機器學習方法在哮喘早期預測和診斷中的應用

劉寧

(杞縣人民醫(yī)院 呼吸內(nèi)科，河南 開封 475200)

哮喘是常見慢性呼吸道疾病，發(fā)病率逐年升高[1]，我國是哮喘病死率最高的國家之一，給我國帶來巨大的社會負擔和醫(yī)療負擔[2]。哮喘的癥狀在其他呼吸道疾病中也同時存在，而人工智能技術可以使哮喘診斷快速、準確、知識化[3]。機器學習是一門人工智能的科學，可以在經(jīng)驗學習中改善具體算法的性能[4]。從本質(zhì)上來說，機器學習就是使計算機模擬人的學習行為，通過自動的學習獲取知識，不斷改善自身性能，最終實現(xiàn)人工智能。機器學習的主要算法有回歸算法、神經(jīng)網(wǎng)絡、支持向量機、聚類算法和推薦算法等[5]。神經(jīng)網(wǎng)絡的誕生與大腦工作機理的研究密切相關，神經(jīng)網(wǎng)絡學習機理包括分解與整合[6]。一個簡單的神經(jīng)網(wǎng)絡架構包括輸入層、隱藏層和輸出層，所有的層再組成神經(jīng)網(wǎng)絡[7]。深度神經(jīng)網(wǎng)絡是一種用于圖像分析的非線性回歸分析方法[8]。支持向量機是一種基于統(tǒng)計學習理論的新型學習機，是結構風險最小化方法的近似實現(xiàn)[9]。本研究選取了571名呼吸系統(tǒng)疾病患者，并選取了哮喘診斷時常用的22個指標，使用邏輯回歸分析、支持向量機和深度神經(jīng)網(wǎng)絡3種算法對哮喘進行預測，比較這三種算法在哮喘預測和診斷過程中的準確性。

1 資料與方法

1.1 一般資料選取2020年1月至2021年6月杞縣人民醫(yī)院收治的370例哮喘患者和201例其他呼吸道疾病患者作為研究對象，哮喘的診斷是基于《呼吸疾病診療指南·第3版》中的哮喘的診斷標準，根據(jù)患者的癥狀史，并結合實驗室和影像學檢測最終診斷為哮喘。其他呼吸道疾病患者包括氣管炎、支氣管炎和肺炎等患者。哮喘患者中男220例，女150例，年齡18～81歲，平均(50.8±7.21)歲。非哮喘患者中男130例，女71例，年齡20～88歲，平均(54.2±6.89)歲。本研究經(jīng)醫(yī)院醫(yī)學倫理委員會批準，所有受試者均簽署知情同意書。

1.2 輸入記錄在哮喘患者的病歷中，有22條與診斷相關的輸入記錄如下。(1)癥狀-身體特征：年齡、性別(二分類變量，女性=0，男性=1)、聽診氣喘情況(二分類變量，是=0，否=1)、咳嗽時間、氣喘時間、每日癥狀變化、重復癥狀、過敏疾病史、家族過敏史、吸煙史。(2)生化分析：外周血嗜酸性粒細胞數(shù)量、外周血嗜堿性粒細胞數(shù)量、總IgE值和氣-骨特異性IgE陽性(二分類變量，是=0，否=1)。(3)肺功能測試：第1秒用力呼氣容積(forced expiratory volume in one second，F(xiàn)EV1)占預計值的百分比、50%肺活量(V50)、25%肺活量(V25)、V50/V25、使用支氣管擴張劑后FEV1增加容積、使用支氣管擴張劑后FEV1增加容積百分比和呼出氣一氧化氮。(4)使用甲膽堿激發(fā)的支氣管激發(fā)試驗：氣道高反應性(二分類變量，是=0，否=1)。

1.3 分析方法使用邏輯回歸分析、支持向量機和深度神經(jīng)網(wǎng)絡3種算法評估哮喘診斷的準確性。使用Keras代碼結合谷歌的Tensor Flow。在張量流顯式初始化變量的處理中，輸入是用數(shù)據(jù)相關初始化來衡量標準化。隨機分出80%的數(shù)據(jù)做為訓練數(shù)據(jù)，其余20%的數(shù)據(jù)作為每個系統(tǒng)的測試數(shù)據(jù)。機器學習技術有調(diào)整參數(shù)，例如深度學習中的神經(jīng)元數(shù)量、批量大小、激活函數(shù)等，也稱為超參數(shù)。由于使用所有的數(shù)據(jù)樣本對超參數(shù)進行調(diào)優(yōu)可能會導致過擬合，因此，使用訓練數(shù)據(jù)對超參數(shù)進行調(diào)優(yōu)。Talos軟件包的數(shù)據(jù)庫用于自動模型調(diào)整超參數(shù)學習。

