醫療領域中存在著很多不確定性，給疾病診斷預測等醫療活動帶來了極大困難。模糊神經網絡（neural-fuzzy system，NFS）很好地結合了人工神經網絡和模糊邏輯的優點，成為一種能從數據中獲取知識，并能將知識以模糊規則形式表達的新型人工智能模型。因其強大的分類能力和處理模糊信息能力，模糊神經網絡模型被越來越多地應用到醫學領域。其中自適應神經模糊推理系統（adaptive neural-fuzzy inference system，ANFIS）是模糊神經網絡中應用最多的一種，本文就ANFIS在醫學領域的應用進行綜述。
引用本文： 周勤, 陳進, 董力. 自適應神經模糊推理系統在醫學領域的應用. 中國胸心血管外科臨床雜志, 2015, 22(3): 252-256. doi: 10.7507/1007-4848.20150068 復制
模糊神經網絡是近年新興的計算機算法，是模糊邏輯和神經網絡結合的產物。模糊邏輯是指使用隸屬度函數定義的模糊集合。1965年，Zadeh教授首次發表了有關模糊邏輯的論文，他將經典集合與Lukasievicz的多值邏輯結合起來，創立了模糊邏輯理論[1]。模糊邏輯模擬了人類思維模糊性的特點，既可以處理數值型變量也可以處理語言型變量。由于現實生活中很多現象是模糊的，不能用精確的數據進行描述，模糊邏輯的出現擴大了人類處理客觀世界信息的范圍。特別在1980年以后，模糊邏輯的應用范圍逐漸擴展到在智能控制及數據處理的每個應用領域，如照相機、汽車、工廠自動化等等[2]。
以模糊集合理論和模糊推理方法為基礎，以模糊邏輯理論為主要計算工具的模糊系統（或模糊推理系統）具有處理模糊信息的能力，能更好地模擬人類模糊綜合判斷推理的過程，更直觀地處理臨界案例或不易分類的情況，并通過if-then形式的模糊規則明確表達經驗性知識，易于人們理解和接受。模糊系統的建立包括以下3個步驟：（1）模糊化：將清晰的輸入值轉換為語言原理，由模糊集表示；（2）模糊推理：即模糊規則的計算，定義語言變量間的“if”前提條件和“then”結果；（3）解模糊化：將模糊推理的結果從語言原理轉換成清晰的輸出值。模糊系統建立過程中，需要人為選定隸屬度函數和模糊規則，調節眾多參數以得到輸入和輸出之間高度非線性關系式，這使再有經驗的專家也很難勝任。
人工神經網絡（artificial neural networks，ANN）是一種模擬大腦神經網絡生理結構和功能的計算機算法，由單個神經元通過某種拓撲結構互相連接，具有極強的學習能力和高度并行性。ANN能夠通過動態的網絡訓練快速找出輸入變量和輸出變量之間的復雜關系，可直接從樣本中進行有效學習，且有很好的聯想能力和容錯能力。正由于這些優點，ANN的研究受到了廣泛關注。但ANN不能很好地利用已有經驗知識，且學習所獲知識通過權值的形式儲存在網絡中，輸入輸出關系無法以易于被人們接受的形式表示出來。因此，人們常將ANN比作一個“黑箱”，因為人們無法賦予網絡中的各個神經元和權值明確的物理意義，也就不能利用已有的知識來改進網絡的結構[3]。
可以看出神經網絡和模糊系統存在明顯的互補性，將兩者結合的產物模糊神經網絡(neural-fuzzy system，NFS)應運而生。將具有強大學習能力的神經網絡引入到模糊系統當中，采用ANN的學習算法來調整網絡的結構參數，自動生成模糊隸屬度函數并自動提取出最佳模糊規則，使得模糊系統成為了一種具有學習能力的自適應性系統；同時，將具有邏輯推理功能的模糊系統引入神經網絡，可使ANN不僅能夠進行精確性聯想和映射，也可以實現模糊性聯想和映射，ANN處理信息范圍大大擴寬，容錯能力也進一步提高[4]。簡言之，模糊神經網絡就是一個使用ANN理論通過處理數據來獲得其屬性(包括模糊集和模糊規則)，從而產生從數據中獲取知識并以模糊規則的形式表達的模糊系統[5]。模糊神經網絡對于復雜系統的建模和控制提供了有力的工具。
