中樞神經(jīng)系統(tǒng)CT影像診斷專家系統(tǒng)的設(shè)計與實現(xiàn)

王心濤+齊效君+方向明+等

【摘要】 目的：探討專家系統(tǒng)在輔助中樞神經(jīng)系統(tǒng)疾病的CT影像診斷中的價值。方法：根據(jù)影像診斷觀察習慣，選取20個指標，建立中樞神經(jīng)系統(tǒng)影像診斷知識庫，并根據(jù)公認的發(fā)生概率設(shè)置各征象的初始值。采用VFP9.0數(shù)據(jù)庫語言編程。選取三甲醫(yī)院有完整臨床和影像學資料并經(jīng)病理證實的術(shù)前誤診病例共173例，分別由兩名三甲醫(yī)院副主任醫(yī)師（第一組）共同閱片，根據(jù)經(jīng)驗進行討論并達成一致，作出診斷；由一名副主任醫(yī)師（第二組）和一名住院醫(yī)師（第三組）分別將上述病例的相關(guān)信息輸入專家系統(tǒng)，記錄所得結(jié)果。各組間閱片結(jié)果采用 字2檢驗。結(jié)果：第一組診斷準確率為37.57%（65/173），第二組診斷準確率為63.01%（109/173），第三組診斷準確率為46.89%（81/173）。經(jīng)統(tǒng)計學處理表明，第二組與另外兩組間差異有統(tǒng)計學意義（P<0.05）。第一組與第三組間差異無統(tǒng)計學意義（P>0.05）。結(jié)論：將專家系統(tǒng)融入中樞神經(jīng)系統(tǒng)CT影像診斷具有重要的實用價值。

【關(guān)鍵詞】 影像診斷； 專家系統(tǒng)； 中樞神經(jīng)系統(tǒng)

隨著信息技術(shù)和人工智能的不斷發(fā)展，專家系統(tǒng)在醫(yī)學領(lǐng)域的應用逐步推廣。但在中樞神經(jīng)系統(tǒng)的影像診斷方面，較完整的應用尚未見報道，現(xiàn)將筆者在這一方面做的一些嘗試介紹給大家，以供參考。

1 中樞神經(jīng)系統(tǒng)影像診斷專家系統(tǒng)的背景

專家系統(tǒng)的任務是應用人工智能日趨成熟的各種技術(shù)，將專家的知識和經(jīng)驗以適當?shù)男问酱嫒胗嬎銠C，利用類似專家的思維規(guī)則，對事例的原始數(shù)據(jù)進行邏輯或可能性的推理、演繹，并作出判斷和決策[1-2]。

醫(yī)療專家系統(tǒng)最早成功應用的實例，是1976年美國斯坦福大學肖特列夫（Shortliff）等[3]開發(fā)的醫(yī)學專家系統(tǒng)MYCIN，這個系統(tǒng)后來被視為“專家系統(tǒng)的設(shè)計規(guī)范”。此后的近四十年間，尤其是最近十多年，在網(wǎng)絡互連技術(shù)、數(shù)據(jù)庫技術(shù)、程序設(shè)計技術(shù)等信息處理技術(shù)的迅猛發(fā)展的推動下，專家系統(tǒng)技術(shù)的應用在廣度和深度上都到達了一個新的高度，診斷的準確性或特異性均較傳統(tǒng)診斷方法明顯提高[4-8]。

目前在醫(yī)學影像診斷領(lǐng)域內(nèi)，專家系統(tǒng)在肺部結(jié)節(jié)定性、乳腺癌診斷及骨齡測定、骨腫瘤診斷等方面取得了不同程度突破[9-13]。在中樞神經(jīng)系統(tǒng)領(lǐng)域內(nèi)，專家系統(tǒng)的研發(fā)還僅限于單病種或單個部位的應用，如：1999年，北京神經(jīng)外科研究所關(guān)于鞍區(qū)腫瘤的計算機輔助MR診斷研究[14]；2006年，上海交通大學進行了基于貝葉斯網(wǎng)絡的腦膠質(zhì)瘤惡性高低度的自動診斷方面的研究[15]；2010年，復旦大學進行了粗糙集、決策樹及回歸法對膠質(zhì)瘤分級的對比研究[16]；2012年，加拿大瑞爾森大學開發(fā)的基于DWI成像和磁共振波譜的小兒代謝性腦病計算機輔助診斷系統(tǒng)等[17]。

