基于集成學(xué)習(xí)后融合神經(jīng)網(wǎng)絡(luò)算法構(gòu)建肝硬化代償期中醫(yī)智能辨證模型的探討

張明琪，鄧鑫

（廣西中醫(yī)藥大學(xué)，廣西南寧 530001）

肝硬化是一種因感染性、毒性或藥物誘導(dǎo)（主要是酒精誘導(dǎo)）、代謝性、膽汁淤積或自身免疫性損傷等各種因素所導(dǎo)致的彌漫性肝損害，其肝損害以肝臟彌漫性纖維化、假小葉形成、肝內(nèi)外血管增殖為病理特征[1-2]。肝硬化常呈隱匿性起病，代償期可無明顯臨床癥狀，隨著疾病進展可發(fā)展為失代償期，出現(xiàn)多種并發(fā)癥，甚則癌變及死亡。因此，延緩代償期肝硬化進入失代償期、預(yù)防肝細胞癌變及減少并發(fā)癥是肝硬化的治療目標(biāo)。病因治療及抗炎抗肝纖維化治療是現(xiàn)代醫(yī)學(xué)治療肝硬化代償期最主要的方法。然而目前尚無抗纖維化的特效西藥[2]。代償期肝硬化可歸屬于中醫(yī)“積聚”范疇[3]。中醫(yī)藥抗肝纖維化治療有顯著的療效，且副作用較少[4]?！氨孀C論治”是中醫(yī)學(xué)理論體系的主要特點之一，中醫(yī)辨證的精準(zhǔn)性決定了論治的有效性，但現(xiàn)行中醫(yī)的辨證方法眾多，證型分類不規(guī)范，易受個人主觀因素的影響[5]，中醫(yī)辨證有待進一步客觀化、標(biāo)準(zhǔn)化。

近年來，隨著人工神經(jīng)網(wǎng)絡(luò)架構(gòu)和算法的不斷發(fā)展，以及計算能力的不斷增強，人工智能技術(shù)在中醫(yī)臨床的疾病診斷、輔助治療及經(jīng)驗傳承等多方面取得了較大的發(fā)展[6-8]。其中，中醫(yī)數(shù)字化辨證一直是人工智能在中醫(yī)領(lǐng)域研究的熱點課題[9]。統(tǒng)一規(guī)范的中醫(yī)辨證模式是中醫(yī)辨證智能化的基礎(chǔ)，同時也是中醫(yī)藥現(xiàn)代化的重要內(nèi)容之一[10]。目前機器學(xué)習(xí)領(lǐng)域有較多經(jīng)典的算法，如決策樹、支持向量機、K最近鄰、隨機梯度下降法、隨機森林、極端梯度增強法等，這些算法基于不同的數(shù)學(xué)原理，具有各自的優(yōu)缺點，均可運用于中醫(yī)藥領(lǐng)域的研究。本研究采用集成學(xué)習(xí)的方法研究肝硬化代償期中醫(yī)辨證模型，將這些算法輸出的概率進行后融合，通過后融合的方法彌補各個模型的不足，發(fā)揮其長處，達到取長補短的目的，用BP 神經(jīng)網(wǎng)絡(luò)作為最終的元學(xué)習(xí)器，輸出最終的預(yù)測概率，以期為中醫(yī)辨證智能化和客觀化提供借鑒，并為肝硬化代償期的中醫(yī)臨床診療提供參考。

1 資料與方法

1.1 病歷資料來源及篩選收集2016 年1 月至2022 年10 月期間在廣西中醫(yī)藥大學(xué)附屬瑞康醫(yī)院就診（包括門診及住院）的肝硬化代償期（首次就診）的病歷數(shù)據(jù)。收集的病歷資料包含中醫(yī)癥狀、體征、舌象、脈象等詳細信息，不記錄其他個人信息。對患者的性別、年齡、職業(yè)、病程、原發(fā)疾病、用藥情況不做特殊限制。

