基于深度神經(jīng)網(wǎng)絡的肝硬化中醫(yī)治療預測研究*

肖 瑞 裴 衛(wèi) 胡馮菊 肖 勇

(湖北中醫(yī)藥大學信息工程學院 武漢 430065)

1 引言

中醫(yī)病歷又稱醫(yī)案、診籍, 是中醫(yī)臨床各科醫(yī)生對具體患者進行辨證論治的文字記錄, 包括患者的生活習性、病情、診斷、治療及預后等情況, 從而成為保存、查核、考評乃至研究具體醫(yī)生開展具體診療活動的檔案資料[1]。但隨著信息化、網(wǎng)絡化的不斷推進，電子病歷已成為現(xiàn)今醫(yī)療記錄的大趨勢[2]。應用電子病歷不僅提高就診效率、規(guī)范中醫(yī)行業(yè)術語，還為后期中醫(yī)藥研究提供數(shù)據(jù)資源。中醫(yī)電子病歷除具備一般電子病歷的特征外還具有自身的特殊性。在病歷內(nèi)容上不僅包括四診、辯證、立法、處方，西醫(yī)檢查和診斷等現(xiàn)代醫(yī)學診療信息，還包括中醫(yī)學辨證論治的診療信息；在病歷結構上既要滿足醫(yī)療、法律、管理的要求，還要滿足中醫(yī)臨床信息全面、準確采集的要求并做到高度結構化，以便對四診信息中的定性描述進行量化記錄；在標準規(guī)范化上，建立統(tǒng)一、全面、規(guī)范的中醫(yī)治療術語詞表以便對診療用語進行規(guī)范；在診療處方上，中醫(yī)處方及中藥的藥療醫(yī)囑與西醫(yī)處方和配藥有很大不同，其配藥流程和西醫(yī)也不相同[3-4]。

肝硬化是由各種因素導致慢性肝損害的一類晚期肝纖維化疾病，肝移植是治療肝硬化唯一有效手段,但受到供肝及費用等問題限制[5]。查閱近10年關于中醫(yī)藥治療肝硬化腹水的相關文獻可知，從病因病機及中醫(yī)治療兩方面而言，肝硬化腹水的中醫(yī)病機為正氣虧虛,氣滯、水停、血瘀3者錯綜為患，中醫(yī)治療以辨證分型施治、基本方加減、外治法為主[6]。

2 研究現(xiàn)狀

在電子病歷研究方面國內(nèi)外均有一定成果。王昱[7]等基于電子病歷數(shù)據(jù)進行臨床接觸支持研究，對電子病歷數(shù)據(jù)進行挖掘。李昆[8]等利用深度學習方法結合傳統(tǒng)機器學習方法，在電子病歷匿名化、胎兒體重預測和疾病分類預測等方面進行預測模型構建的嘗試。李準[9]等研究冠心病電子病歷中與患者、疾病相關的指標，對冠心病進行分類，進一步探討檢查檢驗結果與用藥之間的關聯(lián)性。商金秋[10]等通過電子病歷進行數(shù)據(jù)預處理和結構化提取，結合具體需求進行可視化組織與分析。蔣慧麗[11]等提出基于語義技術的電子病歷信息集成框架，利用該框架解決電子病歷集成及推理問題。陸奕宇[12]等通過對慢性乙型肝炎(乙肝)及肝炎后肝硬化中醫(yī)證候分類進行系統(tǒng)生物學研究,為乙肝及肝炎后肝硬化的診斷和個體化治療提供參考依據(jù)。本文以中醫(yī)電子病歷中肝硬化數(shù)據(jù)為研究基點，從中醫(yī)治療肝硬化的檢查指標入手，通過對電子病歷中檢查數(shù)據(jù)進行主成份分析(Principal Component Analysis，PCA)，提取出符合要求的致病指標(特征)，構建致病指標和診斷結果二元組，將得到的致病指標與診斷結果二元組進行深度神經(jīng)網(wǎng)絡(Deep Neural Network，DNN)預測和支持向量機(Support Vector Machine，SVM)分類處理，通過對兩種模型結果對比分析，對肝硬化中醫(yī)電子病歷中檢查與診斷結果的關系進行研究。其中SVM是基于統(tǒng)計學習理論的結構風險最小化原則的分類方法[13], 是一種監(jiān)督化學習分類模型?；灸Ｐ投x為特征空間上的間隔最大的線性分類器，其學習策略是間隔最大化，最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解?；驹硎峭ㄟ^將非線性數(shù)據(jù)映射到高維特征空間，在這個空間構造最優(yōu)分類超平面，該超平面使類別間的分類間隔最大，有效克服維數(shù)災難和過擬合等傳統(tǒng)算法的缺點，能處理小樣本、非線性、高維數(shù)據(jù)，因而成為研究復雜系統(tǒng)問題的熱點算法。

