基于神經網絡技術的腎小球濾過率評估方程與99mTc-DTPA腎動態顯像法測定值的相關性研究

陳有維，方華偉，萬福俊，何樂愚，陳 杰

（嘉興醫學院附屬嘉興市第二醫院腎臟科，浙江嘉興314000）

基于神經網絡技術的腎小球濾過率評估方程與99mTc-DTPA腎動態顯像法測定值的相關性研究

陳有維，方華偉，萬福俊，何樂愚，陳 杰

（嘉興醫學院附屬嘉興市第二醫院腎臟科，浙江嘉興314000）

目的應用神經網絡技術評估腎小球濾過率，并研究與99m锝-二乙烯三胺五醋酸（99mTc-DTPA）腎動態顯像法測定值的相關性，探討適合慢性腎臟病患者腎小球濾過率評估的新方法。方法選擇慢性腎臟病患者500例，隨機分為A、B 2組。A組300例為訓練數據，構建三層誤差通向傳導神經網絡，使用A組數據進行訓練，得到神經網絡評估方程。B組200例為驗證數據，使用神經網絡評估方程計算腎小球濾過率，與99mTc-DTPA腎動態顯像法測定值比較。結果2種方法均值比較差異無統計學意義（P＞0.05）。2種評估結果高度相關（P＜0.01）。結論神經網絡技術可以用于評估腎小球濾過率，其結果與腎動態顯像法相當。

腎小球濾過率；技術評估，生物醫學；神經網絡（計算機）

腎小球濾過率（glomerular filtration rate，GFR）是慢性腎臟疾病分期的重要依據，而99m锝-二乙烯三胺五醋酸（99mTc-DTPA）腎動態顯像法測定值比較精確地反映了腎臟的濾過能力。神經網絡技術是近年來發展起來的一門重要邊緣學科，是一個由許多簡單的并行工作的處理單元組成的系統，其功能取決于網絡的結構、連接強度以及各個單元的處理方式［1］。誤差通向傳導（back propagation，BP）神經網絡是一種誤差反向傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。本研究根據BP網絡原理構建網絡結構，生成評估方程，并與99mTc-DTPA腎動態顯像法比較，報告如下。

1 資料與方法

1.1 研究對象：2008年7月—2011年4月慢性腎臟病患者500例。剔除標準為急性腎衰竭、嚴重心力衰竭、嚴重水腫、年齡＜18歲以及嚴重酸堿水電解質紊亂患者。其中男性313例，女性187例；年齡18～91歲，平均（51±18）歲。基礎疾病為原發或繼發性腎小球腎炎、糖尿病腎病、高血壓性腎病、成人型多囊腎等。應用堿性苦味酸動力法檢測血肌酐（serum creatinine，Scr），99mTc-DTPA腎動態顯像法測定GFR。

1.2 神經網絡建模：①數學工具，運用矩陣工作室軟件（Matlab 2010）。②網絡結構，一般情況下，采用一個S型隱含層加上一個線性輸出層的三層網絡的輸出，可以逼近任何一個連續函數。設定輸入層神經元數2個，一個隱含層，神經元數2個，激勵函數采用對數S型函數，輸出層神經元數1個，激勵函數采用線性函數。③輸入層變量，觀察MDRD簡化腎小球濾過率方程1（GFR1），發現患者年齡、Scr值對GFR影響很大，直接關系到GFR的結果，于是將該2項參數作為神經網絡的輸入層變量。性別變量簡化處理，如果是女性則直接乘以0.742。GFR1= 186×（Scr/88.4）-1.154×年齡-0.203×0.742（女性）［2］。④訓練數據，Matlab隨機化，從全部500例患者中隨機抽取300例作為網絡輸入層數據，對應的99mTc-GFR作為輸出層數據，形成300組訓練數據。訓練數據行歸一化處理，歸一化后年齡=（年齡-18）/（120-18），歸一化后肌酐=（Scr-30）/（2 000-30）。⑤網絡訓練，運用Levenberg-Marquardt算法（L-M法）得出數值和閾值后，得出腎小球濾過率方程2（GFR2）。目標均方誤差等于4×10-6。運行Matlab進行運算，直到達到目標均方誤差，記錄網絡參數。

