基于案例推理的高血壓輔助診療方法研究

王 蕾，蔣喬薇，王新宴，張莎莎，王 樅

基于案例推理的高血壓輔助診療方法研究

王 蕾，蔣喬薇，王新宴，張莎莎，王 樅

針對高血壓臨床診療過程中的案例數(shù)據(jù)進(jìn)行處理與分析，提出基于案例推理的高血壓輔助診療方法。對高血壓復(fù)雜的案例數(shù)據(jù)進(jìn)行整理分析，提取案例中的關(guān)鍵癥狀作為特征屬性構(gòu)成案例模版，對高血壓案例的癥狀進(jìn)行創(chuàng)新特征表達(dá)，并提出一種快速案例推理的檢索方法。根據(jù)病理原理以及數(shù)據(jù)分析提出采用內(nèi)省學(xué)習(xí)方法，不斷學(xué)習(xí)案例癥狀屬性的權(quán)重，實現(xiàn)更高效、更準(zhǔn)確的案例匹配。輔助診療方法提高了案例推理的準(zhǔn)確率與高效性，有助于提高高血壓輔助診療的自動化水平。

案例推理；高血壓；輔助診療；案例檢索；多屬性決策

高血壓是我國常見的慢性病之一，1991年我國約有9 000萬高血壓患者，目前我國高血壓患者人數(shù)已經(jīng)高達(dá)3.3億，患病人群多為40～50歲，近年來更有年輕化趨勢[1]。高血壓極易發(fā)展為心腦血管疾病，引起卒中、心肌梗死或腎功能不全等嚴(yán)重并發(fā)癥，危害人類健康。

案例推理是一種很重要的類比推理方法，案例推理的基本思想是利用已有的解決類似問題的經(jīng)驗案例進(jìn)行推理求解新問題，即目標(biāo)案例[2]。案例推理發(fā)展于1980年，是應(yīng)用于人工智能領(lǐng)域中一種較新的問題求解和機(jī)器學(xué)習(xí)方法。目前案例推理系統(tǒng)已經(jīng)廣泛應(yīng)用于機(jī)械行業(yè)、工業(yè)設(shè)計、天氣預(yù)報等諸多領(lǐng)域，且得到越來越多的關(guān)注[3]。在醫(yī)療領(lǐng)域中由于醫(yī)療數(shù)據(jù)的復(fù)雜性和特殊性，案例推理的應(yīng)用尚沒有達(dá)到理想的效果，已經(jīng)研發(fā)出的案例推理系統(tǒng)大多應(yīng)用于中醫(yī)診斷，尚缺少在臨床方面案例推理的應(yīng)用。同時，在案例推理系統(tǒng)中，案例檢索是非常重要的，檢索策略的合理性與否直接影響整個輔助診療系統(tǒng)的實現(xiàn)效果。其中，以相似度為基礎(chǔ)的最近鄰策略得到廣泛關(guān)注，很多文獻(xiàn)都討論了屬性間權(quán)重分配問題，比如遺傳算法[4]、信息熵等[5-7]。即使當(dāng)前醫(yī)療技術(shù)處于不斷發(fā)展之中，某些參數(shù)的屬性權(quán)重可能需要改變[8]，但在使用這些算法時一旦系統(tǒng)確定了權(quán)重便不能再輕易調(diào)整。于是，將權(quán)重優(yōu)化內(nèi)省學(xué)習(xí)方法引入案例推理系統(tǒng)中，通過檢查系統(tǒng)自身的屬性權(quán)重邏輯來改進(jìn)權(quán)重帶來的問題，實現(xiàn)系統(tǒng)自我學(xué)習(xí)、權(quán)重修正策略，便可以提高系統(tǒng)的檢索準(zhǔn)確率。本研究根據(jù)高血壓的目標(biāo)案例與案例庫中的案例檢索對比分析，以發(fā)現(xiàn)案例之間的相似度，達(dá)到臨床輔助診療的效果。

