黃仕鑫,楊艷艷,羅亞玲,陳天瑤
2型糖尿病是一種慢性終身性疾病,在亞太地區(qū)的患病率較高,其并發(fā)腎病的患病率約為40%[1-4]。
糖尿病腎病(diabetic nephropathy,DN)是糖尿病發(fā)展至終末期腎衰竭(end stage renal disease,ESRD)接受腎臟替代治療(renal replacement therapy,RRT)的首位原因[5],亦是冠心病、腦卒中等心腦血管事件的高危因素[6]。
2型糖尿病腎病的發(fā)病機制復(fù)雜,其危險因素尚不明確[7]。國內(nèi)外對DN的鑒別診斷研究取得了很大進展,發(fā)現(xiàn)一些生化指標(biāo)、炎癥因子和生長因子可作為DN的診斷指標(biāo)[8-13],但目前尚無一種模型在獨立診斷2型糖尿病腎病時具有很高的敏感度和特異度,仍須與臨床檢查相結(jié)合。
近年來有研究證實,使用決策樹的數(shù)據(jù)挖掘方法可提高DN的診斷率[14],但相關(guān)研究的樣本量較小,并且指標(biāo)由主觀經(jīng)驗選取,因而有一定的局限性。本研究基于2型糖尿病腎病危害性大,且早期患者漏診率較高的情況,客觀采集患者的全部檢驗數(shù)據(jù),目的是運用遺傳算法優(yōu)化的誤差逆向傳播(genetic algorithm back propagation,GA-BP)神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建診斷模型,初步形成神經(jīng)元認(rèn)知模式(cognitive model,CM)架構(gòu)。認(rèn)知模式各節(jié)點間的因果關(guān)聯(lián)以神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)表示,以期提供簡便、可靠的2型糖尿病腎病輔助診斷方法。
1.1 數(shù)據(jù)獲取方式及來源 ①數(shù)據(jù)獲取于重慶、貴州、四川5所三級醫(yī)院信息中心的數(shù)據(jù)庫;②數(shù)據(jù)來源于2016年1-12月的臨床信息,病例組選擇內(nèi)分泌科(腎內(nèi)科)確診為2型糖尿病腎病的住院患者,共477例;對照組納入同一時間段相同地點的阿爾茨海默病(120例)、高血壓腎病(120例)、狼瘡性腎炎(89例)及2型糖尿病非腎病(120例)的住院患者,共449例;病例組與對照組存在較好的同質(zhì)性。
1.2 病例組入選標(biāo)準(zhǔn) ①均為2型糖尿病患者;②符合腎穿刺組織病理學(xué)標(biāo)準(zhǔn)[15]。
1.3 對照組入選標(biāo)準(zhǔn) ①疾病均為電子病歷首頁中的主診斷;②患者的病程記錄符合疾病診斷標(biāo)準(zhǔn)。
狼瘡性腎炎:①患者有系統(tǒng)性紅斑狼瘡病史或符合美國風(fēng)濕病學(xué)會對系統(tǒng)性紅斑狼瘡的免疫標(biāo)準(zhǔn);②系統(tǒng)性紅斑狼瘡診斷成立,臨床上出現(xiàn)不同程度的蛋白尿和血尿,常有管型合并腎功能異?;蚰I臟穿刺病理報告符合狼瘡性腎炎標(biāo)準(zhǔn);③無糖尿病史。
高血壓性腎?。孩倩颊哂休^長的高血壓病史(>10年);②在排除其他腎病的可能之后,病程中逐漸出現(xiàn)腎臟繼發(fā)性病變,出現(xiàn)夜尿增多、泡沫尿等表現(xiàn);③無糖尿病史。
阿爾茨海默?。孩倥R床表現(xiàn)為進行性記憶下降,以近期記憶力減退為主,簡易智力狀態(tài)檢查量表(MMSE)評分<27/30,腦部磁共振檢查(MRI)提示腦萎縮;②腦MRI平掃+彌散成像+腦電圖排除其他待鑒別診斷,③無糖尿病史。
2型糖尿病非腎病患者:①為2型糖尿病患者且病程<5年;②尿白蛋白排泄率(UAE)未出現(xiàn)異常。
1.4 排除標(biāo)準(zhǔn) ①年齡小于18歲;②在觀察期內(nèi)合并嚴(yán)重感染、嚴(yán)重肝功能不全;③采集的檢驗指標(biāo)缺失值>15%的病歷。
1.5 方法
1.5.1 數(shù)據(jù)預(yù)處理 采用SQL Server 2008數(shù)據(jù)庫對數(shù)據(jù)進行清洗、轉(zhuǎn)換和規(guī)約。
1.5.2 觀察指標(biāo) 納入人口學(xué)指標(biāo)及實驗室指標(biāo)共89項信息。
