本申请涉及神经网络技术领域。尤其是涉及一种基于神经网络的肝癌辅助诊断系统、方法、设备和介质。
背景技术：
目前，医学上涉及原发性肝癌的诊断和治疗方法多种多样，它们的适用条件也较为复杂，这就造成了临床医师对于肝癌患者的病情评估较为困难，不同医疗机构所使用的治疗方法也各不相同。在临床工作过程中，一方面，面对病情复杂多变的肝癌患者，如何突破自身知识水平及临床经验的限制，为患者选择最合适的诊断和治疗方案，是临床医师一个亟待解决的难题。在肝癌诊治过程中，对于肝癌规范诊疗和交叉学科知识的掌握，往往影响着原发性肝癌患者的综合治疗效果；另一方面，临床医生的工作压力大，很少有时间去学习了解更新的医学成果，导致最新的医学研究在临床中的普及效果不是很好。
在目前所出现的各类系统中，尚无涉及原发性肝癌智能决策的医学专家系统。既往很多系统只是停留在设计开发或试验阶段，并不能真正解决临床医师的实际问题，其进一步应用受到限制。专家系统一直是人工智能中最为活跃的一个分支，但是由于下述问题不能得到有效的解决，制约了它的进一步发展：
1)知识获取的“瓶颈”同题，知识获取是专家系统建造中的一个瓶颈问题，这不仅影响到专家系统开发的速度，而且直接影响到知识的质量以及专家系统的功能和性能。
2)知识的“窄台阶”问题。目前专家系统只能应用于相当窄的知识领域内，求解预定的专门问题，一旦遇到超出知识范围的问题，就无法解决。
3)专家系统的复杂性与效率问题。目前在专家系统中广泛应用的知识表示法有产生式规则、谓词逻辑、语义网络、框架和面向对象方法等，虽然它们的结构和组织管理不同，但都要求把知识加工处理，转换成计算机可存储的形式存入知识库，推理时再按照一定的匹配算法和搜索策略到知识库中寻找所需的知识。这种表示和处理方式一方面需要对知识进行合理的组织与管理，另一方面知识库规模的增大、求解同题的复杂度提高以及推理时“冲突”现象的出现，导致组合爆炸，在有限的时问内不能求解同题，严重影响专家系统的效率。
4)不具有联想记忆功能.目前研制的专家系统一般不具备自学习能力和联想记忆功能，不能在运行过程中自我完善，不能通过联想和记忆等方式进行推理.甚至在已知信息带有噪声、发生畸变时，缺乏有效的处理措施。。
技术实现要素：
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于神经网络的肝癌辅助诊断系统、方法、设备和介质，用于解决现有技术中的问题。
为实现上述目的及其他相关目的，本申请提供一种基于神经网络的肝癌辅助诊断系统，所述系统包括：专家数据库，用于存储医学知识，并基于神经网络的学习算法将所述医学知识对应的显式规则转换为包含连接权值的隐式规则；知识库，用于存储并依据所述隐式规则针对不同病情提供相应的治疗方案。
于本申请的一实施例中，所述医学知识包括：专家经验、病例、临床记录、医学诊疗规范、医学诊疗指南、基础/通用医学知识、医学期刊、医学论文、医学报道、及治疗方案中任意一种或多种组合。
于本申请的一实施例中，所述基于神经网络的学习算法将所述医学知识的显式规则转换为隐式规则的功能具体包括：依据所述医学知识对应的显式规则梳理出一或多组病例对应的不同症状、疾病、及治疗方案之间的初步关联关系；由神经网络通过输入与期望输出的训练得到对应的不同症状信息、疾病信息、及治疗方案之间关联关系的连接权值，并据以形成隐式规则。
于本申请的一实施例中，所述由神经网络通过输入与期望输出的训练具体包括：基于一或多组病通过误差反向传播算法进行训练。
于本申请的一实施例中，所述知识库包括：检测指导子系统，用于收集患者就诊意向、及基本信息，以供确定检查方案；病情评估子系统，用于依据对应所述检查方案的检查结果以确定病症信息，并依据所述隐式规则评估出对应的疾病信息；方案选择子系统，用于依据所述隐式规则提供所述疾病信息对应的治疗方案。
于本申请的一实施例中，所述检查方案包括：血尿便常规、生化全项、凝血功能、甲胎蛋白定量、肿瘤标志物、乙型肝炎系列、hbv-dna定量、丙肝抗体、hcv-mrna定量、彩色超声、超声造影、增强ct扫描、增强核磁共振、胸部x-ray、pet-ct、ect骨扫描、肝动脉造影(dsa)、心电图、超声心动图、肺功能检查、穿刺病理活检、分子类检测、吲哚青绿排泄实验、肝脏体积测定、及其他疾病检查中任意一种或多种组合。