1 高血壓案例推理流程

在案例推理系統(tǒng)中，當(dāng)遇到新的案例時，在案例庫中檢索最接近的案例，并推薦醫(yī)生采用源案例的解決方法來處理目標(biāo)案例，達(dá)到輔助診療的目的。如果案例庫中檢索不到相類似的案例，則人工提出解決方法，并將該案例和新的處理方法存儲到知識庫中，從而完成學(xué)習(xí)過程。案例推理系統(tǒng)的設(shè)計包含案例表示、案例檢索、案例重用、案例修正和案例保存5個部分。系統(tǒng)運行的模型見圖1。

圖1 高血壓案例推理模型

2 高血壓案例特征向量表示及輔助診療案例庫設(shè)計

2.1 案例癥狀特征向量表示 高血壓患者的病例癥狀數(shù)據(jù)類型可以分為確定數(shù)值型、二元變量型數(shù)值、模糊多概念型數(shù)值以及區(qū)間型數(shù)值4類。

2.1.1 確定數(shù)值型 所記錄的癥狀屬性信息值是連續(xù)型的、離散的，取其實際值作為特征值，表達(dá):

其中，a為常數(shù)，但在計算確定數(shù)值型相似度時，取值范圍大的屬性對相似度的影響肯定高于取值范圍小的屬性，為了解決該問題，即要對各個屬性的數(shù)值大小進(jìn)行規(guī)格化統(tǒng)一。規(guī)格化的做法即是將案例中的各個屬性值按照比例映射到統(tǒng)一的區(qū)間，這樣就可以平衡案例中不同屬性數(shù)值大小范圍的影響。映射公式:

其中，max(xk)和min(xk)表示對某屬性中所有特征描述的第k個屬性的最大值與最小值。在高血壓案例推理系統(tǒng)中，有關(guān)血壓檢查的很多數(shù)據(jù)都屬于確定數(shù)值型，如患者年齡、血常規(guī)檢查、血糖檢查等。

2.1.2 二元變量型數(shù)值 即癥狀描述可以用明確的“是”“不是”或者“有”“沒有”來表示結(jié)果。其參數(shù)化定義為:

高血壓案例癥狀描述中很多屬性具有2種變量值，類似布爾值，如患者的性別、尿蛋白檢查結(jié)果用“＋”“－”表示等情況，同樣可以認(rèn)為是二元變量型數(shù)據(jù)。

2.1.3 模糊多概念型數(shù)值 模糊多概念是指該癥狀描述沒有確定的數(shù)量等級，而是用一系列定性的描述來表示其結(jié)果。例如在高血壓案例描述中，患者的腦血管病史可能會有腦出血、缺血性卒中、短暫性腦缺血發(fā)作等多種結(jié)果。采用抽象化模糊集和歸一化模糊集方式來確定模糊多概念屬性的特征值。

2.1.3.1 抽象化模糊集 將相應(yīng)的癥狀描述屬性首先轉(zhuǎn)化為特征值集合描述{0，1，2，3，4}等這樣按順序?qū)?yīng)的數(shù)字集合，0代表該癥狀正常，1等其他數(shù)字代表病情的嚴(yán)重程度逐步加重。

2.1.3.2 歸一化模糊集 經(jīng)過第一步抽象模糊轉(zhuǎn)化將癥狀屬性描述的字符轉(zhuǎn)化為有一定順序規(guī)律的模糊集，對于模糊集可以將其通過某種方法映射為值域在[0，1]上的一個映射。定義為:

其中，x為描述原癥狀的取值，n為描述原癥狀個數(shù)，xk為經(jīng)過關(guān)系映射后得到的表征該癥狀的新的取值。經(jīng)過映射之后，原模糊多屬性元素均在區(qū)間[0，1]上，并且當(dāng)該癥狀描述為多個屬性時，癥狀描述采用相加計算得到癥狀表征描述。

2.1.4 區(qū)間型數(shù)值 某些癥狀的描述結(jié)果通常由一段區(qū)間變量表示，高血壓案例中一般沒有這類區(qū)間型數(shù)據(jù)，所以暫不考慮。