1.5.3 數(shù)據(jù)統(tǒng)一化 針對不同醫(yī)院檢查項目的度量單位和名稱的差異,對其進行統(tǒng)一化。
1.5.4 單因素分析 采用SPSS 19.0統(tǒng)計軟件對納入的926例患者的89項信息進行單因素分析。計數(shù)資料以率表示,組間比較采用χ2檢驗;計量資料以±s表示,兩組間比較采用t檢驗,多組間比較采用方差分析。P<0.05為差異有統(tǒng)計學(xué)意義。
1.5.5 建立logistic回歸模型 本研究的觀察結(jié)果為是否患2型糖尿病腎病,為二元logistic回歸。將單因素分析有統(tǒng)計學(xué)意義的指標(biāo)作為logistic回歸模型的自變量,診斷結(jié)果作為因變量,采用SPSS 19.0統(tǒng)計軟件對數(shù)據(jù)集進行逐步向前l(fā)ogistic回歸(α入=0.05,α出=0.15),P<0.05為差異有統(tǒng)計學(xué)意義。
1.5.6 建立神經(jīng)網(wǎng)絡(luò)模型 采用MATLAB 2014a軟件構(gòu)建BP及GA-BP神經(jīng)網(wǎng)絡(luò)模型,并使用隨機抽樣函數(shù)將樣本隨機分成訓(xùn)練集和測試集[16]。
1.5.7 BP神經(jīng)網(wǎng)絡(luò)設(shè)計 ①樣本的歸一化處理:在分析之前需對樣本進行歸一化處理,根據(jù)模型輸出層的結(jié)果為二分類,把樣本值歸一到區(qū)間[–1,1]內(nèi),對輸入、輸出變量進行歸一化處理,提高網(wǎng)絡(luò)的訓(xùn)練速度,采用xbij=[2×(xij–xij,min)/(xij,max–xij,min)]–1。②確定層數(shù)及個數(shù):三層BP網(wǎng)絡(luò)就能夠完成任意的n維到m維的映射,并且訓(xùn)練時間也相對較短;網(wǎng)絡(luò)輸入對應(yīng)單因素分析有統(tǒng)計學(xué)意義的指標(biāo),并將這些輸入提供給輸入層的單元,共42個。隱單元數(shù)的確定比較復(fù)雜,目前無一理想方法可解決,一般根據(jù)多次嘗試來確定最優(yōu)個數(shù)。通常用下列公式確定隱單位的范圍,h=√n+m+α[14],α∈(1,10)。最終確立隱單元數(shù)范圍為[7,16]。
GA-BP神經(jīng)網(wǎng)絡(luò)模型將2型糖尿病腎病和對照組進行分類,因此輸出節(jié)點數(shù)為1,如果輸出值≤0.5,為未患2型糖尿病腎病,輸出值>0.5則為2型糖尿病腎病。
1.5.8 BP神經(jīng)網(wǎng)絡(luò)的參數(shù)選擇 隱含層和輸出層的傳遞函數(shù)采用S型函數(shù)和雙極性S型函數(shù):log sig(x)=1/(1+e–αx);tan sig(x)=2/(1+e–αx)–1,值域在(0,1);學(xué)習(xí)率設(shè)置為0.01,訓(xùn)練函數(shù)選擇Levenberg-Marquardt方法,權(quán)重更新方法為梯度下降法:
1.5.9 遺傳算法的設(shè)計 ①種群和進化代數(shù):種群規(guī)模為50,進化代數(shù)為10;②編碼:將BP網(wǎng)絡(luò)的輸入層與隱含層的連接權(quán)值、隱含層的閾值、隱含層與輸出層的連接權(quán)值、輸出層的閾值進行編碼,初始化設(shè)置為0;③設(shè)定適應(yīng)度函數(shù):通過尋找適應(yīng)度函數(shù)的最小值來找到最優(yōu)權(quán)值和閾值,使分類識別的輸出值與期望值間誤差最小,采用error=∑(|simoutputn–outputn|);④選擇、交叉和變異:采用輪盤賭法選擇新個體;選擇單點交叉,交叉概率為0.3;變異概率為0.1[17]。
2.1 單因素分析 將納入的89項信息進行單因素分析,結(jié)果顯示有42項差異有統(tǒng)計學(xué)意義(表1)。
2.2 Logistic回歸分類模型 回歸分析結(jié)果顯示,有12個變量納入最佳回歸方程,對2型糖尿病腎病的鑒別有較好的風(fēng)險價值(表2)。
