医疗领域中存在着很多不确定性，给疾病诊断预测等医疗活动带来了极大困难。模糊神经网络（neural-fuzzy system，NFS）很好地结合了人工神经网络和模糊逻辑的优点，成为一种能从数据中获取知识，并能将知识以模糊规则形式表达的新型人工智能模型。因其强大的分类能力和处理模糊信息能力，模糊神经网络模型被越来越多地应用到医学领域。其中自适应神经模糊推理系统（adaptive neural-fuzzy inference system，ANFIS）是模糊神经网络中应用最多的一种，本文就ANFIS在医学领域的应用进行综述。
引用本文： 周勤, 陈进, 董力. 自适应神经模糊推理系统在医学领域的应用. 中国胸心血管外科临床杂志, 2015, 22(3): 252-256. doi: 10.7507/1007-4848.20150068 复制
模糊神经网络是近年新兴的计算机算法，是模糊逻辑和神经网络结合的产物。模糊逻辑是指使用隶属度函数定义的模糊集合。1965年，Zadeh教授首次发表了有关模糊逻辑的论文，他将经典集合与Lukasievicz的多值逻辑结合起来，创立了模糊逻辑理论[1]。模糊逻辑模拟了人类思维模糊性的特点，既可以处理数值型变量也可以处理语言型变量。由于现实生活中很多现象是模糊的，不能用精确的数据进行描述，模糊逻辑的出现扩大了人类处理客观世界信息的范围。特别在1980年以后，模糊逻辑的应用范围逐渐扩展到在智能控制及数据处理的每个应用领域，如照相机、汽车、工厂自动化等等[2]。
以模糊集合理论和模糊推理方法为基础，以模糊逻辑理论为主要计算工具的模糊系统（或模糊推理系统）具有处理模糊信息的能力，能更好地模拟人类模糊综合判断推理的过程，更直观地处理临界案例或不易分类的情况，并通过if-then形式的模糊规则明确表达经验性知识，易于人们理解和接受。模糊系统的建立包括以下3个步骤：（1）模糊化：将清晰的输入值转换为语言原理，由模糊集表示；（2）模糊推理：即模糊规则的计算，定义语言变量间的“if”前提条件和“then”结果；（3）解模糊化：将模糊推理的结果从语言原理转换成清晰的输出值。模糊系统建立过程中，需要人为选定隶属度函数和模糊规则，调节众多参数以得到输入和输出之间高度非线性关系式，这使再有经验的专家也很难胜任。
人工神经网络（artificial neural networks，ANN）是一种模拟大脑神经网络生理结构和功能的计算机算法，由单个神经元通过某种拓扑结构互相连接，具有极强的学习能力和高度并行性。ANN能够通过动态的网络训练快速找出输入变量和输出变量之间的复杂关系，可直接从样本中进行有效学习，且有很好的联想能力和容错能力。正由于这些优点，ANN的研究受到了广泛关注。但ANN不能很好地利用已有经验知识，且学习所获知识通过权值的形式储存在网络中，输入输出关系无法以易于被人们接受的形式表示出来。因此，人们常将ANN比作一个“黑箱”，因为人们无法赋予网络中的各个神经元和权值明确的物理意义，也就不能利用已有的知识来改进网络的结构[3]。
可以看出神经网络和模糊系统存在明显的互补性，将两者结合的产物模糊神经网络(neural-fuzzy system，NFS)应运而生。将具有强大学习能力的神经网络引入到模糊系统当中，采用ANN的学习算法来调整网络的结构参数，自动生成模糊隶属度函数并自动提取出最佳模糊规则，使得模糊系统成为了一种具有学习能力的自适应性系统；同时，将具有逻辑推理功能的模糊系统引入神经网络，可使ANN不仅能够进行精确性联想和映射，也可以实现模糊性联想和映射，ANN处理信息范围大大扩宽，容错能力也进一步提高[4]。简言之，模糊神经网络就是一个使用ANN理论通过处理数据来获得其属性(包括模糊集和模糊规则)，从而产生从数据中获取知识并以模糊规则的形式表达的模糊系统[5]。模糊神经网络对于复杂系统的建模和控制提供了有力的工具。
