基于人工神經(jīng)網(wǎng)絡(luò)的眼鏡蛇咬傷輔助診斷研究

梁明賢，梁斌梅，梁 平，羅 威，黃柏霖，黃鈺菲

（1.廣西大學(xué)計算機(jī)與電子信息學(xué)院計算機(jī)系，南寧 530004；2.梧州市中醫(yī)醫(yī)院，廣西梧州 543002）

0 引言

廣西地處亞熱帶地區(qū)，屬云貴高原向東南沿海丘陵過渡地帶，具有山地多、平原少的特點(diǎn)，形成了氣候溫暖、降雨充沛、干濕分明、冬少夏多的自然條件，適宜蛇類生存[1]。廣西蛇傷發(fā)病季節(jié)長、病例多，屬于蛇傷高發(fā)地區(qū)，每年有3～4 萬人被蛇咬傷[2]。廣西境內(nèi)毒蛇咬傷發(fā)病率最高為眼鏡蛇[3]。眼鏡蛇咬傷救治的總原則是迅速確診為眼鏡蛇咬傷，并盡快使用抗眼鏡蛇毒血清[4]。目前，臨床上對眼鏡蛇咬傷的診斷主要依靠臨床醫(yī)師豐富的臨床診治經(jīng)驗，根據(jù)蛇咬傷病史、蛇的形態(tài)特征、蛇圖譜、傷口周圍局部癥狀和全身癥狀，并結(jié)合實驗室檢查數(shù)據(jù)，綜合診斷為何種毒蛇咬傷，從而對癥治療[5-6]。但是大部分蛇傷患者無法準(zhǔn)確描述蛇的形態(tài)特征，也不能準(zhǔn)確辨認(rèn)蛇圖譜。

國務(wù)院2017 年頒布的《新一代人工智能發(fā)展規(guī)劃》中，明確提出推廣應(yīng)用人工智能治療的新模式新手段，建立快速精準(zhǔn)的智能醫(yī)療體系[7]。如何利用人工智能技術(shù)對疾病進(jìn)行智能輔助診斷，目前已有學(xué)者進(jìn)行了大量研究[8-12]，提出了各種疾病的智能輔助診斷方法，但對毒蛇咬傷的智能輔助診斷方面的文獻(xiàn)報道較少。人工神經(jīng)網(wǎng)絡(luò)是人工智能的一個重要分支。人工神經(jīng)網(wǎng)絡(luò)能夠模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，通過對輸入輸出數(shù)據(jù)的學(xué)習(xí)訓(xùn)練，掌握輸入輸出的規(guī)律，形成記憶，并根據(jù)新的輸入數(shù)據(jù)預(yù)測出正確的輸出。因此，本研究基于眼鏡蛇咬傷住院患者的局部和全身癥狀特征，利用概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network，PNN）、徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)和反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練和測試，以實現(xiàn)眼鏡蛇咬傷的識別。

1 數(shù)據(jù)集建立

1.1 數(shù)據(jù)收集

選取2017—2019 年梧州市中醫(yī)醫(yī)院蛇傷科?？漆t(yī)生明確診斷的101 例眼鏡蛇咬傷住院患者的病例資料，同時選取同期101 例其他毒蛇咬傷住院患者的病例資料。根據(jù)2018 年中國蛇傷救治專家共識，并結(jié)合梧州市中醫(yī)醫(yī)院眼鏡蛇咬傷診療方案，從病例資料中提取傷口及周圍局部皮膚溫度、皮膚色澤、腫脹、疼痛、麻木、壓痛、觸痛、瘀黑、瘀斑、血泡或水泡、傷口滲血或滲液、潰瘍或潰爛共12 個局部癥狀特征，同時提取惡心、嘔吐、頭痛、頭暈、眼瞼下垂、胸悶或心悸、呼吸困難、寒顫、肌肉酸痛、全身乏力共10 個全身癥狀特征，通過規(guī)范化處理，建立眼鏡蛇咬傷特征數(shù)據(jù)集。本研究取得了醫(yī)院倫理委員會的批準(zhǔn)。

