腦出血早期血腫擴(kuò)大自動(dòng)預(yù)測(cè)研究綜述

張洪

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065）

0 引言

腦卒中（Stroke）是一個(gè)危害嚴(yán)重的全球性問(wèn)題，腦卒中分為缺血性腦卒中和出血性腦卒中，缺血性腦卒中是因腦脊動(dòng)脈閉塞或極重度狹窄而缺乏血流灌注。出血性腦卒中，也稱腦出血（Intracerebral Hemorrhage，ICH），腦出血是因?yàn)槟X脊動(dòng)脈破裂而導(dǎo)致腦實(shí)質(zhì)內(nèi)、蛛網(wǎng)膜下腔和腦室內(nèi)出血。全球范圍內(nèi)，在發(fā)達(dá)國(guó)家，腦出血占腦卒中約11%，在非發(fā)達(dá)國(guó)家，腦出血占腦卒中22%左右，一旦出現(xiàn)腦出血，其中有75%的患者會(huì)發(fā)生死亡[1-2]。

出現(xiàn)腦出血癥狀后發(fā)生早期血腫擴(kuò)大（Hematoma Expansion，HE）與不良的預(yù)后結(jié)果相關(guān)，是改善臨床結(jié)果的關(guān)鍵。及時(shí)地發(fā)現(xiàn)可能會(huì)發(fā)生血腫擴(kuò)大的腦出血患者，能夠及時(shí)地對(duì)患者進(jìn)行治療。因此，利用可能與血腫擴(kuò)大有關(guān)特征，建立自動(dòng)化腦出血早期血腫擴(kuò)大預(yù)測(cè)模型，已逐漸成為研究熱點(diǎn)。

本文基于機(jī)器學(xué)習(xí)理論，從建模方法上對(duì)現(xiàn)有的腦出血血腫擴(kuò)大預(yù)測(cè)的關(guān)鍵性研究進(jìn)行了總結(jié)，分析后發(fā)現(xiàn)，從機(jī)器學(xué)習(xí)的角度來(lái)看，當(dāng)前研究在數(shù)據(jù)、特征選擇、學(xué)習(xí)器、模型評(píng)價(jià)指標(biāo)方面都有值得改進(jìn)的地方，未來(lái)，應(yīng)多結(jié)合機(jī)器學(xué)習(xí)與腦出血血腫擴(kuò)大預(yù)測(cè)兩個(gè)研究領(lǐng)域，以促進(jìn)血腫擴(kuò)大預(yù)測(cè)研究的發(fā)展。

1 血腫擴(kuò)大預(yù)測(cè)研究進(jìn)展

本節(jié)將從數(shù)據(jù)集、特征提取、特征選擇、訓(xùn)練算法、模型性能以及血腫擴(kuò)大劃分標(biāo)準(zhǔn)6 個(gè)方面對(duì)當(dāng)前血腫擴(kuò)大研究的建模方法進(jìn)行總結(jié)，如表1 所示是其中一些關(guān)鍵性的研究。

表1 血腫擴(kuò)大預(yù)測(cè)關(guān)鍵性研究

Takeda 等[3]研究了201 例急性腦出血患者。首先收集了與患者有關(guān)的14 個(gè)臨床和影像學(xué)特征，以基線CT 到隨訪CT 時(shí)血腫相對(duì)擴(kuò)大33%或絕對(duì)擴(kuò)大12.5ml作為血腫擴(kuò)大劃分閾值，3.4%的患者發(fā)生了血腫擴(kuò)大。然后使用單變量特征選擇方法進(jìn)行特征選擇，對(duì)每個(gè)特征進(jìn)行了T-檢驗(yàn)、Mann-Whitney U 檢驗(yàn)以及卡方檢驗(yàn)，經(jīng)過(guò)特征選擇，最優(yōu)特征子集為：血腫體積、入院后1.5 小時(shí)心臟收縮壓和血腫密度異質(zhì)性。最后使用多變量邏輯斯蒂回歸建立預(yù)測(cè)模型，結(jié)果顯示，模型在驗(yàn)證集上的AUC 性能指標(biāo)為0.91。