模糊系统模型主要分为两类：一类是模糊规则的后件是输出量的某一集合，称为模糊系统的标准模型或Mamdani模型；另一类是模糊规则后件是输入语言变量的函数，典型的情况是输入变量的线性组合。该方法由Takagi和Sugeno于1985年提出，故被称为Takagi-Sugeno模型，或简称Sugeno模型。Sugeno模型将去模糊化也结合到模糊推理中，输出量是精确值，具有计算简单，利于数学分析的优点。Jane将Sugeno模糊模型和神经网络相结合，构建了自适应神经模糊推理系统（adaptive neural-fuzzy inference system，ANFIS）[6]。ANFIS采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，其模糊控制的模糊化，模糊推理和去模糊化三个基本部分均由ANN完成，能自动产生if-then规则。ANFIS是近10年模糊神经网络中最有用也是最强大的一种方法，它能够从数据中学习特征并根据误差标准调整系统参数。如果各输入变量划分的模糊集足够多，通过调节网络中的函数可使网络具有以任意精度逼近非线性函数的能力。但ANFIS的弊端在于如果维数过多，其规则会呈几何式增长，造成维数灾难。这可能使模型的准确性降低，甚至无法得出结果。所以很多研究会在应用ANFIS之前对输入变量进行降维处理，常用降维方法有减法聚类，K-means聚类等。
基于ANFIS的易于理解性和操作性，使其在工业领域的应用比较广泛，在医疗领域亦有广阔的应用前景，现介绍该方法的具体应用。
1 自适应神经模糊推理系统在医学领域的应用
医学活动中涉及到很多不能进行精确描述的症状，不清晰的医学影像学信息和难以分析的信号信息。仅依靠医师经验进行模糊判断存在很大主观性，增加了漏诊和误诊的几率。虽然模糊神经网络发展的时间并不长，由于其有处理模糊信息的能力，所以非常适合运用到医学领域。现阶段，模糊神经网络较多地应用在医学影像学和医学信号分析两大方面。另外也有很多基于患者疾病特征利用ANFIS对各种疾病进行诊断和预后的报道。
1.1 在医学影像学领域的应用
许多病变的早期影像学信息非常细微且表现各异，需要医师具备相当的影像学知识和经验。由于需要分析的影像资料非常多，而有经验的放射科医师又相对不足，这导致影像学诊断并不都那么可靠。近年来，电脑辅助诊断系统越来越受到医学影像领域的欢迎，其可以扮演医师为正确识别疾病而对医学图像进行解释时的“第二只眼睛”，帮助医师更早、更容易且更准确地发现和诊断疾病[7]。
目前ANFIS在各种主要的医学影像领域均有一定应用报道，但ANFIS在乳腺X线片和脑部磁共振成像（MRI）两方面应用最多。Mousa等开发出了一种乳腺癌的诊断系统，其中分类阶段采用ANFIS方法。研究表明该方法可以高效自动识别数字乳腺X线片的异常（包括肿块和钙化点）并辨别异常部分的良恶性。其对肿块良恶性判断准确度最高达到93.7%[8]。Tarjoman利用ANFIS中模糊系统表示明确知识，神经网络对数据进行学习得到隶属函数参数的特性，将ANFIS用于标引图像检索中脑部MRI是否为肿瘤图像，结果显示图像检索正确率达到了98.67%[9]。
