基于SVM 算法的冠心病分類預(yù)測案例研究

譚靜儀，蔡燦，林愛華，董雪

（廣州新華學院健康學院，廣東 廣州 510520）

《中國心血管健康與疾病報告2020》預(yù)測我國心血管疾病現(xiàn)患人數(shù)3.30億，其中冠心病1139萬[1]。近年來心血管疾病占我國居民疾病死亡構(gòu)成的40%以上，且其患病率及死亡率仍處于上升階段[1-3]。因此，心血管疾病的預(yù)防也被視為一項重要的工作。而通過數(shù)據(jù)挖掘方式來分析及預(yù)測不同個體特征發(fā)生心血管疾病的風險，對預(yù)防心血管疾病起到至關(guān)重要的作用[4-6]。在數(shù)據(jù)挖掘方法中，支持向量機算法（support vector machine，SVM）是一種按監(jiān)督學習方式對數(shù)據(jù)進行二元分類的廣義線性分類器[7]。SVM 算法的基本思想是：找到集合邊緣上的若干數(shù)據(jù)，用這些點找出一個最優(yōu)分割面（超平面），也就是能使支持向量和超平面最小距離的最大值，基本模型是定義在特征空間上的間隔最大的線性分類器[8-10]。SVM 算法是一種強大的分類和回歸方法，適用于進行模式識別、分類以及回歸分析，可用于處理文本分類、圖像檢測、人臉識別等問題[11-13]，在醫(yī)學領(lǐng)域?qū)τ诩膊☆A(yù)測、臨床診斷、醫(yī)學影像識別、藥物開發(fā)、醫(yī)院信息系統(tǒng)等方面也有廣泛的應(yīng)用[14-17]。在SVM 算法的相關(guān)研究中，張峻銘等[18]建立了預(yù)測士兵是否適合成為精英士兵的SVM分類模型，其準確率接近90%，召回率達到100%。裴修侗等[19]提出一種利用優(yōu)化的SVM 算法對糖尿病診斷進行輔助建模的方法，平均精度達到78%以上。劉寧[20]使用SVM 算法診斷哮喘準確率為82%，AUC 為0.83?；诖?，本研究擬建立基于SVM 算法的冠心病分類預(yù)測模型，以期為預(yù)防心血管疾病提供幫助。

1 資料與方法

1.1 數(shù)據(jù)前處理 收集來自The National Health and Nutritional Examination Survey（NHANES）網(wǎng)站的數(shù)據(jù)集，共含783 個樣本數(shù)據(jù)。本數(shù)據(jù)特征較多，為便于后續(xù)數(shù)據(jù)清洗過程中的特征提取、特征選擇等工作，經(jīng)專家咨詢，剔除多余特征。

1.2 數(shù)據(jù)可視化分析 在Python 中使用heatmap 函數(shù)繪制特征相關(guān)關(guān)系的熱力圖，利用Pandas 和Matplotlib 庫函數(shù)繪制冠心?。–AD）總體分布的條形圖、按年齡分布的條形圖和不同年齡段冠心病患病的餅圖。

1.3 使用SVM 算法構(gòu)建預(yù)測模型 首先采用get_dummies()編碼方式處理非連續(xù)性分類數(shù)據(jù)，將原數(shù)據(jù)中經(jīng)過獨熱編碼的列刪除，并拆分數(shù)據(jù)集和目標集合；然后按照0.75 和0.25 的比例拆分訓練集（587 例），測試集（196 例）；由于數(shù)據(jù)集合的不同特征之間數(shù)據(jù)相差大，對于SVM 算法會產(chǎn)生權(quán)重影響，因此做歸一化處理數(shù)據(jù)；接下來使用默認參數(shù)建立SVM 模型；參數(shù)kernel='rbf'，即選擇高斯核。最后使用網(wǎng)格搜索尋找更好的模型參數(shù)，使用精確率、召回率、準確率、F1-score、混淆矩陣、ROC 曲線及AUC 面積7 方面性能評價指標來評判模型預(yù)測效果。其中，混淆矩陣是按類別顯示預(yù)測結(jié)果與真實結(jié)果，包括了真陽性、真陰性、假陽性和假陰性數(shù)據(jù)頻數(shù)的矩陣；ROC 曲線是以假陽性率為橫坐標、真陽性率為縱坐標的曲線；ROC 曲線下面積大小為AUC值；精確率（precision）表示預(yù)測為正例的數(shù)據(jù)中實際為正例的比例；召回率（recall）表示實際為正例的數(shù)據(jù)中被預(yù)測為正例的比例；F1-score 是精確率和召回率的調(diào)和平均；準確度（accuracy）表示所有數(shù)據(jù)中被正確預(yù)測的比例。

2 結(jié)果

2.1 樣本數(shù)據(jù)特征描述 本數(shù)據(jù)共包含783 個樣本數(shù)據(jù)，其中21 個與冠狀動脈粥樣硬化性心臟病有關(guān)的主要特征含義見表1。

表1 冠心病樣本數(shù)據(jù)

