基于深度集成網(wǎng)絡(luò)模型的膝關(guān)節(jié)退行性病變分級(jí)診斷方法

宋江玲，鄭田田，張瑞

(西北大學(xué)數(shù)學(xué)學(xué)院，陜西 西安 710127)

1 引言

膝關(guān)節(jié)退行性病變 (Knee Osteoarthritis，KOA)，又稱膝骨關(guān)節(jié)炎，是由關(guān)節(jié)軟骨細(xì)胞原纖維化，關(guān)節(jié)下骨增生引發(fā)的一種慢性，進(jìn)展性疾病[1].致病因素包括體重偏大，久坐或過度運(yùn)動(dòng)，不當(dāng)姿勢以及年齡增長等[2].KOA發(fā)病形勢日趨嚴(yán)峻，2021年全球成年人的KOA患病率約為20%;我國60歲以上人群KOA患病率已超50%，致殘率高達(dá)53%[3-4].此外，青少年由于超重因素導(dǎo)致KOA的患病率也逐漸呈現(xiàn)上升趨勢[5].

根據(jù)關(guān)節(jié)軟骨與臏股關(guān)節(jié)病變的嚴(yán)重程度與患者的臨床表現(xiàn)，KOA的病程發(fā)展大致可分為輕度與重度兩個(gè)階段.臨床研究表明，對(duì)于輕度KOA患者，通過針灸，按摩，服用消炎止痛藥等治療手段，可以有效緩解患者病癥;針對(duì)重度KOA患者，盡早實(shí)施關(guān)節(jié)鏡清理術(shù)等手術(shù)治療，可有效改善患者運(yùn)動(dòng)能力[6].因此，若能對(duì)KOA患者的病程發(fā)展進(jìn)行有效追蹤，則可根據(jù)患者所處階段更為精準(zhǔn)地制定相應(yīng)的防控治療方案，這對(duì)于提高患者生存質(zhì)量，降低KOA的致殘率具有重要意義.本文將這一過程的實(shí)現(xiàn)稱為KOA的分級(jí)診斷(即對(duì)正常人，輕度KOA患者與重度KOA患者予以正確診斷).

目前臨床中關(guān)于KOA的診斷主要依據(jù)各類影像學(xué)檢查，并結(jié)合患者臨床表現(xiàn)進(jìn)行綜合評(píng)估與判斷[4].主要包括X光，計(jì)算機(jī)斷層掃描，磁共振影像，關(guān)節(jié)鏡等，它們均可不同程度地輔助醫(yī)生對(duì)關(guān)節(jié)內(nèi)的病變情況進(jìn)行檢查.然而，這些影像學(xué)檢查不僅對(duì)人員，設(shè)備，環(huán)境的專業(yè)性要求很高，而且檢查過程中產(chǎn)生的電離輻射也具有一定的危害性，同時(shí)往往費(fèi)用高昂，一般難以在短時(shí)間內(nèi)進(jìn)行連續(xù)多次檢查，無法便捷使用.因而探索一種無創(chuàng)無害，成本低廉，可連續(xù)檢測的KOA檢查手段具有非常重要的臨床應(yīng)用價(jià)值.