Dhanalakshmi等开发出一种计算机辅助诊断工具用于提取各种十二指肠内窥镜图像的描述性特征，并基于不同病变制定决策。其中对特征进行分类的部分由ANFIS完成，得到了满意的检测准确度[7]。Rezatofighi等的研究中应用到ANFIS对眼底照相机所得到的视网膜血管图像进行分类，其所建立的ANFIS模型的分类准确度均比多层感知器建立的模型准确度高[10]。Odeh使用通过荧光技术所获得的皮肤图像，用G-flip提取其特征作为输入，建立皮肤癌ANFIS诊断模型。其研究分为两个阶段，第一个阶段使用ANFIS模型区分皮肤癌及癌前病变与牛皮癣皮肤的图像，分类准确率接近100%，第二个阶段较难，需要ANFIS区分皮肤癌前病变和皮肤癌图像，但分类准确率仍达到92%。该精确度已经足够支持ANFIS模型在该方面的应用[11]。另外，ANFIS还被用于区分骨关节炎和骨质疏松的3D骨微观结构[12]。
1.2 医学信号分析
模糊神经网络善于处理非线性问题的特性使得其越来越多地应用在需要对电信号进行解析的诊断当中，ANFIS在心电图（ECG），脑电图和多普勒信号分析三个方面应用较多。
心电图记录着心脏的电活动，被认为是心脏生理机能的代表信号，有助于心脏病变的诊断。ECG的波形和心率普遍反映了心脏的健康程度，可能包含着心脏疾病的重要指标。然而信号噪声是非线性的，所以传统统计分析方法不能很好地处理这一类波形信息，导致一些潜在有用的信号信息被遗漏[13]。Kannathal充分利用了ANFIS强大的分类功能，利用其对ECG的分析来对心脏异常情况进行分类，精确度在前人研究基础上有所提高，并且分类类型从8类增加至10类[13]。李敏等[4]提出用ANFIS对麻醉信号进行信息融合实现麻醉深度监测的方法，结果表明以ECG信号的非线性动力学参数为输入的ANFIS网络输出差异显著，可作为一种反映麻醉深度的定量指标。记录大脑电活动的脑电图与心电图类似。Subasi在2007年用小波变换的方法提取脑电图中的特征信号，再应用ANFIS建立模型对健康人和癫痫患者的脑电图（EEG）信号进行分类，进而对癫痫发作进行探测。Subasi通过对ANFIS的分析，不仅得到了对癫痫发作探测有影响的特征，而且在对比研究中发现ANFIS模型不论是在训练表现还是在分类精度上都比ANN更胜一筹[14]。
在多普勒信号分析方面，Özkan等用多重信号分类（multiple signal classification）的方法分别提取左右尺动脉多普勒信号特征，再用这些特征建立ANFIS模型对风湿性关节炎进行分类。其中利用右手尺动脉多普勒信号的分类精度达到了95%[15]。Avci等则用主成分分析法筛选出的6个心脏瓣膜多普勒波形建立ANFIS模型，对心脏瓣膜疾病进行分类，对正常和异常对象的分类准确度分别为96.0%和93.1%[16]。
另外Akdemir等还利用主成分分析筛选出的4个视觉诱发电位信号作为输入，建立ANFIS模型对患者的视觉神经疾病进行诊断，分类准确度最高达到98.43%[17]。
1.3 利用特征信息诊断疾病
随着诊断技术的进步，很多输入参数的自动诊断系统已经成为医学技术的重要组成部分，其基本概念就是一个可以学习疾病特征的归纳引擎[5]。ANFIS有强大的学习和分类能力，相比于ANN还能够处理语言型的数据，故很多研究利用患者特征作为输入，将是否患有某种疾病作为输出，诊断疾病。据其研究结果，ANFIS显示出了比神经网络更优的分类能力，有望应用到更多的医疗活动中，以提高诊断效率和准确性，减少假阳性率，从而减少医疗资源的浪费及患者不必要的心理负担。
Polat等采用主要数据分析，降维后再用ANFIS的方法对糖尿病进行自动诊断，研究发现该系统的诊断准确率达到89.47%[18]。Übeyli也将其筛选的年龄、糖耐量试验值等8个临床特征作为输入，建立ANFIS糖尿病诊断模型，总的分类准确率高达98.14%[19]。Dogantekin等[20]的研究与Übeyli相似，也得到了84.61%的分类准确率。这些研究提示ANFIS模型用于糖尿病诊断大有可能。Akgundogdu等利用ANFIS与减法聚类相结合的方法对肾衰竭进行诊断，结果显示ANFIS能从健康人中以100%的准确率区分出肾衰竭患者[5]。