納入以下病歷資料：①患者符合《肝硬化診治指南》[2]中的肝硬化代償期診斷標(biāo)準(zhǔn)；②患者以肝硬化代償期為主要診斷；③患者無其他重大疾病。排除以下病歷資料：①患者有嚴(yán)重心、腎等并發(fā)癥，或合并有其他嚴(yán)重原發(fā)性疾??；②患者以其他疾病為主要診斷，而肝硬化代償期為次要診斷；③患者為肝硬化失代償期；④臨床記錄有缺陷而無法使用的病歷記錄。

1.2 證候分型標(biāo)準(zhǔn)參考《積聚（肝硬化代償期）中醫(yī)診療方案》[11]，將本病的證候確定為5 個證型，即濕熱瘀阻證、氣滯瘀阻證、肝郁脾虛血結(jié)證、陰虛血阻證、氣虛血瘀證。

1.3 數(shù)據(jù)錄入與預(yù)處理獲得上述病歷樣本的數(shù)據(jù)信息，將規(guī)范后的數(shù)據(jù)與證型（包括患者的癥狀和體征及所對應(yīng)的證型）錄入到Excel中，并以此作為原始數(shù)據(jù)庫（錄入格式：醫(yī)案編號；證型；癥狀和體征）。

以患者的臨床表現(xiàn)作為特征值，參考《肝硬化醫(yī)生報告結(jié)局量表研制》[12]中的癥狀和體征，將獲得的數(shù)據(jù)進行規(guī)范化?；颊叩呐R床特征（癥狀、體征、舌象和脈象）包括肝區(qū)疼痛、腹部疼痛、腹部脹滿不適、情志抑郁、煩躁易怒、乳房脹痛或結(jié)塊、疲倦乏力、視物模糊、噯氣、腰痛、頭痛、咳嗽、咽部異物感、目干澀、頭暈、難以入睡、口干、口苦、口臭、納差、盜汗、五心煩熱、惡心不適、肢體困重、牙齦出血、耳鳴耳聾、腰膝酸軟、皮膚瘙癢、小便黃、尿頻、嘔吐、胸悶氣喘、大便干結(jié)、小便少、遺精、月經(jīng)量少、閉經(jīng)、下肢水腫、蜘蛛痣、毛細血管擴張、肝掌、面色晦暗、面色黧黑、面色萎黃、唇色紫暗、黃染、消瘦、貧血貌、舌淡紅、舌紫、舌淡紫、舌質(zhì)暗、舌有瘀斑或瘀點、苔薄白、苔薄黃、舌苔白膩、舌苔黃膩、舌苔少、舌少津、舌邊有齒痕、舌胖大、舌質(zhì)紅、舌下絡(luò)脈顯露、裂紋舌、脈弦、脈細、脈滑、脈無力、脈數(shù)、脈澀、脈沉等共72項。采用“0-1”編碼對各臨床特征進行賦值，即出現(xiàn)該特征計為“1”，未出現(xiàn)該特征計為“0”。然后以原始數(shù)據(jù)庫中每個樣本所對應(yīng)的證型作為目標(biāo)值，以此建立符合方案的數(shù)據(jù)集（PPS 數(shù)據(jù)集格式包括患者編號、目標(biāo)值、特征值）。

1.4 數(shù)據(jù)集建立及實驗開發(fā)環(huán)境與框架通過Scikit-learn 機器學(xué)習(xí)庫中的標(biāo)簽編碼（label encoding）對目標(biāo)值下的中醫(yī)證型進行處理，將文本信息映射為數(shù)值，將氣虛血瘀證、氣滯血瘀證、濕熱瘀阻證、陰虛血阻證、肝郁脾虛血結(jié)證分別編碼為0、1、2、3、4。利用Python 將數(shù)據(jù)集以8∶2隨機劃分為訓(xùn)練集和測試集，通過設(shè)置參數(shù)stratify=y使得訓(xùn)練集和測試集的各個證型數(shù)據(jù)的比例與原PPS數(shù)據(jù)集保持相同的比例，然后通過設(shè)置參數(shù)random state=0 保證每次實驗都使用相同的訓(xùn)練集和測試集，并增加實驗的可重現(xiàn)性。

