基于機(jī)器學(xué)習(xí)動態(tài)簡化的明尼蘇達(dá)多相個性調(diào)查表*

孫啟科 董問天 遲 銳 賀 勇 馬義斌 王 克 崔飛環(huán) 馮超南 李毓明 于淏巋 于 濱 石 川 紀(jì) 俊1,

Hathaway SR與Mckinley JC[1]于1942年配合擬定的明尼蘇達(dá)多相個性調(diào)查表(Minnesota Multiphasic Personality Inventory，MMPI)是國內(nèi)外使用最普遍的精神疾病檢測量表。并且MMPI在人格檢測和心理測評中有很好的信效度[2，3]。隨著競爭壓力的日趨增加[4，5]，精神疾病已成為危害我國人民身心健康的重要疾病之一。因此，一套簡捷高效的心理健康評估工具對國民身心健康起著至關(guān)重要的作用。宋維真等[6]于1985年翻譯修訂的MMPI是我國目前使用的版本，總共566道題目，其中，用于精神疾病與癥狀篩查的是前399道題目，包括10個臨床測評題組和4個效度題組。據(jù)統(tǒng)計，MMPI平均完成時間是42 min[7]，測試者很難有耐心全部做完，所以在某些場景使用時，例如體檢時進(jìn)行心理測評，有必要對原始的MMPI做簡化，在保持結(jié)果一致性的基礎(chǔ)上盡量減少題目以提升量表的完成率。目前已有的MMPI簡化版本，例如：MMPI-168[8]和MMPI偏見量表的簡化[9,10]等，已經(jīng)被證明其在篩查方面的信效度，但都采用因子分析法生成簡化版本的量表，篩查過程中無法保證篩查的針對性和全面性。近些年來，多位學(xué)者為簡化量表提出了利用機(jī)器學(xué)習(xí)建立模型的新想法。例如，自閉癥診斷觀察量表(Autism Diagnostic Observation Schedule，ADOS)[11]和社交反應(yīng)量表(Social Responsiveness Scale，SRS)[12]，還有本課題之前的研究成果：中文雙相情感障礙診斷清單(Bipolar Diagnosis Checklist in Chinese, BDCC)[13]，均是利用機(jī)器學(xué)習(xí)算法分析大量臨床測評數(shù)據(jù)生成分類器將情感障礙評估量表進(jìn)行簡化，并通過對照簡化前后結(jié)果的敏感性和特異性以驗證其一致性。本研究采用ID3(Iterative Dichotmizer 3)算法[14]，在上述研究的基礎(chǔ)上，計算7 410例患者M(jìn)MPI測評數(shù)據(jù)的10個臨床測評題組信息增益構(gòu)造決策樹并根據(jù)題組的陰陽性實現(xiàn)動態(tài)人群分組，再通過6種經(jīng)典機(jī)器學(xué)習(xí)算法對不同的人群分組進(jìn)行建模分析，以挖掘滿足結(jié)果一致性的可縮減題組，進(jìn)而動態(tài)簡化MMPI。

1 對象與方法

1.1 對象 數(shù)據(jù)集來自北京大學(xué)第六醫(yī)院的7 410例患者，所有研究對象有效完成全部399道題目。由于不同性別的測評標(biāo)準(zhǔn)不同，所以首先把數(shù)據(jù)集分為男3 144例和女4 266例。根據(jù)測評標(biāo)準(zhǔn)計算出每例患者10個題組的相應(yīng)得分，采用機(jī)器學(xué)習(xí)算法將前置題組的得分作為特征預(yù)測當(dāng)前題組的得分。

1.2 方法

1.2.1 實驗數(shù)據(jù) 患者的性別對臨床測評題組疑病(Hs)、抑郁(D)、癔癥(Hy)、男性-女性傾向(Mf)、精神分裂癥(Sc)、輕躁狂(Ma)、社會內(nèi)向(Si)比較差異均具有統(tǒng)計學(xué)意義(P<0.05)；年齡因素對臨床測評題組各因子比較差異均具有統(tǒng)計學(xué)意義(P<0.05)。見表1。

表1 7 410例患者關(guān)于MMPI臨床測評題組陰性、陽性的人口統(tǒng)計學(xué)分析

1.2.2 機(jī)器學(xué)習(xí)算法 本研究采用梯度提升回歸樹(GBRT)、隨機(jī)森林(RF)、支持向量回歸(SVM)、邏輯回歸(LR)、最小絕對收縮和選擇算子(LASSO)以及線性判別分析(LDA)6種經(jīng)典的機(jī)器學(xué)習(xí)算法針對特殊人群分組進(jìn)行訓(xùn)練和驗證以獲得相對精準(zhǔn)的模型，并選擇最優(yōu)結(jié)果模型作為最終結(jié)果。