于本申请的一实施例中，所述病情评估子系统包括：病程解析器、及疾病分期推力器。
于本申请的一实施例中，所述疾病分期推力器中分期流程包括：肝功能child分级、ps评分、肿瘤状态、有无血管侵犯、有无远处转移、肿瘤数目、肿瘤大小、胆红素水平、有无门脉高压中任意一种或多种组合。
于本申请的一实施例中，所述治疗方案包括：手术切除、tace、放疗、支持对症治疗、局部消融、肝移植、分子靶向治疗、及系统化疗中任意一种或多种组合；所述治疗方案作为所述医学知识存储于所述专家数据库中。
于本申请的一实施例中，所述系统还包括：推理机，用于针对近似病情将所述知识库提供的治疗方案与实例病例中的治疗方案对比分析，以得到分析结果。
于本申请的一实施例中，所述分析结果用于更新所述知识库或所述专利数据库中对应所述隐式规则的连接权值；和/或，所述分析结果用于解释所述治疗方案。。
为实现上述目的及其他相关目的，本申请提供一种基于神经网络的肝癌辅助诊断方法，所述方法包括：存储医学知识，并基于神经网络的学习算法将所述医学知识对应的显式规则转换为包含连接权值的隐式规则；依据所述隐式规则针对不同病情提供相应的治疗方案。
于本申请的一实施例中，所述医学知识包括：专家经验、病例、临床记录、医学诊疗规范、医学诊疗指南、基础/通用医学知识、医学期刊、医学论文、及医学报道中任意一种或多种组合。
于本申请的一实施例中，所述基于神经网络的学习算法将所述医学知识的显式规则转换为隐式规则的方法包括：依据所述医学知识对应的显式规则梳理出一或多组病例对应的不同症状、疾病、及治疗方案之间的初步关联关系；由神经网络通过输入与期望输出的训练得到对应的不同症状信息、疾病信息、及治疗方案之间关联关系的连接权值，并据以形成隐式规则。
于本申请的一实施例中，所述由神经网络通过输入与期望输出的训练方法具体包括：基于一或多组病通过误差反向传播算法进行训练。
于本申请的一实施例中，所述依据所述隐式规则针对不同病情提供相应的治疗方案的方法包括：收集患者就诊意向、及基本信息，以供确定检查方案；依据对应所述检查方案的检查结果以确定病症信息，并依据所述隐式规则评估出对应的疾病信息；依据所述隐式规则提供所述疾病信息对应的治疗方案。
于本申请的一实施例中，所述检查方案包括：血尿便常规、生化全项、凝血功能、甲胎蛋白定量、肿瘤标志物、乙型肝炎系列、hbv-dna定量、丙肝抗体、hcv-mrna定量、彩色超声、超声造影、增强ct扫描、增强核磁共振、胸部x-ray、pet-ct、ect骨扫描、肝动脉造影(dsa)、心电图、超声心动图、肺功能检查、穿刺病理活检、分子类检测、吲哚青绿排泄实验、肝脏体积测定、及其他疾病检查中任意一种或多种组合。
于本申请的一实施例中，所述依据对应所述检查方案的检查结果以确定病症信息，并依据所述隐式规则评估出对应的疾病信息的方法包括：通过病程解析器、及疾病分期推力器完成。
于本申请的一实施例中，所述疾病分期推力器中分期流程包括：肝功能child分级、ps评分、肿瘤状态、有无血管侵犯、有无远处转移、肿瘤数目、肿瘤大小、胆红素水平、有无门脉高压中任意一种或多种组合。
于本申请的一实施例中，所述治疗方案包括：手术切除、tace、放疗、支持对症治疗、局部消融、肝移植、分子靶向治疗、及系统化疗中任意一种或多种组合；所述治疗方案作为所述医学知识以进行存储。
于本申请的一实施例中，所述方法还包括：针对近似病情将所述知识库提供的治疗方案与实例样本中的治疗方案对比分析，以得到分析结果。
于本申请的一实施例中，所述分析结果用于更新所述知识库或所述专利数据库中对应所述隐式规则的连接权值；和/或，所述分析结果用于解释所述治疗方案。
为实现上述目的及其他相关目的，本申请提供一种基于神经网络的肝癌辅助诊断设备，所述设备包括：存储器及处理器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行时实现如上所述的基于神经网络的肝癌辅助诊断方法。
为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于神经网络的肝癌辅助诊断方法。
如上所述，本申请的一种基于神经网络的肝癌辅助诊断系统、方法、设备和介质，通过存储医学知识，并基于神经网络的学习算法将所述医学知识对应的显式规则转换为包含连接权值的隐式规则；依据所述隐式规则针对不同病情提供相应的治疗方案。