2 設(shè)計原理

專家系統(tǒng)是基于知識的系統(tǒng)。一個完整的醫(yī)學專家系統(tǒng)應由下列五個部分組成：數(shù)據(jù)庫、知識庫、推理機、解釋接口和知識獲取模塊。數(shù)據(jù)庫存放的是已確診病例的臨床和影像信息等數(shù)據(jù)集；知識庫是用來存儲已知的中樞神經(jīng)系統(tǒng)疾病各種診斷信息數(shù)據(jù)以及各種診斷信息的發(fā)病概率；推理機是專家系統(tǒng)的思維機構(gòu)，本質(zhì)是一組程序，用來控制和協(xié)調(diào)整個系統(tǒng)，它通過輸入的數(shù)據(jù)，利用知識庫的原有知識按一定的推理策略解決所提出的問題；解釋接口是用戶與專家系統(tǒng)交互的環(huán)節(jié)，負責對推理給出必要的解釋，便于用戶了解推理過程，為用戶向系統(tǒng)學習提供方便；人機接口主要用來完成輸入輸出工作；學習系統(tǒng)就是知識獲取模塊，它為修改和擴充知識庫存的原有知識提供相應的手段，隨著醫(yī)學的不斷發(fā)展和人類對疾病認識的不斷深入，結(jié)合實踐過程中總結(jié)出的經(jīng)驗和教訓，程序設(shè)計者與臨床醫(yī)師間進行交流后可以通過學習系統(tǒng)來完成顱內(nèi)疾病知識的完善和規(guī)則的修訂，并輸入知識庫中。

當系統(tǒng)診斷一個疑似患者時，就可以將該患者的臨床癥狀和影像信息通過人機接口輸入計算機，推理機將這些資料與知識庫當中的規(guī)則進行比對、匹配。處理的結(jié)果通過屏幕或打印系統(tǒng)提供給用戶。

2.1 知識庫的建立 系統(tǒng)各相關(guān)指標的設(shè)置是根據(jù)日常工作中，影像診斷醫(yī)師的常規(guī)觀察習慣，并結(jié)合各種CT征象在診斷中的權(quán)重來選取。主要有：發(fā)病部位（額葉、顳葉、頂葉、枕葉、小腦半球、腦干、基底節(jié)區(qū)、鞍區(qū)、橋小腦腳區(qū)、松果體區(qū)、側(cè)腦室、三腦室、四腦室、腦膜、脊髓、顱骨以及跨多部位等）、病灶形態(tài)（圓形、類圓形、不規(guī)則形）、占位效應（有、沒有）、平掃時病灶的密度（等密度、低密度、高密度和混合密度）、是否有鈣化（沒有、斑點狀、條片狀、完全鈣化）、囊變、壞死（沒有、小囊、大囊、多囊）、水腫（沒有、輕度、中度、重度）、腦積水（沒有、有）、強化程度（沒有、輕度、明顯）以及強化的特征（均勻、不均勻、厚環(huán)形、薄環(huán)形、開環(huán)形、壁結(jié)節(jié)強化等）、病灶境界（清楚、模糊）、病灶數(shù)量（單發(fā)，多發(fā)）等十二個CT征象，以及發(fā)病年齡、發(fā)熱、智力障礙、功能障礙、外傷史、疫區(qū)生活史等臨床指標信息，并建立每項影像特征的標準化選項。

根據(jù)各指標分別建立信息庫，信息庫包括每種疾病各指標的屬性值及發(fā)生概率。各指標發(fā)生概率的系統(tǒng)初始值以目前學術(shù)界公認的概率為標準設(shè)置。在系統(tǒng)開始使用后，隨著每一條隨訪記錄的錄入，系統(tǒng)通過后臺的維護模塊將自動調(diào)整各指標的發(fā)生概率。

2.2 程序編寫 中樞神經(jīng)系統(tǒng)影像診斷專家系統(tǒng)編程開發(fā)語言為VFP9.0，數(shù)據(jù)庫管理系統(tǒng)軟件為VFP9.0，操作系統(tǒng)為Windows。系統(tǒng)采用采用VFP9.0數(shù)據(jù)庫和SQL技術(shù)。為了確保信息采集的準確性，系統(tǒng)采用下拉式選項框方式進行信息采集。按照影像專家日常分析圖像的習慣，分步驟采集患者各種影像及臨床信息。通過SQL技術(shù)獲取符合上述特征的候選疾病，通過各參數(shù)在相關(guān)疾病的發(fā)病概率計算，得出可能的疾病，再結(jié)合關(guān)鍵性信息，得出最終的診斷結(jié)果，供影像診斷醫(yī)師參考，見圖1～2。