Chan 等[4]研究了257 名腦出血患者。首先收集了與患者有關(guān)的23 個(gè)特征，以基線CT 到隨訪CT 時(shí)血腫體積相對(duì)擴(kuò)大33%或絕對(duì)擴(kuò)大12.5ml 將患者分為血腫擴(kuò)大或非血腫擴(kuò)大，其中35.4%的患者發(fā)生了血腫擴(kuò)大。然后使用單變量特征選擇方法進(jìn)行特征選擇，對(duì)每個(gè)特征進(jìn)行了Fisher 精確檢驗(yàn)和Kruskal-Wallis 檢驗(yàn)，經(jīng)過(guò)篩選，最優(yōu)特征子集為：抗血?jiǎng)┑氖褂煤突€mNIHSS 分?jǐn)?shù)。最后使用多變量邏輯斯蒂回歸建立血腫擴(kuò)大自動(dòng)預(yù)測(cè)模型，結(jié)果顯示，模型在驗(yàn)證集上的性能指標(biāo)AUC 為0.67。

Miyahara 等人[5]研究了622 名腦出血患者。首先收集了與患者有關(guān)的23 個(gè)特征，以基線CT 到隨訪CT時(shí)血腫體積相對(duì)擴(kuò)大33%或血腫最大直徑絕對(duì)增加5mm 作為閾值，將患者劃分為血腫擴(kuò)大或非血腫擴(kuò)大，其中10.8%的患者發(fā)生了血腫擴(kuò)大。然后使用單變量特征方法選擇進(jìn)行特征選擇，對(duì)每個(gè)特征進(jìn)行了皮爾遜卡方檢驗(yàn)、Fisher 精確檢驗(yàn)和Wilcoxon 檢驗(yàn)，經(jīng)過(guò)特征選擇，最優(yōu)特征子集為：是否使用抗凝、血腫周圍發(fā)生水腫、Niveau 形成、血腫不均一性和血腫體積。最后使用多變量邏輯斯蒂回歸建立血腫擴(kuò)大自動(dòng)預(yù)測(cè)模型，結(jié)果顯示，模型在驗(yàn)證集上的AUC 性能指標(biāo)能達(dá)到0.81，在測(cè)試集上的性能指標(biāo)能達(dá)到0.80。

Sakuta[6]研究了118 名腦出血患者。首先收集了與患者有關(guān)的20 個(gè)特征，以基線CT 到隨訪CT 時(shí)血腫體積相對(duì)擴(kuò)大33%或血腫體積絕對(duì)增加6ml 作為分類閾值，將患者劃分為血腫擴(kuò)大和非血腫擴(kuò)大兩個(gè)類，其中25%的患者發(fā)生了血腫擴(kuò)大。然后使用單變量特征選擇方法進(jìn)行特征選擇，對(duì)每個(gè)特征進(jìn)行了卡方檢驗(yàn)、Fisher 精確檢驗(yàn)、T-檢驗(yàn)、Mann-Whitney U 檢驗(yàn)，經(jīng)過(guò)特征特征選擇，最優(yōu)特征子集為：基線NIHSS、抗凝藥使用、血糖。最后使用多變量邏輯斯蒂回歸建立預(yù)測(cè)模型，并開發(fā)了一個(gè)量表，結(jié)果顯示，模型在驗(yàn)證集上的AUC 性能指標(biāo)為0.81。

除了以上研究外，還有一些類似地血腫擴(kuò)大預(yù)測(cè)研究，例如文獻(xiàn)[7-9]，其建模方法基本一致。總的來(lái)看，血腫擴(kuò)大預(yù)測(cè)研究的建模方法缺乏多樣性，除了數(shù)據(jù)集不一樣外，其他建模流程基本一致。