1.2.3 簡化過程 步驟1：前置分組劃分。如圖1所示，首先，計算7 410例測評者每個題組的信息增益，按信息增益大小排序進(jìn)行數(shù)據(jù)分組：從10個題組中選擇第1個題組作為目標(biāo)題組，其余9個題組作為特征，通過ID3決策樹算法求出9個特征的信息增益，選擇最大的特征作為決策樹的根節(jié)點，根據(jù)該節(jié)點的陰陽性劃分為2個分組，再計算對應(yīng)該節(jié)點的陰性分組或陽性分組剩下8個特征的信息增益，選擇最大的特征作為決策樹的節(jié)點，根據(jù)該節(jié)點的陰陽性繼續(xù)劃分分組，直到9個特征都作為決策樹的節(jié)點或分組人數(shù)小于100。步驟2：機(jī)器學(xué)習(xí)分類預(yù)測建模。將上述劃分好的人群分組采用6種經(jīng)典機(jī)器學(xué)習(xí)算法訓(xùn)練模型，自變量是決策樹中各個分組所對應(yīng)題組數(shù)據(jù)，因變量是目標(biāo)題組的結(jié)果，并計算分類器的敏感度和特異度，若敏感度和特異度達(dá)到75%，則當(dāng)前人群分組可刪除該目標(biāo)題組。步驟3：迭代計算。再從10個題組中選擇第2個題組作為目標(biāo)題組，其余9個作為特征，重復(fù)上述步驟，直到10個題組都當(dāng)過目標(biāo)題組后結(jié)束。以上述方法排列組合遍歷全部分組情況，得到1 707個分組，其中大于100例的分組有938個。

圖1 量表簡化流程圖

1.2.4 評價指標(biāo) 根據(jù)中國常模標(biāo)準(zhǔn)[15]，將真實得分與預(yù)測得分劃分陰陽性，得到混淆矩陣，MMPI簡化以敏感度與特異度作為衡量標(biāo)準(zhǔn)。此次研究，以動態(tài)刪減后的結(jié)果保持刪減前結(jié)果75%的敏感度與特異度為閾值。

1.2.5 統(tǒng)計學(xué)方法 采用梯度提升回歸樹(GBRT)、隨機(jī)森林(RF)、支持向量回歸(SVM)、邏輯回歸(LR)、最小絕對收縮和選擇算子(LASSO)以及線性判別分析(LDA)統(tǒng)計方法。對數(shù)據(jù)劃分采用了卡方檢驗，以原量表75%的敏感度與特異度作為檢驗標(biāo)準(zhǔn)對題組進(jìn)行刪減。

2 結(jié)果

圖2～4可見，男性通過ID3算法生成疑病(Hs)、精神衰弱(Pt)和癔癥(Hy)題組的決策樹時，根據(jù)決策樹節(jié)點題組的陰陽性劃分100例以上且刪除目標(biāo)題組后敏感度與特異度超過閾值的人群分組。表2可見，針對男性受試者的癔癥(Hy)題組為陰且精神分裂癥(Sc)、精神衰弱(Pt)題組為陽的分組，抑郁(D)、癔癥(Hy)題組為陰且精神分裂癥(Sc)、精神衰弱(Pt)題組為陽的分組，男性-女性傾向(Mf)、病態(tài)人格(Pd)、精神分裂癥(Sc)、社會內(nèi)向(Si)、精神衰弱(Pt)、妄想(Pa)為陰且抑郁(D)、癔癥(Hy)為陽的分組，可刪除疑病(Hs)題組；針對男性受試者的精神衰弱(Pt)、精神分裂癥(Sc)、抑郁(D)、輕躁狂(Ma)、男性-女性傾向(Mf)、社會內(nèi)向(Si)題組為陰且疑病(Hs)題組為陽的人群分組，可刪除癔癥(Hy)題組；針對男性受試者的精神分裂癥(Sc)為陰且抑郁(D)為陽的人群分組可刪除精神衰弱(Pt)題組。圖5、6可見，女性通過ID3算法生成輕躁狂(Ma)和精神衰弱(Pt)題組的決策樹時，根據(jù)決策樹節(jié)點題組的陰陽性劃分100例以上且刪除目標(biāo)題組后敏感度與特異度超過閾值的人群分組。表3可見，針對女性受試者的精神分裂癥(Sc)、病態(tài)人格(Pd)、抑郁(D)、疑病(Hs)、社會內(nèi)向(Si)、妄想(Pa)、輕躁狂(Ma)、男性-女性傾向(Mf)題組為陰且癔癥(Hy)題組為陽的人群分組，可刪除精神衰弱(Pt)題組；針對女性受試者的社會內(nèi)向(Si)、抑郁(D)、癔癥(Hy)題組為陰且精神分裂癥(Sc)、精神衰弱(Pt)、妄想(Pa)題組為陽的人群分組，可刪除輕躁狂(Ma)題組。