模糊系統模型主要分為兩類：一類是模糊規則的后件是輸出量的某一集合，稱為模糊系統的標準模型或Mamdani模型；另一類是模糊規則后件是輸入語言變量的函數，典型的情況是輸入變量的線性組合。該方法由Takagi和Sugeno于1985年提出，故被稱為Takagi-Sugeno模型，或簡稱Sugeno模型。Sugeno模型將去模糊化也結合到模糊推理中，輸出量是精確值，具有計算簡單，利于數學分析的優點。Jane將Sugeno模糊模型和神經網絡相結合，構建了自適應神經模糊推理系統（adaptive neural-fuzzy inference system，ANFIS）[6]。ANFIS采用反向傳播算法和最小二乘法的混合算法調整前提參數和結論參數，其模糊控制的模糊化，模糊推理和去模糊化三個基本部分均由ANN完成，能自動產生if-then規則。ANFIS是近10年模糊神經網絡中最有用也是最強大的一種方法，它能夠從數據中學習特征并根據誤差標準調整系統參數。如果各輸入變量劃分的模糊集足夠多，通過調節網絡中的函數可使網絡具有以任意精度逼近非線性函數的能力。但ANFIS的弊端在于如果維數過多，其規則會呈幾何式增長，造成維數災難。這可能使模型的準確性降低，甚至無法得出結果。所以很多研究會在應用ANFIS之前對輸入變量進行降維處理，常用降維方法有減法聚類，K-means聚類等。
基于ANFIS的易于理解性和操作性，使其在工業領域的應用比較廣泛，在醫療領域亦有廣闊的應用前景，現介紹該方法的具體應用。
1 自適應神經模糊推理系統在醫學領域的應用
醫學活動中涉及到很多不能進行精確描述的癥狀，不清晰的醫學影像學信息和難以分析的信號信息。僅依靠醫師經驗進行模糊判斷存在很大主觀性，增加了漏診和誤診的幾率。雖然模糊神經網絡發展的時間并不長，由于其有處理模糊信息的能力，所以非常適合運用到醫學領域。現階段，模糊神經網絡較多地應用在醫學影像學和醫學信號分析兩大方面。另外也有很多基于患者疾病特征利用ANFIS對各種疾病進行診斷和預后的報道。
1.1 在醫學影像學領域的應用
許多病變的早期影像學信息非常細微且表現各異，需要醫師具備相當的影像學知識和經驗。由于需要分析的影像資料非常多，而有經驗的放射科醫師又相對不足，這導致影像學診斷并不都那么可靠。近年來，電腦輔助診斷系統越來越受到醫學影像領域的歡迎，其可以扮演醫師為正確識別疾病而對醫學圖像進行解釋時的“第二只眼睛”，幫助醫師更早、更容易且更準確地發現和診斷疾病[7]。
目前ANFIS在各種主要的醫學影像領域均有一定應用報道，但ANFIS在乳腺X線片和腦部磁共振成像（MRI）兩方面應用最多。Mousa等開發出了一種乳腺癌的診斷系統，其中分類階段采用ANFIS方法。研究表明該方法可以高效自動識別數字乳腺X線片的異常（包括腫塊和鈣化點）并辨別異常部分的良惡性。其對腫塊良惡性判斷準確度最高達到93.7%[8]。Tarjoman利用ANFIS中模糊系統表示明確知識，神經網絡對數據進行學習得到隸屬函數參數的特性，將ANFIS用于標引圖像檢索中腦部MRI是否為腫瘤圖像，結果顯示圖像檢索正確率達到了98.67%[9]。