邏輯回歸分析通過使用sigmoid型函數(shù)估計概率將數(shù)據(jù)集分類，它被構造為一個單層的簡單神經(jīng)網(wǎng)絡。在進行邏輯回歸分析時，網(wǎng)絡層分為輸入層、隱藏層和輸出層。輸入層是線性的，只負責從網(wǎng)絡內(nèi)部結構傳輸數(shù)據(jù)。隱藏層和出口層是sigmoid類型，并在網(wǎng)絡上執(zhí)行計算。

在支持向量機模型中，對于二值分類支持向量機，使用了線性或輻射基函數(shù)(radial basis function，RBF)核，未進行其他特征提取或特征量選擇，因此，匹配深度學習訓練中使用的輸入數(shù)據(jù)的標準。網(wǎng)格搜索的評分是根據(jù)評分數(shù)據(jù)的10倍交叉驗證獲得的平均AUC接收器工作特征進行的。訓練和驗證中使用的數(shù)據(jù)集與深度學習模型中使用的數(shù)據(jù)集相同。

另外，構建了一個深度學習模型，在分類系統(tǒng)中使用圖1所示的深度神經(jīng)網(wǎng)絡。深度神經(jīng)網(wǎng)絡是由多個隱藏非線性層組成的前饋神經(jīng)網(wǎng)絡。它以一組權重矩陣、偏置向量和一個非線性激活函數(shù)為特征。超參數(shù)優(yōu)化選擇哪個參數(shù)是激活函數(shù)、網(wǎng)絡結構、批量大小和周期數(shù)的最佳學習方式。在正向傳播中，激活網(wǎng)絡的激活函數(shù)為隱藏層的整流線性單元(relu)或正切雙曲函數(shù)(tanh)，輸出層的激活函數(shù)為sigmoid型。在所有因素都輸入的情況下，網(wǎng)絡結構示例如圖1所示。其結構為22-18-18-18-1，其中輸入層22個節(jié)點，隱藏層18個節(jié)點，隨后隱藏層重復2次，輸出層1個節(jié)點(哮喘，是=1，非=0)。在傳播過程中，選擇“relu”作為調(diào)優(yōu)超參數(shù)的激活函數(shù)。

圖1 深度神經(jīng)網(wǎng)絡結構

2 結果

2.1 邏輯回歸分析當輸入因素僅為癥狀-身體特征時，診斷準確率為65%；當輸入因素為癥狀-身體特征+生化檢測結果時，診斷準確率為68%；當輸入因素為癥狀-身體特征+生化檢測+肺功能檢測時，診斷準確率為82%；當輸入全部因素時，診斷準確率提升至94%。

2.2 支持向量機當輸入因素僅為癥狀-身體特征時，診斷準確率為62%；當輸入因素為癥狀-身體特征+生化檢測結果時，診斷準確率為64%；當輸入因素為癥狀-身體特征+生化檢測+肺功能檢測時，診斷準確率為75%；當輸入全部因素時，診斷準確率提升至82%。

2.3 深度神經(jīng)網(wǎng)絡當輸入因素僅為癥狀-身體特征時，診斷準確率為68%；當輸入因素為癥狀-身體特征+生化檢測結果時，診斷準確率為70%；當輸入因素為癥狀-身體特征+生化檢測+肺功能檢測時，診斷準確率為88%；當輸入全部因素時，診斷準確率提升至98%。

2.4 3種方法的AUC比較邏輯回歸分析、支持向量機、深度神經(jīng)網(wǎng)絡3種方法的ROC曲線如圖2所示。3種模型對所有22個輸入進行了訓練，其中邏輯回歸分析的AUC為0.97；支持向量機的AUC為0.83；深度神經(jīng)網(wǎng)絡的AUC為0.99。見圖2。為了評估分類模型之間的AUC差異，DeLong法檢測ROC曲線顯示，深度神經(jīng)網(wǎng)絡與支持向量機之間以及深度神經(jīng)網(wǎng)絡與邏輯分析之間差異有統(tǒng)計學意義(P<0.05)。