Huang等[21]还将ANFIS成功运用于青光眼的检测中。他们从云层光学相干断层扫描仪（Stratus OTC）得到青光眼相关变量，再将正交阵列提取的特征作为ANFIS的输入。最后他们用建立的ANFIS模型对测试集的研究对象进行检测，得到的受试者工作特征（ROC）曲线下面积提高到0.925，显示出ANFIS在这一领域的应用前景。
1.4 利用特征信息进行预测
利用特征信息建立ANFIS模型对患者的疾病预后、疾病发生和医学指标等进行预测也有研究报道，且应用十分灵活和广泛，目前主要涉及的疾病包括癌症、神经系统疾病、肾脏疾病等，另外还应用于各种生化指标预测、药物剂量预测等。
Baker则利用1969～1999年的患者数据建立ANFIS模型对鼻咽癌的生存率进行预测，预测结果显示，模型对鼻咽癌10年间的预测准确度为52.9%～99.4%[22]。Hamdan等[23]也运用ANFIS预测乳腺癌患者10年生存率，研究者使用诺丁汉预后指数将患者分为低、中、高3组，然后将ANFIS在各组中所得的生存曲线与实际Kaplan-Meier生存曲线进行对比，ANFIS预测的生存曲线均与实际生存曲线大致吻合。2013年，Rabbi发表了一篇利用ANFIS预测癫痫的文章，把患者侵入性脑电图中获取的三个非线性的与癫痫发作相关的预测特征作为输入变量，建立ANFIS模型，模型敏感性最高达80%[24]。Noghabi等应用ANFIS建立了针对特发性全身性癫痫患者丙戊酸钠药物剂量的预测模型，虽然预测准确度不是特别高，但对于特发性全身性癫痫患者的丙戊酸钠治疗已经足够[25]。在血液透析中透析后血尿素浓度是评估透析是否完全的首要指标，它的预测对于真实透析剂量的选定至关重要。Azar利用ANFIS分别对患者透析后血尿素浓度及透析后尿素回弹现象进行预测，模型建立不仅简便，而且预测结果均优于各种传统尿素动力学模型[26-27]。
针对电针镇痛过程中生化指标检验的时滞性、费用高等不足，郝旺身等提出基于ANFIS预测电针镇痛过程中生化指标变化的方法。模型输入源于电针镇痛患者的ECG、EEG等生理电信号及检测的生化指标数据。结果发现预测结果与实际检测结果非常吻合，为电针镇痛过程中生化指标变化预测提供了一种新的方法和思路[28]。另外Amer还成功地将ANFIS应用于测量血液酸度，用二氧化碳分压和碳酸根离子作为模型的输入变量，所得预测值和真实值的相关系数为87.6%。这类模型如果得以应用，则不需使用酸碱度传感器，也会减少用于化学分析的血液标本量[29]。
1.5 其他
此外，ANFIS还被应用于其它医疗实践中，效果满意。如Nunes等[30]发现ANFIS能够优化模糊模型中心率和平均动脉压的参数，从而对在麻醉中使用两种药物（异丙酚和芬太尼）的相互作用效果进行适当描述。这对于保证麻醉中足够的麻醉深度和止痛以及血流动力学稳定都有积极意义。Esmaili Torshabi将ANFIS用于放射治疗中对肿瘤的实时追踪，明显降低了肿瘤追踪错误[31]。
2 展望
另外随着医疗大数据时代的到来，越来越多，越来越大的医学数据库相继建立，比如国际上最具影响力的心胸外科数据库之一的欧洲心脏手术风险评估系统（EuroSCORE）数据库，其涵盖了8个欧洲国家128个研究中心心脏外科的病例资料[32]。四川大学华西医院所建立的中国人心脏瓣膜置换术后低强度抗凝治疗的数据库，搜集了数以万计心脏瓣膜置换术后低强度抗凝患者的各种临床数据，为我国进行心脏瓣膜置换术后低强度抗凝的研究提供了坚实的数据支持[33]。如何将这些海量数据信息转换成对我们有用的知识成为关键。模糊神经网络这一类新兴计算机算法或模型无疑成为应对医疗大数据的利器。虽然模糊神经网络在医疗预测领域的应用目前还比较少，但随着人们对模糊神经网络的理解不断深入及医疗数据挖掘需求的不断增加，必然能将其与医疗活动中各种情况进行有机结合，这将使医疗工作者的视野更加开阔并更具预见性，提高医疗质量。