2.3 準確性驗證 采用三甲醫(yī)院有完整臨床和影像學資料并經(jīng)病理證實的術(shù)前誤診病例共173例，包括腫瘤、感染、中毒、外傷、血管、先天性、變性、代謝、脫髓鞘、遺傳性病變等十大類疾病。測試方法：⑴由兩名三甲醫(yī)院副主任醫(yī)師（第一組）共同閱片，根據(jù)經(jīng)驗進行討論并達成一致，作出診斷；⑵由一名副主任醫(yī)師（第二組）和一名住院醫(yī)師（第三組）分別將上述病例的相關(guān)信息輸入專家系統(tǒng)，記錄所得結(jié)果。并分別對第一組與第二組，第二組與第三組進行準確率統(tǒng)計。endprint

2.4 統(tǒng)計學處理 采用SPSS 13.0軟件，對三組結(jié)果分別進行兩組間 字2檢驗，以P<0.05為組間差異具有統(tǒng)計學意義。

3 結(jié)果

4 討論

4.1 臨床應用價值 醫(yī)療診斷是一項典型的專家任務。醫(yī)學專家必須具有特定領(lǐng)域的知識和豐富的實踐經(jīng)驗。而要培養(yǎng)一個醫(yī)學專家既需要時間，又花費巨大。因此，開發(fā)特定應用的計算機輔助醫(yī)療專家系統(tǒng)就成為生物醫(yī)學工程領(lǐng)域的一個熱點課題。

醫(yī)療專家系統(tǒng)有許多吸引人的特征，如不像人類專家那樣會遺忘或退休，專家知識可以不再受時間和空間的限制而得以永久保留并廣為推廣應用；專家系統(tǒng)的可靠性高；還可以綜合多個專家的知識和經(jīng)驗，提高解決問題的能力。計算機輔助醫(yī)學診斷系統(tǒng)是計算機技術(shù)在醫(yī)學領(lǐng)域中應用的深化。利用專家系統(tǒng)技術(shù)來處理這些知識密集性的任務，可以將人們從重復和繁重的腦力勞動中解放出來，從事更富有創(chuàng)造性的工作。

國內(nèi)專家系統(tǒng)在醫(yī)療領(lǐng)域的應用和發(fā)展相對來說規(guī)模較小、水平較低，應用范圍也有限，這與我國計算機專業(yè)人員與醫(yī)生缺乏交流等因素有關(guān)。通過從事計算機研究的專家和醫(yī)學專家們的共同努力，特別是跨學科的生物醫(yī)學工程人員的培養(yǎng)，相信專家系統(tǒng)必將在醫(yī)療領(lǐng)域得到更為廣泛的重視和應用。

目前在醫(yī)學影像診斷領(lǐng)域內(nèi)，在肺部結(jié)節(jié)、乳腺癌診斷及骨齡測定等領(lǐng)域有部分應用。顱內(nèi)病變診斷方面，2009年復旦大學醫(yī)學院進行了基于模糊集的腦膠質(zhì)瘤分級自動診斷方面的研究。1999年，北京神經(jīng)外科研究所開發(fā)了鞍區(qū)及鞍上腫瘤計算機輔助MR影像診斷軟件。而較為完整和全面的神經(jīng)系統(tǒng)方面的專家系統(tǒng)，目前國內(nèi)外文獻均未見報道。

由于專家數(shù)量相對于患者數(shù)量以及醫(yī)療機構(gòu)的數(shù)量仍然是明顯偏少的，不少中、小型及偏遠地區(qū)醫(yī)院的醫(yī)生或者經(jīng)驗不夠豐富的年輕醫(yī)生的誤診率偏高。本系統(tǒng)的實現(xiàn)與應用將有助于改善這種情況。