骨振信號(hào)(Vibroarthrographic signal，VAG)，又稱為髕骨關(guān)節(jié)摩擦音，是將加速度傳感器放置于膝關(guān)節(jié)處記錄的膝關(guān)節(jié)運(yùn)動(dòng)時(shí)髕骨與股骨摩擦產(chǎn)生的聲音信號(hào)[7].對(duì)正常人而言，由于膝關(guān)節(jié)各項(xiàng)功能良好，髕骨與股骨間產(chǎn)生的摩擦非常微小;隨著KOA的發(fā)生，軟骨出現(xiàn)變性，萎縮與侵蝕等表現(xiàn)，導(dǎo)致髕骨與股骨間產(chǎn)生的摩擦逐漸增大;而當(dāng)KOA進(jìn)一步惡化時(shí)，關(guān)節(jié)內(nèi)骨性結(jié)構(gòu)表面出現(xiàn)磨損，增生，甚至關(guān)節(jié)間隙變窄等，均導(dǎo)致髕骨與股骨間的摩擦進(jìn)一步增強(qiáng).由此可知，VAG信號(hào)中所蘊(yùn)含的病理信息與膝關(guān)節(jié)所發(fā)生的病變緊密相關(guān)，這為KOA的臨床診斷提供了一種新的可能.然而，目前關(guān)于VAG信號(hào)的理論研究尚不充分，臨床可提供的指導(dǎo)信息十分有限.在上述背景下，若能夠借助信號(hào)處理，機(jī)器學(xué)習(xí)，深度網(wǎng)絡(luò)等技術(shù)對(duì)VAG信號(hào)中蘊(yùn)含的病理信息進(jìn)行挖掘與分析，則對(duì)于進(jìn)一步探索VAG信號(hào)的特征表現(xiàn)與KOA患者的病程發(fā)展之間存在的必然聯(lián)系，從而在一定程度輔助醫(yī)生更好地實(shí)現(xiàn)KOA的分級(jí)診斷，顯然具有重要的臨床意義.

基于VAG的KOA輔助診斷本質(zhì)是一個(gè)模式識(shí)別任務(wù)，即對(duì)所采集的VAG信號(hào)提取特征，并用其訓(xùn)練分類器以完成不同VAG模式的識(shí)別.如S.Krishnan等人通過建立自回歸模型推導(dǎo)出 VAG信號(hào)所含主極值點(diǎn)個(gè)數(shù)與倒譜系數(shù)，并結(jié)合 Logistic回歸分析與留一法完成正常VAG信號(hào)與異常VAG信號(hào)的判別[8].K.Kim等人采用Wigner-Ville分布計(jì)算VAG信號(hào)的時(shí)頻譜，進(jìn)而結(jié)合時(shí)頻譜的能量參數(shù)，能量擴(kuò)展參數(shù)，頻率參數(shù)和頻率擴(kuò)展參數(shù)四個(gè)特征，利用人工神經(jīng)網(wǎng)絡(luò)識(shí)別正常VAG信號(hào)與異常VAG信號(hào)[9].K.Krecisz等人計(jì)算了香農(nóng)熵，分形標(biāo)度指數(shù)，多尺度樣本熵，復(fù)發(fā)率，決定系數(shù)，層次性，信息熵，捕獲時(shí)間與最長線等17個(gè)特征，結(jié)合隨機(jī)森林，多層感知機(jī)，Logistic回歸與SVM完成正常VAG信號(hào)與異常VAG信號(hào)的判別[10].2020年，張瑞等人設(shè)計(jì)了一種以時(shí)域VAG信號(hào)為輸入數(shù)據(jù)的LSTM網(wǎng)絡(luò)，完成正常VAG信號(hào)與異常VAG信號(hào)的判別[11].2021年，楊佳等人設(shè)計(jì)了一種PCNN-LSTM網(wǎng)絡(luò)，識(shí)別正常VAG信號(hào)與異常VAG信號(hào)[12].

可以看出，現(xiàn)有 KOA輔助診斷研究大多僅聚焦于正常與 KOA-VAG信號(hào) (將輕度 KOA患者的 VAG信號(hào) (即輕度 KOA-VAG)與重度患者的 VAG信號(hào) (即重度 KOA-VAG)統(tǒng)稱為KOA-VAG信號(hào))的有效區(qū)分，而關(guān)于KOA分級(jí)診斷問題的研究幾乎還是空白.基于此，本文擬以KOA的分級(jí)診斷為目標(biāo)，以VAG信號(hào)為主要源數(shù)據(jù)并結(jié)合性別，年齡，身高，體重等生理數(shù)據(jù)，采用深度卷積網(wǎng)絡(luò)與深度前饋網(wǎng)絡(luò)等技術(shù)，開展針對(duì)KOA分級(jí)診斷的輔助診斷方法研究.首先，在卷積神經(jīng)網(wǎng)絡(luò)框架下，構(gòu)建了用于分析VAG信號(hào)的網(wǎng)絡(luò)模塊VAG-CNN-Block;其次，在前饋神經(jīng)網(wǎng)絡(luò)框架下，構(gòu)建了用于分析生理信息的網(wǎng)絡(luò)模塊PI-FNN-Block;進(jìn)而，結(jié)合VAG-CNN-Block和PI-FNN-Block設(shè)計(jì)了集成網(wǎng)絡(luò)模型MBE-Net，并據(jù)此提出了一種KOA分級(jí)診斷方法;最后，采用臨床數(shù)據(jù)對(duì)所提方法的有效性進(jìn)行驗(yàn)證.

