摘要： 目的  建立基于人工神经网络（ANN）的卵巢早衰（POF）预测模型——多层向前神经网络模型，以期提高POF临床诊断总符合率。方法  2011年1-3月选取武汉市白玉山街所管辖的6个社区内符合纳入标准的妇女341例为研究对象。2011年5月-2016年6月，每隔4个月对研究对象进行1次来院随访，随访至其40岁。随访过程中2例研究对象行子宫切除术，2例服用性激素治疗，失访21例，均予以剔除，最终共纳入316例研究对象。采用无偏随机化分配法将316例研究对象分为训练样本（177例）、检验样本（44例）和坚持样本（95例）。设置输入参数为A型行为、腮腺炎病史、妇科手术史、使用促排卵药物史、婚育史、卵泡刺激素（FSH）、FSH/黄体生成素（LH）、抗苗勒管激素（AMH）、抑制素B（INHB）、窦状卵泡数（AFC）、收缩期峰流速（PSV）、阻力指数（RI）；输出参数为"是否发生POF"。通过训练样本进行模型构建，检验样本对模型进行校正，坚持样本对模型进行稳定性检测。结果  ANN经过剔除"冗余"后，自动构建出输入单元（12个）、单隐层（6个节点）和激活函数（hyperbolic tangent）、输出单元（2个）和激活函数（softmax）的模型。训练样本的交叉熵误差值为53.236，在预测误差未减少时终止测试，训练时间为0.42 s。影响权重在前5位的输入参数分别为AMH（26.3%）、INHB（24.1%）、AFC（21.7%）、A型行为（7.2%）、妇科手术史（6.5%）。多层向前神经网络模型预测训练样本、检验样本、坚持样本发生POF的灵敏度分别为97.8%、91.7%和92.0%，特异度分别为92.4%、84.4%和80.0%，总符合率分别为93.8%、86.4%和83.2%。在训练样本和检验样本的基础上，得到多层向前神经网络模型预测POF的受试者工作特征曲线下面积（AUC）为0.972。结论  基于ANN构建的POF预测模型——多层向前神经网络模型具有较高临床诊断总符合率，不仅为临床高效诊断及优化检查提供理论基础和方法支持，而且为实现早防早治提供机会，值得临床推广。

关键词: 原发性卵巢功能不全, 卵巢功能早衰, 神经网络(计算机), 预测