本研究的開發(fā)環(huán)境為Anaconda 4.10.3，采用決策 樹（decision tree，DT）、K最近鄰（K-nearest neighbor，KNN）、支持向量機（support vector machine，SVM）、隨機梯度下降法（stochastic gradient descent，SGD）、隨機森林（random forest，RF）、極端梯度增強（extreme gradient boosting，XGBoost）等算法。算法采用的框架為Scikit-learn（0.24.2）。Scikitlearn 是Python 第三方提供的機器學(xué)習(xí)框架，支持分類、聚類、降維、回歸四大算法以及特征提取、數(shù)據(jù)處理、模型評估三大模塊[13]。BP 神經(jīng)網(wǎng)絡(luò)采用的框架為PyTorch（1.12.0+cpu）。PyTorch 是以Python 優(yōu)先的深度學(xué)習(xí)框架，它僅支持自動求導(dǎo)功能，而且設(shè)計簡潔，較其他深度學(xué)習(xí)框架具有靈活性強、運行速度快等優(yōu)點[14]。模型解釋采用的框架為SHAP（0.40.0），使用SHAP 值解釋機器學(xué)習(xí)模型和特征的重要性[15]。

1.5 模型構(gòu)建方法

1.5.1 初級學(xué)習(xí)器之傳統(tǒng)機器學(xué)習(xí)算法 不同的機器學(xué)習(xí)模型是基于不同的數(shù)學(xué)算法原理，究竟何種機器學(xué)習(xí)模型更具優(yōu)勢還不明確，因此選擇多個機器學(xué)習(xí)模型共同參與肝硬化代償期診斷模型的構(gòu)建，有助于模型之間的優(yōu)勢互補，彌補其不足，提高最終模型的性能表現(xiàn)。研究過程中可融合多種傳統(tǒng)機器學(xué)習(xí)算法構(gòu)建模型，以提高模型準(zhǔn)確度。本研究所涉及的主要算法有6種，即決策樹（DT）、K最近鄰（KNN）、支持向量機（SVM）、隨機梯度下降法（SGD）、隨機森林（RF）、極端梯度增強法（XGBoost）。各算法原理及優(yōu)缺點如下：

DT 是一種被廣泛應(yīng)用于數(shù)據(jù)處理的分類器，主要根據(jù)數(shù)據(jù)特征屬性值進行排序及分組。DT 由節(jié)點和分支組成，節(jié)點則由根節(jié)點、葉子節(jié)點和若干內(nèi)部節(jié)點構(gòu)成[16]。DT 決策的過程就是從頂端的根節(jié)點開始，通過測試待分類項中相應(yīng)的特征屬性進行節(jié)點分裂，直到到達葉子節(jié)點停止分裂，葉子節(jié)點的類別代表分類決策最終結(jié)果[17]。其優(yōu)點是具有簡單高效、便于理解、易于評測，也存在易于過擬合的固有缺陷。

KNN 分類器代表了一種簡單通用的分類方法，其相對性能與距離度量或相似度量的選擇密切相關(guān)。其核心工作原理是計算待分類樣本與K個鄰居樣本的距離，尋找與待分類樣本距離最近的K個樣本，由這K個樣本中數(shù)量最多的類別決定待分類樣本的類別，使用少數(shù)服從多數(shù)的原則[18]。KNN分類器具有對數(shù)據(jù)分布要求較低、對噪聲有一定容忍度的特點，是最懶惰的學(xué)習(xí)方法之一。

