基于BP神經(jīng)網(wǎng)絡(luò)的腫瘤手術(shù)麻醉風(fēng)險(xiǎn)評(píng)估模型

朱丹紅 鄭輝哲 何斌杰

麻醉風(fēng)險(xiǎn)是指麻醉過程中所發(fā)生的患者生理功能遭受嚴(yán)重干擾而危及生命的事件，來自于麻醉并發(fā)癥和麻醉意外。麻醉并發(fā)癥是指由麻醉引起的、不希望發(fā)生的組織損傷或病態(tài)反應(yīng)[1]。麻醉意外是難以預(yù)料的客觀特殊情況，但麻醉并發(fā)癥是能夠預(yù)料的。如果發(fā)現(xiàn)及時(shí)且處理得當(dāng)，可不發(fā)生嚴(yán)重后果，否則將造成功能障礙、殘疾甚至死亡。目前麻醉風(fēng)險(xiǎn)主要由麻醉醫(yī)師依據(jù)臨床經(jīng)驗(yàn)判斷，受限于不同麻醉醫(yī)師的工作年限、技術(shù)水平等主觀因素，因此不同麻醉醫(yī)師做出的麻醉風(fēng)險(xiǎn)評(píng)估不盡相同[2]，給患者的麻醉風(fēng)險(xiǎn)增加了一些不確定因素，例如：年輕且臨床經(jīng)驗(yàn)不足的麻醉醫(yī)師可能對(duì)麻醉風(fēng)險(xiǎn)評(píng)估不夠準(zhǔn)確；省市級(jí)大醫(yī)院的麻醉醫(yī)師由于處理過的病例多，臨床經(jīng)驗(yàn)足，通常比縣級(jí)醫(yī)院的麻醉醫(yī)師能夠做出更為精確的麻醉風(fēng)險(xiǎn)評(píng)估。

由于腫瘤患者病情兇險(xiǎn)，且術(shù)前合并癥較多，因此麻醉和手術(shù)難度較大，麻醉風(fēng)險(xiǎn)較高[3]。為降低麻醉風(fēng)險(xiǎn)評(píng)估中的主觀因素，提升麻醉并發(fā)癥的預(yù)測(cè)準(zhǔn)確度，本研究基于計(jì)算機(jī)智能輔助診斷技術(shù)，利用機(jī)器學(xué)習(xí)方法，提出基于BP神經(jīng)網(wǎng)絡(luò)的腫瘤手術(shù)麻醉風(fēng)險(xiǎn)評(píng)估模型。針對(duì)腫瘤手術(shù)中常見的10類麻醉并發(fā)癥，設(shè)計(jì)包括輸入層、隱藏層、輸出層的三層BP神經(jīng)網(wǎng)絡(luò)，建立計(jì)算機(jī)輔助診斷與預(yù)測(cè)。通過收集整理350條臨床麻醉患者數(shù)據(jù)，選取29個(gè)患病特征值，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試，并對(duì)結(jié)果進(jìn)行評(píng)價(jià)和討論。

1 材料與方法

1.1 一般資料從2016～2017年福建省腫瘤醫(yī)院的臨床病例中篩選具有代表性的病例350例，其中正常病例（無麻醉并發(fā)癥）140例，有麻醉并發(fā)癥病例210例，比例為2∶3，分為訓(xùn)練組250例和測(cè)試組100例。其中，訓(xùn)練組數(shù)據(jù)用于確定BP神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；測(cè)試組數(shù)據(jù)用于驗(yàn)證模型的準(zhǔn)確率。