2 基于多源數(shù)據(jù)與深度集成網(wǎng)絡(luò)的膝關(guān)節(jié)退行性病變分級(jí)診斷方法

本節(jié)分別介紹了基于卷積神經(jīng)網(wǎng)絡(luò)框架的VAG信號(hào)分析網(wǎng)絡(luò)模塊VAG-CNNBlock，以及基于前饋神經(jīng)網(wǎng)絡(luò)框架的生理信息分析網(wǎng)絡(luò)模塊 PI-FNN-Block，進(jìn)而結(jié)合 VAG-CNN-Block和 PI-FNN-Block，采用注意力機(jī)制設(shè)計(jì)了一種集成網(wǎng)絡(luò)模型MBE-Net，并在此基礎(chǔ)上設(shè)計(jì)了一種膝關(guān)節(jié)退行性病變分級(jí)診斷方法.

2.1 基于骨振信號(hào)的卷積神經(jīng)網(wǎng)絡(luò)模塊

相關(guān)研究表明VAG信號(hào)的頻域中所蘊(yùn)含的病理信息對(duì)于KOA的診斷具有重要意義[13].尤其是高頻部分蘊(yùn)含的病理信息可能有助于更好地判斷KOA所處的不同階段[14-16].為了挖掘VAG頻域信號(hào)中蘊(yùn)含的病理信息，本小節(jié)首先對(duì)VAG信號(hào)進(jìn)行頻域轉(zhuǎn)換，計(jì)算其功率譜與相位譜.

由歐拉公式上式進(jìn)一步表示為

則信號(hào)sj的功率譜可表示為，其中

進(jìn)而，為了挖掘功率譜與相位譜中蘊(yùn)含的病理信息，本小節(jié)構(gòu)建了一個(gè)新的卷積網(wǎng)絡(luò)模塊，稱之為基于骨振信號(hào)的卷積神經(jīng)網(wǎng)絡(luò)模塊(Convolutional Neural Network Block based Vibroarthrographic Signal，VAG-CNN-Block).所構(gòu)建 VAG-CNN-Block共包含12層:第一層為輸入層;第二層至第十一層為隱藏層，包括三個(gè)卷積層，三個(gè)池化層，三個(gè)批標(biāo)準(zhǔn)化層(Batch Normalization，BN)以及一個(gè)全連接層;最后一層為輸出層(網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示).

圖1 VAG-CNN-Block的網(wǎng)絡(luò)結(jié)構(gòu)

VAG-CNN-Block的第一層，第四層，第七層為卷積層，卷積核的尺寸分別設(shè)置為9×1，7×1，3×1，卷積核個(gè)數(shù)依次為9，16，24，移動(dòng)步長均為1，激活函數(shù)均為Relu函數(shù).這三個(gè)卷積層采用了三個(gè)不同且較小的卷積核以提取不同尺度下的細(xì)節(jié)特征.隨著網(wǎng)絡(luò)層級(jí)加深，所提特征變得抽象，而高層次的特征對(duì)于分類任務(wù)而言更為重要，因此卷積尺寸逐漸減小，卷積核個(gè)數(shù)逐漸增加;為增加模型收斂速度，VAG-CNN-Block的第二層，第五層，第八層設(shè)置為Batch Normalization層，其中標(biāo)準(zhǔn)化方式為Z-score方法;同時(shí)，為增強(qiáng)所提特征泛化能力，第三層，第六層，第九層均為池化層，池化核大小為 2×1，池化步長為 2;第十層為包含128個(gè)神經(jīng)元的全連接層，用以完成分類任務(wù);為防止網(wǎng)絡(luò)過擬合，在第十層后以參數(shù)p=0.6的伯努利分布構(gòu)建Dropout層;最后，第十二層為包含3個(gè)神經(jīng)元的輸出層，輸出值為對(duì)應(yīng)信號(hào)屬于每一類的概率值.VAG-CNN-Block的主要參數(shù)設(shè)置如表1所示.