2.3 GA-BP神經(jīng)網(wǎng)絡(luò)分類模型 將單因素分析有統(tǒng)計學(xué)意義的42項指標(biāo)納入GA-BP神經(jīng)網(wǎng)絡(luò)模型,根據(jù)隱單元范圍[7,16],分別取其值對訓(xùn)練集進行多次訓(xùn)練。當(dāng)隱單元數(shù)為15時,GA-BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的擬合效果最好,對訓(xùn)練集和測試集的預(yù)測準(zhǔn)確率達(dá)到最高的92.09%和90.48%.使用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型,測試集數(shù)據(jù)評估模型的預(yù)測分類能力,其訓(xùn)練集和測試集分別為695例(2型糖尿病腎病357例,其他疾病338例)和231例(2型糖尿病腎病120例,其他疾病111例)。
2.4 Logistic回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型的對比 表3顯示了3個模型的診斷參數(shù):Logistic回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型(訓(xùn)練集、測試集)的約登指數(shù)分別為0.76、0.87、0.84和0.81,對數(shù)據(jù)集的分類準(zhǔn)確率分別為88.12%、93.41%、92.09%和90.48%,ROC曲線下面積分別為0.95、0.98、0.97和0.98。
表1 2型糖尿病腎病相關(guān)因素的單因素分析Tab.1 Univariate analysis of factors about type 2 diabetic nephropathy
(續(xù) 表)
表2 2型糖尿病腎病相關(guān)因素logistic回歸分析結(jié)果Tab.2 Results of logistic regression analysis of related factors in type 2 diabetic nephropathy
表3 Logistic回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型的診斷參數(shù)比較Tab.3 Comparison of diagnostic parameters for 3 model of logistic regression, model of BPNN and model of GA-BPNN
2.5 GA-BP的模型性能、訓(xùn)練結(jié)果和適應(yīng)度曲線
模型性能用均方誤差(MSE)表示,由圖1可以得知GA-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集和測試集的性能不斷被優(yōu)化,最終在模型迭代11次處達(dá)到最優(yōu)。GA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果:由圖2可以得知模型內(nèi)部的參數(shù)和函數(shù)選擇,且顯示了模型結(jié)束條件為精度到達(dá)預(yù)設(shè)值0.01。模型適應(yīng)度曲線:由圖3可知模型的適應(yīng)度曲線變化趨勢,表明模型在不斷地被優(yōu)化,最終到達(dá)最優(yōu)。
2.6 GA-BP神經(jīng)網(wǎng)絡(luò)模型形成認(rèn)知模式 認(rèn)知模式的要素包括:①架構(gòu)(來源于GA-BP神經(jīng)網(wǎng)絡(luò)模型);②權(quán)重(來源于GA-BP神經(jīng)網(wǎng)絡(luò)模型中輸入變量對輸出變量的權(quán)重)。本研究通過這些要素形成神經(jīng)元認(rèn)知模式,探討了神經(jīng)元認(rèn)知模式的架構(gòu),在各個節(jié)點間以有向圖表示(圖4),從中可知輸入層的神經(jīng)元單元數(shù)為42個,隱含層的神經(jīng)元單元數(shù)為15個,輸出層的神經(jīng)元單元數(shù)為1個,且顯示了模型的架構(gòu),表明層與層之間是全連接的,層內(nèi)部是無連接的。
圖1 GA-BP神經(jīng)網(wǎng)絡(luò)模型性能Fig.1 Performance of GA-BP neural network model
