基于人工神經(jīng)網(wǎng)絡(luò)的二次腦損傷預后評估

荊 斌 張 鵬 李 巍 羅二平

1 引言

受傷部位與傷死關(guān)系極為密切，據(jù)統(tǒng)計，引起傷亡通常以顱腦傷所占的比重最大[1]。顱腦損傷常常伴有二次腦損傷(second brain injury,SBI)即在原發(fā)腦損傷后，某些因素如血壓、體溫等的異常改變，會加重原發(fā)腦損傷,使傷員在短期內(nèi)死亡或失去進一步救治的機會。

二次腦損傷致病因素很多，通過前期研究發(fā)現(xiàn)二次腦損傷可以主要通過動脈血壓、顱內(nèi)壓、腦室溫度、動脈氧飽和度、呼吸功能、頸靜脈氧飽和度等因素的變化來大致衡量。通過建立二次腦損傷傷情數(shù)據(jù)庫，快速收集和管理二次腦損傷敏感數(shù)據(jù)，通過數(shù)據(jù)挖掘工具進行分析，可以發(fā)現(xiàn)重要的數(shù)據(jù)模式，對決策者以及知識庫構(gòu)建將起到巨大作用[1-4]。

2 實驗設(shè)計

在二次腦損傷傷情信息系統(tǒng)中，分別采用決策樹、回歸分析、ANN以及PCA結(jié)合以上3種方法嘗試構(gòu)建早期腦傷多因素死亡預測模型。按照模型預測結(jié)合繼發(fā)性腦損害評分(secondary brain damage scores,SBDS)對患者傷情進行評估，輔助決策者采取合理的治療措施[1]。

在實驗過程中，分別采用常規(guī)決策樹及人工神經(jīng)網(wǎng)絡(luò)模型來建立患者二次腦損傷相關(guān)致傷因素與患者致傷后一周內(nèi)狀態(tài)的對應(yīng)模型，根據(jù)訓練的模型評估患者傷情狀態(tài)并輔助預測傷情變化。

實驗數(shù)據(jù)：以下實驗均采用西京醫(yī)院神經(jīng)外科137例患者電子病例為總體樣本，其中男性為82例，女性為55例；住院時間1月以內(nèi)患者16例(預后良好12例，傷殘3例，死亡1例)、2～3月患者66例(預后良好53例，傷殘12例，重度昏迷1例)、3月以上患者55例(預后良好41例，傷殘10例，昏迷3例，死亡1例)。

2.1 通過決策樹及繼發(fā)性腦損害評分建立死亡預測模型

依據(jù)費氏標準對患者入院后持續(xù)觀察1 h、6 h、12 h、24 h、36 h、72 h、168 h患者18項參數(shù)，建立決策樹報告：

SBDS＝靜態(tài)指標評分+動態(tài)指標評分

若SBDS≤48, 患者預后良好：數(shù)據(jù)滿足條件103例(結(jié)果傷殘12例)，預測準確度88.35%;

若SBDS＞48, 患者預后非良好：滿足數(shù)據(jù)條件34例(結(jié)果傷殘13例，死亡及重傷8例，預后良好13例)，預測準確度61.76%;

若SBDS＞48且存在5項以上單項5分患者預后較差：滿足數(shù)據(jù)條件2例(結(jié)果1例死亡，1例重傷)，預測準確度100.00%;

若SBDS＞48且存在4項單項5分患者預后較差：滿足數(shù)據(jù)條件21例(結(jié)果3例死亡，3例重傷, 7例傷殘，8例預后良好)，預測準確度61.90%;

根據(jù)決策樹判斷患者病死率的平均準確率為：79.38%

本門課程采用項目化教學方法，以完成既定宴會設(shè)計項目作為學生完成學習任務(wù)的象征（見表1）。課程所需掌握的理論知識，一部分由教師講授，更多的是學習小組在完成項目的過程中，通過自主學習、搜集資料、教師指導、小組討論、觀摩借鑒等方式獲得。