2.2 高血壓輔助診療案例庫設(shè)計 案例庫用于存儲案例源，高血壓癥狀屬性數(shù)據(jù)較多，選擇其中權(quán)重較大的17個代表癥狀屬性為例進(jìn)行分析。各個特征屬性的表達(dá)方式以及取值范圍如:①高血壓等級，分別為正常、1級、2級、3級；②性別，男性(1)、女性(0)；③年齡，數(shù)值型；④吸煙，是(1)、否(0)；⑤尿蛋白，有＋(1)、沒有－(0)；⑥腹型肥胖，有(1)、沒有(0)；⑦血常規(guī)血紅蛋白，數(shù)值型；⑧血常規(guī)白細(xì)胞計數(shù)，數(shù)值型；⑨早發(fā)心血管病家族史，有(1)、無(0)；⑩尿糖，檢查結(jié)果一共有5種，包括不變(－)、微量(＋)、少量(＋＋)、中量(＋＋＋)、大量(＋＋＋＋)；?血清鐵，數(shù)值型；?血清鐵蛋白，數(shù)值型；?腦血管病史，沒有該疾病史、腦出血與缺血性卒中、短暫性腦缺血發(fā)作；?心臟疾病，沒有該疾病史、心肌梗死史、心絞痛、冠狀動脈血運重建史、慢性心力衰竭；?腎功能受損，有(1)、沒有(0)；?糖尿病腎病，有(1)、沒有(0)；?空腹血糖，數(shù)值型。

高血壓診斷性評估分類包括3個方面:①確定患者血壓水平以及其他心血管危險因素；②判斷患高血壓的病因，明確有無繼發(fā)性高血壓；③尋找靶器官損害以及相關(guān)臨床情況[9]。

3 高血壓案例檢索

在案例推理系統(tǒng)中，案例檢索的方法直接關(guān)系到整個高血壓輔助診療系統(tǒng)的性能，因此案例檢索的匹配率是輔助診療系統(tǒng)的關(guān)鍵問題。案例檢索的目的是為了快速有效地從案例庫中找到與新的問題描述最相似的案例[10]。在案例檢索算法中，使用最廣泛的是以相似度為基礎(chǔ)的最近鄰檢索方法，但此種計算方法對于案例庫中相關(guān)性不大的數(shù)據(jù)比較敏感。高血壓輔助診療系統(tǒng)中要考慮的因素眾多，指標(biāo)權(quán)重不同，在案例檢索過程中，不同的屬性權(quán)重會直接影響案例之間的相似度計算結(jié)果，進(jìn)而影響輔助診療系統(tǒng)的評判結(jié)果。

3.1 癥狀的特征向量局部相似度計算 根據(jù)上述高血壓案例結(jié)構(gòu)定義的癥狀特征描述數(shù)據(jù)類型的不同，分別定義不同數(shù)據(jù)類型的局部相似度計算公式，從而避免數(shù)據(jù)類型不同不具備可比性的問題。例如，案例庫中存在2個案例分別定義為X＝[x1，x2，…xk，…，xn]和Y＝[y1，y2，…yk，…，yn]。

3.1.1 確定數(shù)值型相似度計算 數(shù)值型的相似度計算公式:

3.1.2 二元變量型相似度計算

3.1.3 模糊多概念型相似度計算 對于模糊多概念型數(shù)據(jù)類型，由上文可知，對于模糊集在[0，1]上的隸屬度，可以用它們自身的隸屬度之差來表示2個案例之間模糊多概念型相似程度[11]，因此可以定義:

3.2 高血壓癥狀特征向量全局案例相似度計算若案例庫中存在2個案例X、Y則可根據(jù)上文所述將每個案例的記錄屬性值根據(jù)數(shù)據(jù)類型的不同選擇相似度函數(shù)計算案例的局部屬性相似度，然后根據(jù)最近鄰算法歐氏距離[12]的相似度定義計算全局案例相似度:

3.3 權(quán)重的內(nèi)省學(xué)習(xí) 在上述公式中對每個指標(biāo)采用的是相同權(quán)重匹配案例庫中的案例，而權(quán)重分配的不同會得到不同的相似度計算結(jié)果，進(jìn)而影響案例匹配的準(zhǔn)確性。權(quán)重的調(diào)整方式是內(nèi)省學(xué)習(xí)中比較關(guān)鍵的方法，最基本的方法是加減或乘除一個固定量。根據(jù)2個案例相同屬性的描述，將案例分為癥狀匹配屬性和癥狀不匹配屬性。