根據(jù)臨床經(jīng)驗(yàn)，在腫瘤手術(shù)中麻醉風(fēng)險(xiǎn)程度與患者年齡、腫瘤類型、病情嚴(yán)重程度、術(shù)前身體狀況、潛在疾病等因素密切相關(guān)，其中，患者術(shù)前所患潛在疾病與術(shù)后產(chǎn)生的麻醉并發(fā)癥相關(guān)性很強(qiáng)，在圍術(shù)期死亡病例中大約有90%與患者的原有疾病和手術(shù)影響有直接關(guān)系[4]，例如：術(shù)前有肝膽病史的患者，術(shù)后患肝膽類麻醉并發(fā)癥的機(jī)率遠(yuǎn)高于一般患者。因此，本研究的BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建所需的數(shù)據(jù)主要包括：①年齡、術(shù)前身體狀況評(píng)估（ASA分級(jí)）[5，6]、腫瘤類型、嚴(yán)重程度、潛在疾病作為模型的特征輸入，共包括29個(gè)特征值，具體如下：年齡、ASA分級(jí)、腫瘤類型、嚴(yán)重程度、牙周炎、潰瘍癥、氣道狹窄、氣道高敏反應(yīng)、慢性阻塞性肺病、先天性肺大泡、哮喘、外傷性肋骨骨折、支氣管破裂、鎖骨下挫、心肺疾病、發(fā)熱、術(shù)前焦慮、甲亢、燒傷、低血壓、竇性心動(dòng)過速、高鉀血癥、心肌梗死病史、胃腸道疾病、膽管痙攣病史、1個(gè)月內(nèi)實(shí)施過氟烷麻醉、肝細(xì)胞病理損害、病毒感染、肝毒性藥物使用。②選取10個(gè)常見的麻醉并發(fā)癥，包括：牙齒損傷、氣管黏膜損傷、急性呼吸道梗阻、單肺通氣、氣胸、急性呼吸功能不全、心律失常、心肌缺血、胃腸道并發(fā)癥、肝膽并發(fā)癥，作為神經(jīng)網(wǎng)絡(luò)模型的病癥預(yù)測(cè)目標(biāo)輸出。

1.2 方法BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種類型，它的結(jié)構(gòu)簡(jiǎn)單且易于實(shí)現(xiàn)[7]。在腫瘤手術(shù)的麻醉風(fēng)險(xiǎn)評(píng)估中，BP神經(jīng)網(wǎng)絡(luò)可被看成二分類器，用以預(yù)測(cè)患者是否患有某種麻醉并發(fā)癥。

1.2.1 數(shù)據(jù)預(yù)處理 將350例臨床數(shù)據(jù)進(jìn)行預(yù)處理，針對(duì)29個(gè)術(shù)前特征數(shù)據(jù)與10個(gè)被預(yù)測(cè)的并發(fā)癥進(jìn)行離散化和歸一化處理，見表1。其中年齡項(xiàng)分為低齡（＜60歲）和高齡（≥60歲），ASA1～2級(jí)都屬于麻醉風(fēng)險(xiǎn)低的級(jí)別，因此歸為同一類，ASA6級(jí)為腦死亡，通常用于器官移植，本研究不考慮在內(nèi)。

表1 特征數(shù)據(jù)量化表

1.2.2 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型 本研究選取包括輸入層、隱藏層、輸出層的三層BP神經(jīng)網(wǎng)絡(luò)模型來實(shí)現(xiàn)麻醉并發(fā)癥預(yù)測(cè)的二分類器。其中，隱藏層的節(jié)點(diǎn)決定了神經(jīng)網(wǎng)絡(luò)的效能，隱藏層節(jié)點(diǎn)數(shù)目選擇取決于經(jīng)驗(yàn)公式代表隱藏層節(jié)點(diǎn)數(shù)，m和n分別代表輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)，a表示1～10之間的調(diào)節(jié)常數(shù)[8]。神經(jīng)網(wǎng)絡(luò)的構(gòu)建流程見圖1。

圖1 神經(jīng)網(wǎng)絡(luò)構(gòu)建流程圖

由此，本研究利用10個(gè)BP神經(jīng)網(wǎng)絡(luò)分別用以預(yù)測(cè)10個(gè)麻醉并發(fā)癥，每個(gè)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)個(gè)數(shù)m=29，表示術(shù)前特征取值，輸出節(jié)點(diǎn)個(gè)數(shù)為n=2，代表是否患有該并發(fā)癥的術(shù)后結(jié)果。

經(jīng)過實(shí)驗(yàn)，得到的神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為神經(jīng)網(wǎng)絡(luò)層數(shù)：3層，輸入層節(jié)點(diǎn)數(shù)：29個(gè)，隱藏層節(jié)點(diǎn)數(shù)：6個(gè)，輸出層節(jié)點(diǎn)數(shù)：2個(gè)（不患病或者患病），輸出層激活函數(shù)：Sigmoid，損失函數(shù)：計(jì)算交叉熵?fù)p失，反饋方法：梯度下降算法，學(xué)習(xí)率：0.05。結(jié)合神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)，構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖2。w為各個(gè)節(jié)點(diǎn)的權(quán)值，b為各節(jié)點(diǎn)的偏置量，f（x）為輸出層激活函數(shù)Sigmoid。