SVM 最早應(yīng)用在二分類問題上，用于尋找能將二類樣本分開且分類間隔最大的一個最優(yōu)超平面[19]。其基本思想在于引用核函數(shù)將輸入的非線性樣本空間映射到高維特征空間，以構(gòu)建線性函數(shù)判別。SVM 適用于回歸分析和分類問題等領(lǐng)域，具有結(jié)構(gòu)簡單、適應(yīng)性好、訓(xùn)練速度快和良好泛化能力等優(yōu)勢[20]。

RF 是基于決策樹基礎(chǔ)上的一種集成算法，隨機性是其區(qū)別于決策樹的重要屬性。這種隨機性體現(xiàn)在Bagging 技術(shù)上可實現(xiàn)對樣本的重采樣，有利于降低決策樹模型之間的相關(guān)性、增加RF 的精度。RF 具有簡單、計算量小、可以降低決策樹容易過于擬合等諸多優(yōu)勢[21]。

SGD 是基于全梯度下降方法（GD）的一種優(yōu)化形式。GD 每次迭代時需使用全部的訓(xùn)練集樣本以更新模型參數(shù)，而SGD 每次更新訓(xùn)練則只需在訓(xùn)練集隨機抽取一個樣本計算梯度。相較而言，GD有較高的精度，但也存在計算量過大，耗時明顯，且容易陷入局部極值點的問題；SGD 雖然計算量小，速度快，但精度稍遜GD[21]。

XGBoost 同樣以DT 作為基學(xué)習(xí)器，通過弱分類器的多輪迭代計算以降低偏差、實現(xiàn)最優(yōu)分類效果[22-23]。通常以分類回歸樹作為弱分類器，每次訓(xùn)練所得弱分類器需要經(jīng)過加權(quán)求和，最終生成總的分類器。XGBoost 主要利用二階泰勒損失函數(shù)進行運算，并用正則項得到最優(yōu)解，能夠充分利用多核CPU 并行計算的優(yōu)勢，實現(xiàn)更快的模型探索[24]。

1.5.2 集成學(xué)習(xí)后融合 融合是將相同數(shù)據(jù)的不同模型預(yù)測結(jié)果進行有機整合后以刻畫結(jié)果的過程。一般情況下，融合分為前融合、后融合，后融合是結(jié)果層面的融合。stacking 概率后融合是經(jīng)典的集合算法。本研究使用stacking 后端概率融合模式將訓(xùn)練好的機器學(xué)習(xí)分類器預(yù)測概率輸出，再結(jié)合原始影像組學(xué)特征以及深度學(xué)習(xí)特征輸入到BP 人工神經(jīng)網(wǎng)絡(luò)（backpropagation neural network）進行融合，其中，6 種傳統(tǒng)機器學(xué)習(xí)模型作為初級學(xué)習(xí)器，而BP神經(jīng)網(wǎng)絡(luò)則屬于元學(xué)習(xí)器。

元分類器之深度學(xué)習(xí)網(wǎng)絡(luò)通過BP 人工神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)，它由輸入層、隱藏層和輸出層三部分組成[25]。其工作原理如下：首先，向輸入層神經(jīng)元輸入信號，再把信號一層層向前傳遞，直至輸出層結(jié)果生成為止；接著對輸出層進行誤差計算，將得到的誤差反向擴散到隱層神經(jīng)元上；最后，基于隱層神經(jīng)元誤差調(diào)整連接權(quán)與閾值，直到滿足停止條件，最終獲得具有較好泛化能力的模型[25]。整個研究利用torch 模塊完成，使用交叉熵損失函數(shù)（cross entropy loss）對特征進行分類；優(yōu)化器選擇Adam 優(yōu)化器。分類結(jié)果設(shè)置為5，隱藏層設(shè)定為100?；诩蓪W(xué)習(xí)后融合神經(jīng)網(wǎng)絡(luò)算法構(gòu)建肝硬化代償期中醫(yī)智能辨證模型的建模流程如圖1所示。