模糊神经网络是近年新兴的计算机算法，是模糊逻辑和神经网络结合的产物。模糊逻辑是指使用隶属度函数定义的模糊集合。1965年，Zadeh教授首次发表了有关模糊逻辑的论文，他将经典集合与Lukasievicz的多值逻辑结合起来，创立了模糊逻辑理论[1]。模糊逻辑模拟了人类思维模糊性的特点，既可以处理数值型变量也可以处理语言型变量。由于现实生活中很多现象是模糊的，不能用精确的数据进行描述，模糊逻辑的出现扩大了人类处理客观世界信息的范围。特别在1980年以后，模糊逻辑的应用范围逐渐扩展到在智能控制及数据处理的每个应用领域，如照相机、汽车、工厂自动化等等[2]。
以模糊集合理论和模糊推理方法为基础，以模糊逻辑理论为主要计算工具的模糊系统（或模糊推理系统）具有处理模糊信息的能力，能更好地模拟人类模糊综合判断推理的过程，更直观地处理临界案例或不易分类的情况，并通过if-then形式的模糊规则明确表达经验性知识，易于人们理解和接受。模糊系统的建立包括以下3个步骤：（1）模糊化：将清晰的输入值转换为语言原理，由模糊集表示；（2）模糊推理：即模糊规则的计算，定义语言变量间的“if”前提条件和“then”结果；（3）解模糊化：将模糊推理的结果从语言原理转换成清晰的输出值。模糊系统建立过程中，需要人为选定隶属度函数和模糊规则，调节众多参数以得到输入和输出之间高度非线性关系式，这使再有经验的专家也很难胜任。
人工神经网络（artificial neural networks，ANN）是一种模拟大脑神经网络生理结构和功能的计算机算法，由单个神经元通过某种拓扑结构互相连接，具有极强的学习能力和高度并行性。ANN能够通过动态的网络训练快速找出输入变量和输出变量之间的复杂关系，可直接从样本中进行有效学习，且有很好的联想能力和容错能力。正由于这些优点，ANN的研究受到了广泛关注。但ANN不能很好地利用已有经验知识，且学习所获知识通过权值的形式储存在网络中，输入输出关系无法以易于被人们接受的形式表示出来。因此，人们常将ANN比作一个“黑箱”，因为人们无法赋予网络中的各个神经元和权值明确的物理意义，也就不能利用已有的知识来改进网络的结构[3]。
可以看出神经网络和模糊系统存在明显的互补性，将两者结合的产物模糊神经网络(neural-fuzzy system，NFS)应运而生。将具有强大学习能力的神经网络引入到模糊系统当中，采用ANN的学习算法来调整网络的结构参数，自动生成模糊隶属度函数并自动提取出最佳模糊规则，使得模糊系统成为了一种具有学习能力的自适应性系统；同时，将具有逻辑推理功能的模糊系统引入神经网络，可使ANN不仅能够进行精确性联想和映射，也可以实现模糊性联想和映射，ANN处理信息范围大大扩宽，容错能力也进一步提高[4]。简言之，模糊神经网络就是一个使用ANN理论通过处理数据来获得其属性(包括模糊集和模糊规则)，从而产生从数据中获取知识并以模糊规则的形式表达的模糊系统[5]。模糊神经网络对于复杂系统的建模和控制提供了有力的工具。