圖2 麻醉風(fēng)險(xiǎn)評(píng)估的BP神經(jīng)網(wǎng)絡(luò)模型

1.2.3 實(shí)驗(yàn)開發(fā)環(huán)境 本研究采用Docker[9]與TensorFlow[10]搭建BP神經(jīng)網(wǎng)絡(luò)麻醉風(fēng)險(xiǎn)評(píng)估模型的運(yùn)行環(huán)境。Docker是一種開源的應(yīng)用容器引擎，開發(fā)者可以將所開發(fā)的應(yīng)用打包成Docker鏡像，Docker鏡像可以直接運(yùn)行在裝有Docker虛擬環(huán)境的任意主機(jī)，而無需關(guān)心環(huán)境配置和依賴性問題。TensorFlow是一個(gè)基于數(shù)據(jù)流編程的符號(hào)數(shù)學(xué)系統(tǒng)，它提供了許多機(jī)器學(xué)習(xí)的相關(guān)函數(shù)接口（API），能夠高效實(shí)現(xiàn)和運(yùn)行機(jī)器學(xué)習(xí)相關(guān)項(xiàng)目，目前被廣泛應(yīng)用于各類機(jī)器學(xué)習(xí)算法的編程實(shí)現(xiàn)。在Docker平臺(tái)中運(yùn)行TensorFlow的原始鏡像，并利用TensorFlow的相關(guān)神經(jīng)網(wǎng)絡(luò)函數(shù)接口實(shí)現(xiàn)麻醉并發(fā)癥的預(yù)測(cè)模型，最后將程序打包成Docker鏡像，發(fā)布在云服務(wù)器上，可以被用戶直接下載運(yùn)行使用。

2 結(jié)果

針對(duì)臨床采集的350條病例數(shù)據(jù)，選用250條訓(xùn)練數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練，用100條測(cè)試數(shù)據(jù)對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試。其中，每一組的正常病例個(gè)數(shù)與患有麻醉并發(fā)癥的病例個(gè)數(shù)的比例均為2∶3，神經(jīng)網(wǎng)絡(luò)訓(xùn)練步數(shù)為10000。

神經(jīng)網(wǎng)絡(luò)中的Sigmoid函數(shù)可以把神經(jīng)網(wǎng)絡(luò)的輸出轉(zhuǎn)化為概率值，因此模型的輸出結(jié)果為是否患上麻醉并發(fā)癥的概率。為了便于統(tǒng)計(jì)，設(shè)定患病概率大于50%則標(biāo)記患病，不患病概率大于50%則標(biāo)記為不患病。該BP神經(jīng)網(wǎng)絡(luò)對(duì)麻醉并發(fā)癥的平均預(yù)測(cè)準(zhǔn)確率達(dá)89.8%，準(zhǔn)確率較高，其中牙齒損傷預(yù)測(cè)準(zhǔn)確率為88%，氣管黏膜損傷為89%，急性呼吸道梗阻為83%，單肺通氣為93%，氣胸為87%，急性呼吸功能不全為88%，心律失常為89%，心肌缺血為95%，胃腸道并發(fā)癥為91%，肝膽并發(fā)癥為95%。除此之外，該BP神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用過程中，可以給出患者患上某種麻醉并發(fā)癥的概率，有助于醫(yī)生判斷患者的麻醉風(fēng)險(xiǎn)程度。

3 討論

本研究提出了一種面向腫瘤手術(shù)麻醉風(fēng)險(xiǎn)評(píng)估的麻醉并發(fā)癥計(jì)算機(jī)智能預(yù)測(cè)模型。通過分析手術(shù)麻醉風(fēng)險(xiǎn)的相關(guān)因素，結(jié)合人工神經(jīng)網(wǎng)絡(luò)相關(guān)知識(shí)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，再利用Docker和TensorFlow平臺(tái)編程部署實(shí)現(xiàn)。通過實(shí)驗(yàn)可以得出該模型對(duì)腫瘤手術(shù)麻醉風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確率達(dá)89.8%，并且可以給出患者患某種麻醉并發(fā)癥的風(fēng)險(xiǎn)概率。該模型能夠較好地為臨床麻醉醫(yī)師對(duì)麻醉風(fēng)險(xiǎn)評(píng)估提供客觀指導(dǎo)，減少因?yàn)獒t(yī)院醫(yī)療水平、麻醉醫(yī)師醫(yī)技水平不足等主觀因素而產(chǎn)生的麻醉風(fēng)險(xiǎn)誤判的可能性。此外，該模型通過Docker鏡像發(fā)布，用戶可以直接下載Docker鏡像，便于模型應(yīng)用。今后將收集更多、更豐富的病例數(shù)據(jù)，用以提升模型性能，為臨床治療提供更為準(zhǔn)確的計(jì)算機(jī)智能輔助診斷與預(yù)測(cè)。