比较神经网络模型（NNM）与多元线性回归（MLR）预测CT肺栓塞指数的能力。

回顾性搜集2015年3月至2016年7月西安交通大学第一附属医院急性肺栓塞患者147例（男79例，女68例），采用随机表法按3∶1分为训练样本和测试样本。所有患者均进行CT肺动脉成像（CTPA），计算机辅助得到每例患者的栓子总体积（V）、栓子附壁总长度（L）、栓子断面栓塞程度总和（D）及栓子总数（N），人工判读得到Qanadli指数作为CT肺栓塞指数（Q）。借助SPSS 14.2 Modeler，以Qanadli指数为因变量，Ⅴ、L、D和N为自变量，分别利用MLR和NNM计算Qanadli指数预测值（

）。使用SPSS 22.0 Spearman相关分析比较两种模型的Qanadli实际值与预计值的相关性，使用平均绝对误差（MAE）、平均相对误差（MRE）和均方根误差（RMSE）比较两种模型的精确程度。

MLR方程：

=10.98+1.37×V+0.06×L，模型拟合度为0.764。NNM：隐层1层，隐藏神经元2个，模型准确性0.868。训练样本中，NNM计算得到

与Q的相关系数（r=0.932，P<0.01）高于MLR（r=0.879，P<0.01）；验证样本中，NNM得到

与Q的相关系数（r=0.875，P<0.01）也高于MLR（r=0.868，P<0.01）。训练样本中，NNM得到的MAE（5.144）、MRE（0.274）和RMSE（6.957）均低于MLR得到的MAE（6.784）、MRE（0.282）和RMSE（8.700），差异具有统计学意义（t=3.402, P=0.002）；测试样本中，NNM得到的MAE（6.643）、MRE（0.312）和RMSE（9.195）低于MLR得到的MAE（8.505）、MRE（0.334）和RMSE（10.361），差异具有统计学意义（t=3.383, P=0.001）。

NNM较MLR能更好地预测急性肺栓塞的CT肺栓塞指数。