模糊系统模型主要分为两类：一类是模糊规则的后件是输出量的某一集合，称为模糊系统的标准模型或Mamdani模型；另一类是模糊规则后件是输入语言变量的函数，典型的情况是输入变量的线性组合。该方法由Takagi和Sugeno于1985年提出，故被称为Takagi-Sugeno模型，或简称Sugeno模型。Sugeno模型将去模糊化也结合到模糊推理中，输出量是精确值，具有计算简单，利于数学分析的优点。Jane将Sugeno模糊模型和神经网络相结合，构建了自适应神经模糊推理系统（adaptive neural-fuzzy inference system，ANFIS）[6]。ANFIS采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，其模糊控制的模糊化，模糊推理和去模糊化三个基本部分均由ANN完成，能自动产生if-then规则。ANFIS是近10年模糊神经网络中最有用也是最强大的一种方法，它能够从数据中学习特征并根据误差标准调整系统参数。如果各输入变量划分的模糊集足够多，通过调节网络中的函数可使网络具有以任意精度逼近非线性函数的能力。但ANFIS的弊端在于如果维数过多，其规则会呈几何式增长，造成维数灾难。这可能使模型的准确性降低，甚至无法得出结果。所以很多研究会在应用ANFIS之前对输入变量进行降维处理，常用降维方法有减法聚类，K-means聚类等。
基于ANFIS的易于理解性和操作性，使其在工业领域的应用比较广泛，在医疗领域亦有广阔的应用前景，现介绍该方法的具体应用。
1 自适应神经模糊推理系统在医学领域的应用
医学活动中涉及到很多不能进行精确描述的症状，不清晰的医学影像学信息和难以分析的信号信息。仅依靠医师经验进行模糊判断存在很大主观性，增加了漏诊和误诊的几率。虽然模糊神经网络发展的时间并不长，由于其有处理模糊信息的能力，所以非常适合运用到医学领域。现阶段，模糊神经网络较多地应用在医学影像学和医学信号分析两大方面。另外也有很多基于患者疾病特征利用ANFIS对各种疾病进行诊断和预后的报道。
1.1 在医学影像学领域的应用
许多病变的早期影像学信息非常细微且表现各异，需要医师具备相当的影像学知识和经验。由于需要分析的影像资料非常多，而有经验的放射科医师又相对不足，这导致影像学诊断并不都那么可靠。近年来，电脑辅助诊断系统越来越受到医学影像领域的欢迎，其可以扮演医师为正确识别疾病而对医学图像进行解释时的“第二只眼睛”，帮助医师更早、更容易且更准确地发现和诊断疾病[7]。
目前ANFIS在各种主要的医学影像领域均有一定应用报道，但ANFIS在乳腺X线片和脑部磁共振成像（MRI）两方面应用最多。Mousa等开发出了一种乳腺癌的诊断系统，其中分类阶段采用ANFIS方法。研究表明该方法可以高效自动识别数字乳腺X线片的异常（包括肿块和钙化点）并辨别异常部分的良恶性。其对肿块良恶性判断准确度最高达到93.7%[8]。Tarjoman利用ANFIS中模糊系统表示明确知识，神经网络对数据进行学习得到隶属函数参数的特性，将ANFIS用于标引图像检索中脑部MRI是否为肿瘤图像，结果显示图像检索正确率达到了98.67%[9]。
Dhanalakshmi等开发出一种计算机辅助诊断工具用于提取各种十二指肠内窥镜图像的描述性特征，并基于不同病变制定决策。其中对特征进行分类的部分由ANFIS完成，得到了满意的检测准确度[7]。Rezatofighi等的研究中应用到ANFIS对眼底照相机所得到的视网膜血管图像进行分类，其所建立的ANFIS模型的分类准确度均比多层感知器建立的模型准确度高[10]。Odeh使用通过荧光技术所获得的皮肤图像，用G-flip提取其特征作为输入，建立皮肤癌ANFIS诊断模型。其研究分为两个阶段，第一个阶段使用ANFIS模型区分皮肤癌及癌前病变与牛皮癣皮肤的图像，分类准确率接近100%，第二个阶段较难，需要ANFIS区分皮肤癌前病变和皮肤癌图像，但分类准确率仍达到92%。该精确度已经足够支持ANFIS模型在该方面的应用[11]。另外，ANFIS还被用于区分骨关节炎和骨质疏松的3D骨微观结构[12]。