在本項目的數(shù)據(jù)測試中，未使用專家系統(tǒng)輔助診斷的準確率為37.57%（65/173），與文獻[14]報道類似。這與大多數(shù)人的認識有很大差異，主要是因為測試中，僅以第一診斷作為判斷準確率的依據(jù)，與日常工作中以常見病、多發(fā)病為主有所不同；另外，也與測試病例均為誤診病例有關(guān)。使用輔助診斷的兩組的準確率分別為第二組63.01%（109/173）和第三組46.89%（81/173）。兩組的準確率均較未使用軟件輔助診斷的準確率高，其中第二組與第一組、第三組之間具有顯著性意義，差異有統(tǒng)計學意義（P<0.05）。本系統(tǒng)通過逐步提問，引導醫(yī)生全面、仔細閱片，通過及時反饋可能結(jié)果，可以拓展年輕醫(yī)生的思路，對于提高基層醫(yī)院和廣大低年資醫(yī)師的中樞神經(jīng)系統(tǒng)疾病診斷水平有很大幫助。

4.2 關(guān)于推理機的設(shè)計 傳統(tǒng)的醫(yī)學診斷專家系統(tǒng)一般采用概率統(tǒng)計法，為解決醫(yī)學活動中的不確定性知識，近來又發(fā)展出基于二元Logistic回歸法、分類回歸樹及粗糙集等數(shù)據(jù)挖掘技術(shù)的模糊算法專家系統(tǒng)。影像診斷的特點是要全面分析病灶的各種信息，并密切結(jié)合臨床信息，綜合分析。本系統(tǒng)根據(jù)影像診斷的過程和特點，采用概率法與關(guān)鍵特征相結(jié)合的推理機制。相對于貝葉斯算法、二元Logistic回歸法、分類回歸樹及粗糙集等數(shù)據(jù)挖掘技術(shù)的模糊算法，本系統(tǒng)有實現(xiàn)相對簡單，緊密聯(lián)系臨床等優(yōu)點。

4.3 自我學習功能 自我學習功能是提高專家系統(tǒng)自我更新、自我完善能力的重要途徑。常見的專家系統(tǒng)推理方法，如貝葉斯算法、二元Logistic回歸法、分類回歸樹及粗糙集等數(shù)據(jù)挖掘技術(shù)的模糊算法，需要具有專業(yè)知識的人員定期進行數(shù)據(jù)的重新訓練、挖掘，無法實現(xiàn)用戶對軟件在后期應用中的自我更新、完善。本系統(tǒng)初步具備了自我更新、自我完善的能力，通過知識補充模塊，可以添加系統(tǒng)原來無法診斷的疾病，也可以補充原本不完整的知識信息，并且，隨著數(shù)據(jù)庫中樣本數(shù)量的不斷擴大，學習程序可以通過每一個隨訪病例的錄入，自動調(diào)整各種指標屬性值的發(fā)病概率，以達到自我學習，自我完善的目的。

4.4 目前存在的不足之處 雖然，使用軟件的第一診斷準確率高于常規(guī)組，但僅有63.01%。造成第一診斷準確率偏低的原因有以下可能性：所選病例為術(shù)前誤診的疑難病例；軟件對某些征象的描述、分類不夠細化；屬性賦值不夠精確；軟件使用者對一些影像征象的觀察不夠準確。隨著對影像征象的分類、描述更趨合理，系統(tǒng)搜集的確診病例不斷豐富，以及醫(yī)務人員對影像資料解讀的不斷提高，軟件的診斷準確率必將進一步提高。

計算機輔助診斷是影像診斷學發(fā)展的方向之一。將來，隨著計算機輔助診斷與圖像處理、PACS系統(tǒng)等技術(shù)融合，專家系統(tǒng)的臨床應用范圍將進一步擴大。本系統(tǒng)希望能為這方面的工作做一些有益的嘗試。

參考文獻

[1]俞思偉.醫(yī)學專家系統(tǒng)的設(shè)計原理與實現(xiàn)方法[J].醫(yī)學信息，2002，15（6）：346-349.

[2]韋曉虎，鄭虹.基于事例推理的醫(yī)學診斷專家系統(tǒng)[J].玉林師范學院學報，2006，27（3）：179-180.

[3] E. H . Short liffe， S. G. Axline， B. G. Buchanan ， et al. An artificial intelligence program to advise physicians regarding antimicrobial therapy[J].Computers an d Biomedical Research，1973，6（6）：544-560.

