基于特征選擇的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)在腎小球?yàn)V過率中的應(yīng)用

鄒海英 李智 楊帆

摘 要：臨床上廣泛使用腎小球?yàn)V過率（GFR）評(píng)價(jià)腎功能指標(biāo)，醫(yī)生根據(jù)GFR預(yù)測(cè)出慢性腎?。–KD）階段進(jìn)而制定相應(yīng)的治療方案。菊粉清除率和同位素標(biāo)記物清除率一直為測(cè)定GFR的主要標(biāo)準(zhǔn)。但菊粉價(jià)格昂貴、同位素標(biāo)記方法具有放射性，限制了它們用于GFR的檢測(cè)。提出一種特征選擇的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的進(jìn)展過程GFR估計(jì)方法，分別對(duì)6個(gè)月、12個(gè)月及18個(gè)月后的慢性腎病患者進(jìn)行GFR估計(jì)。先對(duì)29個(gè)特征進(jìn)行相關(guān)性分析，將篩選出來的5個(gè)特征進(jìn)行模糊化、初始化隸屬度函數(shù)和模糊規(guī)則生成，得到模糊神經(jīng)網(wǎng)絡(luò)（AFNN），然后用參數(shù)訓(xùn)練AFNN模型，得到最優(yōu)AFNN，最后用新樣本數(shù)據(jù)進(jìn)行GFR估計(jì)，得到誤差結(jié)果并進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果表明，運(yùn)用該方法，GER估計(jì)誤差均小于其它方法，其中最小標(biāo)準(zhǔn)化誤差達(dá)到1.079 5×10-6，泛化能力增強(qiáng)。

關(guān)鍵詞：腎小球?yàn)V過率；特征相關(guān)性；模糊化；隸屬度函數(shù)；自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)

DOI：10.11907/rjdk.173308

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）006-0153-04

Abstract：In clinical diagnosis， Glomerular filtration rate （GFR） is widely used to evaluate renal function. Doctors predict the progress of chronic kidney disease （CKD） stages and then make the appropriate treatments according to GFR. Inulin clearance and isotope marker clearance have been considered as the gold standard for GFR detection，but the high cost of inulin limits its routine clinical application and the usage of isotope marker clearance is limited by radiation. This paper proposes a GER estimation method based on adaptive fuzzy neural network with feature selection and makes GER estimation on patients with chronic kidney disease at 6 months， 12 months and 18 months. Firstly， 29 features are analyzed by correlation analysis and then five features are selected.Secondly， the five features are fuzzified get fuzzy neural network （AFNN）， the membership functions are initialized and the fuzzy rules are maked.After that， the AFNN model is trained by the parameters to get the optimal AFNN.Finally， GFR estimation is performed with new sample data to get the error results.The experiment shows that this GER estimation method is better than other methods for the minimum standard error is 1.079 5×10-6， and generalization ability is enhanced.

Key Words：glomerular filtration rate； feature correlation； fuzzification； membership function； adaptive fuzzy neural network

0 引言

慢性腎?。–KD）是一種隱匿性疾病，隨著時(shí)間的推移，準(zhǔn)確預(yù)測(cè)GFR對(duì)降低醫(yī)療費(fèi)用和死亡率至關(guān)重要[1]。目前CKD尚無有效的治療手段，故早期發(fā)現(xiàn)、早期診斷與干預(yù)延緩其進(jìn)程尤為重要[2]。GFR是腎功能和CKD進(jìn)展的唯一可靠參數(shù)[3-4]，提高GFR估計(jì)的準(zhǔn)確率和精確度、降低偏差是根本[5]。近年來不少學(xué)者應(yīng)用神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)機(jī)器學(xué)習(xí)算法進(jìn)行GFR估計(jì)預(yù)測(cè)研究。Jamshid Norouzi[6]提出了自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）預(yù)測(cè)慢性腎功能衰竭進(jìn)展過程，得到的標(biāo)準(zhǔn)化均方誤差（NMSE）為4.767 6%。Cheng C等[7-8]提出通過集合學(xué)習(xí)模型提高腎小球過濾速率估計(jì)的精度，與ANN模型、SVM模型和REGRESSION模型相比，該模型在提高GFR估計(jì)中有顯著優(yōu)勢(shì)。