圖2 通過ID3算法生成決策樹，刪減Hs題組后與刪減前結(jié)果比較，敏感度和特異度≥75%的男性人群分組

圖3 通過ID3算法生成決策樹，刪減Hy題組后與刪減前結(jié)果比較，敏感度和特異度≥75%的男性人群分組

圖4 通過ID3算法生成決策樹，刪減Pt題組后與刪減前結(jié)果比較，敏感度和特異度≥75%的男性人群分組

表2 男性患者不同前置題組預(yù)測優(yōu)化題組的敏感度、特異度

圖5 通過ID3算法生成決策樹，刪減Pt題組后與刪減前結(jié)果比較，敏感度和特異度≥75%的女性人群分組

圖6 通過ID3算法生成決策樹，刪減Ma題組后與刪減前結(jié)果比較，敏感度和特異度≥75%的女性人群分組

表3 女性患者不同前置題組預(yù)測優(yōu)化題組的敏感度、特異度

3 討論

近些年來，隨著機(jī)器學(xué)習(xí)算法的迅猛發(fā)展，其在各個領(lǐng)域中都得到了廣泛應(yīng)用，并取得了顯著成果。目前，許多典型的研究早已把機(jī)器學(xué)習(xí)算法應(yīng)用到了精神科量表的簡化過程中，并取得了顯著的效果。

Hardt J和Gerbershagen HU[16]2001年采用機(jī)器學(xué)習(xí)中的因子分析和主成分分析算法將自評量表SCL-90-R從90個題目簡化至27個題目，10個因子簡化至6個因子，并在518個樣本上分析驗證發(fā)現(xiàn)因子間的相似性低而因子的內(nèi)部一致性高，達(dá)到了較好的簡化效果。Wall DP等[17]在2012年通過對比16種經(jīng)典機(jī)器學(xué)習(xí)算法簡化效果后選擇最優(yōu)的交替決策樹算法將孤獨癥診斷觀察量表(Autism Diagnostic Observation Schedule，ADOS)中模塊1的29個條目簡化為8個，并采用兩個不同數(shù)據(jù)集對簡化版本的量表進(jìn)行驗證，得到的分類器準(zhǔn)確率接近100%，而完成測評所需要的時間較原始版本減少70%。Kosmicki JA等[18]于2015年通過后向特征選擇方法比較8種機(jī)器學(xué)習(xí)算法對ADOS量表的簡化效果，將用于篩查孤獨癥的ADOS量表中的模塊2與模塊3分別進(jìn)行簡化，將原有的模塊2與模塊3中的28個行為條目分別簡化至9個和12個行為條目，條目數(shù)量均減少了55%以上，而準(zhǔn)確率分別為98.27%和97.66%。Abbas H等[19]在2017年將傳統(tǒng)的問卷調(diào)查與手機(jī)視頻文件相結(jié)合，提出了一種采用機(jī)器學(xué)習(xí)算法診斷孤獨癥兒童的新方法，該方法相比于傳統(tǒng)修正的兒童孤獨癥篩查量表(M-CHAT)更加準(zhǔn)確。2016年，Duda M等[20]通過四種機(jī)器學(xué)習(xí)算法將社會反應(yīng)量表(Social Responsiveness Scale, SRS)由65個題目簡化至5個題目，簡化后的量表用于區(qū)分孤獨癥譜系障礙與注意缺陷多動障礙的AUC達(dá)到0.965的準(zhǔn)確率。Duda M等[21]于2017年在之前研究的基礎(chǔ)上提出了一個新的分類算法，利用機(jī)器學(xué)習(xí)算法在一個新的數(shù)據(jù)集上，通過SRS衍生出一個僅有15個題目的新簡化版本，其AUC為0.89±0.01，這一簡化版本的穩(wěn)定性更高。Halim A等[22]在2018年提出采用機(jī)器學(xué)習(xí)算法，將半結(jié)構(gòu)化的標(biāo)記兒童的家庭短視頻與結(jié)構(gòu)化的父母報告調(diào)查問卷相結(jié)合，使用創(chuàng)造性的特征選擇方法，簡化出一個用來檢測兒童是否患有孤獨癥的測評工具。通過對162個樣本數(shù)據(jù)的研究發(fā)現(xiàn)篩查時間僅為原來的25%，且篩查工具的準(zhǔn)確性得到了提高。Tariq Q等[23]于2018年通過8種機(jī)器學(xué)習(xí)算法，從兩個不同標(biāo)準(zhǔn)的診斷儀器的記錄中，構(gòu)建出用于診斷孤獨癥兒童的分類器，并且具有較高的分類準(zhǔn)確率和很強(qiáng)的可解釋性。其中，8種機(jī)器學(xué)習(xí)算法中的Logistic回歸算法僅用了8個特征，其AUC就能夠達(dá)到0.92。

