基于集成機(jī)器學(xué)習(xí)的二型糖尿病自助診斷系統(tǒng)的研究與實(shí)現(xiàn)

摘 要：糖尿病是內(nèi)分泌失調(diào)綜合癥中的一種，已經(jīng)越來(lái)越多地出現(xiàn)在我們身邊，并且成為了危害現(xiàn)代人類正常生活的一大殺手。當(dāng)血糖超過(guò)腎臟的負(fù)荷時(shí)，血液中的糖分便會(huì)經(jīng)由尿液排出，故稱為糖尿病。近年來(lái)，隨著糖尿病病例的不斷增加，對(duì)于現(xiàn)有的醫(yī)療資源和醫(yī)療體系提出了越來(lái)越高的要求。雖然我國(guó)的疾病防治團(tuán)隊(duì)力量一直在不斷擴(kuò)充和壯大，但是面對(duì)快速增長(zhǎng)的患病人群，依然遠(yuǎn)遠(yuǎn)沒(méi)有滿足廣大人民的問(wèn)診需求。機(jī)器學(xué)習(xí)作為集計(jì)算機(jī)學(xué)科和統(tǒng)計(jì)學(xué)科與一體的跨領(lǐng)域?qū)W科，近幾年正在如火如荼地發(fā)展著。如果能夠?qū)C(jī)器學(xué)習(xí)的歷史復(fù)盤，擬合能力應(yīng)用于病理診斷領(lǐng)域，必將能夠極大地提高患者的問(wèn)診效率，使得醫(yī)護(hù)人員能夠從大量繁雜的重復(fù)工作中解放出來(lái)，從而進(jìn)一步解決“看病難，看病慢”的問(wèn)題。本文基于該思路，利用決策樹(shù)，SVM等機(jī)器學(xué)習(xí)手段，實(shí)現(xiàn)了能夠集病患自助診斷，醫(yī)師輔助診斷，醫(yī)患信息管理，歷史疾病復(fù)盤等功能于一體的糖尿病醫(yī)療問(wèn)診系統(tǒng)。

關(guān)鍵詞：糖尿病診斷;機(jī)器學(xué)習(xí);統(tǒng)計(jì)學(xué)

背景

糖尿病是一種代謝性疾病，它的特征是患者的血糖長(zhǎng)期高于標(biāo)準(zhǔn)值。高血糖會(huì)造成俗稱“三多一少”的癥狀：多食、多飲 、頻尿及體重下降。對(duì)于第一型糖尿病，其癥狀會(huì)在一個(gè)星期至一個(gè)月期間出現(xiàn)，而對(duì)于第二型糖尿病則較后出現(xiàn)。不論是哪一種糖尿病，如果不進(jìn)行治療，可能會(huì)引發(fā)許多并發(fā)癥。一般病征有視力模糊、頭痛、肌肉無(wú)力、傷口愈合緩慢及皮膚很癢。急性并發(fā)癥包括糖尿病酮酸血癥與高滲透壓高血糖非酮酸性昏迷;嚴(yán)重的長(zhǎng)期并發(fā)癥則包括心血管疾病、中風(fēng)、慢性腎臟病、糖尿病足、以及視網(wǎng)膜病變等。2型糖尿病患者的初始治療包括教育，強(qiáng)調(diào)飲食、運(yùn)動(dòng)、減重（適當(dāng)時(shí)）等生活方式改變。大多數(shù)患者需要二甲雙胍單藥治療，部分患者可能需要將胰島素作為初始治療。雖然一些研究發(fā)現(xiàn)經(jīng)初始治療后2型糖尿病的緩解可能會(huì)維持?jǐn)?shù)年，但大多數(shù)患者為了維持正?；蚪咏５难侨孕枰掷m(xù)的治療。有研究顯示，肥胖患者通過(guò)減肥手術(shù)大幅減重后，大部分患者的2型糖尿病緩解。不論患者對(duì)治療的初始反應(yīng)如何，從大多數(shù)2型糖尿病患者的自然病程來(lái)看，血糖濃度都會(huì)隨時(shí)間逐漸升高。因此，2型糖尿病的防控和治療作為一個(gè)醫(yī)療難題，必然會(huì)耗費(fèi)大量的醫(yī)療醫(yī)護(hù)資源。本文提出了一種能夠從源頭上節(jié)省醫(yī)療成本的方法，即從患者的自身情況，利用機(jī)器學(xué)習(xí)對(duì)歷史數(shù)據(jù)的擬合能力，從患者患病初期就能對(duì)患者身體展現(xiàn)的各項(xiàng)指標(biāo)進(jìn)行推斷，最終獲得初步預(yù)測(cè)的患病概率。輔以醫(yī)護(hù)人員的專業(yè)建議，不僅大大減少了醫(yī)療救護(hù)成本，而且有利于糖尿病例數(shù)據(jù)的收集和維護(hù)，是計(jì)算機(jī)領(lǐng)域向醫(yī)療領(lǐng)域跨入的一次比較好的嘗試。