[4] Yongqian Qiang，Youmin Guo ，Xue Li，et al.The Diagnostic Rules of Peripheral Lung Cancer Preliminary Study Based on Data Mining Technique[J].Journal of Nanjing Medical University，2007，21（3）：190-195.endprint

[5] Engin Avci， Ibrahim Turkoglu. An intelligent diagnosis system based on principle component analysis and ANFIS for the heart valve diseases[J]. Expert Systems with Applications，2009，36（3）：2873-2878.

[6] Prasad K， Winter J， Bhat U M，et al. Image Analysis Approach for Development of a Decision Support System for Detection of Malaria Parasites in Thin Blood Smear Images[J].J Digit Imaging，2012，25（4）：542-549.

[7] Florin Gorunescu ， Smaranda Belciug， Marina Gorunescu ，et al. Intelligent decision-making for liver flbrosis stadialization based on tandem feature selection and evolutionary-driven neural network[J].Expert Systems with Applications，2012，39（5）：12824-12832.

[8] Alexandre Savio，Manuel Gra?a.Deformation based feature selection for Computer Aided Diagnosis of Alzheimers Disease. Expert Systems with Applications[J]. April 2013，40（5），1619-1628.

[9] De Boo D. W.，Prokop M.，Uffmann M ，et al. Computer-aided detection （CAD） of lung nodules and small tumours on chest radiographs[J].European Journal of Radiology，2009，72（2）：218-225.

[10] Engin Avci. A new expert system for diagnosis of lung cancer： GDALS- SVM[J].Journal of Medical Systems，2012，36（3）：2005-2009.

[11]鄒薇薇，劉士遠.計算機輔助診斷系統(tǒng)在肺結(jié)節(jié)診斷中的應用[J].人民軍醫(yī)，2007，50（5）：302-303.

[12]王亞輝，朱廣友，喬可，等.X線骨齡評估方法研究進展與展望[J].法醫(yī)學雜志，2007，（23）5：365-369.

[13]許春華.多信息源乳腺癌醫(yī)學診斷專家系統(tǒng)[D].山東：山東大學，2001.

[14]林燕，高培毅，孫楠.鞍內(nèi)及鞍上腫瘤計算機輔助MR影像診斷[J].中華放射學雜志，1999，33（12）：815-818.

[15]馬軍，楊杰，耿道穎.基于貝葉斯網(wǎng)絡的腦膠質(zhì)瘤惡性高低度的自動診斷[J].生物醫(yī)學工程學雜志，2006，23（1）：184-188.

[16]盧又燃，馮曉源，梁宗輝.粗糙集、決策樹及回歸法根據(jù)常規(guī)MRI預測膠質(zhì)瘤分級的對比研究[J].中國衛(wèi)生統(tǒng)計，2010，27（6）：572-576.

[17] Sina Zarei Mahmoodabadi，1 Javad Alirezaie，2 Paul Babyn，etc. A Novel mCAD for pediatric metabolic brain diseases incorporating DW imaging and MR spectroscopy[J].Expert Systems，2013，30（1）：21-33.

（收稿日期：2014-04-01） （本文編輯：王宇）endprint

[5] Engin Avci， Ibrahim Turkoglu. An intelligent diagnosis system based on principle component analysis and ANFIS for the heart valve diseases[J]. Expert Systems with Applications，2009，36（3）：2873-2878.

[6] Prasad K， Winter J， Bhat U M，et al. Image Analysis Approach for Development of a Decision Support System for Detection of Malaria Parasites in Thin Blood Smear Images[J].J Digit Imaging，2012，25（4）：542-549.

[7] Florin Gorunescu ， Smaranda Belciug， Marina Gorunescu ，et al. Intelligent decision-making for liver flbrosis stadialization based on tandem feature selection and evolutionary-driven neural network[J].Expert Systems with Applications，2012，39（5）：12824-12832.

[8] Alexandre Savio，Manuel Gra?a.Deformation based feature selection for Computer Aided Diagnosis of Alzheimers Disease. Expert Systems with Applications[J]. April 2013，40（5），1619-1628.

[9] De Boo D. W.，Prokop M.，Uffmann M ，et al. Computer-aided detection （CAD） of lung nodules and small tumours on chest radiographs[J].European Journal of Radiology，2009，72（2）：218-225.

[10] Engin Avci. A new expert system for diagnosis of lung cancer： GDALS- SVM[J].Journal of Medical Systems，2012，36（3）：2005-2009.