本文提出基于特征選擇的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型用于對(duì)GFR進(jìn)行估計(jì)分析，能夠準(zhǔn)確估計(jì)GFR的值，從而在臨床上幫助醫(yī)生制定合理的治療方案。

1 基本原理與方法

基于特征選擇的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)算法對(duì)慢性腎病進(jìn)展過程GFR估計(jì)流程如圖1所示。

1.1 數(shù)據(jù)預(yù)處理

本文選取成都某醫(yī)院腎內(nèi)科2011-2016年間的患者臨床檢查檢驗(yàn)與隨訪數(shù)據(jù)。首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理篩選規(guī)則如下：①選取GFR連續(xù)3個(gè)月低于60mL/kg/min/1.73m2的樣本數(shù)據(jù)；②排除妊娠期和哺乳期的婦女樣本數(shù)據(jù)；③排除脫水、明顯水腫及其它嚴(yán)重體液平衡紊亂者樣本數(shù)據(jù)；④排除急性腎衰竭、急性腎損傷等急性腎疾病患者和腎移植患者的樣本數(shù)據(jù)；⑤排除先天性腎功能不足、先天性腎損傷等患者的樣本數(shù)據(jù)；⑥選取每位患者最少有兩次間隔6個(gè)月及以上的記錄數(shù)據(jù)，并將每隔6個(gè)月的數(shù)據(jù)記錄一次，由此分為6個(gè)月、12個(gè)月和18個(gè)月后的樣本數(shù)據(jù)集。

經(jīng)過數(shù)據(jù)預(yù)處理后得到1 088例樣本數(shù)據(jù)，其中430例6個(gè)月后的CKD患者記錄數(shù)據(jù)、354例12個(gè)月后的CKD患者記錄數(shù)據(jù)、304例18個(gè)月后的CKD患者記錄數(shù)據(jù)。在沒有經(jīng)過特征相關(guān)性數(shù)據(jù)分析前，3個(gè)樣本數(shù)據(jù)集包含29個(gè)特征。前28個(gè)為輸入特征，分別為：年齡、性別、身高、體重、舒張壓、收縮壓、肌酐、胱抑素C、白蛋白、血紅蛋白、尿素氮、磷、鈣、腎小球?yàn)V過率（GFR）、總膽固醇（DGC）、低密度脂蛋白膽固醇（LDP）、高密度脂蛋白膽固醇（HDP）、體表面積（BSA）、身體質(zhì)量指數(shù)（BMI）、二氧化碳結(jié)合率（CO-2）、葡萄糖（GLC）、尿酸（UR）、堿性磷酸酶（AKP）、甘油三酯（TRIG）、鈉（Na）、鉀（K）、鎂（Mg）、氯（Cl），最后一個(gè)是輸出目標(biāo)，用GER（t）表示。部分輸入特征與輸出目標(biāo)之間的相關(guān)系數(shù)如表1所示。采用隨機(jī)抽取方法將這3個(gè)樣本數(shù)據(jù)集分為60%訓(xùn)練集、20%驗(yàn)證集、20%測(cè)試集。

1.2 特征相關(guān)性分析

特征分析是在數(shù)據(jù)挖掘時(shí)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行處理，提取出好的特征和減少輸入特征個(gè)數(shù)，使模型性能和算法的準(zhǔn)確度提高，減小估計(jì)誤差。結(jié)合皮爾遜相關(guān)系數(shù)（Pearson）[9-10]、斯皮爾曼相關(guān)系數(shù)（Spearman）[11]、肯德爾相關(guān)系數(shù)（Kendall）[12-13]分析，有效提取出與GFR強(qiáng)相關(guān)特征。

對(duì)29個(gè)特征利用皮爾遜相關(guān)系數(shù)（Pearson）、斯皮爾曼相關(guān)系數(shù)（Spearman）、肯德爾相關(guān)系數(shù)（Kendall）在顯著性水平p<0.001的情況下進(jìn)行相關(guān)性分析，得到各個(gè)輸入特征與輸出目標(biāo)GFR（t）之間的相關(guān)系數(shù)及顯著性水平。在顯著性水平p<0.001的情況下與GFR（t）相關(guān)的特征有9個(gè)，而3種相關(guān)系數(shù)大于0.3的特征只有5個(gè)。表2為最終篩選出的特征、相關(guān)系數(shù)及顯著性水平。