圖1 基于集成學(xué)習(xí)后融合神經(jīng)網(wǎng)絡(luò)算法構(gòu)建肝硬化代償期中醫(yī)智能辨證模型的建模流程圖Figure 1 Modeling flow chart for the construction of TCM intelligent syndrome differentiation model of compensated liver cirrhosis based on integrated learning and late-fusion neural network algorithm

1.6 參數(shù)調(diào)優(yōu)及模型評價決策樹（DT）、K最近鄰（KNN）、支持向量機（SVM）、隨機梯度下降法（SGD）、隨機森林（RF）、極端梯度增強法（XGBoost）采用GridSearchCV 模塊通過參數(shù)列表param_grid 尋找最優(yōu)模型的超參數(shù)組合，使用分層K（K=5）折交叉驗證。人工神經(jīng)網(wǎng)絡(luò)在Optuna 框架下創(chuàng)建目標(biāo)函數(shù)（objective），目標(biāo)函數(shù)的評估指標(biāo)設(shè)置為準(zhǔn)確率（accuracy），進行100 次試驗（epoches=100），并在試驗完成后從study 項下選擇最優(yōu)的超參數(shù)組合。以上模型均使用準(zhǔn)確率、精確率（precsion）、召回率（recall）、F1分?jǐn)?shù)（F1 score）、混淆矩陣、受試者工作特征曲線（ROC 曲線）以及ROC 曲線下面積（AUC）值評估模型的性能。各模型最優(yōu)超參數(shù)組合見表1。

表1 各模型的最優(yōu)超參數(shù)組合Table 1 The optimal hyperparameter combination for various models

2 結(jié)果

初步搜集得到928例肝硬化代償期患者的病歷資料，經(jīng)篩選后可供錄入的病歷資料（包含了中醫(yī)癥狀、體征、舌象、脈象等證候詳細信息）為912 份。912 例患者的原發(fā)病主要為病毒性肝炎、酒精性脂肪肝、非酒精性脂肪肝以及原發(fā)性膽汁性肝硬化等，其中氣虛血瘀證108例，氣滯瘀阻證95例，濕熱瘀阻證168例，陰虛血阻證95例，肝郁脾虛血結(jié)證446 例。構(gòu)建肝硬化代償期中醫(yī)智能辨證模型的病歷數(shù)據(jù)處理流程如圖2所示。

圖2 構(gòu)建肝硬化代償期中醫(yī)智能辨證模型的病歷數(shù)據(jù)處理流程圖Figure 2 Flow chart for the process of medical record data for constructing TCM intelligent syndrome differentiation model of compensated liver cirrhosis

2.1 模型評價結(jié)果將912 例患者的證型數(shù)據(jù)按8∶2劃分為訓(xùn)練集（共730例，以上各證型的例數(shù)分別為83、78、135、77、357 例）和測試集，采用不同算法進行訓(xùn)練，其訓(xùn)練結(jié)果如下：

2.1.1 決策樹模型 通過決策樹建模后輸出的肝硬化代償期各證型的ROC 曲線和混淆矩陣如圖3所示。決策樹在各個證型的分類正確率都很高，對肝硬化代償期證型預(yù)測較為理想。

圖3 肝硬化代償期各證型的決策樹（DT）模型的ROC曲線與混淆矩陣Figure 3 The ROC curve and confusion matrix of decision tree（DT）model for compensated liver cirrhosis of various syndrome types

2.1.2 支持向量機模型 通過支持向量機建模后輸出的肝硬化代償期各證型的ROC 曲線和混淆矩陣如圖4 所示。支持向量機未能較好地區(qū)分氣虛血瘀證和肝郁脾虛血結(jié)證，在83 例氣虛血瘀證中，有40例被誤分類為肝郁脾虛血結(jié)證。

圖4 肝硬化代償期各證型的支持向量機（SVM）模型的ROC曲線與混淆矩陣Figure 4 The ROC curve and confusion matrix of support vector machine（SVM）model for compensated liver cirrhosis of various syndrome types