設(shè)有2個案例X＝[x1，x2，…xk，…，xn]和Y＝[y1，y2，…yk，…，yn]，若滿足則稱案例X，Y的第k個癥狀屬性匹配，否則稱為癥狀不匹配屬性。其中δmatch為判斷屬性是否匹配的閾值，表示2個案例同一屬性的接近程度[13-14]。

權(quán)重學(xué)習(xí)策略基于內(nèi)省學(xué)習(xí)原理:

(1)當(dāng)多條案例與目標(biāo)案例匹配成功時，癥狀匹配屬性的權(quán)重增加，以此增加案例X，Y匹配的相似度。

(2)當(dāng)多條案例與目標(biāo)案例匹配成功時，不匹配屬性的權(quán)重減少，以此增加案例X，Y的匹配相似度。

權(quán)重增加:

權(quán)重減少:

其中，ωk(t)是第k個屬性第t次迭代的權(quán)重；ωk(t＋1)是第k個屬性第t＋1次迭代的過程權(quán)重決定權(quán)重的變化量，m是案例中屬性的個數(shù)。當(dāng)一條案例所有的權(quán)重都被調(diào)整之后，為保證所有屬性的權(quán)重之和為1，則需要進(jìn)行歸一化操作:

其中，ωk(t＋1)′是第k個屬性第t＋1次迭代的最終權(quán)重。權(quán)重迭代計算時，要確定權(quán)重是有界的，即權(quán)重過程是收斂的[15]。

3.4 案例保存 案例保存是整個案例推理系統(tǒng)的學(xué)習(xí)過程之一，保障了系統(tǒng)的自學(xué)能力，使得系統(tǒng)可以逐步提高推理能力。如果目標(biāo)案例在案例庫中沒有相似度很高的源案例，或者源案例的解決方案不適合目標(biāo)案例，則需要將目標(biāo)案例和相應(yīng)的解決方案添加到案例庫中，這即是案例學(xué)習(xí)過程。

4 高血壓輔助診療方法研究驗證實驗

4.1 實驗數(shù)據(jù) 實驗數(shù)據(jù)來自高血壓醫(yī)享網(wǎng)(www.yx129.com/index.php)積累病例，整理選取其中300條高血壓病例，部分案例數(shù)據(jù)見表1，選取100條不同高血壓病情嚴(yán)重程度(低危、中危、高危、很高危)的案例記錄作為訓(xùn)練集，分為4組，其他200條案例作為測試集。根據(jù)醫(yī)生以及系統(tǒng)累積經(jīng)驗，暫將內(nèi)省學(xué)習(xí)權(quán)重調(diào)整值設(shè)定為0.15/17，17為案例中屬性個數(shù)，每個匹配屬性的閾值δmatch取為0.1。分為4組對比實驗。

(1)不使用內(nèi)省學(xué)習(xí)方法的輔助診療系統(tǒng)計算方法。在案例不斷測試添加的過程中，系統(tǒng)案例屬性要素的權(quán)重不會改變。

(2)使用內(nèi)省學(xué)習(xí)方法的輔助診療系統(tǒng)計算方法。在案例計算的不斷對比學(xué)習(xí)過程中，案例屬性不斷改變。

表1 部分高血壓案例實例數(shù)據(jù)集

4.2 實例計算過程分析 通過實際數(shù)據(jù)展示3個不同案例之間相似度計算過程。

其中假設(shè)初始權(quán)重相同，因此案例相似度計算過程有以下幾種。

(1)將案例中的數(shù)據(jù)按照不同的數(shù)據(jù)類型計算公式分別計算出案例1、案例2及案例3的癥狀特征向量:

案例1＝[0.25，1，50，1，141，10.5×109，0，0，1，0.8，50×0.179，60，0.5，0.6，0，0，9.6]