決策樹較為適合進行SBDS較高患者的預后判斷，能夠及時分辨出重度傷情患者；但對于SBDS較低的輕、中度患者判斷準確率較低。

2.2 通過ANN建立死亡預測模型

由于顱腦傷情預測具有“黑箱”以及非線型的特點，為了提高預測準確率，利用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)進行傷情歸納。輸入數(shù)據(jù)通過前向網(wǎng)絡(luò)產(chǎn)生輸出數(shù)據(jù)；預期輸出與實際輸出間誤差通過反向網(wǎng)絡(luò)，回饋并校正元權(quán)重和偏差[7]。

2.2.1 網(wǎng)絡(luò)設(shè)置

BP神經(jīng)網(wǎng)絡(luò)傳導過程可分為：正向傳導過程以及反饋回網(wǎng)絡(luò)，由輸入層、隱蔽層及輸出層組成。設(shè)置患者18項評估指標為輸入變量(見表1)，設(shè)置動態(tài)評估指標患者病死率Y為輸出變量。利用前向BP神經(jīng)網(wǎng)絡(luò)進行病程監(jiān)測參數(shù)預測輸入神經(jīng)元代表了網(wǎng)絡(luò)中的輸入。模擬網(wǎng)絡(luò)的輸入過程，為了凸顯出數(shù)據(jù)的規(guī)律，在此對數(shù)據(jù)進行預處理，通過費氏五級標準，結(jié)合OLAP將樣本“歸一化”(見表2)，對輸入層參數(shù)進行初始化。

表1 輸入層設(shè)置

表2 人工神經(jīng)網(wǎng)絡(luò)參數(shù)初始化

由于輸入層變量較為復雜，采樣頻率較多，針對數(shù)據(jù)進行初始化設(shè)計：

按照費氏五級分級標準，將輸入層數(shù)據(jù)分為：I、II、III、IV、V、VI，數(shù)據(jù)采樣頻率統(tǒng)一為變量中最低采樣頻率：1 min-1，空域位置補充為患者該項均值。

正向傳導結(jié)束后網(wǎng)絡(luò)產(chǎn)生輸出信號。經(jīng)過“訓練”網(wǎng)絡(luò)將選定的樣本輸入信號與特定的模型相聯(lián)系；一個激勵函數(shù)作用于網(wǎng)絡(luò)輸入產(chǎn)生非線性閾值輸出。在此選擇Sigmoid Logistic作為激勵函數(shù)：

期望輸出與實際輸出之差體現(xiàn)了網(wǎng)絡(luò)的誤差。常用Mean Square Error法來評估誤差大小。隱蔽層元數(shù)量的原則取決于網(wǎng)絡(luò)本身類型以及問題類型。

初始化選擇輸入元數(shù)量的30%～40%，當網(wǎng)絡(luò)不能收斂時考慮在此基礎(chǔ)上增加。在初始狀態(tài)下，由于輸入元數(shù)量為訓練過程設(shè)置訓練次數(shù)不能過低，否則網(wǎng)絡(luò)會出現(xiàn)“記憶”現(xiàn)象，根據(jù)公式2設(shè)置訓練次數(shù)。

通過“訓練”將誤差反饋回網(wǎng)絡(luò)改變元偏差和權(quán)重，達到減小誤差的目的。通過大量樣本數(shù)據(jù)的“訓練”，直到網(wǎng)絡(luò)中誤差被限定在允許范圍內(nèi)，此時，網(wǎng)絡(luò)也具有收斂性。

2.2.2 實驗設(shè)計

將樣本數(shù)據(jù)分為A、B、C、D、E、F組，將每組均分為23人，按照如下流程進行實驗(見表3)。

表3 實驗設(shè)計

實驗結(jié)果的網(wǎng)絡(luò)交叉準確率為90.13%。

3 討論

在網(wǎng)絡(luò)訓練過程中，學習率過大會導致波動過大，影響精度；學習率過小，收斂過程緩慢，影響程序效率，采用反饋誤差率函數(shù) 以及調(diào)節(jié)隱蔽層數(shù)調(diào)節(jié)函數(shù)的收斂速度，初始化設(shè)置參數(shù)。采用反饋誤差率函數(shù)調(diào)節(jié)函數(shù)的收斂速度，初始化設(shè)置參數(shù)。