圖2 GA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果Fig.2 Training results of GA-BP neural network model
圖3 GA-BP神經(jīng)網(wǎng)絡(luò)模型適應(yīng)度曲線Fig.3 Fitness curve of GA-BP neural network
2型糖尿病腎病起病隱匿,早期無明顯的臨床表現(xiàn),目前其診斷主要基于特異性的實驗室指標(biāo)UAE和腎穿刺組織病理學(xué)檢查。但UAE還與糖尿病的其他并發(fā)癥有關(guān),包括高血壓、高脂血癥、動脈粥樣硬化和心血管疾病等;病理改變以彌漫性腎小球硬化型最為常見,但類似改變也見于系膜毛細(xì)血管性腎小球腎炎和系統(tǒng)性紅斑狼瘡等疾??;在患病早期UAE異常不明顯,患者易拒絕接受有創(chuàng)性檢查,且較多早期接受腎穿刺組織病理學(xué)檢查的患者并未找到特征性的病理改變[18]。以上原因都可能導(dǎo)致2型糖尿病腎病的誤診和漏診。
圖4 GA-BP神經(jīng)網(wǎng)絡(luò)模型形成的認(rèn)知模式Fig.4 Cognitive model formed with GA-BP neural network model
對于診斷過程復(fù)雜、早期癥狀不明顯的疾病,GA-BP神經(jīng)網(wǎng)絡(luò)已得到廣泛應(yīng)用。周紅標(biāo)等[19]采用GA-BP神經(jīng)網(wǎng)絡(luò)采集正常、非典型和異常3類胎心宮縮監(jiān)護圖,共計2126組數(shù)據(jù),提取21個特征值,納入網(wǎng)絡(luò)模型,對其進行分析、訓(xùn)練,模型的分類準(zhǔn)確率分別為98.24%、82.67%和95.65%,均高于BP神經(jīng)網(wǎng)絡(luò)。姚小靜等[20]采用GA-BP神經(jīng)網(wǎng)絡(luò)采集正常肺音、哮鳴音、捻發(fā)音和爆裂音的數(shù)據(jù),每類22例,通過識別4類肺音,得出肺部疾病與肺音的關(guān)聯(lián)性;提取肺音信號統(tǒng)計特征值,采用韋爾奇功率譜特征值和小波系數(shù)特征值的GA-BP神經(jīng)網(wǎng)絡(luò)的平均識別率分別為89.0%和83.1%,均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。
本研究數(shù)據(jù)來源于5所三級醫(yī)院的檢驗數(shù)據(jù),因均使用同一LIS軟件(衛(wèi)寧健康)廠商,數(shù)據(jù)具有良好的同質(zhì)性。采用GA-BP神經(jīng)網(wǎng)絡(luò)模型,避免了單獨觀察某一個指標(biāo)所產(chǎn)生的片面性。本研究解決了2型糖尿病腎病早期各項實驗室指標(biāo)與診斷結(jié)果之間的非線性關(guān)系,模型經(jīng)過14次訓(xùn)練,達(dá)到預(yù)期設(shè)置的性能指標(biāo)(MSE=0.01),其診斷效果得到了很好的驗證,且模型各項評估參數(shù)(約登指數(shù)、準(zhǔn)確率、AUC)均優(yōu)于傳統(tǒng)的logistic回歸模型。與BP神經(jīng)網(wǎng)絡(luò)相比,GA-BP神經(jīng)網(wǎng)絡(luò)雖在各項評估參數(shù)上無明顯優(yōu)勢,但它具有BP神經(jīng)網(wǎng)絡(luò)所不具有的全局尋優(yōu)和穩(wěn)定性的特點。BP神經(jīng)網(wǎng)絡(luò)存在局部最優(yōu)的直接原因是自身算法的不完善,而遺傳算法具有全局尋優(yōu)的特點;BP神經(jīng)網(wǎng)絡(luò)的不穩(wěn)定性體現(xiàn)在初始權(quán)值和閾值是隨機產(chǎn)生,缺乏選擇依據(jù),而網(wǎng)絡(luò)連接權(quán)值和閾值的整體分布決定了模型的效果,遺傳算法通過編碼、選擇、交叉、變異,得到優(yōu)化后的權(quán)值和閾值,并將其設(shè)置為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,從而提高模型的穩(wěn)定性。