案例2＝[0.25，1，53，0，110，4.5×109，0，1，1，0.6，45×0.179，50，0.75，0.4，1，0，8.6]

案例3＝[0.5，0，52，0，119，5.5×109，0，1，1，0.6，48×0.179，60，0，0，0，0，8.8]

(2)將3個案例的特征向量分別根據(jù)數(shù)據(jù)類型按照公式分別計算出屬性相似度。

案例1與案例2每一項的相似度初步計算結(jié)果為[1，1，1，0，1，1，1，0，1，0.8，1，1，0.75，0.8，0，1，1]。

案例1與案例3每一項的相似度初步計算結(jié)果為[0.75，0，2/3，0，22/31，5/6，1，0，0，0.8，0.4，0，0.5，0.4，1，1，0.8]。

案例2與案例3每一項相似度初步計算結(jié)果為[0.75，0，1/3，1，9/31，1/6，1，1，0，1，0.6，1，0.75，0.6，0，1，0.2]。

(3)根據(jù)公式(8)計算全局案例相似度為:

sim(案例1，案例2)＝0.86916

sim(案例1，案例3)＝0.6442

sim(案例2，案例3)＝0.69061

此計算過程每個屬性的權(quán)重是相同的。

(4)根據(jù)內(nèi)省學(xué)習(xí)方法，每次從案例庫中查找相似案例，案例每個屬性的權(quán)重都會進(jìn)行相應(yīng)的改變，例如迭代3次后根據(jù)屬性的變化，重新計算權(quán)重之后案例相似度為:

sim(案例1，案例2)＝0.83627

sim(案例1，案例3)＝0.66523

sim(案例2，案例3)＝0.69672

4組對比實驗，每組共為25個案例測試集，每組的測試集分別對應(yīng)由高到低的高血壓病情嚴(yán)重程度，測試結(jié)果見表2。

表2 內(nèi)省學(xué)習(xí)方法測試結(jié)果

根據(jù)計算結(jié)果比較，加上專業(yè)醫(yī)生的查看結(jié)果判定內(nèi)省學(xué)習(xí)方法確實提高了案例相似度計算的匹配率，不同病情嚴(yán)重程度的高血壓案例匹配率都有所提高，匹配的準(zhǔn)確度也有所提高，并且迭代次數(shù)越多準(zhǔn)確率越高。

為提高輔助診療的自動化水平，本研究提出了基于案例推理的高血壓?？戚o助診療方法。首先，針對高血壓的病例數(shù)據(jù)進(jìn)行分析與整理，提取病例中關(guān)鍵癥狀信息構(gòu)建案例模版并將案例癥狀屬性數(shù)據(jù)結(jié)構(gòu)化展示，依據(jù)高血壓專科案例的屬性與案例庫構(gòu)成分級、分層結(jié)構(gòu)；然后，采用內(nèi)省學(xué)習(xí)方法使得權(quán)重每次檢索之后都能自動調(diào)整，提高案例檢索結(jié)果的準(zhǔn)確度；最后，根據(jù)臨床上的實際案例數(shù)據(jù)進(jìn)行案例之間的相似度計算，結(jié)果表明確實提高了案例檢索的準(zhǔn)確率。

本研究構(gòu)建的高血壓?？戚o助診療系統(tǒng)可以起到很好的輔助決策作用，具有很好的臨床應(yīng)用前景。在以后的研究中將進(jìn)一步完善癥狀描述屬性選擇的相關(guān)問題，擬將高血壓所有臨床癥狀進(jìn)行記錄并可由醫(yī)生選擇任意相關(guān)癥狀進(jìn)行案例對比，并逐漸確定癥狀權(quán)重迭代學(xué)習(xí)的穩(wěn)定性，進(jìn)而使輔助診療方法更加具有實用性。

[1]楊秉輝.驚悉我國高血壓病人3.3億[J].食品與生活，2013(8):52.

[2]Allsopp DJ，Harrison A，Sheppard C.A database architecture for reusable common KADS agent specification components[J].Knowl-Based Syst，2002，15(5/6):275-283.