數(shù)據(jù)

眾所周知，機(jī)器學(xué)習(xí)項(xiàng)目需要大量高質(zhì)量的數(shù)據(jù)作為基準(zhǔn)，而且其數(shù)據(jù)分布需要符合目標(biāo)領(lǐng)域的分布?；诜植嫉目紤]，我們主要從以下幾個(gè)方面考慮對(duì)數(shù)據(jù)的選?。?/p>

（1）特征指標(biāo)獲取的難易程度：特征指標(biāo)應(yīng)當(dāng)是普通人在日常生活中常見(jiàn)且易于獲取的，否則獲取指標(biāo)依然需要耗費(fèi)很大的人力和物力資源;

（2）目標(biāo)人種的聚合程度：本文的目標(biāo)針對(duì)中國(guó)范圍內(nèi)的2型糖尿病患者及潛在患者，由于人種差異，采集的數(shù)據(jù)最好在亞洲/東南亞范圍內(nèi)進(jìn)行采集;

基于上面的考慮，我們采用印度Pima地區(qū)的人種體征患病標(biāo)注數(shù)據(jù)來(lái)進(jìn)行本文中系統(tǒng)的建模，該數(shù)據(jù)集包含如下特征列：

（1）Pregnancies：受孕次數(shù)，如果為男性，則該指標(biāo)為0;

（2）Glucose：人體血液葡萄糖含量;

（3）BloodPressure：血壓值，計(jì)量單位為mm/Hg;

（4）SkinThickness：皮層厚度，計(jì)量單位為mm;

（5）Insulin：胰島素含量，2小時(shí)范圍內(nèi)血清胰島素含量，計(jì)量單位為Mu/ml;

（6）BMI：體重指數(shù)，計(jì)算規(guī)則為（體重/身高）2;

（7）DiabetesPedigreeFunction：糖尿病譜系功能值;

（8）Age：年齡（歲）

（9）Outcome：label，0/1.

該數(shù)據(jù)集由上面的列以及768條樣本交錯(cuò)組成。

數(shù)據(jù)可視化

首先對(duì)數(shù)據(jù)進(jìn)行可視化，我們引用python中的pandas包，采用以下幾個(gè)步驟對(duì)數(shù)據(jù)進(jìn)行預(yù)處理：

（1）數(shù)據(jù)空值及數(shù)據(jù)類型探查

該數(shù)據(jù)集格式較為整齊，且不存在缺失值，因此不需要對(duì)缺失值進(jìn)行特別處理;

（2）數(shù)據(jù)各個(gè)維度交叉可視化

由于數(shù)據(jù)樣本條數(shù)不多，加上所有的樣本特征均為數(shù)值型，在各個(gè)維度上進(jìn)行數(shù)據(jù)的數(shù)值可視化如下：

