支持向量機模型在腦出血早期預后判斷中的應用

伍　剛， 劉廣韜， 周　青， 劉　策， 常鵬飛

(中國人民解放軍第三○九醫院神經外科，北京　100091;*通訊作者，E-mail:pengfei_chaung@163.com)

支持向量機模型在腦出血早期預后判斷中的應用

伍剛， 劉廣韜， 周青， 劉策， 常鵬飛*

(中國人民解放軍第三○九醫院神經外科，北京100091;*通訊作者，E-mail:pengfei_chaung@163.com)

摘要：目的通過應用支持向量機模型預測腦出血患者早期預后轉歸。方法收集自發性腦出血患者310例，隨訪觀察1個月的臨床轉歸情況。將入組患者按時間順序以3 ∶1的比例分為數據訓練組和驗證組，訓練組作為訓練樣本，用于篩選變量和建立預測模型，計232例；驗證組作為驗證樣本，用于評價模型預測效果，計78例。結果通過支持向量機模型對78例腦出血患者的預測判別驗證，支持向量機的預測準確度76.9%，敏感度77.3%，95%可信區間54.6%-92.2%，特異度76.8%，95%可信區間63.6%-87.0%。結論采用支持向量機模型能較好地判斷自發腦出血患者早期預后。

關鍵詞：腦出血；支持向量機；預后

腦出血是常見的顱內自發性出血性疾病，是成人主要的致殘和致死原因[1,2]。有資料顯示，我國腦出血的發病率可達(38.1-77.1)/10萬人年[3]。外科治療包括開顱手術、神經內鏡血腫清除手術、立體定向鉆孔血腫引流術等，需要術前對腦出血患者的預后進行風險評估，以利于降低手術風險和圍術期并發癥。臨床上常用Logistic回歸模型用于解釋腦出血風險模型。但是，該模型對入選的風險因素質量有較高要求，限制其應用。

近年，人工智能技術蓬勃發展，越來越多出現在醫學診療的各個方面。支持向量機(support vector machine，SVM)是建立在統計學習理論基礎上的一種機器學習方法[4]。支持向量機是根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中，以期獲得最好的推廣能力的機器學習方法。其基本思想是：把在輸入空間中的線性不可分的數據集，通過內積核函數，非線性地映射到高維特征空間后，變為線性可分的數據集，隨后在高維特征空間建立一個不但能將兩類正確分開，而且使分類間隔最大的最優分類面框架[5]。應用支持向量機模型對腦出血早期預后進行判斷的研究較少。我們試利用該方法建立一種模型，應用一些常見的臨床數據和信息對腦出血患者的早期預后進行預測，以助于腦出血外科治療術前評估及醫患溝通。

1研究對象與方法

1.1對象

回顧調查中國人民解放軍第309醫院2011-01～2014-05入院診斷為自發性腦出血患者病例共396例(參照腦出血診斷標準[6])，排除腦外傷出血、蛛網膜下隙出血、腦腫瘤出血、腦干出血病例以及信息不完整病例，其中有效病例共計310例，占總病例數的78.9%。其中男性214例，女性96例，平均年齡(57.5±12.9)歲。

1.2方法

1.2.1收集病史資料主要包括:年齡、性別、院前意識障礙、有無高血壓病史、是否腦室出血、是否基底節區出血、是否多部位出血、有無吸煙史、糖尿病史、透析病史、腦梗死病史、阿司匹林服用史、入院后凝血功能、血糖、血紅蛋白、血小板、收縮壓、格拉斯哥昏迷評分(Glasgow Coma Scale,GCS)、入院后有無肺部感染、消化道出血、泌尿系感染以及腦出血血腫體積(首次CT掃描按ABC/2法估算血腫體積)。共計22項影響因素。治療1個月后進行院內隨訪，格拉斯哥預后評分(Glasgow Outcome Scale,GOS)評價指標其中GOS 1-3認為預后結果不良(取值0)，GOS 4-5預后結果良好(取值1)。GOS評分：1=植物生存狀態；2=重殘狀態；3=輕度神經功能受限；4=神經功能無受限；5=死亡。

1.2.2數據處理和分析所有入選變量在進行分析處理前統一進行歸一化，以消除因數據絕對值差異產生的權重偏倚。公式：Vnorm=(Vi-Vmin)/(Vmax-Vmin)[7]。研究按就診時間先后排序，抽取入組的前232例作為訓練集，利用Matlab7.0.1平臺調用libsvm 3.21軟件。首先對libsvm的參數懲罰因子(C)和核函數參數(g)進行網格式尋優交叉驗證，以獲取最好的準確率。然后以最佳參數和測試數據建立預測模型，再對剩余的78例測試集數據進行預測(見圖1)。

圖1　matlab平臺下libsvm模型處理數據的流程圖Figue 1　The data processing sequence of libsvm model under Matlab platform

2結果

訓練數據232例中預后良好149例，占64.2%；預后不良83例，占35.8%。預測數據78例中預后良好22例，占28.2%；預后不良56例，占71.8%。根據腦出血患者入院時所采集的臨床資料，應用libsvm模型首先對訓練集數據進行參數尋優，在log2C=8，Log2g=0.25，模型的最佳預測精準度是74.1%(見圖2，3)，并以此參數結果配置模型，對驗證集數據進行預測，模型的準確度76.9%，敏感度77.3%(95%CI 54.6%-92.2%)，特異度76.8%(95%CI 63.6%-87.0%)。

圖2　支持向量機模型C，g參數尋優二維視圖Figure 2　Parameters C, g optimization for support vector machine model in two-dimensional view

圖3　支持向量機模型C，g參數尋優三維視圖Figure 3　Parameters C, g optimization for support vector machine model in the three-dimensional view