Dhanalakshmi等開發出一種計算機輔助診斷工具用于提取各種十二指腸內窺鏡圖像的描述性特征，并基于不同病變制定決策。其中對特征進行分類的部分由ANFIS完成，得到了滿意的檢測準確度[7]。Rezatofighi等的研究中應用到ANFIS對眼底照相機所得到的視網膜血管圖像進行分類，其所建立的ANFIS模型的分類準確度均比多層感知器建立的模型準確度高[10]。Odeh使用通過熒光技術所獲得的皮膚圖像，用G-flip提取其特征作為輸入，建立皮膚癌ANFIS診斷模型。其研究分為兩個階段，第一個階段使用ANFIS模型區分皮膚癌及癌前病變與牛皮癬皮膚的圖像，分類準確率接近100%，第二個階段較難，需要ANFIS區分皮膚癌前病變和皮膚癌圖像，但分類準確率仍達到92%。該精確度已經足夠支持ANFIS模型在該方面的應用[11]。另外，ANFIS還被用于區分骨關節炎和骨質疏松的3D骨微觀結構[12]。
1.2 醫學信號分析
模糊神經網絡善于處理非線性問題的特性使得其越來越多地應用在需要對電信號進行解析的診斷當中，ANFIS在心電圖（ECG），腦電圖和多普勒信號分析三個方面應用較多。
心電圖記錄著心臟的電活動，被認為是心臟生理機能的代表信號，有助于心臟病變的診斷。ECG的波形和心率普遍反映了心臟的健康程度，可能包含著心臟疾病的重要指標。然而信號噪聲是非線性的，所以傳統統計分析方法不能很好地處理這一類波形信息，導致一些潛在有用的信號信息被遺漏[13]。Kannathal充分利用了ANFIS強大的分類功能，利用其對ECG的分析來對心臟異常情況進行分類，精確度在前人研究基礎上有所提高，并且分類類型從8類增加至10類[13]。李敏等[4]提出用ANFIS對麻醉信號進行信息融合實現麻醉深度監測的方法，結果表明以ECG信號的非線性動力學參數為輸入的ANFIS網絡輸出差異顯著，可作為一種反映麻醉深度的定量指標。記錄大腦電活動的腦電圖與心電圖類似。Subasi在2007年用小波變換的方法提取腦電圖中的特征信號，再應用ANFIS建立模型對健康人和癲癇患者的腦電圖（EEG）信號進行分類，進而對癲癇發作進行探測。Subasi通過對ANFIS的分析，不僅得到了對癲癇發作探測有影響的特征，而且在對比研究中發現ANFIS模型不論是在訓練表現還是在分類精度上都比ANN更勝一籌[14]。
在多普勒信號分析方面，?zkan等用多重信號分類（multiple signal classification）的方法分別提取左右尺動脈多普勒信號特征，再用這些特征建立ANFIS模型對風濕性關節炎進行分類。其中利用右手尺動脈多普勒信號的分類精度達到了95%[15]。Avci等則用主成分分析法篩選出的6個心臟瓣膜多普勒波形建立ANFIS模型，對心臟瓣膜疾病進行分類，對正常和異常對象的分類準確度分別為96.0%和93.1%[16]。
另外Akdemir等還利用主成分分析篩選出的4個視覺誘發電位信號作為輸入，建立ANFIS模型對患者的視覺神經疾病進行診斷，分類準確度最高達到98.43%[17]。
1.3 利用特征信息診斷疾病
隨著診斷技術的進步，很多輸入參數的自動診斷系統已經成為醫學技術的重要組成部分，其基本概念就是一個可以學習疾病特征的歸納引擎[5]。ANFIS有強大的學習和分類能力，相比于ANN還能夠處理語言型的數據，故很多研究利用患者特征作為輸入，將是否患有某種疾病作為輸出，診斷疾病。據其研究結果，ANFIS顯示出了比神經網絡更優的分類能力，有望應用到更多的醫療活動中，以提高診斷效率和準確性，減少假陽性率，從而減少醫療資源的浪費及患者不必要的心理負擔。
Polat等采用主要數據分析，降維后再用ANFIS的方法對糖尿病進行自動診斷，研究發現該系統的診斷準確率達到89.47%[18]。übeyli也將其篩選的年齡、糖耐量試驗值等8個臨床特征作為輸入，建立ANFIS糖尿病診斷模型，總的分類準確率高達98.14%[19]。Dogantekin等[20]的研究與übeyli相似，也得到了84.61%的分類準確率。這些研究提示ANFIS模型用于糖尿病診斷大有可能。Akgundogdu等利用ANFIS與減法聚類相結合的方法對腎衰竭進行診斷，結果顯示ANFIS能從健康人中以100%的準確率區分出腎衰竭患者[5]。