其中，整體圖例橫/縱坐標(biāo)軸分別由上面提到的所有特征列組成，該圖例展示了各個(gè)特征列之間的兩兩相互情況。

（3）數(shù)據(jù)單維度與標(biāo)簽交叉統(tǒng)計(jì)可視化

數(shù)據(jù)單維度與標(biāo)簽交叉統(tǒng)計(jì)可視化是探索特征與標(biāo)簽關(guān)系的一個(gè)非常重要的部分，這一步驟可以幫助我們初步探查特征與標(biāo)簽之間的關(guān)系。我們以Pregenancies與標(biāo)簽的統(tǒng)計(jì)關(guān)系為例，得到下面的直方圖：

上圖中的橫軸數(shù)值為懷孕次數(shù)，縱軸為患病的0/1數(shù)量的比例，其中藍(lán)色部分柱形代表未患病的數(shù)量，橙色部分柱形代表患病的數(shù)量。可以看出，隨著x軸的推移，藍(lán)色部分的柱形長(zhǎng)度趨向于0，因此可以初步得出類似于“患病概率與懷孕次數(shù)正相關(guān)”類似結(jié)論，但是該結(jié)論實(shí)際上并不具有說(shuō)服力，因?yàn)閱我坏奶卣鞑⒉荒芡耆爬ㄋ玫浇Y(jié)果的置信度。

數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理過(guò)程由離群點(diǎn)檢測(cè)和數(shù)據(jù)增強(qiáng)兩部分組成：其中離群點(diǎn)檢測(cè)用于進(jìn)行離群點(diǎn)數(shù)據(jù)的剔除;數(shù)據(jù)增強(qiáng)則通過(guò)對(duì)數(shù)據(jù)增加噪聲來(lái)增強(qiáng)模型對(duì)于更復(fù)雜情況數(shù)據(jù)的泛化能力和魯棒性。下面分開(kāi)詳述：

（1）離群點(diǎn)的檢測(cè)和剔除。離群點(diǎn)檢測(cè)可以使用的方法比較多，我們從數(shù)據(jù)規(guī)模和計(jì)算難度兩方面對(duì)離群點(diǎn)檢測(cè)的方法進(jìn)行挑選。該數(shù)據(jù)集僅有768條記錄，就算進(jìn)行噪聲加入后，數(shù)量級(jí)也不會(huì)超過(guò)104，再加上該模型建立之后需要服務(wù)于客戶端，對(duì)于性能上要求可能比較高。因此，我們需要選擇一種能夠快速定位和區(qū)分離群點(diǎn)的方法來(lái)輔助進(jìn)行醫(yī)療決策。基于上面的考慮，我們決定采用Robust Covariance和isolate Forest兩種方法從單維度上對(duì)數(shù)據(jù)進(jìn)行離群點(diǎn)剔除。其中，Robust Covariance方法是一種數(shù)據(jù)集協(xié)方差的魯棒估計(jì) （robust estimator）。 這個(gè)想法是找出一個(gè)給定比例的”好”觀察值，它們不是離群值， 且可以計(jì)算其經(jīng)驗(yàn)協(xié)方差矩陣。 然后將該經(jīng)驗(yàn)協(xié)方差矩陣重新縮放以補(bǔ)償所執(zhí)行的觀察選擇;Isolate Forest方法需要對(duì)采樣到的特征隨機(jī)生成分割點(diǎn)即可，不需要像各種決策樹(shù)算法一樣，按照各種標(biāo)準(zhǔn)（基尼系數(shù)，信息增益或者信息增益率）選特征，選分割。我們以preganancies維度為例，利用;Isolate Forest算法進(jìn)行離群點(diǎn)檢測(cè)的結(jié)果如下：

可以看到，選用Robust Covariance時(shí)，得到的邊界較為均勻圓潤(rùn)，而選用isolate Forest時(shí)，得到的表姐比較粗糙。因?yàn)槲覀兿Ｍ敫俚碾x群點(diǎn)以獲得更多符合規(guī)則的數(shù)據(jù)樣本，因此選用isolate Forest是可行的。