3討論

腦出血的預后評估仍是腦卒中研究的重要方向[8]。臨床常用的建模方法有Logistic回歸、Cox比例風險模型等。這些臨床常用的傳統分析方法客觀要求自變量、因變量之間存在線性關系。而當自變量之間存在共線性、非線性、數據資料有缺失、獲得資料有干擾信息時，預測的準確率會大大降低甚至出現錯誤。支持向量機對資料的要求較低，并且對錯誤的寬容度良好，能很好地處理帶有缺失或干擾的數據資料。本文中納入的22個變量可能存在共線性信息。逐步Logistic回歸是近年來用以避免出現共線問題的常用辦法。但它可能會把某些實際上對結果有顯著影響的變量排除在模型之外,這無疑會損失大量的資料信息,而且也不易于解釋協變量之間的關系[9]。而支持向量機模型，則不需要該過程，只要對模型參數進行優化就可以實現較為準確的預測。

本文采用了臺灣大學林智仁教授等開發設計的libsvm軟件包[10]。該軟件包簡單、易于使用且快速有效地支持向量機模式識別與回歸。支持向量機通過尋求結構化風險最小化來提高機器學習的泛化能力，其優勢主要體現在解決線性不可分的問題[11]。這一性質能保證SVM模型特別適合樣本數量有限時資料的建模分析。因此，支持向量機對于樣本量的要求并不高，經驗估算方法為只要達到臨床特征變量的2-3倍即可開始進行預測[12]。本研究結果顯示libsvm模型分析結果能夠簡單快捷地對腦出血早期預后進行預測。

應用該分析模型，可以對臨床患者的可能預后進行快速評估，也可作為是否需要手術干預，以及提示手術風險的參考指標。本文旨在為評估ICH患者預后提供一種便捷的輔助工具。相信通過對患者臨床信息的進一步充實和樣本量擴大，以及支持向量機模型參數的進一步優化，應用該人工智能方法，能夠對腦出血患者早期預后評估做出更為準確的判斷。

參考文獻：

[1]He J,Gu DF,Wu XG,etal.Major causes of death among men and women in China[J].New Engl J Med,2005,353(11):1124-1134.

[2]van Asch CJJ,Luitse MJA,Rinkel GE,etal.Incidence,case fatality,and functional outcome of intracerebral haemorrhage overtime,according to age,sex,and ethnic origin:a systematic review and meta-analysis[J].Lancet Neurol,2010,9(2):167-176.

[3]Jiang B,Wang WZ,Chen HL,etal.Incidence and trends of stroke and its subtypes in China-Results from three large cities[J].Stroke,2006,37(1):63-68.

[4]Kourou K，Exarchos TP，Exarchos KP，etal．Machine learning applications in cancer prognosis and prediction[J].Comput Struct Biotechnol J,2015,13(15)：8-17.

[5]Van Gestel T,Suykens JAK,Baestaens DE,etal.Financial time series prediction using least squares support vector machines within the evidence framework[J].IEEE Trans Neural Network,2001,12(4):809-821.

[6]趙繼宗,周定標,周良輔,等.2464例高血壓腦出血外科治療多中心單盲研究[J].中華醫學雜志,2005,85(32):2238-2242.

[7]楊寶華.基于Matlab的BP神經網絡應用[J].電腦知識與技術:學術交流,2008,4(7):124-125.

[8]Manno EM,Meyer FB.Prognosis after intracerebral hemorrhage[J].J Neurosurg,2008,108(6):1170-1171.

[9]趙宇東,劉嶸,劉延齡,等.多元Logistic回歸的共線性分析[J].中國衛生統計,2000,17(5):259-261.

[10]Chang CC,Lin CJ.LIBSVM:a library for support vector machines[J].ACM TIST,2011,2(3):1-27.

[11]李傳科,許苗村.核函數的概念、性質及構造[J].電腦知識與技術,2015,11(32):171-173.

[12]張黎明,劉玉蘭,康曉.支持向量機預測結腸腺瘤高級別上皮內瘤變效果研究[J].中國實用內科學雜志,2013,33(11):872-875.

Evaluation of early prognosis in intracerebral hemorrhage based on support vector machine

WU Gang, LIU Guangtao, ZHOU Qing, LIU Ce, CHANG Pengfei*

(DepartmentofNeurosurgery,ChinesePLA309thHospital,Beijing100091,China;*Correspondingauthor,E-mail:pengfei_chaung@163.com)

Abstract：ObjectiveTo predict the early prognosis of patients with intracerebral hemorrhage(ICH) using support vector machine model.MethodsTotally 310 patients with spontaneous intracerebral hemorrhage were collected and clinical outcome were followed up for 1 month. All the patients were divided into two groups with 3 ∶1 ratio by time sequence: training group(n=232) and validation group(n=78). The patients in training group were chosen as the training samples for establishing the prediction model. The patients in validation group were chosen as the validation samples to evaluate the forecasting results.ResultsThe prediction accuracy for ICH early prognosis was 76.9%, the sensitivity was 77.3%(95%CI 54.6%-92.2%), the specificity was 76.8%(95% CI 63.6%-87.0%) in validation group with SVM model.ConclusionSVM model can better predict the prognosis in the patients with spontaneous intracerebral hemorrhage.

Key words:intracerebral hemorrhage;support vector machine(SVM);prognosis

基金項目：解放軍第三○九醫院院內科研課題資助項目(2014MS-009)

作者簡介：伍剛，男，1977-12生，博士，主治醫師，E-mail：wugang152001@163.com

收稿日期：2016-03-23

中圖分類號：O29

文獻標志碼：A

文章編號：1007-6611(2016)06-0536-03

DOI：10.13753/j.issn.1007-6611.2016.06.011