2.1.3K最近鄰模型 通過K最近鄰建模后輸出的肝硬化代償期各證型的ROC 曲線和混淆矩陣如圖5 所示。K最近鄰在預(yù)測氣虛血瘀證的分類上的表現(xiàn)也不盡人意，83 例氣虛血瘀證僅有54 例分類正確。

圖5 肝硬化代償期各證型的K最近鄰（KNN）模型的ROC曲線與混淆矩陣Figure 5 The ROC curve and confusion matrix of K-nearest neighbor（KNN）model for compensated liver cirrhosis of various syndrome types

2.1.4 隨機梯度下降法模型 通過隨機梯度下降法建模后輸出的肝硬化代償期各證型的ROC 曲線和混淆矩陣如圖6所示。隨機梯度下降法預(yù)測陰虛血阻證的分類結(jié)果尚可，77 例陰虛血阻證中有76 例分類預(yù)測正確，但對其他證的預(yù)測能力則較弱。

圖6 肝硬化代償期各證型的隨機梯度下降法（SGD）模型的ROC曲線與混淆矩陣Figure 6 The ROC curve and confusion matrix of stochastic gradient descent（SGD）model for compensated liver cirrhosis of various syndrome types

2.1.5 隨機森林模型 通過隨機森林建模后輸出的肝硬化代償期各證型的ROC 曲線和混淆矩陣如圖7所示。隨機森林在陰虛血阻證的分類上表現(xiàn)最佳，在其余證型的預(yù)測上表現(xiàn)也尚可。

圖7 肝硬化代償期各證型的隨機森林（RF）模型的ROC曲線與混淆矩陣Figure 7 The ROC curve and confusion matrix of random forest（RF）model for compensated liver cirrhosis of various syndrome types

2.1.6 極端梯度增強法模型 通過極端梯度增強法（XGBoost）建模后輸出的肝硬化代償期各證型的ROC 曲線和混淆矩陣如圖8 所示。XGBoost 對陰虛血阻證的預(yù)測結(jié)果尚可，77 例陰虛血阻證中僅有2 例被預(yù)測錯誤，分別被誤歸類為濕熱瘀阻證和肝郁脾虛血結(jié)證，但在其他證型的預(yù)測方面則表現(xiàn)一般。

圖8 肝硬化代償期各證型的極端梯度增強法（XGBoost）模型的ROC曲線與混淆矩陣Figure 8 The ROC curve and confusion matrix of extreme gradient boosting（XGBoost）model for compensated liver cirrhosis of various syndrome types

2.1.7 BP 神經(jīng)網(wǎng)絡(luò)模型 通過BP 神經(jīng)網(wǎng)絡(luò)建模的準(zhǔn)確率-損失（accuracy-loss）曲線見圖9。x軸代表迭代周期（epoch），y軸代表準(zhǔn)確率和損失。隨著迭代次數(shù)增加，準(zhǔn)確率逐漸上升，損失逐漸下降。迭代周期為65 的曲線趨平緩，達到收斂。BP神經(jīng)網(wǎng)絡(luò)輸出的肝硬化代償期各證型的ROC 曲線和混淆矩陣見圖10。

圖9 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的準(zhǔn)確率-損失（accuracyloss）曲線Figure 9 The accuracy-loss curve of backpropagation neural network training process

圖10 肝硬化代償期各證型的BP神經(jīng)網(wǎng)絡(luò)模型的ROC曲線與混淆矩陣Figure 10 The ROC curve and confusion matrix of backpropagation neural network model for compensated liver cirrhosis of various syndrome types

2.2 各類模型的性能比較在相同測試集下各分類模型的準(zhǔn)確率（accuracy）、精確率（precsion）、召回率（recall）、F1 分?jǐn)?shù)以及AUC 值如表1 所示。F1值是對精確率與召回率的調(diào)和平均，優(yōu)點在于能賦予精確率和召回率相同的權(quán)重以平衡兩者，F(xiàn)1值越高，說明精確率和召回率都較高，算法的性能越好。從表2 可知，F(xiàn)1 值最高為BP 神經(jīng)網(wǎng)絡(luò)模型，最低為支持向量機。