1.3 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)算法與模型訓(xùn)練

1.3.1 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)算法

圖2為模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法自適應(yīng)地從輸入輸出樣本中獲取規(guī)則，通過訓(xùn)練調(diào)整模糊神經(jīng)網(wǎng)絡(luò)參數(shù)，使它本身可以更好地實(shí)現(xiàn)自匹配、自學(xué)習(xí)、自組織，并將模糊化層、歸一化層、規(guī)則生成層、輸出層均采用神經(jīng)網(wǎng)絡(luò)形式完成。人工神經(jīng)網(wǎng)絡(luò)使用的參數(shù)調(diào)優(yōu)方法為梯度下降法[14-15]，該方法可能導(dǎo)致局部最小，而且迭代次數(shù)多、訓(xùn)練速度緩慢，而最小二乘估計(jì)法收斂性好，結(jié)果為全局最優(yōu)。因此，本設(shè)計(jì)采用二者相結(jié)合的混合參數(shù)調(diào)優(yōu)算法調(diào)整網(wǎng)絡(luò)參數(shù)，輸入特征越少，模糊神經(jīng)網(wǎng)絡(luò)準(zhǔn)確性越高[16]。

1.3.2 模型訓(xùn)練

對(duì)篩選出的特征進(jìn)行相關(guān)性分析，將分析得到的特征作為模糊神經(jīng)網(wǎng)絡(luò)的輸入特征進(jìn)行訓(xùn)練，將各特征取值分為5個(gè)部分，分別表示很低、較低、一般、較高、很高，由此設(shè)置隸屬度函數(shù)分割數(shù)為5，類型為高斯（gaussmf），初始步長為0.01，訓(xùn)練次數(shù)為40。

根據(jù)以上參數(shù)對(duì)初始模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用得到的網(wǎng)絡(luò)對(duì)6個(gè)月樣本集進(jìn)行估計(jì)，其初始隸屬度函數(shù)和訓(xùn)練后的隸屬度函數(shù)如圖3所示。

圖3中，左側(cè)為訓(xùn)練前的隸屬度函數(shù)，右側(cè)為訓(xùn)練后的隸屬度函數(shù)。觀察發(fā)現(xiàn)，訓(xùn)練前后隸屬度函數(shù)發(fā)生微小變化，訓(xùn)練前在確保覆蓋各個(gè)特征取值的情況下對(duì)該函數(shù)分割，而訓(xùn)練后根據(jù)驗(yàn)證數(shù)據(jù)集對(duì)其作細(xì)微調(diào)整，使它更符合實(shí)際情況。

1.4 誤差評(píng)估

為進(jìn)一步評(píng)估不同方法對(duì)模型的影響，引入均方誤差（MSE）、均方絕對(duì)誤差（MAE）、標(biāo)準(zhǔn)化均方誤差（NMSE）、標(biāo)準(zhǔn)化誤差（NE）作為評(píng)價(jià)指標(biāo)，通過誤差評(píng)判規(guī)則，對(duì)比不同方法和已有研究，得到表3所示的4種誤差指標(biāo)。

上述結(jié)果表明，本文算法在GFR估計(jì)中有一定優(yōu)勢(shì)，在不同階段均得到了預(yù)測(cè)準(zhǔn)確的GFR。另外，當(dāng)樣本數(shù)據(jù)量減少時(shí)，該算法仍然具有一定的準(zhǔn)確率。該算法優(yōu)勢(shì)明顯，收斂速度快，可以準(zhǔn)確預(yù)測(cè)患者6個(gè)月、12個(gè)月、18個(gè)月后的GFR，在智能專家系統(tǒng)集成方面具有一定的輔助性，可以幫助醫(yī)生判斷患者病情進(jìn)展，提醒患者及時(shí)治療，延緩CKD進(jìn)展。

2 實(shí)驗(yàn)結(jié)果

圖4表示6個(gè)月后預(yù)測(cè)值、真實(shí)值及差值，由圖4可以發(fā)現(xiàn)兩條曲線幾乎重合，說明真實(shí)值與預(yù)測(cè)值之間的誤差很小，在0～0.000 1范圍內(nèi)，數(shù)量級(jí)為10-4（計(jì)量單位為%），這充分體現(xiàn)了該算法的優(yōu)勢(shì)。具體的標(biāo)準(zhǔn)化誤差在0～2.5×10-6之間，表明該算法可準(zhǔn)確預(yù)測(cè)患者進(jìn)展過程中的GFR。