表1 VAG-CNN-Block主要參數(shù)設(shè)置

2.2 基于生理信息的前饋神經(jīng)網(wǎng)絡(luò)模塊

大量研究表明，生理信息(如性別，年齡等)與KOA的病情發(fā)展關(guān)系密切[1，17-18].為探索生理信息與 KOA不同階段間的關(guān)系，本小節(jié)構(gòu)建了一個(gè)新的前饋網(wǎng)絡(luò)模塊，稱之為基于生理信息的前饋神經(jīng)網(wǎng)絡(luò)模塊(Feedforward Neural Network Block based Physiological Information，PI-FNN-Block).

在PI-FNN-Block的設(shè)計(jì)中，采用“先縮小范圍，再刻畫細(xì)節(jié)”的思路進(jìn)行網(wǎng)絡(luò)超參數(shù)(即網(wǎng)絡(luò)層數(shù)以及每層隱節(jié)點(diǎn)個(gè)數(shù))的選取，可總結(jié)為如下算法.

算法 I(PI-FNN-Block超參數(shù)搜索算法):給定預(yù)處理后的生理數(shù)據(jù)集P，網(wǎng)絡(luò)的層數(shù)設(shè)為i.

步驟1當(dāng)i=1時(shí)(即單隱層網(wǎng)絡(luò))，完成最優(yōu)神經(jīng)元數(shù)目的搜索.

首先，進(jìn)行粗搜索.以包含10個(gè)神經(jīng)元的單隱層網(wǎng)絡(luò)為第一個(gè)網(wǎng)絡(luò)，采用生理數(shù)據(jù)集P訓(xùn)練網(wǎng)絡(luò)，得到該網(wǎng)絡(luò)的性能評(píng)價(jià)指標(biāo)值(實(shí)驗(yàn)中采用準(zhǔn)確率).在(0，100]范圍內(nèi)，以10為步長，逐次增加單隱層網(wǎng)絡(luò)所含神經(jīng)元的數(shù)目，訓(xùn)練各個(gè)網(wǎng)絡(luò)，并記錄各網(wǎng)絡(luò)的性能評(píng)價(jià)指標(biāo).對(duì)上述10次實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，得到網(wǎng)絡(luò)性能最優(yōu)時(shí)對(duì)應(yīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)目，記為(上標(biāo)指搜索輪次，下標(biāo)指網(wǎng)絡(luò)層數(shù));

步驟2當(dāng)i=i+1時(shí)，完成最優(yōu)神經(jīng)元數(shù)目的搜索.

增加網(wǎng)絡(luò)層數(shù)，完成最優(yōu)神經(jīng)元數(shù)目的搜索.搜索方法與步驟1中所述單隱層網(wǎng)絡(luò)的兩輪搜素方法一致，且兩個(gè)隱層的神經(jīng)元數(shù)目相互獨(dú)立，最終可得.跳轉(zhuǎn)至步驟3.

步驟3比較網(wǎng)絡(luò)性能差異，確定是否增加網(wǎng)絡(luò)層數(shù).