具有以下有益效果：
能够简单高效地提高肝癌诊断，并且保证诊断的可靠性，并且有效解决了医生因肝癌规范诊疗和交叉学科知识的掌握不够充分与及时，而在肝癌诊断过程中带来的限制，大大提高了系统自学习能力，并在运行过程中不断自我完善。
附图说明
图1显示为本申请于一实施例中的基于神经网络的肝癌辅助诊断系统的模块示意图。
图2显示为本申请于一实施例中的检测指导子系统的检查指导的流程示意图。
图3显示为本申请于一实施例中的病情评估子系统中肝癌诊断分期的流程示意图。
图4显示为本申请于一实施例中的方案选择子系统中诊疗决策的流程示意图。
图5显示为本申请于一实施例中的知识库中神经网络的流程示意图。
图6显示为本申请于一实施例中的基于神经网络的肝癌辅助诊断方法的流程示意图。
图7显示为本申请于一实施例中的基于神经网络的肝癌辅助诊断设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
医学上涉及原发性肝癌的诊断和治疗方法多种多样，它们的适用条件也较为复杂，这就造成了临床医师对于肝癌患者的病情评估较为困难，不同医疗机构所使用的治疗方法也各不相同。在临床工作过程中，一方面，面对病情复杂多变的肝癌患者，如何突破自身知识水平及临床经验的限制，为患者选择最合适的诊断和治疗方案，是临床医师一个亟待解决的难题。在肝癌诊治过程中，对于肝癌规范诊疗和交叉学科知识的掌握，往往影响着原发性肝癌患者的综合治疗效果；另一方面，临床医生的工作压力大，很少有时间去学习了解更新的医学成果，导致最新的医学研究在临床中的普及效果不是很好。
鉴于上述种种技术问题，本申请提供的基于神经网络的肝癌辅助诊断系统、方法、设备和介质，来有效解决这些难题。本申请的主要思想旨在提供基于神经网络的学习算法将所述医学知识对应的显式规则转换为包含连接权值的隐式规则，并依据所述隐式规则针对不同病情提供相应的治疗方案。
如图1所示，展示为本申请于一实施例中的基于神经网络的肝癌辅助诊断系统的模块示意图。如图所示，所述系统100包括：专家数据库110、知识库120。
专家数据库110
所述专家数据库110，用于存储医学知识，并基于神经网络的学习算法将所述医学知识对应的显式规则转换为包含连接权值的隐式规则。
于本申请的一实施例中，所述医学知识包括：专家经验、病例、临床记录、医学诊疗规范、医学诊疗指南、基础/通用医学知识、医学期刊、医学论文、医学报道、及治疗方案中任意一种或多种组合。
需要说明的是，所述医学知识包括但不局限于上述所提到的内容，凡对诊断治疗(优选为肝癌诊断治疗)有帮助或可借鉴的医学知识均涵盖于本发明所阐述的思想范围内，如专家讲座内容，医学学术交流，学术论文留言，以及各种医学知识的领域范围，规则界定等等。获取并存储上述医学知识数据以作为本系统分析导向的基础数据库。
于本实施例中，所述医学知识对应的显式规则可以理解为书面或理论上关于病情检查、病情分析、及治疗方案的判断所遵循的依据或逻辑。而隐式规则主要是指，可由计算机识别或读取的关于病情检查、病情分析、及治疗方案的判断所遵循的依据或逻辑(即也指代及其语言或代码)。
举例来说，医生根据所学知识及临床经验，根据患者的病情描述、以及仪器检查结果，可以初步判断患者的疾病情况，再依据所学知识及临床经验给出可靠的治疗方案，这里所说的所学知识及临床经验则可以理解为医学知识。
需要强调的是，医生在越来越繁重的工作压力下，很少有时间去学习了解更新的医学成果，而且在肝癌诊治过程中，对于肝癌规范诊疗和交叉学科知识的掌握也不够充分和及时，因此，如何突破医生的自身知识水平及临床经验成为了肝癌诊治的一个亟待解决的难题。
本申请将庞杂的医学知识数据作为基础数据源，通过神经网络学习算法将医生需要学习的关于病情检查、病情分析、及治疗方案的判断所遵循的依据或逻辑，转换为机器可识别或读取的依据或逻辑，以此，代替医生充分并及时的掌握肝癌规范诊疗和交叉学科知识等医学知识。
于本申请的一实施例中，所述基于神经网络的学习算法将所述医学知识的显式规则转换为隐式规则的功能具体包括：
a、依据所述医学知识对应的显式规则梳理出一或多组病例对应的不同症状、疾病、及治疗方案之间的初步关联关系。
