提 要 目的：利用人工神经网络模型BP算法的多层前馈网络模型原理，建立用于肺癌诊断的神经网络模型。方法：利用人工神经网络的函数逼近功能模型，建立输入到输出的函数映射关系。结果：该模型可较好地反映系统的动态性和数据的时序关联性。对肺癌诊断数据的应用结果显示肺癌病人的正确检出率为96.2%，误诊率为3.8%；非肺癌病人的正确检出率为88%，误诊率为12%。结论：基于人工神经网络的肺癌诊断方法具有较高的准确性。
肺癌的诊断问题各国医学界已作了一些研究，并取得了某些实际的成果。但是，由于肺癌的多种类型以及多种相关因素，使得现有的诊断在准确性和实用性方面都存在着相当的局限性，如建模复杂困难。由于对影响罹病与否的各种因子的作用机制了解得不是很清楚，如何建立诊断模型，以及如何确定新建立的模型在何种程度上与实际情况相吻合还是一个问题；容错能力不强，适用范围不广；依赖于某个病例库新建立起来的医学模型往往具有很强的局限性，用于新的病例库时误差有时较大。另外，由于医学方面的原因，我们收集到的数据有时不完整，而现有的研究方法所建立起的医学模型由于容错性差，对这些不完整的数据通常都难以处理。以非线性大规模并行分布处理为特点的人工神经网络理论突破了传统的线性处理模式，以其高度的并行性，良好的容错性和自适应能力成为人们研究其赖以生存的非线性世界，探索和研究某些复杂大系统的有力工具。
原理与方法
神经网络是一个具有高度非线性的超大规模连续时间动力系统。是由大量的处理单元(神经元)广泛互连而形成的网络。它是在现代神经科学研究成果的基础上提出的，反映了脑功能的基本特征。但它并不是人脑的真实描写，而只是它的某种抽象、简化与模拟。网络的信息处理由神经元之间的相互作用来实现；知识与信息的存储表现为网络元件互连间分布式的物理联系；网络的学习和计算决定于各神经元连接权系的动态演化过程。因此神经元构成了网络的基本运算单元。每个神经元具有自己的阈值。每个神经元的输入信号是所有与其相连的神经元的输出信号和加权后的和。而输出信号是其净输入信号的非线性函数。如果输入信号的加权集合高于其阈值，该神经元便被激活而输出相应的值。在人工神经网络中所存储的是单元之间连接的加权值阵列。
神经网络的工作过程主要由两个阶段组成，一个阶段是工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳定状态。另一阶段是学习期(自适应期，或设计期)，此时各计算单元状态不变，各连接权值可修改(通过学习样本或其他方法)，前一阶段较快，各单元的状态亦称短期记忆(STM)，后一阶段慢的多，权及连接方式亦称长期记忆(LTM)〔1〕。
根据网络的拓扑结构和学习规则可将人工神经网络分为多种类型，如不含反馈的前向神经网络、层内有相互结合的前向网络、反馈网络、相互结合型网络等〔2〕。本文的人工神经网络模型是采用BP算法的多层前馈网络。
该模型的特点是信号由输入层单向传递到输出层，同一层神经元之间互不传递信息，每个神经元与邻近层所有神经元相连，连接权用Wij表示。各神经元的作用函数为Sigmoid函数，设神经网络输入层的p个节点，输出层有q个节点，k-1层的任意节点用l表示，k层的任意节点用j表示，k 1层的任意节点用l表示。Wij为k-1层的第i个神经元与k层的第j个神经元相连接的权值。k-1层的节点i输出为O(k-1)i，k层节点j的输出为：
k层节点j的输出为：
Okj=f(netkj)
设训练样本为(X，Ye),X为p维向量，加到输入层；Ye为q维向量，对应于期望输出；网络的实际输出Y也是q维向量。网络在接受样本对的训练过程中，采用BP算法，其权值调整量为：
ΔWij=-ηδkjO(k-1)i
其中，对于输出层为：
δkj=yj(1-yj)(yej-yj)
对于非输出层为：
η为训练步长，取0＜η＜1。
用样本集合反复训练网络，并不断修改权值，直到使实际输出向量达到要求，训练过程结束〔3〕。