在國外，使用機(jī)器學(xué)習(xí)算法來簡化精神科診斷量表已經(jīng)有了較多相關(guān)的研究，并且得到了較多的研究成果，但在國內(nèi)，相關(guān)的研究還比較缺乏。2019年，Ma Y等[13]通過對5種機(jī)器學(xué)習(xí)算法的比較，采用前向特征選擇，對情感障礙評估量表(Affective Disorder Evaluation, ADE)進(jìn)行了簡化，并且根據(jù)隨機(jī)森林計算的題目重要性開發(fā)出了中文雙相情感障礙診斷清單(Bipolar Diagnosis Checklist in Chinese, BDCC)，BDCC僅用原來15%的條目就能夠區(qū)分雙相情感障礙患者、重度抑郁患者和健康人群，且準(zhǔn)確率可分別達(dá)到96%、93%和99.6%。

在國內(nèi)，Ma Y等[13]于2019年的研究是在我國人口基數(shù)較大的背景下，探求一個適用于體檢中心的簡化量表。本研究是在此基礎(chǔ)上，將機(jī)器學(xué)習(xí)算法應(yīng)用于MMPI的簡化過程中，并根據(jù)MMPI不同題組的特點，通過區(qū)分前置題組的陰陽性，探求一個能夠動態(tài)簡化的MMPI。

MMPI作為世界上被使用次數(shù)最多的人格測驗量表之一，它的簡化具有重要的意義，能減少測評者的測試時間，提高咨詢效率，為有需要的患者提供便利。本研究在進(jìn)行MMPI簡化時，針對不同人群分組，以動態(tài)刪減后的結(jié)果保持與刪減前結(jié)果75%的敏感度與特異度為閾值，采用6種經(jīng)典機(jī)器學(xué)習(xí)算法預(yù)測題組的敏感度和特異度，針對男性測試者的癔癥(Hy)為陰性且精神衰弱(Pt)、精神分裂癥(Sc)為陽性的分組，癔癥(Hy)、抑郁(D)為陰性且精神衰弱(Pt)、精神分裂癥(Sc)為陽性的分組，精神分裂癥(Sc)、精神衰弱(Pt)、妄想(Pa)、男性-女性傾向(Mf)、病態(tài)人格(Pd)、社會內(nèi)向(Si)為陰性且癔癥(Hy)、抑郁(D)為陽性的分組，可刪除疑病(Hs)題組，減少8.3%的題目；針對男性測試者的抑郁(D)、精神衰弱(Pt)、精神分裂癥(Sc)、社會內(nèi)向(Si)、輕躁狂(Ma)、男性-女性傾向(Mf)為陰性且疑病(Hs)為陽性的分組，可刪除癔癥(Hy)題組，減少15.0%的題目；針對男性測試者的精神分裂癥(Sc)為陰性且抑郁(D)為陽性的分組，可刪除精神衰弱(Pt)題組，減少12.0%的題目；針對女性測試者的精神分裂癥(Sc)、抑郁(D)、病態(tài)人格(Pd)、社會內(nèi)向(Si)、疑病(Hs)、妄想(Pa)、輕躁狂(Ma)、男性-女性傾向(Mf)為陰性且癔癥(Hy)為陽性的分組，可刪除精神衰弱(Pt)題組，減少12.0%的題目；針對女性測試者的抑郁(D)、社會內(nèi)向(Si)、癔癥(Hy)為陰性且精神分裂癥(Sc)、妄想(Pa)、精神衰弱(Pt)為陽性的分組，可刪除輕躁狂(Ma)題組，減少11.5%的題目。

綜上所述，機(jī)器學(xué)習(xí)在精神科量表中的應(yīng)用具有很廣闊的前景，簡化后的MMPI不僅節(jié)省了心理測評時間還能夠幫助醫(yī)生進(jìn)行有效的篩查和輔助診斷?；诒狙芯刻岢龅臋C(jī)器學(xué)習(xí)模型，繼續(xù)擴(kuò)大數(shù)據(jù)量，能夠挖掘出更多的可簡化分組。由于在劃分人群分組時，100例以下的分組數(shù)據(jù)量少容易過擬合，因此不考慮少于100例的人群分組。然而因為男性-女性傾向(Mf)量表的陽性數(shù)據(jù)量不足，只有114例，在機(jī)器學(xué)習(xí)中模型無法學(xué)習(xí)到足夠多的陽性數(shù)據(jù)，存在數(shù)據(jù)偏移問題，預(yù)測結(jié)果不夠準(zhǔn)確，因此還需要盡量收集更多的男性-女性傾向(Mf)陽性數(shù)據(jù)，進(jìn)一步得到更高精度、具有更高效率的簡化量表。