表2 構(gòu)建肝硬化代償期中醫(yī)智能辨證模型的各算法模型的性能指標(biāo)比較Table 2 Comparison of the performace indicators of various models using for constructing TCM intelligent syndrome differentiation model of compensated liver cirrhosis

2.3 模型解釋醫(yī)學(xué)領(lǐng)域中，模型可解釋性的重要性與模型的性能同樣重要，這些具有高準(zhǔn)確度預(yù)測結(jié)果的模型要讓人們（尤其是專業(yè)醫(yī)生）信服，就必須更進一步提供模型做出預(yù)測的依據(jù)[26]。SHAP（Shapley additive explanations）值是Lundberg S M等在2017年提出的一種基于博弈論的模型解釋方法[27]，該方法量化了模型中每個特征對觀察結(jié)果最終預(yù)測的貢獻，采用基于所有可能的特征子集組合（包括給定特征）預(yù)測模型[28]。本研究按照證型分類求得每個樣本特征對應(yīng)的SHAP值，并采用SHAP 值的平均值作為該特征的重要性值，從而得到全局解釋，以此來闡明模型中貢獻度較大的特征。通過模型性能指標(biāo)的比較可知，BP 神經(jīng)網(wǎng)絡(luò)模型和隨機梯度下降法的各項評估指標(biāo)均超過0.90，但BP 神經(jīng)網(wǎng)絡(luò)模型的維度太高，無法使用SHAP 進行研究。因此本研究在隨機梯度下降法的基礎(chǔ)上，調(diào)用SHAP 庫的Explainer API 降序輸出肝硬化代償期各證型的PPS 數(shù)據(jù)集的特征重要性（排前20位），結(jié)果見圖11。

圖11 肝硬化代償期各證型中特征貢獻度排前20位的符合方案數(shù)據(jù)集（PPS）Figure 11 The per protocol set（PPS）with the leading 20 feature contribution degree for compensated liver cirrhosis of various syndrome types

由圖11 中可知，對于陰虛血阻證而言，疲倦乏力、舌質(zhì)紅、舌苔少、脈細等特征有著較高的貢獻度；舌苔黃膩、舌質(zhì)紅、脈滑等特征對濕熱瘀阻證有著較高的貢獻度；舌淡紅、苔薄白、脈弦等特征對肝郁脾虛血結(jié)證有著較高的貢獻度；脈澀、舌紫、舌質(zhì)暗等特征對氣滯瘀阻證有著較高的貢獻度；脈細、疲倦乏力、舌淡紫等特征對氣虛血瘀證有著較高的貢獻度。

3 討論

目前，阻礙中醫(yī)藥客觀化與規(guī)范化的主要原因是中醫(yī)語言的模糊性、理論知識的難理解性、治療思維的抽象性以及中醫(yī)醫(yī)案的繁雜性。機器學(xué)習(xí)能將中醫(yī)藥內(nèi)部復(fù)雜的聯(lián)系轉(zhuǎn)化為不同變量在隱層空間的數(shù)學(xué)關(guān)系，將中醫(yī)模糊用詞進行規(guī)范，降低主觀性，提高客觀性，有益于中醫(yī)藥理論體系的理解，可為中醫(yī)藥理論的傳承與創(chuàng)新以及中醫(yī)循證醫(yī)學(xué)的發(fā)展做出貢獻。

