基于深度學習的醫(yī)療數(shù)據(jù)智能分析與核驗算法研究

李 楊，郭鈺哲，龐 樂

（西安交通大學第二附屬醫(yī)院，陜西西安 710004）

互聯(lián)網(wǎng)技術的不斷普及推動了醫(yī)療技術的高速發(fā)展，目前也有越來越多的智能醫(yī)療設備可以為人們提供便捷的醫(yī)療監(jiān)測服務。通常情況下，醫(yī)療設備首先通過傳感器采集患者的各種生理數(shù)據(jù)，例如血流量、血壓值、脈搏值與心率值等。然后再對獲取到的醫(yī)療數(shù)據(jù)進行智能分析及處理，從而有效判斷出患者的身體健康狀況，并為后續(xù)進一步診治做先驗指導。

然而，在實際使用過程中，隨著醫(yī)療設備使用次數(shù)的增多及使用年限的增長，設備運行異常的情況也時有發(fā)生。這種情況可能會導致檢測結果不準確，并對患者的健康狀況做出誤判，從而延誤治療時機[1-2]。因此，醫(yī)療設備的異常數(shù)據(jù)識別至關重要。異常數(shù)據(jù)的本質便是從設備多個維度所組成的高維數(shù)據(jù)中，分析出與大部分數(shù)據(jù)不相符的離散數(shù)據(jù)值，并根據(jù)這些數(shù)據(jù)值對設備的運行狀態(tài)進行綜合評估。

文中基于深度學習（Deep Learning，DL）模型，設計了一套醫(yī)療設備異常數(shù)據(jù)查驗系統(tǒng)。該系統(tǒng)對自編碼器（Auto Encoder，AE）算法及對抗神經(jīng)網(wǎng)絡（Generative Adversarial Network，GAN）進行了改進與融合，從而使高維數(shù)據(jù)轉換為低維數(shù)據(jù)，且在提取特征后再進行分析。實驗表明，該算法具有一定的實用價值。

1 異常數(shù)據(jù)核驗算法設計

1.1 基于變分自編碼器的數(shù)據(jù)降維算法

自編碼器[3-4]是一種具有無監(jiān)督性質的網(wǎng)絡模型，其可將輸入的高維數(shù)據(jù)映射至低維空間，進而學習數(shù)據(jù)的隱藏特征并完成數(shù)據(jù)重建。

通常一個基礎的AE 網(wǎng)絡具有三層結構，如圖1所示。其分別為輸入層、隱藏層和重構層，這三層結構實現(xiàn)了兩個重要的轉換，即編碼與解碼轉換。

圖1 自編碼器結構示意圖

對于一個維度為n的輸入數(shù)據(jù)，可將其記為x。編碼轉換操作表征了一種空間映射關系，該映射關系實現(xiàn)了輸入數(shù)據(jù)x從n維到d維空間的映射轉換。編碼轉換可表示為：

式中，z表示輸入數(shù)據(jù)x映射到d維空間的輸出，σ指的是激活函數(shù)，b代表自編碼器的偏置值，W表示自編碼器的權重系數(shù)。

作為編碼轉換的逆操作，解碼轉換可表示如下：

式中，c代表自編碼器在解碼過程中的偏置值，W*表示該過程的權重系數(shù)。

深度AE 網(wǎng)絡將多個基礎的自編碼網(wǎng)絡進行疊加，作為一種無監(jiān)督的深度網(wǎng)絡模型，其利用上一層的隱藏層表示作為網(wǎng)絡中下一層的輸入，從而得到更為抽象的網(wǎng)絡結構。深度AE 網(wǎng)絡的結構如圖2所示。該網(wǎng)絡結構模型的訓練終止目標為經(jīng)過該深度自編碼網(wǎng)絡重構出n維空間。

圖2 深度AE結構示意圖

數(shù)據(jù)無限接近輸入層的n維空間數(shù)據(jù)x，由此即可得到深度自編碼器的損失函數(shù)為：

其中，W代表深度自編碼器的權重系數(shù)，b、c表示偏置值，||·||2表示取L2 范數(shù)。為避免訓練過程中出現(xiàn)過擬合現(xiàn)象，此處引入權重衰減（Weight Decay），則有：

