perchiazzi 在肺损伤和正常的猪容量控制机械通 气中，用 ANN 估计肺顺应性的变化，不需要中断呼吸，与标准方法相比误 差很小。 2)结合数据挖掘技术，可能从海量数据库例如电子病历系统中，发现一 些尚未发现或尚无确切证据的关系与现象： Buchman 研究了神经网络和多 元线形回归两种方法，用病人的基本资料、药物治疗差异和生理指标的变化 预测在 ICU 延迟(Artificial Neural Network, ANN)>7 天)。 3)信号处理：Ortolani 等利用 EEG 的 13 个参数输入 ANN，自行设计的 麻醉深度指数 NED0-100 作为输出，比较 NED 与 BIS) 之间有很好的相关性; 4)干扰信号的自动区分检测：Jeleazcov C 等利用 BP 神经网络区分麻醉 中和后检测到的 EEG 信号中的假信号，是传统 EEG 噪音检测方法的 1.391.89 倍。 5)各种临床状况的预测：Laffey 用 ANN 预测肌肉松弛药的残留，发现明 显优于医生的评估，还有用于预测 propfol 剂量个体差异的，预测术后恶心、 呕吐，预测全麻后 PACU 停留时间，预测 ICU 死亡率等较多的研究。 6)单独或结合其他人工智能技术进行麻醉闭环控制：Huang 等在全凭异 丙酚静脉麻醉中，利用听觉诱发电位确定麻醉深度，结合异丙酚靶控输注效 应室浓度训练 ANN 区分有反应和无反应者，对 ANN 判断的麻醉水平再用基 于心率、血压的模糊逻辑控制调整，结合应对意外干扰的安全机制。 随着 ANN 新的理论、技术、方法的不断涌现，其模仿人智能的程度不 断提升，已经在诸如专家系统、植入系统(Artificial Neural Network, ANN)embedded systems)、数据挖掘、 多智能体系统、财金工程、生物信息学、无线通讯、制造业等领域得到了很 多商业化的应用。在医学特别是麻醉、危重医学的应用研究尚不多，商业化 应用更是鲜见。但在围术期和重症监护与治疗阶段，需要获取大量的信息， 既有纯数据、又有生物信号、图像、文字等，既有数字化确定的信息，又有 不确定和模糊的表诉，既有静态的，又有动态的，既有具有共性的征象，又 有个体差异，客观上为新技术的应用提供了宽阔的舞台。将可以在信号处理 、 基于动态数据驱动的辅助决策专家系统、数据挖掘、各种临床状况的预测、 智能化床旁监护、远程医疗与教学、医疗机器人等各方面运用人工神经网络 技术和其他人工智能技术，帮助忙碌的医护人员更有效、安全、经济地为病 人服务。 计算机在医学中的应用论文篇二：《计算机辅助教学在医学形态学科 中的应用》 摘要：就计算机辅助教学在解剖学、组织学、病理学、微生物学中的教 学应用进行探讨，论述了计算机辅助教学在医学形态学科中理论教学、实验 教学及考试中的应用。 关键词：医学;形态学科;CAI 计算机辅助教学(Artificial Neural Network, ANN)CAI)系统是以计算机系统作为媒体，以人机交互方式向 学生传播相应的教学内容以达到预期教学目标的一种教学手段。这项技术为 传统教学注入了新的生机，为教学改革和跨世纪医学人才的培养提供了一个 全新的思想和理念，开创了教育、教学新格局[1]。 医学基础课程中诸多的形态学科，如解剖学、组织学、病理学、微生物 学等，在传统的教学中需用挂图、标本、光学显微镜等工具进行辅助教学， 但这些工具占有空间大，难以保管，易耗损，且教学效果是平面的。随着计 算机技术的迅猛发展，CAI 应运而生，已被越来越多地应用于医学形态学科 的各种教学活动中。与传统的课堂教学相比，CAI 有如下的优势：①利用视 听等媒体，可将传统的课堂教学中难以表达的抽象过程、抽象概念和大型实 验通过图形、图像技术直观、形象、立体、动态地表现出来，尤其对一些动 态过程的演示，有助于学生对教学内容的理解。② CAI 课件在程序的控制下 具有对学生反应作出反馈的能力，教师能根据学生掌握知识的情况，随时调 整进度，重复或跳过某段内容，根据学生的学习情况，选择学习的起点，按 学生认为最适当的方式和进度进行学习。学生在操作中通过人机对话进行自 我学习、自我检查、自我评价、复习补漏、安排学习进度，从而使不同水平、 不同层次的学生都可得到帮助和提高，真正做到因材施教 [2]。