模型適應(yīng)度曲線顯示,在第2代和第4代突破局部最優(yōu)解,在第6代達(dá)到最優(yōu);圖1訓(xùn)練集在第10次訓(xùn)練之后MSE迅速下降進而達(dá)到目標(biāo),反映此模型的平均估計結(jié)果所能逼近學(xué)習(xí)目標(biāo)的程度優(yōu)秀(準(zhǔn)確性);雖然測試集在第11次訓(xùn)練之后MSE呈緩慢升高,但MSE仍處于0.08~0.13,反映此模型在面對相近規(guī)模的不同訓(xùn)練集時,其估計結(jié)果較好(穩(wěn)定性)。該模型克服了主觀因素的影響,為2型糖尿病腎病的診斷提供了一種有價值的計算機輔助診斷方法,有助于盡早發(fā)現(xiàn)隱藏的病情,具有一定的臨床意義。
本研究的優(yōu)勢包括:①將所有的符合標(biāo)準(zhǔn)的檢驗項目納入模型,排除了主觀經(jīng)驗選取,避免了選擇偏倚;②樣本量較大,合并5所醫(yī)院患者的檢驗數(shù)據(jù)且保持同質(zhì)性;③對照組納入了高血壓性腎病、狼瘡性腎炎等與2型糖尿病腎病的實驗室指標(biāo)UAE有相似結(jié)果的病例,臨床實用性更高;④GABP神經(jīng)網(wǎng)絡(luò)模型設(shè)置訓(xùn)練集和測試集,可以保證結(jié)果的真實性和可推廣性。
本研究的局限性包括:①并未得出模型具體危險因素的權(quán)重值;②本文全面采集了實驗室指標(biāo),但由于某些指標(biāo)數(shù)據(jù)量低于40%[21],故未納入分析,其與2型糖尿病腎病的關(guān)系及預(yù)測性有待數(shù)據(jù)量擴大后進一步分析;③GA-BP神經(jīng)網(wǎng)絡(luò)模型并不具有臨床醫(yī)生的診斷思維,也缺乏對疾病復(fù)雜性的靈活應(yīng)變,因此只能對臨床醫(yī)生的診療決策起輔助作用;④本研究僅對2型糖尿病腎病進行了分類預(yù)測,下一步重點研究的內(nèi)容之一是分析GA-BP神經(jīng)網(wǎng)絡(luò)模型中輸入變量對輸出變量的權(quán)重值。
[1] Chinese Diabetes Society. Chinese guideline for exercise in diabetes[M]. Beijing: The Chinese Medical Electronic Audio-Visual Publishing House, 2012. [中華醫(yī)學(xué)會糖尿病學(xué)分會. 中國糖尿病運動治療指南[M]. 北京: 中華醫(yī)學(xué)電子音像出版社, 2012.]
[2] Kung K, Chow KM, Hui EM, et al. Prevalence of complications among Chinese diabetic patients in urban primary care clinics: a cross- sectional study[J]. BMC Fam Pract, 2014, 15: 8.
[3] de Boer IH, Rue TC, Hall YN, et al. Temporal trends in the prevalence of diabetic kidney disease in the United States[J].JAMA, 2011, 305(24): 2532-2539.
[4] Yang P, Cao XT, Deng XF, et al. To investigate the risk for kidney disease progression in hospitalized patients with type 2 diabetes mellitus[J]. Chin J Pract Intern Med, 2017, 37(10): 908-910.[楊萍, 曹雪亭, 鄧雪鳳, 等. 2型糖尿病住院患者腎病進展風(fēng)險調(diào)查研究[J]. 中國實用內(nèi)科雜志, 2017, 37(10): 908-910.]
[5] Zimmet P, Alberti KG, Shaw J. Global and societal implications of the diabetes epidemic[J]. Nature, 2001, 414(6865): 782-787.