由式（4）和（5）可知，Lwd表示權重衰減。同時，在式（5）中，λ表示衰減系數(shù)，||·||F為權重系數(shù)W的F范數(shù)。

由此可見，深度AE 訓練與輸出樣本之間的映射是固定不變的，故模型對數(shù)據(jù)的噪聲較為敏感。而處理特征較多的復雜數(shù)據(jù)時，樣本的分辨誤差則較大，因此需對AE 模型進行改進。

變分自編碼器（Variational Auto-Encoder，VAE）[5-7]是生成神經(jīng)網(wǎng)絡的模型，其結構如圖3 所示。該模型在AE 的基礎上增加了變分結構，使編碼器的輸出樣本數(shù)據(jù)對應輸入數(shù)據(jù)的均值及方差。

圖3 變分自編碼器結構

VAE 作為自編碼器的改進模型，其需要先得到觀測值p(z)的潛在分布p(x|z)，具體如下所示：

在連續(xù)域z中，可將數(shù)據(jù)x使用對數(shù)表示為：

式中，DKL為KL 散度（Kullback Leibler Divergence），LVAE為x的變分下界值，其使用的是拉氏變換（Laplace Transform）；q為p(z)至p(z|x)映射的變分近似；φ和θ均為編碼器的參數(shù)。求解目標即為通過優(yōu)化φ和θ兩項參數(shù)，進而得到DKL的最小值。設L的表達式如式（8）所示：

由于散度值大于零，故可得：

由此即得到變分下界。

1.2 基于改進GAN的異常數(shù)據(jù)檢驗模型

生成對抗網(wǎng)絡[8-10]利用對抗的基礎理論來獲得理想的訓練數(shù)據(jù)。其由生成器與鑒別器兩個主要部分組成，且二者均可看作是映射函數(shù)。其中生成器通過學習真實樣本的特征，將隨機噪聲偽造成具有真實樣本特征的數(shù)據(jù)，而鑒別器則對偽造數(shù)據(jù)加以鑒別。生成器與鑒別器不斷對抗學習，直至偽造數(shù)據(jù)被判別器判定為真為止，這體現(xiàn)了零和博弈（Zero-sum game）的思想。該網(wǎng)絡的組成結構如圖4所示。

圖4 生成對抗網(wǎng)絡結構

在計算GAN 時，判別器通常會對輸入數(shù)據(jù)的散度進行計算，并以此作為數(shù)據(jù)真實性的判斷依據(jù)。當散度接近0 時，表示數(shù)據(jù)的虛假度較高；而接近1時，則表示數(shù)據(jù)的真實性越高。

在生成器的訓練過程中，當兩組數(shù)據(jù)的分布距離接近時，交叉熵會變?yōu)槌?shù)，此時梯度則無法下降，導致梯度消失，訓練失敗。為了解決散度導致的梯度消失問題，文中使用Wasserstein 距離取代交叉熵，其可在全局層面對各組數(shù)據(jù)的分布距離進行計算。所以，相較于初始GAN，Wasserstein 距離[11-12]能改善原始GAN 帶來的梯度下降問題。

雖然Wasserstein-GAN（WGAN）從理論上解決了GAN 模型不穩(wěn)定的問題，但同時其引入的Lip 函數(shù)也會導致梯度爆炸的情況，并使算法性能變差且運算時間過長。因此，需要對WGAN 模型進行剪枝（Pruning Algorithm，PA）[13-14]操作。通過在WGAN 判別器損失函數(shù)中加入PA 項，以減少梯度運算所帶來的計算負荷。

1.3 系統(tǒng)模型框架

由于WGAN-PA[15-16]可對噪聲數(shù)據(jù)進行偽造，彌補了VAE 網(wǎng)絡對噪聲過于敏感的缺點，因此可將WGAN-PA 和VAE 進行結合，融合后的簡化模型如圖5 所示。在WGAN-PA-VAE 模型中，VAE 負責將輸入的高維數(shù)據(jù)進行編碼，并映射至低維空間；將低維數(shù)據(jù)輸入至GAN 網(wǎng)絡后，由GAN 中的生成器將其偽造成樣本數(shù)據(jù)；再輸入至鑒別器中，并解碼得到最終的數(shù)據(jù)，即VAE 為WGAN-PA 模型的生成器。