1.2 医学信号分析
模糊神经网络善于处理非线性问题的特性使得其越来越多地应用在需要对电信号进行解析的诊断当中，ANFIS在心电图（ECG），脑电图和多普勒信号分析三个方面应用较多。
心电图记录着心脏的电活动，被认为是心脏生理机能的代表信号，有助于心脏病变的诊断。ECG的波形和心率普遍反映了心脏的健康程度，可能包含着心脏疾病的重要指标。然而信号噪声是非线性的，所以传统统计分析方法不能很好地处理这一类波形信息，导致一些潜在有用的信号信息被遗漏[13]。Kannathal充分利用了ANFIS强大的分类功能，利用其对ECG的分析来对心脏异常情况进行分类，精确度在前人研究基础上有所提高，并且分类类型从8类增加至10类[13]。李敏等[4]提出用ANFIS对麻醉信号进行信息融合实现麻醉深度监测的方法，结果表明以ECG信号的非线性动力学参数为输入的ANFIS网络输出差异显著，可作为一种反映麻醉深度的定量指标。记录大脑电活动的脑电图与心电图类似。Subasi在2007年用小波变换的方法提取脑电图中的特征信号，再应用ANFIS建立模型对健康人和癫痫患者的脑电图（EEG）信号进行分类，进而对癫痫发作进行探测。Subasi通过对ANFIS的分析，不仅得到了对癫痫发作探测有影响的特征，而且在对比研究中发现ANFIS模型不论是在训练表现还是在分类精度上都比ANN更胜一筹[14]。
在多普勒信号分析方面，Özkan等用多重信号分类（multiple signal classification）的方法分别提取左右尺动脉多普勒信号特征，再用这些特征建立ANFIS模型对风湿性关节炎进行分类。其中利用右手尺动脉多普勒信号的分类精度达到了95%[15]。Avci等则用主成分分析法筛选出的6个心脏瓣膜多普勒波形建立ANFIS模型，对心脏瓣膜疾病进行分类，对正常和异常对象的分类准确度分别为96.0%和93.1%[16]。
另外Akdemir等还利用主成分分析筛选出的4个视觉诱发电位信号作为输入，建立ANFIS模型对患者的视觉神经疾病进行诊断，分类准确度最高达到98.43%[17]。
1.3 利用特征信息诊断疾病
随着诊断技术的进步，很多输入参数的自动诊断系统已经成为医学技术的重要组成部分，其基本概念就是一个可以学习疾病特征的归纳引擎[5]。ANFIS有强大的学习和分类能力，相比于ANN还能够处理语言型的数据，故很多研究利用患者特征作为输入，将是否患有某种疾病作为输出，诊断疾病。据其研究结果，ANFIS显示出了比神经网络更优的分类能力，有望应用到更多的医疗活动中，以提高诊断效率和准确性，减少假阳性率，从而减少医疗资源的浪费及患者不必要的心理负担。
Polat等采用主要数据分析，降维后再用ANFIS的方法对糖尿病进行自动诊断，研究发现该系统的诊断准确率达到89.47%[18]。Übeyli也将其筛选的年龄、糖耐量试验值等8个临床特征作为输入，建立ANFIS糖尿病诊断模型，总的分类准确率高达98.14%[19]。Dogantekin等[20]的研究与Übeyli相似，也得到了84.61%的分类准确率。这些研究提示ANFIS模型用于糖尿病诊断大有可能。Akgundogdu等利用ANFIS与减法聚类相结合的方法对肾衰竭进行诊断，结果显示ANFIS能从健康人中以100%的准确率区分出肾衰竭患者[5]。
Huang等[21]还将ANFIS成功运用于青光眼的检测中。他们从云层光学相干断层扫描仪（Stratus OTC）得到青光眼相关变量，再将正交阵列提取的特征作为ANFIS的输入。最后他们用建立的ANFIS模型对测试集的研究对象进行检测，得到的受试者工作特征（ROC）曲线下面积提高到0.925，显示出ANFIS在这一领域的应用前景。