2.2 特征相關(guān)性分析 特征相關(guān)關(guān)系的熱力圖顯示，冠心?。–AD）和心衰（CHF）有中等強度的相關(guān)性（r=0.48），腦卒中（stroke）和冠心病有一定的正相關(guān)性，運動量（YDL）和冠心病、心衰、糖尿病、腦卒中均呈一定的負相關(guān)性。此外，蛋白質(zhì)、脂肪、熱量的攝入之間存在強相關(guān)，總膽固醇和低密度脂蛋白膽固醇有中等強度的相關(guān)，性別、年齡和熱量攝入之間存在弱相關(guān)。是否是運動員與冠心病患病情況沒有直接關(guān)系，見圖1。

圖1 特征相關(guān)關(guān)系熱力圖

2.3 樣本中冠心病患病情況 樣本中共含有118 例冠心病患者，見圖2A；考察冠心病患者的年齡分布，發(fā)現(xiàn)病例主要集中在50～100歲，見圖2B；不同年齡段心臟病患病比例餅圖顯示，年齡在75～100 歲老年人的患病率高于50～75 歲和25～50 歲的患病率，見圖2C。

2.4 SVM 算法構(gòu)建預(yù)測模型 本次用于冠心病預(yù)測的共783 個樣本數(shù)據(jù)，計算量少，且為二分類問題，SVM 算法的計算復(fù)雜度和訓練集中的樣本數(shù)目成正比，計算復(fù)雜度低，足以支撐課題所需冠心病患者分類預(yù)測的運行。默認參數(shù)的SVM 模型，見圖3，訓練集分類準確率為85%，測試集分類準確率達84.6%，整體準確率為84.6%，并無過擬合。網(wǎng)格搜索優(yōu)化后，此SVM 模型分類準確率為99%，見表2；ROC 曲線靠近左上角，AUC 面積遠大于0.5，見圖4，認為模型整體分類效果優(yōu)秀。另外，此模型假陽數(shù)據(jù)僅有2例，假陰數(shù)據(jù)為0；模型對于冠心病數(shù)據(jù)與非冠心病數(shù)據(jù)的分類預(yù)測精確率、召回率均不低于90%，其中的冠心病數(shù)據(jù)精確率與的非冠心病數(shù)據(jù)召回率達到了100%，綜合來看冠心病數(shù)據(jù)的等權(quán)重F1-score 為97%，非冠心病數(shù)據(jù)的F1-score 為99%，此模型對于冠心病和非冠心病樣本數(shù)據(jù)的預(yù)測精確性高、覆蓋面廣。

圖3 SVM 模型混淆矩陣

表2 網(wǎng)格搜索優(yōu)化后SVM 模型分類指標文本報告

圖4 SVM 模型ROC 曲線

3 討論

SVM 算法具有3 大優(yōu)點：①SVM 模型的分類效果好：算法復(fù)雜度由支持向量的個數(shù)決定，而不是由數(shù)據(jù)的維度決定的，因此可以“剔除”大量冗余樣本，不太容易出現(xiàn)過度擬合的問題[21]；②擁有較高的分準率：因為訓練模型完全依賴于支持向量，所以縱使訓練數(shù)據(jù)集里所有的非支持向量的點都被刪除，重復(fù)訓練過程，仍會得到完全相同的模型[22]；③能解決復(fù)雜度高的分類問題：SVM 算法利用核函數(shù)克服了維數(shù)災(zāi)難和非線性可分的問題，向高維空間映射時沒有增加計算的復(fù)雜度，可以解決非線性和高維的問題。

SVM 算法存在以下不足之處：①容易被泛化：當SVM 模型訓練得出的支持向量數(shù)量比較少時，訓練模型比較容易被泛化[23]；②易敏感性：SVM 模型對參數(shù)的調(diào)節(jié)、核函數(shù)的選擇和缺失數(shù)據(jù)敏感敏感[24]；③對大規(guī)模的訓練數(shù)據(jù)集不適用：由于SVM 算法需要借助二次規(guī)劃來求解支持向量，求解二次規(guī)劃將涉及樣本個數(shù)m 的m 階矩陣的計算，如m 數(shù)目很大，矩陣的計算和存儲則需要消耗大量的運算時間和機器內(nèi)存。

在本案例中，基于網(wǎng)格搜索優(yōu)化的SVM 算法的冠心病分類預(yù)測模型體現(xiàn)出了極其優(yōu)秀的分類效果，準確率達99%；對冠心病樣本的識別能力也很強，F(xiàn)1-score 為97%。本項目中SVM 算法效果良好的主要原因是，案例樣本數(shù)據(jù)質(zhì)量高，且對特征進行了篩選；但是，案例數(shù)據(jù)的樣本量較小、特征相對較多，對結(jié)果有負面影響。另外，本項目使用的數(shù)據(jù)集來自于美國，所以此模型用于國內(nèi)冠心病數(shù)據(jù)的分類預(yù)測時可能會準確率下降，如果能收集到我國冠心病領(lǐng)域公開的高質(zhì)量數(shù)據(jù)集，建立出的冠心病預(yù)測模型在國內(nèi)會更有實際意義。