[11]鄒薇薇，劉士遠.計算機輔助診斷系統(tǒng)在肺結(jié)節(jié)診斷中的應用[J].人民軍醫(yī)，2007，50（5）：302-303.

[12]王亞輝，朱廣友，喬可，等.X線骨齡評估方法研究進展與展望[J].法醫(yī)學雜志，2007，（23）5：365-369.

[13]許春華.多信息源乳腺癌醫(yī)學診斷專家系統(tǒng)[D].山東：山東大學，2001.

[14]林燕，高培毅，孫楠.鞍內(nèi)及鞍上腫瘤計算機輔助MR影像診斷[J].中華放射學雜志，1999，33（12）：815-818.

[15]馬軍，楊杰，耿道穎.基于貝葉斯網(wǎng)絡的腦膠質(zhì)瘤惡性高低度的自動診斷[J].生物醫(yī)學工程學雜志，2006，23（1）：184-188.

[16]盧又燃，馮曉源，梁宗輝.粗糙集、決策樹及回歸法根據(jù)常規(guī)MRI預測膠質(zhì)瘤分級的對比研究[J].中國衛(wèi)生統(tǒng)計，2010，27（6）：572-576.

[17] Sina Zarei Mahmoodabadi，1 Javad Alirezaie，2 Paul Babyn，etc. A Novel mCAD for pediatric metabolic brain diseases incorporating DW imaging and MR spectroscopy[J].Expert Systems，2013，30（1）：21-33.

（收稿日期：2014-04-01） （本文編輯：王宇）endprint

[5] Engin Avci， Ibrahim Turkoglu. An intelligent diagnosis system based on principle component analysis and ANFIS for the heart valve diseases[J]. Expert Systems with Applications，2009，36（3）：2873-2878.

[6] Prasad K， Winter J， Bhat U M，et al. Image Analysis Approach for Development of a Decision Support System for Detection of Malaria Parasites in Thin Blood Smear Images[J].J Digit Imaging，2012，25（4）：542-549.

[7] Florin Gorunescu ， Smaranda Belciug， Marina Gorunescu ，et al. Intelligent decision-making for liver flbrosis stadialization based on tandem feature selection and evolutionary-driven neural network[J].Expert Systems with Applications，2012，39（5）：12824-12832.

[8] Alexandre Savio，Manuel Gra?a.Deformation based feature selection for Computer Aided Diagnosis of Alzheimers Disease. Expert Systems with Applications[J]. April 2013，40（5），1619-1628.

[9] De Boo D. W.，Prokop M.，Uffmann M ，et al. Computer-aided detection （CAD） of lung nodules and small tumours on chest radiographs[J].European Journal of Radiology，2009，72（2）：218-225.

[10] Engin Avci. A new expert system for diagnosis of lung cancer： GDALS- SVM[J].Journal of Medical Systems，2012，36（3）：2005-2009.

[11]鄒薇薇，劉士遠.計算機輔助診斷系統(tǒng)在肺結(jié)節(jié)診斷中的應用[J].人民軍醫(yī)，2007，50（5）：302-303.

[12]王亞輝，朱廣友，喬可，等.X線骨齡評估方法研究進展與展望[J].法醫(yī)學雜志，2007，（23）5：365-369.

[13]許春華.多信息源乳腺癌醫(yī)學診斷專家系統(tǒng)[D].山東：山東大學，2001.

[14]林燕，高培毅，孫楠.鞍內(nèi)及鞍上腫瘤計算機輔助MR影像診斷[J].中華放射學雜志，1999，33（12）：815-818.

[15]馬軍，楊杰，耿道穎.基于貝葉斯網(wǎng)絡的腦膠質(zhì)瘤惡性高低度的自動診斷[J].生物醫(yī)學工程學雜志，2006，23（1）：184-188.

[16]盧又燃，馮曉源，梁宗輝.粗糙集、決策樹及回歸法根據(jù)常規(guī)MRI預測膠質(zhì)瘤分級的對比研究[J].中國衛(wèi)生統(tǒng)計，2010，27（6）：572-576.

[17] Sina Zarei Mahmoodabadi，1 Javad Alirezaie，2 Paul Babyn，etc. A Novel mCAD for pediatric metabolic brain diseases incorporating DW imaging and MR spectroscopy[J].Expert Systems，2013，30（1）：21-33.

（收稿日期：2014-04-01） （本文編輯：王宇）endprint