模式识别方法及三组常规检测参数与游离T4水平的相关性协助Graves甲亢的诊断：扩展至男性患者
摘要
介绍
方法
我们使用的第一种方法是由Kohonen设计的自组织神经网络[11]。这种网络在聚类能力和数据分布可视化方面表现出众，还能够生成自组织映射（SOM）。其算法简单且具有普遍适用性[12,13]，同时被认为具有高度的可靠性。如果根据确诊个体的样本生成的自组织映射显示出反映这些诊断结果的聚类情况，我们就能够通过根据常规检测数据确定未知诊断个体在自组织映射上的投影位置，来预测哪些患者患有格雷夫斯甲亢。此外，通过分析每个参数在组件平面内的数据特征，有可能筛选出对诊断有用的参数[4,5]。在设定好要排列在二维平面上的神经元数量、高斯邻域函数的邻域半径、学习系数和学习频率后，就可以计算这些映射。我们使用了Kohonen团队开发的SOM_PAK软件包[14]，并为其添加了计算自组织映射的功能。
我们使用的第二种方法是由Mackey和Neal开发的贝叶斯正则化神经网络（BRNN）。BRNN是一种多层神经网络，但它扩展纳入了贝叶斯概率框架来处理模型参数，以避免传统最大似然法中出现的过拟合等缺陷[15,16]。常规检测参数被分配到输入层的每个神经元。输出层的两个神经元分别给出甲亢患者和健康个体的分类率。 BRNN的训练是通过贝叶斯方法利用已知样本的诊断结果进行的。只有当计算条件不同但结果一致时，我们才将测试样本诊断为甲亢患者。我们使用了Neal开发的“灵活贝叶斯建模软件”包来进行BRNN相关操作[17]。‘‘Software for Flexible Bayesian Modeling’’ packag