③变“满堂灌” 为一人一机直接交流。通过计算机提出问题，分析问题，引导学生遵循教学 规律，循序渐进掌握所学内容，通过举一反三使学生建立清晰、完整的概念， 变被动学习为主动学习。利用 CAI 充分调动学生学习的主动性和灵活性，对 培养学生的自学能力，改进学习方法，掌握获取知识的技能有着积极的意义。 ④ CAI 的引入，学生可以根据自身爱好、个人的兴趣与特长进行个性化学习。 学生通过计算机做习题，达到巩固知识的目的，同时也减轻了教师课后辅导 答疑和批改作业的压力，还能使黑板上无法实施的某些教学内容得以顺利完 成，从而为高质量教学提供保证一。⑤ CAI 可以存储大量信息，可实现随时 调用和查找有关文献，从而提高学生的综合能力[4]。 l CAI 在理论教学中的应用 1.1 在组织胚胎学教学中的应用 传统的组织学与胚胎学教学内容具有结构微细、平面图像、状态静止和 局部显示等特点，教师讲解起来费劲，而 CAI 课件的引入，使得教学内容生 动形象，动态的文本、图像、动画、图表、图示等通过人机对话向学生传输 知识，从而达到传统课堂教学达不到的效果。CAI 将各种适合于组织胚胎学 教学的图片、光电镜照片、模式图等等，整理成图片资料，然后将文字稿与 图片稿进行有机串联、编排。按教学各章节制作成形象生动的计算机教学课 件，从而可节省课堂教学时间，使教师有更多的精力用于讲清、讲透重点难 点，提高课堂教学效果[5]。 1.2 在医学寄生虫学教学中的应用 传统的医学寄生虫学教学模式，主要是教师根据教材内容用图表、标本 来讲授寄生虫的形态、生活史、致病作用、实验诊断、流行与防治等知识， 这些抽象的基础理论往往使学生感到枯燥乏味，特别是讲到各论时，学生更 容易将生活史相似的寄生虫互相混淆，复习时倍感难记，在很大程度上影响 了学习效果。而利用多媒体课件进行教学，让学生在接受文字、图像、声音 等多种信号刺激的同时，又动用各种感官，做到眼到、耳到、手到、心到， 从而提高学生的学习积极性。由于使用 CAI 课件教学，课堂信息量大，重点 突出，教师既能方便地调用各种素材有效地组织教学，又能很方便地帮助学 生进行归纳比较。通过 CAI 教学，学生很容易把握寄生虫学的框架，并能将 知识体系进行横向和纵向联系，理顺学习思路_6j。 1.3 在病理学教学中的应用 在以往的教学中，病理学只能采用挂图、录像、幻灯、标本等方法辅助 教学。而利用 CAI，则可以采用简要的文字、色彩鲜艳清晰规范的图片，栩 栩如生的图像照片，各种真实的运动图像等方式，使病理学中许多枯燥的、 单调的、抽象的内容转变为引人人胜的、生动形象的、易学易记的信息，从 而有效提高了教学效率，改善了教学环境，节约了教育资源[7]。 1.4 在解剖学教学中的应用 解剖学是一门重要的形态学科，教学上对形象化要求很高。CAI 能解决 解剖学教学中内容抽象、复杂，实验标本少，易损坏，标本缺乏整体观等方 面的不足。CAI 的应用调动了学生的多器官学习，使其学习效率得以提高 [8]。应用 CAI，将静态的传统教学变为动态直观教学，通过提供交互式的学 习环境，而优化教学环境，充分发挥学生学习解剖学的主动性、积极性和创 造性，为解剖学教师提供了形象的丰富多彩的表达方式，从而利于解剖教学 中的重点和难点突破，提高教学质量[9-10]。 2 在医学形态学科实验教学中的应用 医学基础课程中有许多形态学科需用光学显微镜观察，如组织学、病理 学、微生物学等。通过光学显微镜观察微细结构，要求学生掌握人体 IE 常组 织结构，病理状态的改变，病原体形态特征。这些实验内容繁多，结构微细， 肉眼看不到、摸不着，学生在理论学习中感到十分抽象，难以理解，教师教 学时也费时费力。通过实验课形象化的教学，可使学生加强理解，深化记忆。 但在实验教学中，受到条件限制，形象化一直是一个难点。传统的实验教学， 教师利用挂图、幻灯等教具进行讲解，往往在图形上显得生硬、呆板，与学 生镜下观察的切片不完全一致，产生两像分离，教学指导性差，使得大多 数 学生在学习中存在着一定的障碍，往往在显微镜下找不到需要观察的东西， 几乎都需要在教师的帮助下才能准确地找到结构。学生实验效率不高，花费 很多时间，常常为不能观察到典型结构而感叹——理论与实际相差太远 [11]。将 CAI 引入实验教学，学生在彩色电视机中观察到的图像，均取景于