即兩個(gè)網(wǎng)絡(luò)的準(zhǔn)確率之差小于5%，則根據(jù)奧卡姆剃刀定律，跳轉(zhuǎn)至步驟4;若

圖2 PI-FNN-Block超參數(shù)搜索算法流程圖

2.3 基于 MBE-Net模型的 KOA分級(jí)診斷方法

為實(shí)現(xiàn)基于多源數(shù)據(jù)的KOA分級(jí)診斷，本小節(jié)結(jié)合VAG-CNN-Block與PI-FNNBlock，采用注意力機(jī)制設(shè)計(jì)了一種集成網(wǎng)絡(luò)模型MBE-Net.

設(shè)VAG-CNN-Block的輸出為yV AG，PI-FNN-Block模塊的輸出為yPI.首先，根據(jù)注意力機(jī)制，通過控制矩陣Wc與偏置bc計(jì)算yV AG與yPI的相關(guān)性，即

進(jìn)而，將注意力分?jǐn)?shù)a作為權(quán)重對(duì)yt=(yV AG，yPI)進(jìn)行加權(quán)處理，得到加權(quán)向量ya

最終，將加權(quán)向量ya作為網(wǎng)絡(luò)輸出層的輸入，由于KOA的分級(jí)診斷為一個(gè)三分類問題，故輸出層共包含三個(gè)神經(jīng)元，并采用softmax函數(shù)完成分類.MBE-Net模型的輸出向量可表示為

其中，W為連接權(quán)重矩陣，b為偏置向量.

在上述所搭建MBE-Net模型的框架下，本文所提出的KOA分級(jí)診斷方法可概括如下，共分為兩個(gè)步驟.首先，對(duì)VAG信號(hào)與生理信息進(jìn)行數(shù)據(jù)預(yù)處理，其中對(duì)原始VAG信號(hào)進(jìn)行濾除噪聲頻帶，降低采樣頻率，對(duì)齊與白化等預(yù)處理，對(duì)生理數(shù)據(jù)分別進(jìn)行異常值的修正，缺失值的填充，冗余的降低，重編碼等預(yù)處理;其次，以預(yù)處理后的VAG信號(hào)與生理數(shù)據(jù)為輸入，以交叉熵為損失函數(shù)，采用Adam方法訓(xùn)練MBE-Net模型完成正常受試者，輕度KOA患者以及重度KOA患者的三分類任務(wù)，以實(shí)現(xiàn)KOA的分級(jí)診斷(如圖3所示).

圖3 KOA分級(jí)診斷方法流程圖

3 數(shù)值實(shí)驗(yàn)

3.1 數(shù)據(jù)集

本文實(shí)驗(yàn)數(shù)據(jù)來自西安市某兩所醫(yī)院的骨科數(shù)據(jù)，共包含2017年10月到2019年9月所采集的共2748名受試者的相關(guān)數(shù)據(jù).考慮到本文需要同時(shí)采用VAG信號(hào)和生理數(shù)據(jù)，最終選取了2227個(gè)樣本，每一樣本同時(shí)包含受試者的一條VAG信號(hào)及其對(duì)應(yīng)的生理信息.最終所用數(shù)據(jù)集共包含2227個(gè)樣本，其中正常受試者的樣本742個(gè)，輕度KOA患者的樣本744個(gè)，重度KOA患者的樣本741個(gè).所選取樣本的VAG信號(hào)構(gòu)成本文的VAG信號(hào)數(shù)據(jù)集，所選取樣本的生理信息構(gòu)成本文的生理數(shù)據(jù)集.在后續(xù)實(shí)驗(yàn)中，將兩個(gè)數(shù)據(jù)集按9:0.5:0.5的比例隨機(jī)劃分為訓(xùn)練集，驗(yàn)證集與測試集，其中訓(xùn)練由2003個(gè)樣本個(gè)樣本構(gòu)成，驗(yàn)證集與測試分別由112個(gè)樣本構(gòu)成.所有實(shí)驗(yàn)均在MatlabR2020b與Python 3.7.6中完成.