于本实施例中，依据庞杂、门类繁多的医学知识为基础，由出成千上万组病例不断梳理出不同症状、疾病、及治疗方案之间的初步关联关系。这里可以将多种病例作为训练库以通过神经网络进行初步训练，后期，则根据不断输入的实际案例或诊断规范加以完善。
举例来说，由临床案例或基础专业医学知识，则可大致依据血尿便常规、肿瘤标志物、肺功能检查、肝脏体积测定、丙肝抗体等检查结果推论出对应患者可能得的疾病，如肝动能损伤、肝硬化、肝积水、肝癌等。然后再可以根据具体病情情况，如肝癌早期或晚期等程度推导出较可靠的治疗方法或方案。
b、由神经网络通过输入与期望输出的训练得到对应的不同症状信息、疾病信息、及治疗方案之间关联关系的连接权值，并据以形成隐式规则。
简单来说，所述医学知识对应的显式规则转换为隐式规则，需要神经网络不断的练习或训练输入与输出，即输入一或多个症状信息，希望能够得到我想要的疾病判断结果，当未出现期望输出结果时，那么就修改判断该症状信息所遵循的依据或逻辑对应的相关阈值或参数，直至得到期望输出结果。
于本申请的一实施例中，所述由神经网络通过输入与期望输出的训练具体包括：基于一或多组病通过误差反向传播算法进行训练。
于本实施例中，所述误差反向传播算法即为bp算法
具体来说，所述误差反向传播算法，在信号反向传播时，将输出误差(期望输出与实际输出之差)按原通路反传计算，通过隐层反向，直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将其作为修正各单元权值的根据。这一计算过程使用梯度下降法完成，在不停地调整各层神经元的权值和阈值后，使误差信号减小到最低限度。
权值和阈值不断调整的过程，就是网络的学习与训练过程，经过信号正向传播与误差反向传播，权值和阈值的调整反复进行，一直进行到预先设定的学习训练次数，或输出误差减小到允许的程度。
于本实施例中，通过步骤b的训练，可以得到连接权值以及相应阈值，并基于此可较可靠的使机器识别或读取对应的不同症状信息、疾病信息、及治疗方案之间所遵循的逻辑关系。
于本实施例中，随着系统的不断使用，当有新实例输入后，通过知识库和神经网络对新实例的学习，自动获得新的连接权值分布，从而更新了知识库和新的专家数据库。
知识库120
所述知识库120，用于存储并依据所述隐式规则针对不同病情提供相应的治疗方案。
简单来说，在形成可以判断不同症状信息、疾病信息、及治疗方案之间所遵循的逻辑关系的连接权值后，则可以根据症状输入得到期望的诊治方案输出。
于本申请的一实施例中，所述治疗方案包括：手术切除、tace、放疗、支持对症治疗、局部消融、肝移植、分子靶向治疗、及系统化疗中任意一种或多种组合；所述治疗方案作为所述医学知识存储于所述专家数据库中。
于本申请的一实施例中，所述知识库120包括：检测指导子系统121、病情评估子系统122、及方案选择子系统123。
于本实施例中，本申请所述知识库120的3个子系统均是以我国最新的《原发性肝癌诊疗规范2017版》为参考指南。以及本申请也参考了如日本，美国等其他国家比较新的肝癌诊疗指南。
检测指导子系统121
所述检测指导子系统121，用于收集患者就诊意向、及基本信息，以供确定检查方案。
于本实施例中，所述检测指导子系统121用于在初步收集患者就诊意向、基本信息后，辅助临床医师确定相应检查项目，以进一步明确肝癌诊断。通过患者的就诊意向、及基本信息可以初步判断身体什么地方具体出现问题，也相应地可以判断哪些地方需要进一步检查。这些信息可以由医生手动输入，如，胸腔疼，呼吸困难，或者根据以往病例快速提取可能出现问题的部位。
于本申请的一实施例中，所述检查方案包括：血尿便常规、生化全项、凝血功能、甲胎蛋白定量、肿瘤标志物、乙型肝炎系列、hbv-dna定量、丙肝抗体、hcv-mrna定量、彩色超声、超声造影、增强ct扫描、增强核磁共振、胸部x-ray、pet-ct、ect骨扫描、肝动脉造影(dsa)、心电图、超声心动图、肺功能检查、穿刺病理活检、分子类检测、吲哚青绿排泄实验、肝脏体积测定、及其他疾病检查中任意一种或多种组合。
需要说明的是，所述检查方案包括但不局限于上述所提到的内容，凡属于确定病症(优选为肝癌诊断治疗)所需要的检查范围均涵盖于本发明所阐述的思想范围内。