3 前期準備

3.1 數(shù)據(jù)來源

以某地區(qū)三甲中醫(yī)院2015年1月-2016年1月期間診斷結果為乙肝肝硬化和非乙肝肝硬化的1 273例門診記錄的電子病歷為數(shù)據(jù)來源(參照2011年8月中國中西醫(yī)結合學會消化系統(tǒng)疾病專業(yè)委員會制定的《肝硬化中西醫(yī)結合診療共識》[14])。字段主要由診療記錄中的患者基本信息(門診號、西醫(yī)診斷、性別、年齡等)、檢驗(首次來末次檢查總膽紅素、凝血酶原時間、白蛋白等)、檢查(部位、時間、報告結果等)以及中醫(yī)診斷信息構成。

3.2 納入標準

該中醫(yī)院屬于國家重點專科醫(yī)院，中醫(yī)電子病歷數(shù)據(jù)結構化程度較為規(guī)整，根據(jù)篩查檢驗檢查結果，借助具有多年臨床經(jīng)驗的醫(yī)生的指導，將有明確診斷結果的數(shù)據(jù)納入。對于檢查檢驗指標缺少數(shù)據(jù)則不納入使用。不影響實驗的指標缺失，如個人信息，納入使用。按此標準進行統(tǒng)計納入，最終符合要求數(shù)據(jù)為1 243例。

3.3 數(shù)據(jù)預處理

特指對中醫(yī)檢查數(shù)據(jù)的預處理，主要是針對中醫(yī)檢查數(shù)據(jù)中的常規(guī)字段，包括對檢查數(shù)據(jù)進行修正和規(guī)范化。主要是對表意不明確或有歧義的數(shù)據(jù)進行修正，主要由臨床醫(yī)師進行人工篩查、糾正。對檢查數(shù)據(jù)的規(guī)范化主要由于檢查數(shù)據(jù)中存在一種指標有多種說法或有的說法不規(guī)范，先通過模糊查找，再通過醫(yī)學相關專業(yè)人員輔助核定。

3.4 特征提取

完成源數(shù)據(jù)預處理后進行特征提取，主要是通過主成份分析法對肝硬化檢查指標進行分析，提取數(shù)據(jù)中的中醫(yī)檢查數(shù)據(jù)，重點對中醫(yī)檢查部位、結果等方面進行主成份分析，具體步驟為：將檢查記錄中各項數(shù)據(jù)按句號進行分列，人工剔除不可用或無效信息指標；規(guī)整數(shù)據(jù)，統(tǒng)計診斷指標總數(shù)；統(tǒng)計源數(shù)據(jù)中每個診斷指標出現(xiàn)次數(shù)，計算各診斷指標頻率；將各診斷指標頻率除以診斷指標總數(shù)，計算每個診斷指標占有率；通過診斷指標占有率進行指標篩選，選取診斷指標占有率高的指標，確定為主要致病指標，即為特征。按照納入標準完成數(shù)據(jù)預處理后，利用特征構建方法對檢查記錄各項數(shù)據(jù)進行分列，得到共包含指標數(shù)據(jù)4 914條(含重復項)；對分列數(shù)據(jù)進行規(guī)整統(tǒng)計后共包含指標數(shù)據(jù)2 002條(不含重復項)；對規(guī)整后數(shù)據(jù)進行統(tǒng)計指標占有率篩選后最后得到主要用于訓練模型指標數(shù)據(jù)140條。

4 模型構建

本研究使用的中醫(yī)電子病歷門診數(shù)據(jù)中包含明確的診斷結果，對于未包含明確診斷結果的數(shù)據(jù)進行剔除處理，通過對病例特征分析得到可用特征，將可用特征與疾病的明確結果相結合，構建致病指標與診斷結果二元組，將獲取的特征按照one-hot representation編碼規(guī)則進行編碼，每一病例均以特征展開而構成特征向量，以此構建特征矩陣。將構建好的特征矩陣進行神經(jīng)網(wǎng)絡預測分析和SVM分類器訓練，其中神經(jīng)網(wǎng)絡模型中輸出層和SVM分類器結果均定義為二維向量形式，表示電子病歷中檢查結果為陰性和陽性，即代表是否患病。在神經(jīng)網(wǎng)絡訓練過程中對每個訓練樣本存在一個標準輸出，即標簽y，取值為1或0，使用交叉熵損失函數(shù)優(yōu)化此神經(jīng)網(wǎng)絡模型，其交叉熵表達式為：

l=-yln(y′)-(1-y)ln(1-y′)