Huang等[21]還將ANFIS成功運用于青光眼的檢測中。他們從云層光學相干斷層掃描儀（Stratus OTC）得到青光眼相關變量，再將正交陣列提取的特征作為ANFIS的輸入。最后他們用建立的ANFIS模型對測試集的研究對象進行檢測，得到的受試者工作特征（ROC）曲線下面積提高到0.925，顯示出ANFIS在這一領域的應用前景。
1.4 利用特征信息進行預測
利用特征信息建立ANFIS模型對患者的疾病預后、疾病發生和醫學指標等進行預測也有研究報道，且應用十分靈活和廣泛，目前主要涉及的疾病包括癌癥、神經系統疾病、腎臟疾病等，另外還應用于各種生化指標預測、藥物劑量預測等。
Baker則利用1969～1999年的患者數據建立ANFIS模型對鼻咽癌的生存率進行預測，預測結果顯示，模型對鼻咽癌10年間的預測準確度為52.9%～99.4%[22]。Hamdan等[23]也運用ANFIS預測乳腺癌患者10年生存率，研究者使用諾丁漢預后指數將患者分為低、中、高3組，然后將ANFIS在各組中所得的生存曲線與實際Kaplan-Meier生存曲線進行對比，ANFIS預測的生存曲線均與實際生存曲線大致吻合。2013年，Rabbi發表了一篇利用ANFIS預測癲癇的文章，把患者侵入性腦電圖中獲取的三個非線性的與癲癇發作相關的預測特征作為輸入變量，建立ANFIS模型，模型敏感性最高達80%[24]。Noghabi等應用ANFIS建立了針對特發性全身性癲癇患者丙戊酸鈉藥物劑量的預測模型，雖然預測準確度不是特別高，但對于特發性全身性癲癇患者的丙戊酸鈉治療已經足夠[25]。在血液透析中透析后血尿素濃度是評估透析是否完全的首要指標，它的預測對于真實透析劑量的選定至關重要。Azar利用ANFIS分別對患者透析后血尿素濃度及透析后尿素回彈現象進行預測，模型建立不僅簡便，而且預測結果均優于各種傳統尿素動力學模型[26-27]。
針對電針鎮痛過程中生化指標檢驗的時滯性、費用高等不足，郝旺身等提出基于ANFIS預測電針鎮痛過程中生化指標變化的方法。模型輸入源于電針鎮痛患者的ECG、EEG等生理電信號及檢測的生化指標數據。結果發現預測結果與實際檢測結果非常吻合，為電針鎮痛過程中生化指標變化預測提供了一種新的方法和思路[28]。另外Amer還成功地將ANFIS應用于測量血液酸度，用二氧化碳分壓和碳酸根離子作為模型的輸入變量，所得預測值和真實值的相關系數為87.6%。這類模型如果得以應用，則不需使用酸堿度傳感器，也會減少用于化學分析的血液標本量[29]。
1.5 其他
此外，ANFIS還被應用于其它醫療實踐中，效果滿意。如Nunes等[30]發現ANFIS能夠優化模糊模型中心率和平均動脈壓的參數，從而對在麻醉中使用兩種藥物（異丙酚和芬太尼）的相互作用效果進行適當描述。這對于保證麻醉中足夠的麻醉深度和止痛以及血流動力學穩定都有積極意義。Esmaili Torshabi將ANFIS用于放射治療中對腫瘤的實時追蹤，明顯降低了腫瘤追蹤錯誤[31]。
2 展望
另外隨著醫療大數據時代的到來，越來越多，越來越大的醫學數據庫相繼建立，比如國際上最具影響力的心胸外科數據庫之一的歐洲心臟手術風險評估系統（EuroSCORE）數據庫，其涵蓋了8個歐洲國家128個研究中心心臟外科的病例資料[32]。四川大學華西醫院所建立的中國人心臟瓣膜置換術后低強度抗凝治療的數據庫，搜集了數以萬計心臟瓣膜置換術后低強度抗凝患者的各種臨床數據，為我國進行心臟瓣膜置換術后低強度抗凝的研究提供了堅實的數據支持[33]。如何將這些海量數據信息轉換成對我們有用的知識成為關鍵。模糊神經網絡這一類新興計算機算法或模型無疑成為應對醫療大數據的利器。雖然模糊神經網絡在醫療預測領域的應用目前還比較少，但隨著人們對模糊神經網絡的理解不斷深入及醫療數據挖掘需求的不斷增加，必然能將其與醫療活動中各種情況進行有機結合，這將使醫療工作者的視野更加開闊并更具預見性，提高醫療質量。