1.3 數據驗證：選取余下未使用的200例數據，利用GFR2計算GFR，結果與99mTc-GFR進行比較。

1.4 統計學方法：應用SPSS11.0統計軟件進行數據分析。計量資料以±s表示，采用t檢驗。相關性采用線性回歸分析。P＜0.05為差異有統計學意義。

2 結 果

2.1 網絡訓練：應用Matlab軟件采用L-M法對300組訓練數據進行了177次計算，均方誤差達到目標。訓練結束后神經網絡的權值和閾值，見表1。

表1 神經網絡權值和閾值

2.2 評估方程：依據神經網絡原理及數據訓練后得到的參數，得出評估方程。評估方程=EXP｛10.6/［1+EXP（1.612-年齡）/461.957+Scr/ 65.65］｝-76.18/［1+EXP（-2.992-年齡/ 483.183-Scr/577.053）+77.2］。如是女性，結果需乘以0.742，Scr單位為μmol/L，Exp表示自然對數為底指數函數。

2.3 數據驗證結果：使用評估方程計算B組數據GFR為（56.835±28.335）mL/min，與腎動態顯像法測定值（56.804±28.319）mL/min比較，差異無統計學意義（t=0.489，P＞0.05）。線性回歸分析得出相關系數（r=0.999，P＜0.01），回歸方程為Y= 0.135+0.999X，2組結果之間高度相關。

3 討 論

在臨床工作中，如何簡便、準確地評估腎功能是個需要解決的重要問題。GFR是反映腎臟濾過功能的最佳指標，是慢性腎臟病分期的主要依據，在檢測腎毒性藥物、移植腎功能評價及指導慢性腎臟病防治等方面都有重要意義。GFR可以通過測定多種外源性和內源性濾過標志物的濾過率得到，如同位素標記物可以作為測定GFR的方法，99mTc-DTPA腎動態顯像法檢測準確性比較高。但是其放射性限制了某些人群如孕婦等的使用，同時價格較為昂貴，需要專門設備，基層很難推廣，也不適合大樣本流行病學研究。另一方面，預測方程用于GFR評估仍有一定的不足。MDRD簡化方程是目前臨床常用的評估方程，但與雙血漿法99mTc-DTPA清除率相比較仍有一定偏差，在腎功能正常以及嚴重腎功能不全個體，MDRD簡化方程很難準確評估CFR［2-3］。因此，必要繼續探索更優的GFR評估方程。

BP神經網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。有研究［3-4］認為，回歸方程預測的實質是從已知數據中計算回歸方程，再從回歸方程獲得未知的數據，而神經網絡的實質是從已知的數據空間，根據某種原則向未知數據空間進行映射，從而得到未知數據。使用回歸方程難以同時適應不同人群的評估要求，而神經網絡恰好可以發揮其非線性數據處理能力的優勢。神經網絡經過訓練后權值和閾值都已經固定下來，本研究得出的最終神經網絡評估方程為GFR2方程，稍作修改即可直接放在MicroSoft Excel中運行；通過方差分析和線性回歸分析，發現神經網絡方程和腎動態顯像2種方法計算結果差異無統計學意義（P＞0.05），兩者計算結果高度相關。

在本研究中，BP神經網絡訓練用的輸出數據來自99mTc-DTPA腎動態顯像法檢測值，BP網絡對GFR的評估效果并不比腎動態顯像法更好。如果使用更加可靠的方法，如雙血漿法99mTc-DTPA清除率作為數據進行訓練，則有望得出更準確的評估方程。

總之，神經網絡技術由于其強大的非線性數據處理能力，可以應用于GFR的評估，本研究給出了一個比較簡單實用的GFR評估方程，是一種新的GFR評估方法，為臨床實踐中GFR評估提供了更多的選擇。

［1］馬銳.21世紀重點大學規劃教材——人工神經網絡原理［M］.北京：機械工業出版社，2010：23-24.

［2］LEVEY AS，STEVENS LA，SCHMID CH，et al.A new equation to estimate glomerular filatration rate［J］.J Am Mter Med，2009，150（9）：604-612.

［3］閆以聰.回歸方程與神經網絡在數值預測方面的對比研究綜述［J］.數理醫藥學雜志，2007，20（1）：66-69.

［4］李江濤，許晨，崔春黎，等.CKD-EPI方程對基于簡化MDRD方程的慢性腎臟病患者分期的影響［J］.中華腎臟病雜志，2011，27（5）：346-350.

（本文編輯：趙麗潔）

R692

B

1007-3205（2012）12-1432-03

2011-12-11；

2012-05-09

陳有維（1975-），男，遼寧遼陽人，嘉興醫學院附屬嘉興市第二醫院主治醫師，醫學學士，從事腎臟內科疾病診治研究。

10.3969/j.issn.1007-3205.2012.12.025