举例来说，根据患者的就诊目的和患病人群基本信息，分为健康人群筛查、肝癌治疗前检查、可疑肝脏肿瘤确诊三类，在根据三类人群再细分以得到不同的检查方案。具体来说，对应所述检测指导子系统121的检查指导的流程示意图可参见图2。如图所示，所述检测指导子系统121根据用户输入，按图2分析病情后输出对应的检查方案。其中，c1-c4分别为四种决策条件，c1：就医情景；c2：患者的具体症状和体征；c3：肿瘤大小类型；c4：其他疾病情况。g1-g11为11种检查方案。具体来说，根据患者就诊意向、及基本信息再细分得出如下表1肝癌检查指导表。表中罗列了g1-g11共11种检查方案。
表1肝癌检测方案表
病情评估子系统122
所述病情评估子系统122，用于依据对应所述检查方案的检查结果以确定病症信息，并依据所述隐式规则评估出对应的疾病信息。
于本实施例中，所述病情评估子系统122用于患者完成临床检查之后，辅助临床医师对患者病情进行评估，为选择治疗方案打好基础。所述病情评估子系统122主要分为病程解析器和疾病分期推力器。将根据采集到各种临床证据对其病情进一步评估，明确肝癌分期。
于本申请的一实施例中，所述病情评估子系统包括：病程解析器、及疾病分期推力器。
于本实施例中，病程解析器具体可以理解为包含连接权值的隐式规则模块。
于本申请的一实施例中，所述疾病分期推力器中分期流程包括：肝功能child分级、ps评分、肿瘤状态、有无血管侵犯、有无远处转移、肿瘤数目、肿瘤大小、胆红素水平、有无门脉高压中任意一种或多种组合。
如图3所示，展示为本实施例中的肝癌诊断分期的流程示意图。如图所示，展示了包括患者的临床分期在内的病情评估结果。所述病情评估子系统122可以帮助医生简化工作，更全面了解患者病情，避免遗漏，为医生选择治疗方案提供支持。
方案选择子系统123
所述方案选择子系统123，用于依据所述隐式规则提供所述疾病信息对应的治疗方案。
于本申请的一实施例中，所述治疗方案包括：手术切除、tace、放疗、支持对症治疗、局部消融、肝移植、分子靶向治疗、及系统化疗中任意一种或多种组合；所述治疗方案作为所述医学知识存储于所述专家数据库中。
于本实施例中，所述方案选择子系统123用于明确患者病情的基础上，协助临床医师选择最适合患者的治疗方案，是规范肝癌治疗的关键步骤。
举例来说，所述方案选择子系统123根据诊疗规范，按照图4所示的诊疗决策规则进行决策。
推理机130
参见图1所示，所述系统100还包括：推理机130，用于针对近似病情将所述知识库120提供的治疗方案与实例病例中的治疗方案对比分析，以得到分析结果。
于本申请的一实施例中，所述分析结果用于更新所述知识库120或所述专利数据库110中对应所述隐式规则的连接权值；和/或，所述分析结果用于解释所述治疗方案。
于本实施例中，推理机是基于神经网络的推理机制，是一种矩阵控制推理机macie(matrixcontrolledinferenceengine的缩写)。
于本实施例中，在分析出两种治疗方案存在的差异后，所述分析结果作为参考以修改或更新所述隐式规则的连接权值，即进一步不断修正完善本申请中神经网络训练的连接权值。另外，所述分析结果还可以用于解释所述知识库120给出的治疗方案。
本申请所述的基于神经网络的肝癌辅助诊断系统100具体将通过以下实施例进行进一步说明。
如图5所示，展示为知识库中神经网络的流程示意图。如图所示，其中，(x1,x2,...,x6)为症状输入；x7,x8为疾病中间节点；x9,x10,x11为治疗方案输出层节点；x12,x13,x14是附加层节点，是因学习算法的需要而增加的；ωij构成连接权值矩阵，在此矩阵中，当i≥j时，ωij＝0；当i<j并且节点i与j之间不存在连接弧时，ωij＝0；其余ωij为弧上标出的数据；特性函数为一离散型的阈值函数，其计算方式为：
其中，xj为节点j的输入加权和；x'j为节点j的输出。
此外，为了方便计算，公式中增加了w0jx0项，x0取常数1，x0＝1，w0j的值标在节点j的圆圈内，它实际上阈值的相反数，连接权值wij是一组病例通过误差反向传播算法(bp学习算法)训练得到的。由全体wij的值及各种症状、疾病和治疗方案构成的集合形成了疾病诊断专家系统的知识库。