模糊神經網絡是近年新興的計算機算法，是模糊邏輯和神經網絡結合的產物。模糊邏輯是指使用隸屬度函數定義的模糊集合。1965年，Zadeh教授首次發表了有關模糊邏輯的論文，他將經典集合與Lukasievicz的多值邏輯結合起來，創立了模糊邏輯理論[1]。模糊邏輯模擬了人類思維模糊性的特點，既可以處理數值型變量也可以處理語言型變量。由于現實生活中很多現象是模糊的，不能用精確的數據進行描述，模糊邏輯的出現擴大了人類處理客觀世界信息的范圍。特別在1980年以后，模糊邏輯的應用范圍逐漸擴展到在智能控制及數據處理的每個應用領域，如照相機、汽車、工廠自動化等等[2]。
以模糊集合理論和模糊推理方法為基礎，以模糊邏輯理論為主要計算工具的模糊系統（或模糊推理系統）具有處理模糊信息的能力，能更好地模擬人類模糊綜合判斷推理的過程，更直觀地處理臨界案例或不易分類的情況，并通過if-then形式的模糊規則明確表達經驗性知識，易于人們理解和接受。模糊系統的建立包括以下3個步驟：（1）模糊化：將清晰的輸入值轉換為語言原理，由模糊集表示；（2）模糊推理：即模糊規則的計算，定義語言變量間的“if”前提條件和“then”結果；（3）解模糊化：將模糊推理的結果從語言原理轉換成清晰的輸出值。模糊系統建立過程中，需要人為選定隸屬度函數和模糊規則，調節眾多參數以得到輸入和輸出之間高度非線性關系式，這使再有經驗的專家也很難勝任。
人工神經網絡（artificial neural networks，ANN）是一種模擬大腦神經網絡生理結構和功能的計算機算法，由單個神經元通過某種拓撲結構互相連接，具有極強的學習能力和高度并行性。ANN能夠通過動態的網絡訓練快速找出輸入變量和輸出變量之間的復雜關系，可直接從樣本中進行有效學習，且有很好的聯想能力和容錯能力。正由于這些優點，ANN的研究受到了廣泛關注。但ANN不能很好地利用已有經驗知識，且學習所獲知識通過權值的形式儲存在網絡中，輸入輸出關系無法以易于被人們接受的形式表示出來。因此，人們常將ANN比作一個“黑箱”，因為人們無法賦予網絡中的各個神經元和權值明確的物理意義，也就不能利用已有的知識來改進網絡的結構[3]。
可以看出神經網絡和模糊系統存在明顯的互補性，將兩者結合的產物模糊神經網絡(neural-fuzzy system，NFS)應運而生。將具有強大學習能力的神經網絡引入到模糊系統當中，采用ANN的學習算法來調整網絡的結構參數，自動生成模糊隸屬度函數并自動提取出最佳模糊規則，使得模糊系統成為了一種具有學習能力的自適應性系統；同時，將具有邏輯推理功能的模糊系統引入神經網絡，可使ANN不僅能夠進行精確性聯想和映射，也可以實現模糊性聯想和映射，ANN處理信息范圍大大擴寬，容錯能力也進一步提高[4]。簡言之，模糊神經網絡就是一個使用ANN理論通過處理數據來獲得其屬性(包括模糊集和模糊規則)，從而產生從數據中獲取知識并以模糊規則的形式表達的模糊系統[5]。模糊神經網絡對于復雜系統的建模和控制提供了有力的工具。