據(jù)文獻顯示，ANN目前已被應(yīng)用于乳腺癌[5]、肺癌[6]、皮膚損傷疾病[7]等多種疾病的鑒別診斷中。在文獻應(yīng)用過程中，ANN精度在90%～96%之間。在此實驗中，由于實驗樣本容量有限導致網(wǎng)絡(luò)訓練次數(shù)較少，網(wǎng)絡(luò)尚未訓練穩(wěn)定，輸出波動較大，直接影響到預測結(jié)果，在進一步實驗中擴大樣本積累，提高網(wǎng)絡(luò)精確度。

較之決策樹挖掘方式相比，ANN顯示出較大優(yōu)勢，與傷員人群特點無明顯相關(guān)，決策穩(wěn)定性較高；同時，在現(xiàn)代醫(yī)學臨床過程中，由于傷情進展過程受到臨床干預較多，ANN可以及時通過輸入及其回饋針對變化及時調(diào)整，在數(shù)據(jù)挖掘過程中具有極大優(yōu)勢。

在采用費氏評測體系全部參數(shù)時，決策樹準確度較低、ANN準確度最高；采用了PCA針對數(shù)據(jù)項進行前期預處理，采用簡化后主成分參數(shù)作為輸入?yún)⒘亢螅貧w分析和ANN方法均有所降低，而決策樹方法有明顯提高，可能與靜態(tài)參數(shù)中非SBI特異性參數(shù)有關(guān)，不利于決策樹對于SBI疾病病程的特異性預測。通過PCA處理，提高了決策樹預測精度。但由于輸入?yún)⒘繑?shù)量降低，收斂速度降低，使得ANN網(wǎng)絡(luò)穩(wěn)定性降低。

在后續(xù)救治過程中，可根據(jù)實際救治條件，選擇PCA＋ANN方法進行傷員預后評估，進行醫(yī)療資源的統(tǒng)籌分配。

4 小結(jié)

借助于數(shù)據(jù)庫網(wǎng)絡(luò)技術(shù)，建立以局域網(wǎng)絡(luò)為基礎(chǔ)的二次腦損傷傷情信息系統(tǒng)，形成二次腦損傷傷情信息網(wǎng)絡(luò)，可以將大量傷情集中存儲管理，提高了信息的透明度和全面性；運用數(shù)據(jù)挖掘技術(shù)，建立二次腦損傷知識庫，針對不同環(huán)境，選擇性進行傷情評估，實施輔助決策過程；結(jié)合知識庫和網(wǎng)絡(luò)專家系統(tǒng)，給予各級二次腦損傷專家治療系統(tǒng)技術(shù)支持。

[1]費舟,章翔.大鼠二次腦損傷模型的建立[J].中華創(chuàng)傷雜志,2002,18(4):214-217.

[2]Fitzgerald M, Bartlett CA, Evill L,et al.Secondary degeneration of the optic nerve following partial transaction:the benefits of lomerizine[J].Exp Neurol,2009,216(1):219-230.

[3]Coslett HB, Shenton J, Dyer T, et al.Cognitive timing: neuropsychology and anatomic basis[J].Brain Res,2009,1254:38-48.

[4]Karabatak M, Ince MC. An expert system for detection of breast cancer based on association rules and neural network[J].Expert Systems with Applications,2009,36(2):3465-3469.

[5]Davis DP. Early ventilation in traumatic brain injury[J].Resuscitation,2008,76(3):333-340.

[6]張杰,周元明.二次腦創(chuàng)傷對顱腦傷預后的影響[J].醫(yī)用文選,2005,24(5):10-13.

[7]左治強,俞燕生.二次致傷因素對顱腦損傷患者預后的影響[J].實用臨床醫(yī)學,2006,7(4):67-69.