基于模糊神經(jīng)網(wǎng)絡(luò)的抑郁癥智能診斷研究

張玉韜，田 軍，王修來

0 引 言

隨著生活節(jié)奏的加快和工作壓力的增大，抑郁癥患病率日漸升高［1］，發(fā)病率為 3%～5%［2］，嚴(yán)重影響生活質(zhì)量［3］。而基層醫(yī)院對抑郁癥治療缺乏足夠的臨床經(jīng)驗，對其癥狀缺乏一定的識別能力，易錯過對抑郁癥的早期診斷和治療。

目前，對抑郁癥的篩查大多以量表的形式進行，如漢密爾頓焦慮量表(Hamilton Anxiety Scale，HAMA)［4］、抑 郁 自 評 量 表 (Self-rating Depression Scale，SDS)、患者健康問卷 PHQ-2 和 PHQ-9［5］等。但量表種類繁多，容易引起被篩查者的困惑。近年來，隨著人工智能技術(shù)的發(fā)展，在醫(yī)學(xué)領(lǐng)域已有許多研究將神經(jīng)網(wǎng)絡(luò)的方法運用到臨床疾病診斷中［6-7］。劉俐等［8］針對新生兒缺氧缺血性腦病構(gòu)建了基于臨床綜合指標(biāo)的模糊BP神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)，測試樣本正確識別率達到95%。陳若珠等［9］采用BP神經(jīng)網(wǎng)絡(luò)理論構(gòu)建骨質(zhì)疏松診斷分診模型，并通過實例驗證了該方法的可行性和準(zhǔn)確性。在抑郁癥分診方面，也有學(xué)者構(gòu)建了基于模糊神經(jīng)網(wǎng)絡(luò)的抑郁癥分診系統(tǒng)，但主要是針對抑郁癥嚴(yán)重程度的判斷，沒有對正常案例進行探討。本文基于模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建抑郁癥的智能診斷系統(tǒng)，被篩查者通過選擇輸入符合自身情況的一組臨床癥狀，由神經(jīng)網(wǎng)絡(luò)進行模糊化處理，并通過智能分析得出相對科學(xué)、全面和合理的結(jié)論，為被篩查者和醫(yī)師提供初步的診斷結(jié)果。

1 基于模糊神經(jīng)網(wǎng)絡(luò)的抑郁癥智能診斷系統(tǒng)的構(gòu)建

1.1 抑郁癥診斷指標(biāo)的選擇 抑郁癥的表現(xiàn)主要有2個方面:心理癥狀和軀體癥狀［10］。以往研究中關(guān)于抑郁癥的癥狀指標(biāo)和本文選取的癥狀指標(biāo)，見表1。

表1 抑郁癥癥狀指標(biāo)選擇Table 1 Index selection of depression symptom

將以上 7 種主要癥狀分別記為 p1、p2、p3、p4、p5、p6、p7即網(wǎng)絡(luò)的輸入，每種癥狀根據(jù)患者感受有3種輸入(0、1、2)。0表示沒有出現(xiàn)該癥狀，1表示偶爾出現(xiàn)該癥狀，2表示經(jīng)常出現(xiàn)該癥狀。記d1、d2為網(wǎng)絡(luò)的輸出，d1=0、d2=0表示正常，沒有抑郁癥;d1=1、d2=0表示有輕度抑郁癥;d1=0、d2=1表示有重度抑郁癥。

1.2 基于模糊神經(jīng)網(wǎng)絡(luò)診斷抑郁癥的步驟

1.2.1 確定網(wǎng)絡(luò)第Ⅰ層的輸入變量 網(wǎng)絡(luò)的輸入變量個數(shù)為癥狀的種類數(shù)，輸入量為對應(yīng)癥狀的嚴(yán)重程度。選取一定數(shù)量的癥狀-疾病樣本集S，并將S劃分為兩個子集S1和S2，其中S1作為模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練子集，S2作為檢驗子集。

1.2.2 確定網(wǎng)絡(luò)第Ⅱ?qū)拥墓?jié)點數(shù)量 將第Ⅰ層的7個輸入癥狀進行模糊化處理，每個輸入變量分為2個子空間，則第Ⅰ層每個輸入變量就有2個模糊化神經(jīng)元與其在2個模糊子空間對應(yīng)的隸屬函數(shù)值對應(yīng)，那么，第Ⅱ?qū)拥墓?jié)點數(shù)量為第Ⅰ層節(jié)點數(shù)量的2倍。