3 結(jié)語

本文通過構(gòu)建基于特征選擇的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)腎小球?yàn)V過率（GFR）進(jìn)行估計(jì)分析，根據(jù)GER估計(jì)結(jié)果預(yù)測(cè)出慢性腎?。–KD）的進(jìn)展階段以輔助醫(yī)生制定治療方案。通過對(duì)6個(gè)月、12個(gè)月和18個(gè)月后的慢性腎病樣本數(shù)據(jù)集進(jìn)行GFR估計(jì)分析，得到誤差結(jié)果，與其它方法相比，本文提出的方法誤差均小于其它方法，其中最小標(biāo)準(zhǔn)化誤差達(dá)到1.079 5×10-6，證明本文模型算法在腎小球?yàn)V過率估計(jì)分析中優(yōu)勢(shì)明顯，能用于臨床輔助醫(yī)生制定醫(yī)療方案。

參考文獻(xiàn)：

[1] National Kidney Foundation. Clinical practice guideline for chronic kidney disease：evaluation， classification and stratification[J]. Am J Kidney Dis，2002，39（suppl 1）：S1-S266.

[2] LIU X， WANG C， TANG H， et al. Assessing glomerular filtration rate （GFR） in elderly Chinese patients with chronic kidney disease （CKD）： a comparison of various redictive equations[J]. Archives of Gerontology Geriatrics，2010，51（1）：13-20.

[3] 葉朝陽，毛志國.腎功能檢測(cè)方法的回顧與進(jìn)展（一）[J].高血壓雜志，2001，9（3）：264-266.

[4] 毛志國，葉朝陽.腎功能檢測(cè)方法的回顧與進(jìn)展（二）[J].高血壓雜志，2001，9（3）：266-268.

[5] 李瑞紅，李智，童玲.蟻群路徑優(yōu)化決策樹在慢性腎病分期診斷中的應(yīng)用[J].軟件導(dǎo)刊，2017，16（2）：135-138.

[6] NOROUZI J， YADOLLAHPOUR A， AHMADMIRBAGHERI S， et al. Predicting renal failure progression in chronic kidney disease using integrated intelligent fuzzy expert system[J]. Computational and Mathematical Methods in Medicine，2016（2）：159-164.

[7] CHENG C， WANG C， LV L， et al. Improving precision of glomerular filtration rate estimating model by ensemble learning[J]. Journal of Translational Medicine，2017，15（1）：231-233.

[8] VIJAYARANI S， DHAYANAND S. Kidney disease prediction using svm and ann algorithms[J]. International Journal of Computing and Business Research （IJCBR），2015，6（3）：1245-1267.

[9] 彭海.皮爾遜相關(guān)系數(shù)應(yīng)用于醫(yī)學(xué)信號(hào)相關(guān)度測(cè)量[J].電子世界，2017（7）：163-170.

[10] 陳功平，王紅.改進(jìn)Pearson相關(guān)系數(shù)的個(gè)性化推薦算法[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，47（6）：940-944.

[11] 張文耀.用斯皮爾曼系數(shù)衡量網(wǎng)絡(luò)的度相關(guān)[D].合肥：中國科學(xué)技術(shù)大學(xué)，2016.

[12] 胡春健.小樣本下Kendallτ相關(guān)系數(shù)的顯著性檢驗(yàn)[J].控制工程，2013，20（6）：1195-1197.

[13] 李玉水.隨機(jī)變量的Kendall相關(guān)系數(shù)的推廣[J].莆田學(xué)院學(xué)報(bào)，2009，16（5）：15-17.

[14] 李寧山，劉迅，吳效明，等.人工神經(jīng)網(wǎng)絡(luò)在腎小球?yàn)V過率估算中的應(yīng)用[J].第三軍醫(yī)大學(xué)學(xué)報(bào)，2012，34（3）：409-411.

[15] 周志華.機(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.

[16] 劉迅，唐驊，湯穎，等.中國腎小球?yàn)V過率評(píng)估方程在慢性腎臟病患者的應(yīng)用評(píng)價(jià)[J].中華腎臟病雜志，2009，25（3）：162-169.

（責(zé)任編輯：杜能鋼）