1.2 數(shù)據(jù)描述

對12 個局部癥狀特征和10 個全身癥狀特征進(jìn)行規(guī)范化描述，并轉(zhuǎn)換為數(shù)值表示，作為輸入特征向量X，其中X1～X12為局部癥狀特征，X13～X22為全身癥狀特征，詳見表1。從選取的病例資料中提取202 組診斷特征數(shù)據(jù)和標(biāo)簽，建立眼鏡蛇咬傷特征數(shù)據(jù)集。

表1 輸入特征向量描述

眼鏡蛇咬傷后，一般先出現(xiàn)疼痛，然后沿著傷口向四周出現(xiàn)腫脹，按壓傷口周圍或傷肢其他位置可有明顯壓痛感，牙痕傷口附近逐漸出現(xiàn)瘀黑或瘀斑，部分患者會出現(xiàn)血泡、潰爛及惡心、嘔吐等其他癥狀特征。大多數(shù)眼鏡蛇咬傷后傷口局部可見明顯特征X8“瘀黑”。圖1 顯示眼鏡蛇咬傷3 h 傷口出現(xiàn)特征X8“瘀黑”、傷口四周出現(xiàn)特征X9“瘀斑”，并有向四周蔓延趨勢；圖2 顯示眼鏡蛇咬傷后15 h 傷口四周出現(xiàn)特征X9“瘀斑”，并有多個不同大小的特征X10“血泡”。

圖2 眼鏡蛇咬傷傷口圖片（患者2）

1.3 數(shù)據(jù)分析

對12 個局部癥狀特征數(shù)據(jù)和10 個全身癥狀特征數(shù)據(jù)進(jìn)行相關(guān)度分析，計算每個特征和標(biāo)簽的相關(guān)系數(shù)。其中腫脹、疼痛、壓痛和瘀黑4 個特征的相關(guān)系數(shù)r>0.5，皮膚溫度、皮膚色澤、麻木、傷口滲血或滲液、潰瘍或潰爛、惡心、嘔吐、頭暈、胸悶或心悸共9 個特征的相關(guān)系數(shù)r 為0.2～0.5，觸痛、瘀斑、血泡或水泡、頭痛、眼瞼下垂、呼吸困難、寒顫、肌肉酸痛、全身乏力共9 個特征的相關(guān)系數(shù)r<0.2。

眼鏡蛇毒屬于混合毒，既有神經(jīng)蛇毒素，也有血循毒素，特別含有細(xì)胞毒素。因此被眼鏡蛇咬傷后，腫脹、疼痛、壓痛和瘀黑是常見的特征，與眼鏡蛇咬傷的相關(guān)度較高，符合臨床結(jié)論。隨著發(fā)病至就診的時間、患者年齡以及眼鏡蛇毒量的不同，容易出現(xiàn)病情進(jìn)展的不同，從而出現(xiàn)皮膚溫度、色澤的不同，同時會伴隨惡心、嘔吐、頭暈、胸悶或心悸等不適。

2 模型設(shè)計

2.1 PNN 模型設(shè)計

在模式分類問題中，PNN 得到了廣泛應(yīng)用，其以貝葉斯最小風(fēng)險準(zhǔn)則為基本原理。PNN 共分為4 層，第1 層為輸入層，用于接收來自樣本的值，主要是把毒蛇咬傷后的22 個臨床癥狀特征經(jīng)過規(guī)范化處理后得到輸入特征向量X 輸入到神經(jīng)網(wǎng)絡(luò)中，輸入層神經(jīng)元個數(shù)與輸入特征向量X 的維度相同。第2 層為模式層，通過加權(quán)系數(shù)wi（i 為訓(xùn)練樣本數(shù)，取值為1，2，...，182）與輸入層相連接，計算輸入特征向量與訓(xùn)練集中各個模式的匹配程度，也就是相似度，將其距離送入高斯函數(shù)得到模式層的輸出。模式層的神經(jīng)元個數(shù)與訓(xùn)練樣本總數(shù)相同，182 組訓(xùn)練樣本輸入對應(yīng)182 個神經(jīng)元Φ={Φ1，Φ2，...，Φ182}。PNN 模型對標(biāo)準(zhǔn)化后的輸入特征向量X 進(jìn)行徑向基計算，傳遞函數(shù)為