圖5 簡化模型結構圖

異常數(shù)據(jù)監(jiān)測模型整體框架如圖6 所示。其中，輸入數(shù)據(jù)為醫(yī)療設備生成的各種狀態(tài)數(shù)據(jù)，而數(shù)據(jù)設計模塊則對狀態(tài)數(shù)據(jù)進行歸一化處理；之后再輸入至WGAN-PA-VAE 模型進行差異數(shù)據(jù)監(jiān)控，并將數(shù)據(jù)傳輸至異常檢測模塊。當異常得分達到故障閾值時，便可對機器狀態(tài)做出預測，從而輸出預測結果。

圖6 異常數(shù)據(jù)監(jiān)測模型整體框架

2 實驗與分析

2.1 實驗環(huán)境搭建

實驗選擇某醫(yī)院大型醫(yī)療設備2015—2021 年運行的狀態(tài)數(shù)據(jù)作為數(shù)據(jù)集1，常用異常數(shù)據(jù)公開集KDD99-sub 作為數(shù)據(jù)集2。此外，數(shù)據(jù)集1 與數(shù)據(jù)集2 的狀態(tài)數(shù)據(jù)種類分別為12 種和41 種。數(shù)據(jù)集與實驗環(huán)境說明如表1 所示。

表1 數(shù)據(jù)集與實驗設置環(huán)境說明

2.2 算法測試

算法測試分為兩部分，分別為算法的效率及性能測試。首先進行算法效率測試，并將準確率設定為評估值，觀測準確率穩(wěn)定后的迭代次數(shù)。迭代次數(shù)越少表明算法的收斂性越好，效率也越高。使用WGAN、VAE、隨機森林（Random Forest）算法及文中算法在數(shù)據(jù)集1 上進行對比驗證。最終得到的數(shù)據(jù)識別準確率與迭代次數(shù)的關系曲線如圖7 所示。

圖7 數(shù)據(jù)準確率與迭代次數(shù)關系曲線

由圖7 可知，隨著迭代次數(shù)的增加，所有算法的準確率均隨之上升并逐漸趨于穩(wěn)定。其中，文中算法在四種算法中對異常數(shù)據(jù)識別的準確率最高。同時，其在所有算法中迭代次數(shù)也最少，僅使用45 次迭代即可完成。由此說明文中算法具有較高的效率，且穩(wěn)定性也較優(yōu)。

性能測試部分同樣對比了文中算法與WGAN、VAE、隨機森林算法，其中，WGAN、VAE 用作消融實驗（Ablation Experiment），隨機森林算法則作為外部補充對比算法。評估指標采用深度學習常用的精確率、召回率及F1 值，在數(shù)據(jù)集2 上測試的結果如表2所示。

表2 測試結果

從表2 中可以看出，所提算法的精確率、召回率及F1 值在所有算法中均為最優(yōu)。這表明，將WGAN與VAE 結合可有效提升算法的性能。

同時，所提算法還能對設備的健康狀態(tài)進行分析預測。根據(jù)異常檢測模塊中的評分算法進行打分，得分高的即為異常數(shù)據(jù)量過多且易損壞的設備。此處實驗采用2015—2020 年的設備數(shù)據(jù)進行訓練，對2021 年設備情況的預測數(shù)據(jù)如表3 所示。

表3 得分情況

由表3 可看出，根據(jù)模型打分情況對設備的健康狀況進行評估，得到的結果較為準確，可反映設備的實際健康情況。由此證明，文中算法具有一定的實用價值。

3 結束語

異常數(shù)據(jù)監(jiān)測可對復雜醫(yī)療設備的健康狀態(tài)進行全方面評估[17-18]。文中利用深度學習模型，首先，將自編碼器改進為變分自編碼器算法，然后，將對抗神經(jīng)網(wǎng)絡進行優(yōu)化并剪枝，最終，使兩種改進算法相結合，進而令模型具備了從高維數(shù)據(jù)中提取數(shù)據(jù)特征的能力。實驗結果表明，文中算法具有良好的效率及性能，可對設備的健康狀態(tài)進行打分并判斷其損壞情況，故可應用于醫(yī)療設備數(shù)據(jù)智能分析系統(tǒng)中。