本研究基于決策樹、支持向量機、K最近鄰、隨機梯度下降法、隨機森林、XGBoost 等機器學(xué)習(xí)算法和集成學(xué)習(xí)后融合的算法，通過病歷數(shù)據(jù)對肝硬化代償期的中醫(yī)智能辨證進行了深入分析和探索。實驗結(jié)果表明，在模型性能評估指標(biāo)中，BP 神經(jīng)網(wǎng)絡(luò)模型的召回率為0.90，略低于隨機森林的0.91，但BP 神經(jīng)網(wǎng)絡(luò)模型其他各項評估指標(biāo)均大于0.90 并優(yōu)于其他分類器模型?？梢姡c機器學(xué)習(xí)相比，BP 神經(jīng)網(wǎng)絡(luò)對肝硬化代償期中醫(yī)證型預(yù)測具有更好的準(zhǔn)確性、精確性，其各項指標(biāo)具有更好的均衡性。

本研究使用了集成學(xué)習(xí)后融合的方法，該方法類似于醫(yī)院的臨床科室會診制度，各個科室的住院醫(yī)師（機器學(xué)習(xí)模型）對同一份病例（搜集的數(shù)據(jù)資料）提出各自的意見（機器模型預(yù)測結(jié)果），將這些意見提交給副主任醫(yī)師（BP 神經(jīng)網(wǎng)絡(luò)）后，副主任醫(yī)師綜合這些意見得出最準(zhǔn)確、最綜合、最全面的結(jié)果（BP 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果）。BP 神經(jīng)網(wǎng)絡(luò)具有良好的容錯性、自組織適應(yīng)性和學(xué)習(xí)能力，在疾病診斷、預(yù)后判斷等方面有著廣泛的應(yīng)用[29]。劉麗蓉等[30]通過BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建蕁麻疹證候預(yù)測模型，其預(yù)測的準(zhǔn)確率為83.13%，表明利用BP 神經(jīng)網(wǎng)絡(luò)進行蕁麻疹證候分類取得較好的結(jié)果。劉秀峰等[31]將遺傳算法降維優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)（GABP）診斷模型用于大腸癌虛實證型的分類研究，并與傳統(tǒng)的未經(jīng)優(yōu)化的BP 診斷模型進行比較，結(jié)果發(fā)現(xiàn)優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型建模所需時間明顯減少，證型正判率都較前顯著提高，表明基于GABP 的神經(jīng)網(wǎng)絡(luò)泛化能力更好，分類效果更佳。辛基梁等[32]比較了機器學(xué)習(xí)和BP-MLL 神經(jīng)網(wǎng)絡(luò)構(gòu)建的中醫(yī)健康狀態(tài)辨識的分類預(yù)測模型的平均精度，結(jié)果顯示BP-MLL神經(jīng)網(wǎng)絡(luò)預(yù)測模型的平均精度最高，性能最優(yōu)。綜上可見，以往的研究多使用單一的模型進行中醫(yī)疾病證型的預(yù)測，然而單個模型的泛化能力單薄，在解決所研究的問題上能力較出色，但在解決其他問題時結(jié)果卻不盡人意。本文所研究的集成學(xué)習(xí)后融合BP 神經(jīng)網(wǎng)絡(luò)的方法可以提高模型對未知問題的泛化能力，避免算法失誤，通過結(jié)合多個模型的優(yōu)點，實現(xiàn)優(yōu)勢互補，提升模型的預(yù)測精度。

本研究所搭建的集成學(xué)習(xí)后融合的神經(jīng)網(wǎng)絡(luò)肝硬化代償期中醫(yī)辨證模型，將多個機器學(xué)習(xí)模型的預(yù)測結(jié)果進行相互補充結(jié)合，保證了各模型的多樣性，克服了不同模型的劣勢，具有性能全面、指標(biāo)均衡、預(yù)測結(jié)果客觀可靠等優(yōu)勢。集成學(xué)習(xí)后融合的神經(jīng)網(wǎng)絡(luò)肝硬化代償期中醫(yī)辨證模型所輸出的肝硬化代償期各證型的PPS數(shù)據(jù)集，可提高臨床醫(yī)生對肝硬化代償期中醫(yī)辨證的速度和準(zhǔn)確率，提高對患者的診療質(zhì)量。