[6] Rivero A, Mora C, Muros M, et al. Pathogenic perspectives for the role of inflammation in diabetic nephropathy[J]. Clin Sci,2009, 116(6): 479-492.
[7] Lu XM, Fan QL, Wang X, et al. Circulating long non-coding RNA expression profiles in diabetes and diabetic nephropathy patients[J]. Chin J Pract Intern Med, 2017, 37(3): 221-226.[呂小萌, 范秋靈, 汪旭, 等. 糖尿病和糖尿病腎病患者循環(huán)lncRNA表達(dá)譜的分析[J]. 中國實用內(nèi)科雜志, 2017, 37(3):221-226.]
[8] Cherney DZ, Scholey JW, Daneman D, et al. Urinary markers of renal inf l ammation in adolescents with type 1 diabetes mellitus and normoalbuminuria[J]. Diabet Med, 2012, 29(10): 1297-1302.
[9] Cai Q, Mukku VK, Ahmad M. Coronary artery disease in patients with chronic kidney disease: a clinical update[J]. Curr Cardiol Rev, 2013, 9(4): 331-339.
[10] Pestana RM, Domingueti CP, Duarte RC, et al. Cytokines profile and its correlation with endothelial damage and oxidative stress in patients with type 1 diabetes mellitus and nephropathy[J].Immunol Res, 2016, 64(4): 951-960.
[11] Donate-Correa J, Martín-Nú?ez E, Muros-de-Fuentes M, et al.Inflammatory cytokines in diabetic nephropathy[J]. J Diabetes Res, 2015, 2015: 948417.
[12] Wada J, Makino H. Inflammation and the pathogenesis of diabetic nephropathy[J]. Clin Sci (Lond), 2013, 124(3): 139-152.
[13] Guijarro C, Egido J. Transcription factor-kappa B (NF-kappa B)and renal disease[J]. Kidney Int, 2001, 59(2): 415-424.
[14] Wang ZS, Song ZC, Bai JH, et al. Decision tree analysis on the risk of nephropathy in type 2 diabetic patients[J]. Chin J Integr Tradit West Nephrol, 2013, 14(3): 238-239. [王占勝, 宋占春,白靜慧, 等. 2型糖尿病患者腎病風(fēng)險的決策樹分析[J]. 中國中西醫(yī)結(jié)合腎病雜志, 2013, 14(3): 238-239.]
[15] Tervaert TW, Mooyaart AL, Amann K, et al. Pathologic classification of diabetic nephropathy[J]. J Am Soc Nephrol,2010, 21(4): 556-563.
[16] Li H, Lai L, Chen L, et al. The prediction in computer color matching of dentistry based on GA+BP neural network [J].Comput Math Methods Med, 2015, 2015: 816719.
[17] Mi BF. The improvement research on evolution strategy of genetic algorithm[D]. Harbin: Northeast Agricultural University,2014. [弭寶福. 遺傳算法進化策略的改進研究[D]. 哈爾濱:東北農(nóng)業(yè)大學(xué), 2014.]
[18] Persson F, Rossing P. Renal disease by type 2 diabetes[J]. Ugeskr Laeger, 2012, 174(37): 2150-2154.
[19] Zhou HB, Zhang YL, Hu JP. CTG recognition based on genetic algorithm and BP neural network[J]. J Chongqing Med Univ,2011, 36(7): 846-849. [周紅標(biāo), 張宇林, 胡金平. 基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的CTG識別研究[J]. 重慶醫(yī)科大學(xué)學(xué)報,2011, 36(7): 846-849.]
[20] Yao XJ, Wang H, Liu SX. Research on recognition algorithms of lung sounds based on genetic BP neural network[J]. Space Med Med Eng, 2016, 29(1): 45-51. [姚小靜, 王洪, 劉盛雄. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)的肺音分類識別算法研究[J]. 航天醫(yī)學(xué)與醫(yī)學(xué)工程, 2016, 29(1): 45-51.]
[21] Barzi F, Woodward M. Imputations of missing values in practice:results from imputations of serum cholesterol in 28 cohort studies[J]. Am J Epidemiol, 2004, 160(1): 34-35.