3.2 數(shù)據(jù)預(yù)處理

(1)VAG信號(hào)的預(yù)處理

首先，采用10階Butterworth帶通濾波器濾除VAG信號(hào)中的噪聲分量，其中濾波器的帶通范圍為 [50，1000]Hz;其次，為了降低信號(hào)中的冗余，使用三次樣條插值對(duì)信號(hào)進(jìn)行降采樣處理，采樣間隔為5(即采樣頻率由10240Hz降至 2000Hz);進(jìn)而，采用隨機(jī)裁剪，平移補(bǔ)齊方法對(duì)信號(hào)進(jìn)行對(duì)齊預(yù)處理[19-20];考慮到VAG信號(hào)的波動(dòng)性在KOA不同階段的顯著差異，進(jìn)一步對(duì)上述處理后的信號(hào)進(jìn)行差分處理.對(duì)預(yù)處理后的信號(hào)以及其差分信號(hào)，采用公式(1)-公式(3)計(jì)算對(duì)應(yīng)的功率譜與相位譜，并將其作為VAG-CNN-Block的輸入.圖4展示了一條10s的輕度KOA-VAG信號(hào)及其差分信號(hào)的功率譜與相位譜，其中圖4(a)為預(yù)處理后10s的VAG信號(hào)，圖4(b)為對(duì)應(yīng)的差分信號(hào)，圖4(c)與圖4(e)為對(duì)應(yīng)圖4(a)的功率譜與相位譜，圖4(d)與圖4(f)為對(duì)應(yīng)圖4(b)的功率譜與相位譜.

圖4 一條10s的輕度KOA-VAG信號(hào)及其差分信號(hào)的功率譜與相位譜

(2)生理信號(hào)的預(yù)處理

首先在醫(yī)生指導(dǎo)下，認(rèn)為體重在[160，180]kg，以及身高在[50，100]cm這一范圍內(nèi)的數(shù)據(jù)均為異常值.將這部分異常值轉(zhuǎn)化為缺失值.進(jìn)而采用KNN方法對(duì)年齡，身高，體重中存在的缺失值進(jìn)行填充處理[21];其次，由于身高與體重之間存在較強(qiáng)相關(guān)性，為了降低冗余，采用身體質(zhì)量指數(shù)(Body Mass Index，BMI)進(jìn)行后續(xù)分析，即

其中，weight為體重(單位:千克)，height為身高(單位:米).

此外，由于性別為文本數(shù)據(jù)，而年齡與BMI均為連續(xù)數(shù)據(jù).為解決數(shù)據(jù)類型不一致問題，采用One-hot編碼將性別，年齡與BMI均映射為分類數(shù)據(jù)，從而完成生理信息的數(shù)據(jù)預(yù)處理.表2展示了對(duì)于年齡的One-hot編碼結(jié)果.

表2 年齡的One-hot編碼

3.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提方法的有效性，采用準(zhǔn)確率，靈敏度，特異度進(jìn)行評(píng)估.考慮類別i(i∈{正常VAG，輕度 KOA-VAG，重度KOA-VAG})，其準(zhǔn)確率，靈敏度，特異度分別為

其中，TPi為第i類樣本被正確預(yù)測為第i類的樣本數(shù);TNi表示非第i類的樣本被正確預(yù)測為各自類的樣本數(shù);FPi為非第i類的樣本被錯(cuò)誤預(yù)測為第i類的樣本數(shù);FNi為第i類樣本被錯(cuò)誤預(yù)測為其他類的樣本數(shù).最終所有類別的性能指標(biāo)平均值被作為最終的性能度量.

采用算法I對(duì)PI-FNN-Block的超參數(shù)進(jìn)行搜索，圖5展示了部分搜索結(jié)果，可以看到包含43個(gè)神經(jīng)元的單隱層網(wǎng)絡(luò)準(zhǔn)確率最高，故選擇這一結(jié)構(gòu)作為PI-FNN-Block.采用預(yù)處理后的數(shù)據(jù)訓(xùn)練MBE-Net.圖6展示了訓(xùn)練過程中的損失函數(shù)的變化曲線以及準(zhǔn)確率的變化曲線(藍(lán)色曲線代表訓(xùn)練數(shù)據(jù)集上的結(jié)果;橙色曲線代表驗(yàn)證數(shù)據(jù)集上的結(jié)果).可以看到網(wǎng)絡(luò)在前40個(gè)epoch中損失函數(shù)快速下降，準(zhǔn)確率穩(wěn)步上升，在第40個(gè)epoch時(shí)準(zhǔn)確率趨于100%，而40個(gè)epoch之后驗(yàn)證集的損失函數(shù)值反而有上升趨勢.因而確定在第40個(gè)epoch時(shí)，停止網(wǎng)絡(luò)的訓(xùn)練.