其中，分布密度?決定了樣本歸類的靈敏度，這是PNN性能的核心量。第3 層為求和層，其神經(jīng)元只與模式層中對應(yīng)類別的神經(jīng)元有連接，對同一類的模式層神經(jīng)元的輸出進(jìn)行加權(quán)平均，神經(jīng)元數(shù)和類別數(shù)相同，判別是否為眼鏡蛇咬傷需要2 個神經(jīng)元S={S1，S2}。第4 層為輸出層，通過簡單的閾值判別，輸出求和層中得分最高的類別。建立的PNN 模型拓?fù)浣Y(jié)構(gòu)如圖3 所示。

圖3 PNN 模型拓?fù)浣Y(jié)構(gòu)

2.2 RBF 神經(jīng)網(wǎng)絡(luò)模型設(shè)計

RBF 神經(jīng)網(wǎng)絡(luò)輸入至輸出的變換是非線性的，而隱含空間至輸出層空間的變換是線性的，且其學(xué)習(xí)速度快，能夠避免局部極小現(xiàn)象。RBF 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層。建立的RBF神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖4 所示。

圖4 RBF 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)

2.3 BP 神經(jīng)網(wǎng)絡(luò)模型設(shè)計

BP 神經(jīng)網(wǎng)絡(luò)是一種采用BP 學(xué)習(xí)算法訓(xùn)練的多層感知機(jī)模型，能在不確定映射關(guān)系的情況下，通過進(jìn)行大量輸入-輸出模式的學(xué)習(xí)和記憶，找到輸入和輸出之間的映射關(guān)系。BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由輸入層、隱含層和輸出層組成，層間神經(jīng)元采用全連接方式，層內(nèi)神經(jīng)元之間無連接。建立的BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖5 所示。

圖5 BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)

3 實驗過程

3.1 實驗環(huán)境

本實驗采用Windows10 操作系統(tǒng)，使用MATLAB R2019a 仿真平臺對眼鏡蛇咬傷特征數(shù)據(jù)集進(jìn)行仿真分析。

3.2 實驗步驟

具體實驗步驟如下：

第一步，使用load()函數(shù)導(dǎo)入數(shù)據(jù)集；

第二步，使用mapmimax()函數(shù)對輸入數(shù)據(jù)進(jìn)行歸一化；

第三步，使用cvpartition()函數(shù)劃分訓(xùn)練集和測試集；

第四步，使用newpnn()、newrbf()、newff()函數(shù)分別建立PNN 模型、RBF 神經(jīng)網(wǎng)絡(luò)模型、BP 神經(jīng)網(wǎng)絡(luò)模型；

第五步，輸入訓(xùn)練集數(shù)據(jù)對模型進(jìn)行訓(xùn)練，其中PNN 模型和RBF 神經(jīng)網(wǎng)絡(luò)模型的建立過程即訓(xùn)練過程，BP 神經(jīng)網(wǎng)絡(luò)模型使用train()函數(shù)進(jìn)行訓(xùn)練；

第六步，使用sim()函數(shù)對測試集輸入數(shù)據(jù)進(jìn)行分類，得到模型預(yù)測結(jié)果；

第七步，計算預(yù)測準(zhǔn)確率。

通過實驗，PNN 模型擴(kuò)展速度spread=1.8，RBF神經(jīng)網(wǎng)絡(luò)模型擴(kuò)展速度spread=3，BP 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練次數(shù)epochs=20、學(xué)習(xí)率lr=0.01、訓(xùn)練精度goal=0.001。

4 實驗結(jié)果與分析

實驗結(jié)果顯示，PNN 模型預(yù)測準(zhǔn)確率為87.14%，RBF 神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率為82.67%，BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率為86.02%。由此可見，PNN 模型預(yù)測準(zhǔn)確率最高、泛化能力最好，更適用于眼鏡蛇咬傷的預(yù)測診斷。

