肺癌是当今世界各国常见的恶性肿瘤,已成为大多数国家癌症死亡的主要原因。在我国,肺癌的发病率已由原来的第六位升至第一位,病死率在城市人口恶性肿瘤中居首位。在农村,升幅明显大于城市,尤以农村女性的增长趋势较为突出。由于肺癌早期无症状或症状轻微或与其它疾病症状类似,不易发现,待到发现时已有转移。所以,早期诊断具有重要的价值,对治疗计划有很重要的影响。因此,提高早期肺癌的检出率是提高患者生存率和降低死亡率的必要手段。本文回顾了肺癌诊断的历史现状,在此基础上,介绍并讨论了人工神经网络和模糊理论的结合——模糊神经网络。由于人工神经网络是基于人脑的计算机模型,具有良好的自适应性、自组织和很强的自学习能力,是数据分类和模式识别的有力工具。而模糊理论能更直接更自然地表达人类习惯用的逻辑含义,适用于直接的或高层的知识表达。将二者结合用于早期肺癌诊断,为肺癌诊断开辟一条新途径。本课题以从胸部CT片中提取的21项放射学特征和5个临床参数为基础,旨在提高早期肺癌的检出率,使诊断结果更加准确。方法：选用隶属度函数为高斯型的模糊神经网络用于肺癌诊断,将26个特征参数中的13个非二值变量进行模糊化处理,每个参数分为3个模糊子空间,用大(L)、中(M)、小(S)3个语言变量表示,每一个输入变量就有3个模糊化神经元与其在3个子空间对应的隶属度函数对应,然后和其它13个二值参数一起作为BP神经网络的输入。将所获得的117例病例样本随机分为训练集和测试集,训练模糊神经网络,选择合适的隐节点数。用测试集测试该网络区分肺癌和非肺癌的能力,并将结果与三角形隶属度函数模糊神经网络的测试结果进行比较。结果：对于早期肺癌的预测,高斯型隶属度函数模糊神经网络的虚警和漏检率较低,比作为对照的三角形隶属度函数模糊神经网络诊断正确率有所提高。高斯型隶属度函数模糊神经网络4例错误(良性5、6例,肺癌36、38例),而三角形隶属度函数模糊神经网络有5例错误,除上述4例外,肺癌中又增加第28例。高斯型隶属度函数模糊神经网络的总诊断正确率为91%,比三角形隶属度函数模糊神经网络高出3个百分点,而且对病例样本分组变化不敏感。因此,高斯型隶属度函数模糊神经网络更适用于肺癌诊断。