此专家系统的推理是通过网络计算完成的。首先将用户所提供的初始症状x＝(x1，x2，...,x)6输入网络，通过计算可得患者的疾病y＝(x7，x8)以及针对疾病选择的治疗方案y＝(x9，x10，x11)。例如，某患者有症状x2和x3，对于症状x4，x5，x6无记录，那么得到症状输入向量x＝(1，-1，-1,0,0)，进行网格计算：
x7＝0×1+2×1+(-2)×(-1)+3×(-1)＝1＞0
x'7＝1
x7＝(-1)×1+0×3+0×3+3×(-1)＝4＜0
x'8＝-1
这样就可知道患者患有疾病x7,而未患有疾病x8。再进一步计算：
x9＝(-2)×1+2×1+2×(-1)+3×(-4)×0＝-2＜0
x'9＝-1
x10＝(-1)×1+1×1+(-4)×(-1)+3×(-1)＝1＞0
x'10＝1
x12＝2×1+(-4)×(-1)+5×1＝11＞0
x'12＝1
x13＝3×1+(-2)×(-1)+2×1＝7＞0
x'13＝1
x14＝0×1+(-1)×(-1)+(-3)×1＝-2＜0
x'12＝-1
x11＝3×1+(-3)×1+(-3)×(-1)+(-3)×1+1×1+(-1)×(-1)＝2＞0
x'11＝1
从而知道患者需要选择治疗方案x10和x11进行治疗，以供医生参考。
应理解以上系统的各个数据库(模块)的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，分类器模型训练模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上分类器模型训练模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsignalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
如图6所示，展示本申请一实施例中基于神经网络的肝癌辅助诊断方法的流程示意图。
在一些实施方式中，所述方法可应用于控制器，例如：arm控制器、fpga控制器、soc控制器、dsp控制器、或者mcu控制器等等。在一些实施方式中，所述方法也可应用于包括存储器、存储控制器、一个或多个处理单元(cpu)、外设接口、rf电路、音频电路、扬声器、麦克风、输入/输出(i/o)子系统、显示屏、其他输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(personaldigitalassistant，简称pda)等个人电脑。在另一些实施方式中，所述方法还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。
于本实施例中，所述方法包括：
步骤s601：存储医学知识，并基于神经网络的学习算法将所述医学知识对应的显式规则转换为包含连接权值的隐式规则。
步骤s602：依据所述隐式规则针对不同病情提供相应的治疗方案。
需要说明的是，本实施例的基于神经网络的肝癌辅助诊断方法的实施方式，与上文中基于神经网络的肝癌辅助诊断系统的实施方式类似，故不再赘述。
如图7所示，展示本申请一实施例中基于神经网络的肝癌辅助诊断设备的结构示意图。所述设备700包括：存储器701及处理器702，所述存储器701存储有计算机程序，所述处理器702用于执行所述存储器701存储的计算机程序，以使所述设备700执行时实现如图6所述的基于神经网络的肝癌辅助诊断方法。
所述存储器701可能包含随机存取存储器(randomaccessmemory，简称ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
所述处理器702可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图6所述的基于神经网络的肝癌辅助诊断方法。
所述计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请的一种基于神经网络的肝癌辅助诊断系统、方法、设备和介质，通过存储医学知识，并基于神经网络的学习算法将所述医学知识对应的显式规则转换为包含连接权值的隐式规则；依据所述隐式规则针对不同病情提供相应的治疗方案。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。