1.4 利用特征信息进行预测
利用特征信息建立ANFIS模型对患者的疾病预后、疾病发生和医学指标等进行预测也有研究报道，且应用十分灵活和广泛，目前主要涉及的疾病包括癌症、神经系统疾病、肾脏疾病等，另外还应用于各种生化指标预测、药物剂量预测等。
Baker则利用1969～1999年的患者数据建立ANFIS模型对鼻咽癌的生存率进行预测，预测结果显示，模型对鼻咽癌10年间的预测准确度为52.9%～99.4%[22]。Hamdan等[23]也运用ANFIS预测乳腺癌患者10年生存率，研究者使用诺丁汉预后指数将患者分为低、中、高3组，然后将ANFIS在各组中所得的生存曲线与实际Kaplan-Meier生存曲线进行对比，ANFIS预测的生存曲线均与实际生存曲线大致吻合。2013年，Rabbi发表了一篇利用ANFIS预测癫痫的文章，把患者侵入性脑电图中获取的三个非线性的与癫痫发作相关的预测特征作为输入变量，建立ANFIS模型，模型敏感性最高达80%[24]。Noghabi等应用ANFIS建立了针对特发性全身性癫痫患者丙戊酸钠药物剂量的预测模型，虽然预测准确度不是特别高，但对于特发性全身性癫痫患者的丙戊酸钠治疗已经足够[25]。在血液透析中透析后血尿素浓度是评估透析是否完全的首要指标，它的预测对于真实透析剂量的选定至关重要。Azar利用ANFIS分别对患者透析后血尿素浓度及透析后尿素回弹现象进行预测，模型建立不仅简便，而且预测结果均优于各种传统尿素动力学模型[26-27]。
针对电针镇痛过程中生化指标检验的时滞性、费用高等不足，郝旺身等提出基于ANFIS预测电针镇痛过程中生化指标变化的方法。模型输入源于电针镇痛患者的ECG、EEG等生理电信号及检测的生化指标数据。结果发现预测结果与实际检测结果非常吻合，为电针镇痛过程中生化指标变化预测提供了一种新的方法和思路[28]。另外Amer还成功地将ANFIS应用于测量血液酸度，用二氧化碳分压和碳酸根离子作为模型的输入变量，所得预测值和真实值的相关系数为87.6%。这类模型如果得以应用，则不需使用酸碱度传感器，也会减少用于化学分析的血液标本量[29]。
1.5 其他
此外，ANFIS还被应用于其它医疗实践中，效果满意。如Nunes等[30]发现ANFIS能够优化模糊模型中心率和平均动脉压的参数，从而对在麻醉中使用两种药物（异丙酚和芬太尼）的相互作用效果进行适当描述。这对于保证麻醉中足够的麻醉深度和止痛以及血流动力学稳定都有积极意义。Esmaili Torshabi将ANFIS用于放射治疗中对肿瘤的实时追踪，明显降低了肿瘤追踪错误[31]。
2 展望
另外随着医疗大数据时代的到来，越来越多，越来越大的医学数据库相继建立，比如国际上最具影响力的心胸外科数据库之一的欧洲心脏手术风险评估系统（EuroSCORE）数据库，其涵盖了8个欧洲国家128个研究中心心脏外科的病例资料[32]。四川大学华西医院所建立的中国人心脏瓣膜置换术后低强度抗凝治疗的数据库，搜集了数以万计心脏瓣膜置换术后低强度抗凝患者的各种临床数据，为我国进行心脏瓣膜置换术后低强度抗凝的研究提供了坚实的数据支持[33]。如何将这些海量数据信息转换成对我们有用的知识成为关键。模糊神经网络这一类新兴计算机算法或模型无疑成为应对医疗大数据的利器。虽然模糊神经网络在医疗预测领域的应用目前还比较少，但随着人们对模糊神经网络的理解不断深入及医疗数据挖掘需求的不断增加，必然能将其与医疗活动中各种情况进行有机结合，这将使医疗工作者的视野更加开阔并更具预见性，提高医疗质量。