作者：吴妍; 姚蕾; 盛文丽; 刘明娟原发性卵巢功能不全卵巢功能早衰预测
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（hyperbolictangent）、输出单元（2个）和激活函数（so,max）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0．42S。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
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