2 血腫擴(kuò)大預(yù)測(cè)研究方向

通過(guò)對(duì)血腫擴(kuò)大研究的總結(jié)，可以看出當(dāng)前血腫擴(kuò)大已經(jīng)取得了一定的研究成果，發(fā)現(xiàn)了一些與血腫擴(kuò)相關(guān)的預(yù)測(cè)因子。但在建模方法上，當(dāng)前研究在數(shù)據(jù)、特征選擇、分類器、評(píng)價(jià)指標(biāo)方面都有待改進(jìn)。

2.1 數(shù)據(jù)

現(xiàn)有研究將血腫擴(kuò)大預(yù)測(cè)問(wèn)題轉(zhuǎn)換成了二分類問(wèn)題進(jìn)行處理，通過(guò)一個(gè)閾值將血腫擴(kuò)大的值變?yōu)槎担欢[擴(kuò)大劃分的閾值并不統(tǒng)一。當(dāng)前研究的結(jié)果差異也較大，可能是分類閾值的設(shè)定不一致導(dǎo)致的，同時(shí)，這也造成了研究之間更沒(méi)有可比性。此外，經(jīng)過(guò)二值劃分后，發(fā)生血腫擴(kuò)大的腦出血患者數(shù)量相對(duì)較少，機(jī)器學(xué)習(xí)理論表明，類別不平衡會(huì)使得預(yù)測(cè)模型有偏向多數(shù)類樣本的風(fēng)險(xiǎn)，導(dǎo)致模型靈敏度偏低而特異度偏高。當(dāng)前血腫擴(kuò)大研究并未報(bào)道模型的靈敏度和特異度，有可能是因?yàn)轭悇e不平衡導(dǎo)致模型靈敏度過(guò)低和特異度過(guò)高。

在機(jī)器學(xué)習(xí)中，類別不平衡處理方法主要有過(guò)采樣法、欠采樣法和閾值移動(dòng)法[10]。閾值移動(dòng)法通過(guò)調(diào)整分類的閾值來(lái)處理非平衡數(shù)據(jù)集問(wèn)題。欠采樣法通過(guò)去掉部分多數(shù)類來(lái)使得兩個(gè)類別的樣本量相同，但是，這樣做會(huì)使得模型可利用的信息變小了，此外，當(dāng)少數(shù)類樣本過(guò)少時(shí)，該方法也不適用。過(guò)采樣法通過(guò)對(duì)訓(xùn)練集中的少數(shù)類樣本復(fù)制多份，使得正例樣本和負(fù)例樣本的數(shù)量相同，但是簡(jiǎn)單地復(fù)制會(huì)使得模型嚴(yán)重過(guò)擬合。SMOTE 系列[11-12]的算法對(duì)已有的少數(shù)類樣本進(jìn)行插值來(lái)產(chǎn)生少數(shù)類樣本，從而將數(shù)據(jù)集變?yōu)槠胶鈹?shù)據(jù)集。一般來(lái)說(shuō)，過(guò)采樣法效果更好些，因此，未來(lái)的血腫擴(kuò)大研究可嘗試著使用過(guò)采樣法來(lái)處理類別不平衡問(wèn)題。

2.2 特征選擇

在機(jī)器學(xué)習(xí)中，特征選擇方法主要分為過(guò)濾式特征選擇和包裹式特征選擇，當(dāng)前血腫擴(kuò)大預(yù)測(cè)研究所用的特征選擇方法為單變量特征選擇，屬于過(guò)濾式特征選擇方法，即特征選擇不依賴于學(xué)習(xí)器。而包裹式特征選擇在進(jìn)行特征選擇時(shí)，以分類器的分類性能來(lái)評(píng)價(jià)特征子集的好壞，因此，一般來(lái)說(shuō)，過(guò)濾式特征選擇相對(duì)更好一些，但包裹式特征選擇比較耗時(shí)，適合小數(shù)據(jù)集。對(duì)于血腫擴(kuò)大數(shù)據(jù)集，其樣本量都較小，因此，包裹式特征選擇方法可能更適合。

