基于人工神经网络的卵巢早衰预测模型研究
Chinese General Practice(2017)
摘要
目的 建立基于人工神经网络(ANN)的卵巢早衰(POF)预测模型——多层向前神经网络模型,以期提高POF临床诊断总符合率.方法 2011年1-3月选取武汉市白玉山街所管辖的6个社区内符合纳入标准的妇女341例为研究对象.2011年5月-2016年6月,每隔4个月对研究对象进行1次来院随访,随访至其40岁.随访过程中2例研究对象行子宫切除术,2例服用性激素治疗,失访21例,均予以剔除,最终共纳入316例研究对象.采用无偏随机化分配法将316例研究对象分为训练样本(177例)、检验样本(44例)和坚持样本(95例).设置输入参数为A型行为、腮腺炎病史、妇科手术史、使用促排卵药物史、婚育史、卵泡刺激素(FSH)、FSH/黄体生成素(LH)、抗苗勒管激素(AMH)、抑制素B(INHB)、窦状卵泡数(AFC)、收缩期峰流速(PSV)、阻力指数(RI);输出参数为"是否发生POF".通过训练样本进行模型构建,检验样本对模型进行校正,坚持样本对模型进行稳定性检测.结果 ANN经过剔除"冗余"后,自动构建出输入单元(12个)、单隐层(6个节点)和激活函数(hyperbolic tangent)、输出单元(2个)和激活函数(softmax)的模型.训练样本的交叉熵误差值为53.236,在预测误差未减少时终止测试,训练时间为0.42 s.影响权重在前5位的输入参数分别为AMH(26.3%)、INHB(24.1%)、AFC(21.7%)、A型行为(7.2%)、妇科手术史(6.5%).多层向前神经网络模型预测训练样本、检验样本、坚持样本发生POF的灵敏度分别为97.8%、91.7%和92.0%,特异度分别为92.4%、84.4%和80.0%,总符合率分别为93.8%、86.4%和83.2%.在训练样本和检验样本的基础上,得到多层向前神经网络模型预测POF的受试者工作特征曲线下面积(AUC)为0.972.结论 基于ANN构建的POF预测模型——多层向前神经网络模型具有较高临床诊断总符合率,不仅为临床高效诊断及优化检查提供理论基础和方法支持,而且为实现早防早治提供机会,值得临床推广.
更多查看译文
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要