模糊系統模型主要分為兩類：一類是模糊規則的后件是輸出量的某一集合，稱為模糊系統的標準模型或Mamdani模型；另一類是模糊規則后件是輸入語言變量的函數，典型的情況是輸入變量的線性組合。該方法由Takagi和Sugeno于1985年提出，故被稱為Takagi-Sugeno模型，或簡稱Sugeno模型。Sugeno模型將去模糊化也結合到模糊推理中，輸出量是精確值，具有計算簡單，利于數學分析的優點。Jane將Sugeno模糊模型和神經網絡相結合，構建了自適應神經模糊推理系統（adaptive neural-fuzzy inference system，ANFIS）[6]。ANFIS采用反向傳播算法和最小二乘法的混合算法調整前提參數和結論參數，其模糊控制的模糊化，模糊推理和去模糊化三個基本部分均由ANN完成，能自動產生if-then規則。ANFIS是近10年模糊神經網絡中最有用也是最強大的一種方法，它能夠從數據中學習特征并根據誤差標準調整系統參數。如果各輸入變量劃分的模糊集足夠多，通過調節網絡中的函數可使網絡具有以任意精度逼近非線性函數的能力。但ANFIS的弊端在于如果維數過多，其規則會呈幾何式增長，造成維數災難。這可能使模型的準確性降低，甚至無法得出結果。所以很多研究會在應用ANFIS之前對輸入變量進行降維處理，常用降維方法有減法聚類，K-means聚類等。
基于ANFIS的易于理解性和操作性，使其在工業領域的應用比較廣泛，在醫療領域亦有廣闊的應用前景，現介紹該方法的具體應用。
1 自適應神經模糊推理系統在醫學領域的應用
醫學活動中涉及到很多不能進行精確描述的癥狀，不清晰的醫學影像學信息和難以分析的信號信息。僅依靠醫師經驗進行模糊判斷存在很大主觀性，增加了漏診和誤診的幾率。雖然模糊神經網絡發展的時間并不長，由于其有處理模糊信息的能力，所以非常適合運用到醫學領域。現階段，模糊神經網絡較多地應用在醫學影像學和醫學信號分析兩大方面。另外也有很多基于患者疾病特征利用ANFIS對各種疾病進行診斷和預后的報道。
1.1 在醫學影像學領域的應用
許多病變的早期影像學信息非常細微且表現各異，需要醫師具備相當的影像學知識和經驗。由于需要分析的影像資料非常多，而有經驗的放射科醫師又相對不足，這導致影像學診斷并不都那么可靠。近年來，電腦輔助診斷系統越來越受到醫學影像領域的歡迎，其可以扮演醫師為正確識別疾病而對醫學圖像進行解釋時的“第二只眼睛”，幫助醫師更早、更容易且更準確地發現和診斷疾病[7]。
目前ANFIS在各種主要的醫學影像領域均有一定應用報道，但ANFIS在乳腺X線片和腦部磁共振成像（MRI）兩方面應用最多。Mousa等開發出了一種乳腺癌的診斷系統，其中分類階段采用ANFIS方法。研究表明該方法可以高效自動識別數字乳腺X線片的異常（包括腫塊和鈣化點）并辨別異常部分的良惡性。其對腫塊良惡性判斷準確度最高達到93.7%[8]。Tarjoman利用ANFIS中模糊系統表示明確知識，神經網絡對數據進行學習得到隸屬函數參數的特性，將ANFIS用于標引圖像檢索中腦部MRI是否為腫瘤圖像，結果顯示圖像檢索正確率達到了98.67%[9]。
Dhanalakshmi等開發出一種計算機輔助診斷工具用于提取各種十二指腸內窺鏡圖像的描述性特征，并基于不同病變制定決策。其中對特征進行分類的部分由ANFIS完成，得到了滿意的檢測準確度[7]。Rezatofighi等的研究中應用到ANFIS對眼底照相機所得到的視網膜血管圖像進行分類，其所建立的ANFIS模型的分類準確度均比多層感知器建立的模型準確度高[10]。Odeh使用通過熒光技術所獲得的皮膚圖像，用G-flip提取其特征作為輸入，建立皮膚癌ANFIS診斷模型。其研究分為兩個階段，第一個階段使用ANFIS模型區分皮膚癌及癌前病變與牛皮癬皮膚的圖像，分類準確率接近100%，第二個階段較難，需要ANFIS區分皮膚癌前病變和皮膚癌圖像，但分類準確率仍達到92%。該精確度已經足夠支持ANFIS模型在該方面的應用[11]。另外，ANFIS還被用于區分骨關節炎和骨質疏松的3D骨微觀結構[12]。