1.2.3 確定網(wǎng)絡(luò)第Ⅲ層的節(jié)點數(shù)量 該層對應(yīng)于普通BP神經(jīng)網(wǎng)絡(luò)的隱含層，目前，確定隱結(jié)點的常用方法是在已有經(jīng)驗公式上進行試湊，常見的經(jīng)驗公式主要有［14］:

其中，q為隱含層節(jié)點數(shù)量，p1為輸入層節(jié)點數(shù)量，p2為輸出層節(jié)點數(shù)量，a為［0，10］之間的常數(shù)。

按照公式，首先設(shè)置較少的結(jié)點數(shù)訓(xùn)練網(wǎng)絡(luò)，然后逐步增加結(jié)點，每增加1個結(jié)點后，通過學(xué)習(xí)訓(xùn)練，如果引起判斷準(zhǔn)確性的下降，則采用未增加前的結(jié)點數(shù)。

1.2.4 第Ⅳ層節(jié)點數(shù)量為癥狀判斷的分類 輸出的數(shù)值代表是否患有抑郁癥及患抑郁癥嚴(yán)重程度的可信度。

1.2.5 訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò) 運用S1中的癥狀-疾病樣本對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，為了達到預(yù)先設(shè)定的MSE的精度，不斷修正各層權(quán)值，使BP網(wǎng)絡(luò)的輸出值與目標(biāo)值疾病不斷逼近。

1.2.6 數(shù)據(jù)檢驗 將S2中的癥狀作為輸入，將輸出值S2中的實際疾病值進行比較，對神經(jīng)網(wǎng)絡(luò)進行檢驗并進行誤差分析。具體流程見圖1。

圖1 模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建及訓(xùn)練流程圖Figure 1 The diagram of the fuzzy neutral network and the training flow

1.3 模糊神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 用Matlab 7.0軟件中的神經(jīng)網(wǎng)絡(luò)工具箱，構(gòu)建神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)第Ⅰ層節(jié)點數(shù)為7;根據(jù)1.2.2的闡述，第Ⅱ?qū)庸?jié)點數(shù)為14;根據(jù)1.2.3的公式，通過試算，確定第Ⅲ層節(jié)點數(shù)為16、第Ⅳ層節(jié)點數(shù)為2。網(wǎng)絡(luò)結(jié)構(gòu)見圖2。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Figure 2 The diagram of the fuzzy neutral network structure

1.4 選取樣本 共選取20個樣本數(shù)據(jù)，其中15個樣本作為模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練子集S1，5個樣本作為檢驗子集S2，用于對訓(xùn)練好的網(wǎng)絡(luò)的檢驗。S1中樣本見表2。

表2 模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本Table 2 Training samples of fuzzy neutral network

1.5 訓(xùn)練網(wǎng)絡(luò) 用Matlab 7.0軟件中的神經(jīng)網(wǎng)絡(luò)工具箱進行BP網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練步數(shù)設(shè)為1000。訓(xùn)練結(jié)果見圖3?？梢钥吹?，訓(xùn)練步數(shù)達到1000時，目標(biāo)誤差僅為10-12。

圖3 模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖Figure 3 The diagram of fuzzy neutral network training

1.6 數(shù)據(jù)檢驗 用S2中的數(shù)據(jù)進行檢驗，結(jié)果見表3。

表3 模糊神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)檢驗結(jié)果Table 3 Test results of the fuzzy neutral network

2 討 論

由表2中數(shù)據(jù)可以看出，模糊神經(jīng)網(wǎng)絡(luò)的輸出值與目標(biāo)輸出之間誤差很小(平均誤差為1.67e-04)，且誤差不影響對疾病的判別，用模糊神經(jīng)網(wǎng)絡(luò)進行抑郁癥的篩選和分類，準(zhǔn)確率比較高。

與目前常用的篩選抑郁癥與測試量表相比，建立基于模糊神經(jīng)網(wǎng)絡(luò)的智能專家診斷系統(tǒng)可以對患者輸入的模糊信息進行處理，相對便捷，且能使診斷結(jié)論建立在學(xué)習(xí)以往病例的基礎(chǔ)上，模擬醫(yī)師臨床診斷時運用直覺和模糊推斷的功能自動生成，因此，基于模糊神經(jīng)網(wǎng)絡(luò)的抑郁癥自動篩選方法是繼承了以往醫(yī)師臨床診斷經(jīng)驗，比抑郁癥自測量表更能反應(yīng)臨床診斷信息。

神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)特點，使得隨著病案數(shù)量的增加，數(shù)據(jù)的覆蓋面越大，其中蘊含的疾病本身的規(guī)律性就越強，利用神經(jīng)網(wǎng)絡(luò)從中抽取的函數(shù)關(guān)系就越具普遍性，診斷的準(zhǔn)確性就越高。因此，運用模糊神經(jīng)網(wǎng)絡(luò)進行抑郁癥的篩選，其準(zhǔn)確性會隨病案數(shù)的增加而不斷提高。