圖5 PI-FNN-Block超參數(shù)的搜索結(jié)果

圖6 MBE-Net訓(xùn)練過程中的損失函數(shù)的變化曲線以及準(zhǔn)確率的變化曲線

最后，將訓(xùn)練好的MBE-Net模型在測試集上進(jìn)行驗(yàn)證，所得分級(jí)診斷結(jié)果如表3所示，準(zhǔn)確率，靈敏度，特異度分別可達(dá) 87.5%，87.2%與 93.6%.進(jìn)一步，為說明本文所設(shè)計(jì)的MBE-Net模型的有效性，將 VAG-CNN-Block與PI-FNN-Block進(jìn)行單獨(dú)訓(xùn)練，所得測試集上的實(shí)驗(yàn)結(jié)果仍列于表 3中.可以看出，MBE-Net的準(zhǔn)確率，靈敏度與特異性均明顯高于 VAG-CNN-Block與 PI-FNN-Block.具體地，MBE-Net準(zhǔn)確率相較 VAG-CNN-Block與PI-FNN-Block分別提高了 6.5%和 11.4%;靈敏度分別提高了8.4%和10.7%;特異度分別提高了 4.2%和6.4%.圖7(a)-7(c)分別展示了對(duì)應(yīng) VAG-CNN-Block，PI-FNN-Block及 MBE-Net測試結(jié)果的混淆矩陣.從中可知VAG-CNN-Block與PI-FNN-Block對(duì)輕度KOA樣本的檢測能力較差，存在將較多輕度KOA樣本錯(cuò)分至健康樣本或者重度KOA樣本的情況;而MBE-Net則相對(duì)較好地完成了各個(gè)類別的診斷.綜上，本文所提方法可以有效結(jié)合VAG信號(hào)與生理特征以完成KOA的分級(jí)診斷.

圖7 混淆矩陣

表3 模型分類性能

4 總結(jié)與展望

本文提出了一種新的基于多源數(shù)據(jù)與深度集成網(wǎng)絡(luò)的KOA分級(jí)診斷方法.首先，在卷積神經(jīng)網(wǎng)絡(luò)框架下，構(gòu)建了用于分析VAG信號(hào)的卷積神經(jīng)網(wǎng)絡(luò)模塊VAG-CNNBlock;其次，在前饋神經(jīng)網(wǎng)絡(luò)框架下，構(gòu)建了用于分析生理信息的網(wǎng)絡(luò)模塊PI-FNN-Block;進(jìn)而，結(jié)合VAG-CNN-Block和PI-FNN-Block，采用注意力機(jī)制設(shè)計(jì)了一種集成網(wǎng)絡(luò)模型 MBE-Net;最后，采用臨床數(shù)據(jù)集訓(xùn)練 MBE-Net模型，完成正常受試者，輕度KOA患者與重度KOA患者的自動(dòng)識(shí)別.所有數(shù)值實(shí)驗(yàn)結(jié)果均表明所提方法能夠有效地區(qū)分處于不同階段的KOA患者.當(dāng)然本文所提方法僅結(jié)合了VAG信號(hào)與生理信息兩種類型的數(shù)據(jù)，臨床中還存在大量影像數(shù)據(jù)，如X光片，MRI影像，步態(tài)圖片等，后續(xù)研究可嘗試進(jìn)一步結(jié)合影像數(shù)據(jù)，提出基于多模態(tài)數(shù)據(jù)的KOA輔助診斷方法.