(1)

(2)

對于一個訓練集St來說，將其均勻劃分為多個小數(shù)據(jù)集(mini-batch)：Sti，每個mini-batch中具有M個訓練樣本，對訓練集Sti={x1，x2，…，xM}而言，交叉熵總和為：

(3)

損失函數(shù)為l，因此優(yōu)化目標是盡可能地減小l，即(min(l))。

神經(jīng)網(wǎng)絡預測模型，見圖1。圖例通過Visio繪制，最底層為輸入層，也就是構建的特征矩陣，共140維；最頂層為輸出層，與診斷結果相對應，共2維，即代表肝硬化檢查結果是陰性還是陽性(是否患肝硬化)。

圖1 神經(jīng)網(wǎng)絡預測模型

根據(jù)電子病歷診斷信息可將診斷數(shù)據(jù)分為兩類：診斷結果為陽性或陰性。構建出二分類SVM分類器，通過與神經(jīng)網(wǎng)絡模型相同的數(shù)據(jù)集進行訓練，將結果與神經(jīng)網(wǎng)絡預測模型進行對比分析。

5 結果分析

深度神經(jīng)網(wǎng)絡預測結果，見表1、表2。兩表分別是迭代100次和1 000次的結果，另外對訓練和測試數(shù)據(jù)進行不同比例的預測。結果表明運用本研究使用的方法預測結果準確率可達到80%，其中訓練數(shù)據(jù)和測試數(shù)據(jù)的比值在7∶3較為合適。

表1 預測結果(迭代100次)

表2 預測結果(迭代1 000次)

在進行SVM訓練中陽性和陰性分別用+1和 -1表示，通過已構建的特征向量，采用SVM模型進行訓練，Libsvm開源軟件包，利用n-fold進行交叉驗證，其中n取值為10，通過反復試驗跳轉(zhuǎn)參數(shù)，最終結果,見表3。

表3 SVM實驗結果

通過對比可以看出在兩者預測準確率均達到80%的情況下神經(jīng)網(wǎng)絡模型準確率相對于SVM模型準確率要高。表明篩選出的診斷肝硬化的指標可作為診斷肝硬化核心指標，以該指標構建訓練的模型可對患者進行肝硬化預測診斷，若將該模型應用于臨床能夠有效降低患者就醫(yī)成本，提高醫(yī)生診療效率，對臨床診斷肝硬化或研究其他疾病具有一定指導意義。

6 討論

6.1 電子病歷缺陷

在互聯(lián)網(wǎng)高速發(fā)展下電子病歷普及程度越來越高，但各電子病歷軟件智能程度不一，特別是中醫(yī)電子病歷，其中的醫(yī)用專業(yè)術語標準不統(tǒng)一且當前未形成統(tǒng)一規(guī)范，不同醫(yī)生記錄過程存在差異，在進行電子病歷相關數(shù)據(jù)挖掘過程中存在各種問題，從而影響數(shù)據(jù)質(zhì)量。

6.2 數(shù)據(jù)清洗

數(shù)據(jù)挖掘過程中不可或缺的重要步驟，決定后期挖掘效果和質(zhì)量。由于中醫(yī)電子病歷中醫(yī)用專業(yè)術語標準不統(tǒng)一、描述不規(guī)范，在進行數(shù)據(jù)清洗和預處理時需要剔除掉不可用、修改不規(guī)范、填補缺失值等，從而使得數(shù)據(jù)集減小，對模型訓練有一定影響，同時由于數(shù)據(jù)預處理過程中需采用人工篩查、規(guī)整和規(guī)范化，可能造成異?；蝈e誤數(shù)據(jù)等問題，從而使得整體數(shù)據(jù)質(zhì)量出現(xiàn)問題。

7 結語

在模型構建算法上，本文僅從神經(jīng)網(wǎng)絡模型和支持向量機分類模型出發(fā)，借鑒前人經(jīng)驗，缺乏其他算法的對比和對復合算法的構建。后續(xù)研究中將進行更加嚴格、規(guī)范化的清洗工作，以進一步提高模型準確性，采用更大、更有效的數(shù)據(jù)集進行模型訓練，對更多算法進行對比，以求提出更適合肝硬化病癥特點的算法進行算法復合模型訓練，從多種角度進行探索，訓練出準確率更高的模型，將模型投入臨床試用，為中醫(yī)臨床提供輔助診療，為中醫(yī)藥智能化提供輔助。