[3]Bichindaritz I，Montani S，Portinale L.Special issue on casebased reasoning in the health sciences[J].Appl Intell，2008，28(3):207-209.

[4]Ahn H，Kim KJ，Han I.Global optimization of feature weights and the number of neighbors that combine in a casebased reasoning system[J].Expert Syst，2006，23(5):290-301.

[5]Wang H，Xu A，Ai L，et al.An integrated CBR model for predicting endpoint temperature of molten steel in AOD[J].ISIJ Int，2012，52(1):80-86.

[6]Zhou YN，Zhu YA.Algorithm for adjusting weights of decision-makers in multi-attribute group decision-making based on grey system theory[J].Control and Decision，2012，27(7):1113-1116.

[7]Huang MJ，Chen MY，Lee SC.Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis[J].Expert Syst Appl，2007，32(3):856-867.

[8]Mabotuwana T，Warren J，Kennelly J.A computational framework to identify patients with poor adherence to blood pressure lowering medication[J].Int J Med Inform，2009，78(11):745-756.

[9]劉力生.中國高血壓防治指南2010[J].中華心血管病雜志，2011，39(7):701-708.

[10]Bichindaritz I.Prototypical case mining from biomedical literature for bootstrapping a case base[J].Appl Intell，2008，28(3):222-237.

[11]Herrera F，Martinez L.An approach for combining linguistic and numerical information based on the 2-tuple fuzzy linguistic representation model in decision-making[J].Int J Uncertain Fuzz，2000，8(5):539-562.

[12]Aamodt A，Plaza E.Case-based reasoning:foundational issues，methodological variations，and system approaches[J].Ai Commun，1994，7(1):39-59.

[13]Zhao K，Yu X.A case based reasoning approach on supplier selection in petroleum enterprises[J].Expert Syst Appl，2011，38(6):6839-6847.

[14]García J，Cano JR，García S.A nearest hyperrectangle monotonic learning method[M].Switzerland:Springer International Publishing，2016.

[15]張春曉，嚴(yán)愛軍，王普.案例推理分類器屬性權(quán)重的內(nèi)省學(xué)習(xí)調(diào)整方法[J].計算機(jī)應(yīng)用，2014，34(8):2273-2278.

Computer-aided diagnosis method for hypertension treatment with case-based reasoning

WANG Lei1，2，JIANG Qiaowei1，2，WANG Xinyan3，ZHANG Shasha1，2，WANG Cong1，2

(1.School of Software，Beijing University of Posts and Telecommunications，Beijing 100876，China；2.Key Laboratory of Trustworthy Distributed Computing and Service，Ministry of Education，Beijing University of Posts and Telecommunications，Beijing 100876，China；3.Department of Special Diagnosis，Air Force General Hospital，Beijing 100142，China)

In this paper，through analyzing the treatment process data during the hypertension clinical diagnosis，the computer-aided diagnosis method is proposed for hypertension diagnosis with case-based reasoning.Based on the analysing for the complicated case data of the hypertension，the key information and the key symptom attribute information of the case were extracted to construct the case template.Based on the innovative expression for the symptoms of hypertension cases，a rapid retrieval method with case-based was proposed.According to the theory of pathology and data analysis，an introspective learning method was proposed，which is used to study the weights of case symptom attributes and to achieve a more efficient and accurate case matching process.The method can improve the accuracy and efficiency of case-based reasoning，and it also proves that the method is feasible and accurate，which can help to improve the level of the automation on diagnosis and treatment of hypertension.

Case-based reasoning；Hypertension；Computer aided diagnosis；Case retrieval；Multi-attribute decision

R447；R544.1

A

2095-3097(2017)06-0328-05

10.3969/j.issn.2095-3097.2017.06.003

科技部科技基礎(chǔ)性工作專項(2015FY111700-06)

100876北京，北京郵電大學(xué)軟件學(xué)院(王 蕾，蔣喬薇，張莎莎，王 樅)，可信分布式計算與服務(wù)教育部重點實驗室(王 蕾，蔣喬薇，張莎莎，王 樅)；100142北京，空軍總醫(yī)院特診科(王新宴)

2017-06-18 本文編輯:張在文)