隨著抑郁癥患病率的不斷上升，抑郁癥將成為我國日益嚴(yán)重的公共衛(wèi)生問題，預(yù)計到2020年抑郁癥患病率將上升為第2位，僅次于冠心病［10］。而由于患者的心理問題很容易被身體和表面癥狀掩蓋，或不愿向醫(yī)師表達心理問題，導(dǎo)致抑郁癥的識別率不高。本文構(gòu)建的基于模糊神經(jīng)網(wǎng)絡(luò)方法的抑郁癥篩選診斷方法可以為患者提供便捷的自評方法。此外，隨著模糊神經(jīng)網(wǎng)絡(luò)方法在醫(yī)學(xué)領(lǐng)域的推廣，該方法將在更多類規(guī)律性較強的疾病診斷方面發(fā)揮作用。

3 結(jié) 語

本文構(gòu)建了基于模糊神經(jīng)網(wǎng)絡(luò)的抑郁癥智能診斷模型，該模型以BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，在神經(jīng)網(wǎng)絡(luò)的輸入層之前加入一層模糊化層，對輸入信息進行模糊化處理。通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，使其能夠自動獲取模糊規(guī)則和判斷規(guī)則，并以權(quán)值和閾值的形式存儲于網(wǎng)絡(luò)中，從而使構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)能夠?qū)δ：畔⑦M行處理。從案例檢驗的結(jié)果來看，該方法具有較高的準(zhǔn)確性，且診斷速度較快。該方法可以為不方便及時到達醫(yī)院的患者提供初步診斷的依據(jù)，也可以實現(xiàn)輔助診斷的功能。

［1］ 劉貽德.抑郁癥診斷標(biāo)準(zhǔn)的探討［J］.臨床誤診誤治，2009，22(11):1-2.

［2］ 宋志偉，馮磊光，王金力，等.MTHFR基因多態(tài)性、Hcy與重性抑郁癥的關(guān)聯(lián)研究［J］.醫(yī)學(xué)研究生學(xué)報，2010，23(9):934-937.

［3］ 王 楠，張廣芬，周志強，等.谷氨酸受體在抑郁癥中的作用［J］.醫(yī)學(xué)研究生學(xué)報，2012，25(3):304-307.

［4］ 魏倩倩，焦志安，高 進，等.焦慮癥狀對抑郁癥治療效果的影響［J］.山東大學(xué)學(xué)報(醫(yī)學(xué)版)，2012，50(9):113-117.

［5］ 周淑新，李爾曼.篩查抑郁癥［J］.中國全科醫(yī)學(xué)，2012，15(31):3575-3577.

［6］ Ahmed FE.Artificial neural networks for diagnosis and survival prediction in colon cancer［J］.Mol Cancer，2005，4(1):29-35.

［7］ Tsumoto S.Knowledge discovery in clinical database and evaluation of discovered knowledge in outpatient clinic［J］.Information Sci，2004，124(4):125-137.

［8］ 劉 俐，霍麗琴，張 峰，等.模糊BP神經(jīng)網(wǎng)絡(luò)在新生兒HIE早期診斷中的應(yīng)用研究［J］.生物醫(yī)學(xué)工程雜志，2011，28(4):814-818，829.

［9］ 陳若珠，楊紫娟，韋 哲.基于BP神經(jīng)網(wǎng)絡(luò)的骨質(zhì)疏松疾病的診斷分類模型［J］.醫(yī)療衛(wèi)生裝備，2011，32(8):9-11.

［10］ 高賽男，沈新華，徐炯炯.抑郁癥患者的首次就診模式選擇及臨床特點研究［J］.中國全科醫(yī)學(xué)，2012，15(20):2274-2276.

［11］ 邵 鈞.針對一例患有抑郁癥的中國學(xué)生的診斷和治療［J］.中國全科醫(yī)學(xué)，2012，15(28):3211-3212.

［12］ 方 瑩.基于模糊BP神經(jīng)網(wǎng)絡(luò)的抑郁癥分診系統(tǒng)［J］.陜西理工學(xué)院學(xué)報(自然科學(xué)版)，2010，26(2):22-24，39.

［13］ 侯艷姣，李可建，李玉真，等.抑郁癥現(xiàn)代文獻梳理［J］.遼寧中醫(yī)雜志，2012，39(8):1500-1501.

［14］ 喬俊飛.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)優(yōu)化設(shè)計的分析與展望［J］.控制理論與應(yīng)用，2010，27(3):350-356.