1.2 醫學信號分析
模糊神經網絡善于處理非線性問題的特性使得其越來越多地應用在需要對電信號進行解析的診斷當中，ANFIS在心電圖（ECG），腦電圖和多普勒信號分析三個方面應用較多。
心電圖記錄著心臟的電活動，被認為是心臟生理機能的代表信號，有助于心臟病變的診斷。ECG的波形和心率普遍反映了心臟的健康程度，可能包含著心臟疾病的重要指標。然而信號噪聲是非線性的，所以傳統統計分析方法不能很好地處理這一類波形信息，導致一些潛在有用的信號信息被遺漏[13]。Kannathal充分利用了ANFIS強大的分類功能，利用其對ECG的分析來對心臟異常情況進行分類，精確度在前人研究基礎上有所提高，并且分類類型從8類增加至10類[13]。李敏等[4]提出用ANFIS對麻醉信號進行信息融合實現麻醉深度監測的方法，結果表明以ECG信號的非線性動力學參數為輸入的ANFIS網絡輸出差異顯著，可作為一種反映麻醉深度的定量指標。記錄大腦電活動的腦電圖與心電圖類似。Subasi在2007年用小波變換的方法提取腦電圖中的特征信號，再應用ANFIS建立模型對健康人和癲癇患者的腦電圖（EEG）信號進行分類，進而對癲癇發作進行探測。Subasi通過對ANFIS的分析，不僅得到了對癲癇發作探測有影響的特征，而且在對比研究中發現ANFIS模型不論是在訓練表現還是在分類精度上都比ANN更勝一籌[14]。
在多普勒信號分析方面，?zkan等用多重信號分類（multiple signal classification）的方法分別提取左右尺動脈多普勒信號特征，再用這些特征建立ANFIS模型對風濕性關節炎進行分類。其中利用右手尺動脈多普勒信號的分類精度達到了95%[15]。Avci等則用主成分分析法篩選出的6個心臟瓣膜多普勒波形建立ANFIS模型，對心臟瓣膜疾病進行分類，對正常和異常對象的分類準確度分別為96.0%和93.1%[16]。
另外Akdemir等還利用主成分分析篩選出的4個視覺誘發電位信號作為輸入，建立ANFIS模型對患者的視覺神經疾病進行診斷，分類準確度最高達到98.43%[17]。
1.3 利用特征信息診斷疾病
隨著診斷技術的進步，很多輸入參數的自動診斷系統已經成為醫學技術的重要組成部分，其基本概念就是一個可以學習疾病特征的歸納引擎[5]。ANFIS有強大的學習和分類能力，相比于ANN還能夠處理語言型的數據，故很多研究利用患者特征作為輸入，將是否患有某種疾病作為輸出，診斷疾病。據其研究結果，ANFIS顯示出了比神經網絡更優的分類能力，有望應用到更多的醫療活動中，以提高診斷效率和準確性，減少假陽性率，從而減少醫療資源的浪費及患者不必要的心理負擔。
Polat等采用主要數據分析，降維后再用ANFIS的方法對糖尿病進行自動診斷，研究發現該系統的診斷準確率達到89.47%[18]。übeyli也將其篩選的年齡、糖耐量試驗值等8個臨床特征作為輸入，建立ANFIS糖尿病診斷模型，總的分類準確率高達98.14%[19]。Dogantekin等[20]的研究與übeyli相似，也得到了84.61%的分類準確率。這些研究提示ANFIS模型用于糖尿病診斷大有可能。Akgundogdu等利用ANFIS與減法聚類相結合的方法對腎衰竭進行診斷，結果顯示ANFIS能從健康人中以100%的準確率區分出腎衰竭患者[5]。
Huang等[21]還將ANFIS成功運用于青光眼的檢測中。他們從云層光學相干斷層掃描儀（Stratus OTC）得到青光眼相關變量，再將正交陣列提取的特征作為ANFIS的輸入。最后他們用建立的ANFIS模型對測試集的研究對象進行檢測，得到的受試者工作特征（ROC）曲線下面積提高到0.925，顯示出ANFIS在這一領域的應用前景。