（2）數(shù)據(jù)加噪

數(shù)據(jù)加噪的本質(zhì)是通過(guò)數(shù)據(jù)的污染，對(duì)模型的訓(xùn)練造成難度，模型在訓(xùn)練過(guò)程中自主克服這些難度，從而達(dá)到更好的魯棒性和泛化能力的效果。同時(shí)，模型加噪可以進(jìn)一步擴(kuò)充數(shù)據(jù)集容量，對(duì)于模型的充實(shí)和飽滿也具有比較積極的意義?；谏厦娴目紤]，我們對(duì)該數(shù)據(jù)集進(jìn)行加噪類型如下：

（1）泊松噪聲。泊松噪聲是數(shù)據(jù)樣本中存在的比較主要的特征，盡管其有0均值的特質(zhì)但是由于其獨(dú)立于信號(hào)之外，因此很難除掉;

（2）乘性伯努利噪聲;

（3）Text加性噪聲;

（4）隨機(jī)脈沖噪聲

（5）交叉噪聲：例如對(duì)數(shù)據(jù)同時(shí)進(jìn)行泊松噪聲和乘性伯努利特征的加噪。

特征工程

在該步驟中，我們將對(duì)數(shù)據(jù)的各種特征進(jìn)行融合，裁剪和歸一化。然后通過(guò)與最終模型的融合步驟展示這些特征工程的給最終效果帶來(lái)的好處。

（1）特征歸一化

目前數(shù)據(jù)標(biāo)準(zhǔn)化方法有多種，歸結(jié)起來(lái)可以分為直線型方法（如極值法、標(biāo)準(zhǔn)差法）、折線型方法（如三折線法）、曲線型方法（如半正態(tài)性分布）。不同的標(biāo)準(zhǔn)化方法，對(duì)系統(tǒng)的評(píng)價(jià)結(jié)果會(huì)產(chǎn)生不同的影響，然而不幸的是，在數(shù)據(jù)標(biāo)準(zhǔn)化方法的選擇上，還沒(méi)有通用的法則可以遵循。根據(jù)本文所選取的數(shù)據(jù)，我們需要將各個(gè)指標(biāo)的量綱進(jìn)行統(tǒng)一化即可，即采用簡(jiǎn)單的min-max scaler，將各列數(shù)據(jù)進(jìn)行去中心化（具體做法為X-min（x）/std（x））即可;

（2）特征融合和裁剪

特征融合有多種方式，包括全排列組合（將所有特征兩兩/三三…進(jìn)行組合）等手段。在這里，我們選取了特征的兩兩組合即可。一方面這樣即節(jié)省了計(jì)算的時(shí)間和空間，滿足能夠快速推斷，快速迭代的需求;另一方面，這樣能夠引入較少的參數(shù)和誤差，在模型訓(xùn)練時(shí)能夠快速收斂并取得成效。

評(píng)價(jià)指標(biāo)

基于選用的數(shù)據(jù)，我們選擇交叉熵（cross-entropy）作為損失函數(shù)。交叉熵的概念與信息量息息相關(guān)。信息量來(lái)衡量一個(gè)事件的不確定性，一個(gè)事件發(fā)生的概率越大，不確定性越小，則其攜帶的信息量就越小。而熵用來(lái)衡量一個(gè)系統(tǒng)的混亂程度，代表系統(tǒng)中信息量的總和;熵值越大，表明這個(gè)系統(tǒng)的不確定性就越大。在本文描述的系統(tǒng)中，因?yàn)榇嬖谥?fù)樣本代價(jià)不對(duì)等的問(wèn)題（將一名患者診斷為無(wú)病造成的損失較將一名無(wú)病者診斷為患者造成的損失大），因此使用交叉熵來(lái)解決這個(gè)問(wèn)題。交叉熵中的Log能夠?qū)⒄_判斷的收益折損，并且將誤判的損失放大，較為符合本文中系統(tǒng)所取的場(chǎng)景。