在實驗過程中發(fā)現(xiàn)，3 個模型均存在一定的過擬合，即出現(xiàn)了預(yù)測準(zhǔn)確率比訓(xùn)練準(zhǔn)確率低的現(xiàn)象，主要原因是訓(xùn)練數(shù)據(jù)少，只有202 個樣本。減小過擬合的方法：選取合適的停止訓(xùn)練標(biāo)準(zhǔn)，在目標(biāo)函數(shù)后面加上正則項或迭代過程使用權(quán)值衰減的方法等。在本實驗中，為了減少過擬合、提高模型的泛化能力，采用K 折（本文選用十折）交叉驗證評估模型的預(yù)測性能，同時通過實驗選取合適的停止訓(xùn)練標(biāo)準(zhǔn)，都取得了較好的效果。其中PNN 模型和RBF 神經(jīng)網(wǎng)絡(luò)模型通過實驗選取合適的擴(kuò)展系數(shù)來減少過擬合，BP 神經(jīng)網(wǎng)絡(luò)模型通過實驗選取合適的學(xué)習(xí)率和訓(xùn)練精度來減少過擬合。

PNN 模型假陰性對象平均2.2 個，假陽性對象平均0.7 個。將假陰性對象的特征與真陽性對象的特征進(jìn)行對比分析，發(fā)現(xiàn)在特征X8“瘀黑”上差異很大，表現(xiàn)不敏感，具體表示為假陰性對象的特征X8“瘀黑”是0，即沒有出現(xiàn)局部瘀黑?？赡茉蛴幸韵? 個方面：一是被眼鏡蛇咬傷而注入患者體內(nèi)的蛇毒量少，導(dǎo)致瘀黑不明顯或只有少量瘀斑；二是被眼鏡蛇咬傷后到醫(yī)院就診前已對傷口進(jìn)行切開、排毒等破壞處理，導(dǎo)致毒素少，擴(kuò)散不明顯；三是眼鏡蛇咬傷數(shù)據(jù)量偏少。將假陽性對象的特征與真陽性的特征進(jìn)行對比分析，沒有特別不敏感的特征，可能原因是數(shù)據(jù)量偏少。

5 結(jié)語

眼鏡蛇咬傷主要發(fā)生在廣大農(nóng)村和偏遠(yuǎn)山區(qū)，但我國多數(shù)基層醫(yī)療機(jī)構(gòu)缺少蛇傷?？漆t(yī)生，蛇傷救治方面的專業(yè)培訓(xùn)也比較少，目前仍沒有一種眼鏡蛇咬傷快速準(zhǔn)確診斷的方法在臨床上成功推廣應(yīng)用，眼鏡蛇咬傷防治形勢嚴(yán)峻。本研究嘗試通過提取眼鏡蛇咬傷病例中與診斷相關(guān)的臨床特征數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建眼鏡蛇咬傷輔助診斷仿真模型并進(jìn)行測試，結(jié)果發(fā)現(xiàn)PNN 模型預(yù)測準(zhǔn)確率達(dá)到87.14%，BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率為86.02%，RBF 神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率為82.67%，PNN 模型預(yù)測準(zhǔn)確率高于BP 神經(jīng)網(wǎng)絡(luò)模型和RBF 神經(jīng)網(wǎng)絡(luò)模型。

本研究主要針對患者無法準(zhǔn)確辨認(rèn)眼鏡蛇的形態(tài)特征的情況下，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建眼鏡蛇咬傷輔助診斷模型，基于患者局部和全身癥狀特征數(shù)據(jù)對眼鏡蛇咬傷進(jìn)行識別。本研究的局限性在于，僅僅根據(jù)202 例毒蛇咬傷的局部和全身癥狀特征數(shù)據(jù)進(jìn)行模型訓(xùn)練和測試，并不能代表全部病例，今后需加大樣本量，做出更準(zhǔn)確、全面的診斷結(jié)果。

綜上，本研究提出了一種簡單、低成本的眼鏡蛇咬傷快速診斷方法，不僅能輔助臨床診斷決策，還能提高眼鏡蛇咬傷聯(lián)防聯(lián)治水平。