您正在浏览的医药卫生论文是探析BP神经网络在生存分析中的应用
摘要：目的 探讨BP神经网络在生存分析中的应用。 方法 通过贲门癌预后的实例说明神经网络的连续时间模型与离散时间模型的使用。结果 所建立的神经网络生存分析模型有较好的预测能力。 结论 神经网络在生存分析中有很大的灵活性，在模型中可以容纳非线性效应，协变量的效应可以随时间而变化，不要求满足PH假定，有较广泛的应用前景。
关键词： BP神经网络;生存分析;贲门癌
生存分析(survival analysis)起源于19世纪对寿命表的分析，目前已广泛应用到临床研究中，可以处理含有删失值的数据，可以同时考虑事件发生的结局及发生结局的时间。目前处理生存资料的方法有参数模型、非参数模型及半参数模型。参数模型对生存时间的分布要求非常严格，医学资料中很少能满足;生存分析中传统的回归模型，例如：Cox比例风险模型、加速失效时间模型也要求模型满足一定的假设前提，而实际数据往往难以满足这些假设。神经网络近年来受到普遍的关注，在医学领域中的应用主要预测与分类，与传统回归模型不同，它可以克服这些缺点，在模型中可以容纳非线性效应，交互效应、协变量的效应可以随时间变化。目前国内研究神经网络在生存分析中的应用尚较少，本文拟探讨几种不同的神经网络生存模型在贲门癌预后中的应用。
1 方法
BP神经网络是目前应用最多的神经网络，一般由一个输入层(input layer)、一个输出层(output layer)、一个或几个中间层(隐层)组成，每一层可包含一个或多个神经元，其中每一层的每个神经元和前一层相连接，同一层之间没有连接。输入层神经元传递输入信息到第一隐层或直接传到输出层，隐层的神经元对输入层的信息加权求和，加一个常数后，经传递函数运算后传到下一个隐层(或输出层)，常用的传递函数是logistic函数，即φh=1/(1+exp (-z))，输出层神经元对前一层的输入信息加权求和经传递函数φ0(线性或logistic函数或门限函数)运算后输出，例如：如果输入为xi，对于含一个隐层的神经网络可以得到：
g(xi,θ)=φ0(αk+∑i≠kwikxi+∑jwjkφh(αj+∑iwijxi))(1)