模型建立

基于前面的數(shù)據(jù)處理步驟，我們選取幾種比較常見(jiàn)的機(jī)器學(xué)習(xí)方法，如下：

1.LR（Logistic Regression，邏輯回歸），Logistic Regression 雖然被稱為回歸，但其實(shí)際上是分類模型，并常用于二分類。Logistic Regression 因其簡(jiǎn)單、可并行化、可解釋強(qiáng)深受工業(yè)界喜愛(ài)。其本質(zhì)為假設(shè)數(shù)據(jù)服從這個(gè)分布，然后使用極大似然估計(jì)做參數(shù)的估計(jì);

2.KNN（K Nearrest Neightbour，最鄰近算法），KNN是通過(guò)測(cè)量不同特征值之間的距離進(jìn)行分類。它的思路是：如果一個(gè)樣本在特征空間中的k個(gè)最相似（即特征空間中最鄰近）的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別，其中K通常是不大于20的整數(shù)。KNN算法中，所選擇的鄰居都是已經(jīng)正確分類的對(duì)象。該方法在定類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來(lái)決定待分樣本所屬的類別;

3.DT（Decition Tree，決策樹(shù)模型），決策樹(shù)算法采用樹(shù)形結(jié)構(gòu)，使用層層推理來(lái)實(shí)現(xiàn)最終的分類。預(yù)測(cè)時(shí)，在樹(shù)的內(nèi)部節(jié)點(diǎn)處用某一屬性值進(jìn)行判斷，根據(jù)判斷結(jié)果決定進(jìn)入哪個(gè)分支節(jié)點(diǎn)，直到到達(dá)葉節(jié)點(diǎn)處，得到分類結(jié)果。這是一種基于 if-then-else 規(guī)則的有監(jiān)督學(xué)習(xí)算法，決策樹(shù)的這些規(guī)則通過(guò)訓(xùn)練得到，而不是人工制定的。

4.AdaBoost;Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器（弱分類器），然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）。Adaboost算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改過(guò)權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次得到的分類器最后融合起來(lái)，作為最后的決策分類器。

訓(xùn)練階段的acc展示如下：

通過(guò)上面的建模，得到各個(gè)特征的重要程度如下：

可以看出，血糖濃度為判斷糖尿病的最直接指標(biāo)，這與我們的認(rèn)知是相符的，從這點(diǎn)上至少說(shuō)明，模型已經(jīng)在一定程度上表現(xiàn)出人類的知識(shí)特性。

工程建造

本文所述系統(tǒng)基于python語(yǔ)言搭建，在工程端基于Django框架搭建，數(shù)據(jù)庫(kù)采用mysql 8.0，前端采用html+css+jquery實(shí)現(xiàn)，目前已經(jīng)實(shí)現(xiàn)了用戶管理，自主診斷，醫(yī)師診斷，病例管理等多項(xiàng)功能。

參考文獻(xiàn)：

[1] Falvo D， Holland BE. Medical and psychosocial aspects of chronic illness and disability. Jones & Bartlett Learning; 2017.

[2] Skyler JS， Bakris GL， Bonifacio E， Darsow T， Eckel RH， Groop L， et al. Differentiation of diabetes by pathophysiology， natural history， and prognosis. Diabetes 2017;66：241-55.

[3] Tao Z， Shi A， Zhao J. Epidemiological perspectives of diabetes. Cell Biochem Biophys 2015;73：181-5.

作者簡(jiǎn)介：

馬吉聰 （1987-8-2）性別：男 民族：漢 籍貫省市：山東省煙臺(tái)市 學(xué)歷碩士 主要從事方向研究：人工智能。

（云南師范大學(xué) ?云南 昆明 ?650000）