1.4 利用特征信息進行預測
利用特征信息建立ANFIS模型對患者的疾病預后、疾病發生和醫學指標等進行預測也有研究報道，且應用十分靈活和廣泛，目前主要涉及的疾病包括癌癥、神經系統疾病、腎臟疾病等，另外還應用于各種生化指標預測、藥物劑量預測等。
Baker則利用1969～1999年的患者數據建立ANFIS模型對鼻咽癌的生存率進行預測，預測結果顯示，模型對鼻咽癌10年間的預測準確度為52.9%～99.4%[22]。Hamdan等[23]也運用ANFIS預測乳腺癌患者10年生存率，研究者使用諾丁漢預后指數將患者分為低、中、高3組，然后將ANFIS在各組中所得的生存曲線與實際Kaplan-Meier生存曲線進行對比，ANFIS預測的生存曲線均與實際生存曲線大致吻合。2013年，Rabbi發表了一篇利用ANFIS預測癲癇的文章，把患者侵入性腦電圖中獲取的三個非線性的與癲癇發作相關的預測特征作為輸入變量，建立ANFIS模型，模型敏感性最高達80%[24]。Noghabi等應用ANFIS建立了針對特發性全身性癲癇患者丙戊酸鈉藥物劑量的預測模型，雖然預測準確度不是特別高，但對于特發性全身性癲癇患者的丙戊酸鈉治療已經足夠[25]。在血液透析中透析后血尿素濃度是評估透析是否完全的首要指標，它的預測對于真實透析劑量的選定至關重要。Azar利用ANFIS分別對患者透析后血尿素濃度及透析后尿素回彈現象進行預測，模型建立不僅簡便，而且預測結果均優于各種傳統尿素動力學模型[26-27]。
針對電針鎮痛過程中生化指標檢驗的時滯性、費用高等不足，郝旺身等提出基于ANFIS預測電針鎮痛過程中生化指標變化的方法。模型輸入源于電針鎮痛患者的ECG、EEG等生理電信號及檢測的生化指標數據。結果發現預測結果與實際檢測結果非常吻合，為電針鎮痛過程中生化指標變化預測提供了一種新的方法和思路[28]。另外Amer還成功地將ANFIS應用于測量血液酸度，用二氧化碳分壓和碳酸根離子作為模型的輸入變量，所得預測值和真實值的相關系數為87.6%。這類模型如果得以應用，則不需使用酸堿度傳感器，也會減少用于化學分析的血液標本量[29]。
1.5 其他
此外，ANFIS還被應用于其它醫療實踐中，效果滿意。如Nunes等[30]發現ANFIS能夠優化模糊模型中心率和平均動脈壓的參數，從而對在麻醉中使用兩種藥物（異丙酚和芬太尼）的相互作用效果進行適當描述。這對于保證麻醉中足夠的麻醉深度和止痛以及血流動力學穩定都有積極意義。Esmaili Torshabi將ANFIS用于放射治療中對腫瘤的實時追蹤，明顯降低了腫瘤追蹤錯誤[31]。
2 展望
另外隨著醫療大數據時代的到來，越來越多，越來越大的醫學數據庫相繼建立，比如國際上最具影響力的心胸外科數據庫之一的歐洲心臟手術風險評估系統（EuroSCORE）數據庫，其涵蓋了8個歐洲國家128個研究中心心臟外科的病例資料[32]。四川大學華西醫院所建立的中國人心臟瓣膜置換術后低強度抗凝治療的數據庫，搜集了數以萬計心臟瓣膜置換術后低強度抗凝患者的各種臨床數據，為我國進行心臟瓣膜置換術后低強度抗凝的研究提供了堅實的數據支持[33]。如何將這些海量數據信息轉換成對我們有用的知識成為關鍵。模糊神經網絡這一類新興計算機算法或模型無疑成為應對醫療大數據的利器。雖然模糊神經網絡在醫療預測領域的應用目前還比較少，但隨著人們對模糊神經網絡的理解不斷深入及醫療數據挖掘需求的不斷增加，必然能將其與醫療活動中各種情況進行有機結合，這將使醫療工作者的視野更加開闊并更具預見性，提高醫療質量。