2.3 學(xué)習(xí)器

在機(jī)器學(xué)習(xí)中，決策樹、支持向量機(jī)、樸素貝葉斯等經(jīng)典算法在眾多領(lǐng)域都取得了較大的成功。現(xiàn)有血腫擴(kuò)大研究所用的分學(xué)習(xí)器為邏輯斯蒂回歸，而回歸只能發(fā)現(xiàn)特征與標(biāo)簽的之間的線性關(guān)系。支持向量機(jī)通過(guò)尋找一個(gè)超平面來(lái)進(jìn)行分類，對(duì)于非線性可分?jǐn)?shù)據(jù)，可使用高斯核或多項(xiàng)式核進(jìn)行將數(shù)據(jù)集映射到高維空間，再尋找超平面來(lái)進(jìn)行分類。決策樹不僅可以發(fā)現(xiàn)多個(gè)特征與目標(biāo)之間的非線性關(guān)系，其可解釋性也很強(qiáng)。因此，未來(lái)的血腫擴(kuò)大預(yù)測(cè)研究中，可嘗試著使用更多的機(jī)器學(xué)習(xí)算法作為學(xué)習(xí)器。

2.4 評(píng)價(jià)指標(biāo)

機(jī)器學(xué)習(xí)領(lǐng)域，對(duì)于一個(gè)二分類模型性能的評(píng)價(jià)，有AUC 值、準(zhǔn)確率、F1 度量、靈敏度、特異度等指標(biāo)。現(xiàn)有血腫擴(kuò)大研究報(bào)道的模型性能指標(biāo)僅AUC 值，而AUC 值僅能展示模型的總體預(yù)測(cè)能力。靈敏度可以展示預(yù)測(cè)模型在正例樣本上的預(yù)測(cè)能力，而特異度可以展示預(yù)測(cè)模型在負(fù)例樣本上的預(yù)測(cè)能力。因此，血腫擴(kuò)大研究還應(yīng)該報(bào)道其預(yù)測(cè)模型的靈敏度和特異度，以展示其模型對(duì)血腫擴(kuò)大患者的預(yù)測(cè)能力和對(duì)非血腫擴(kuò)大患者的預(yù)測(cè)能力。

3 結(jié)語(yǔ)

本文總結(jié)了當(dāng)前的關(guān)鍵的腦出血早期血腫擴(kuò)大預(yù)測(cè)研究，從機(jī)器學(xué)習(xí)建模的角度分析了當(dāng)前腦出血早期血腫擴(kuò)大預(yù)測(cè)研究的建模方法，指出了當(dāng)前研究在數(shù)據(jù)、特征選擇、學(xué)習(xí)器、評(píng)價(jià)指標(biāo)方面存在的問(wèn)題，并針對(duì)存在的每個(gè)問(wèn)題，提出了可能的解決方法。當(dāng)前，血腫擴(kuò)大預(yù)測(cè)研究的建模方法比較單一，這可能是因?yàn)檠[擴(kuò)大研究者多為醫(yī)學(xué)領(lǐng)域的研究者，對(duì)機(jī)器學(xué)習(xí)理論及機(jī)器學(xué)習(xí)建模技術(shù)了解較少。未來(lái)，血腫擴(kuò)大預(yù)測(cè)研究者應(yīng)多于機(jī)器學(xué)習(xí)研究者交流，將更多先進(jìn)的機(jī)器學(xué)習(xí)建模方法應(yīng)用到血腫擴(kuò)大預(yù)測(cè)中，以促進(jìn)血腫擴(kuò)大自動(dòng)預(yù)測(cè)研究的發(fā)展。