圖2 3種分析方法的ROC曲線

3 討論

本研究的目的是開發(fā)一個智能系統(tǒng)來診斷哮喘，將臨床特征作為輸出，用機器學習方法診斷是否為哮喘，結果可以看出，使用深度神經(jīng)網(wǎng)絡診斷哮喘，如果輸入了完整的患者信息，其診斷準確率達到98%。

計算機輔助診斷是提高診斷準確性的一種有用方法，它涉及到將專家提供的信息與機器學習方法相結合。機器學習可以利用完整的臨床信息準確地診斷哮喘。Zolnoori等[10]研究表明，一個用于檢測兒童哮喘的計算機智能系統(tǒng)被稱為預測哮喘的模糊智能系統(tǒng)，是100%正確的。另一項研究比較了用于預測兒童哮喘持續(xù)時間的統(tǒng)計方法，發(fā)現(xiàn)貝葉斯分析的準確性可達86%，而人工神經(jīng)網(wǎng)絡的準確率約81%[11]。人工神經(jīng)網(wǎng)絡有潛力成為一種更廣泛使用的分類算法，但由于參數(shù)調(diào)整過程耗時，可選擇的神經(jīng)網(wǎng)絡結構類型眾多，以及用于訓練人工神經(jīng)網(wǎng)絡的算法數(shù)量多，所以它的使用頻率較低。在這項研究中，確定深度神經(jīng)網(wǎng)絡可以高效準確地診斷成人哮喘。

使用神經(jīng)網(wǎng)絡的模型往往難以分析大量輸入的系統(tǒng)，這是因為系統(tǒng)訓練所需的時間較長，并且在訓練期間模型可能會過擬合。在本研究中，為了避免過擬合，對超參數(shù)進行了調(diào)整，從而在準確率和丟失率上都可以確定訓練和驗證進度的收斂性。

在比較3種算法診斷成人哮喘的準確率時，本研究發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡的檢測準確率最好，總體準確率為98%。目前，深度神經(jīng)網(wǎng)絡的應用在準確性和數(shù)據(jù)處理方面都比支持向量機算法有很大的優(yōu)勢。支持向量機算法是一種非常流行的并且研究的比較深入的監(jiān)督學習模型，它不適用深度學習的計算能力。與支持向量機相比，深度神經(jīng)網(wǎng)絡能夠更準確地對數(shù)據(jù)進行分類。本研究中邏輯回歸分析模型與深度神經(jīng)網(wǎng)絡在診斷哮喘時準確性相似，可能是因為該邏輯分析模型是一個簡單的神經(jīng)網(wǎng)絡，無隱藏層，并且有監(jiān)督機器學習。

在深度神經(jīng)網(wǎng)絡發(fā)展中最重要的因素之一是選擇合適的結構和使用最優(yōu)的數(shù)據(jù)輸入。本研究使用一種帶超參數(shù)調(diào)優(yōu)的深度神經(jīng)網(wǎng)絡算法，使用超參數(shù)優(yōu)化了模型架構。并用十倍交叉驗證方法測試了任務分類器的性能。評價結果表明，該分類器具有較高的查準率和查全率。通過統(tǒng)計方法選擇最優(yōu)的數(shù)據(jù)作為網(wǎng)絡的輸入，可以選擇在網(wǎng)點中效率最高的數(shù)據(jù)量。本研究的結果與以前的一些報告一致，發(fā)現(xiàn)30%的哮喘患者被醫(yī)生診斷為哮喘時，未使用客觀測試。相比之下，本研究發(fā)現(xiàn)基于癥狀體征作為輸入數(shù)據(jù)，深度神經(jīng)網(wǎng)絡模型診斷成人哮喘的準確率約為70%。

不過本研究得出的結果也說明，疾病診斷要根據(jù)具體情況進行分析，在特定情況下，有可能證明其中一種技術優(yōu)于其他技術，這種技術可能比其他技術更適合于分析這種特定情況。在某些情況下，支持向量機在診斷準確率上優(yōu)于深度學習算法[12]。

綜上，深度神經(jīng)網(wǎng)絡能夠根據(jù)所有臨床數(shù)據(jù)準確預測疾病。深度神經(jīng)網(wǎng)絡的方法比傳統(tǒng)的機器學習方法更準確，可以用于醫(yī)生診斷哮喘時的助理服務，這一研究可以提高醫(yī)生診斷時的準確性。該技術值得在臨床推廣應用。