基于深度學習的群體醫療數據智能分析系統設計

邢文娜，寧睿

（西安航空職業技術學院，陜西西安 710089）

在醫療領域中，隨著互聯網、機器學習等高新技術的介入，醫療數據呈指數級增長。醫療數據被廣泛應用于藥品研發、臨床診斷等諸多領域，這對于提高醫院資源利用、降低醫療成本與提高醫療效率具有重要的意義。

群體醫療數據分析是指對一個特定區域內的群體進行醫療數據分析，從而得出規律性的結論。有效、精確的分析結果不但可以輔助診斷、優化醫療資源配置，還可以監控群體健康水平，輔助管理決策。在高職院校中，有大量的集體生活群體，對其進行規律性的醫療數據監控，可以有效保障群體的健康水平，及時發現各類疫情或某種原因引起的群體健康事件。數值型的醫療數據監控起來較為簡單，而難點在于圖形數據的有效分析與監控。

計算機斷層掃描（CT）是診斷疾病的有效方法，醫生可以通過CT 直觀地檢查患者的身體結構并有效地分析病情。實際治療中醫生會對每個患者采集數百個醫學圖像，處理與分析大量醫學圖像數據是一個較大的挑戰，而這些圖像數據則能反映出眾多的有效信息。

文中提出了一種基于卷積自動編碼器神經網絡（CANN）的深度學習架構[1]，用于肺結節的分類。首先利用原始圖像補丁進行無監督的特征學習，而將少量標記數據用于有監督的微調參數，然后從輸入圖像中提取特征表示。實驗結果表明，所提出的方法可以有效地通過數據驅動的方法提取圖像特征，并更快地標注醫學數據[2]。

1 自動編碼器神經網絡CANN 架構設計

文中基于深度學習架構的目標函數F由多層組成，而不是簡單的f:X?Y中從X到Y的直接映射[3]。具體而言，第一層L1接收輸入圖像x，最后一層LN是輸出層。中間層包括3 個池化層與一個全通連接層[4]，結構如圖1 所示。

圖1 自動編碼器神經網絡CANN架構

從原始CT 圖像分割的圖片區域被輸入到CANN，將其用于分類。神經網絡中卷積層的參數由自動編碼器無監督學習確定，少量標記的數據用于微調CANN 的參數并訓練分類器。該節主要探討此次設計的CANN 結構、參數設置與訓練方法[5]。

具體地，從原始CT 圖像劃分的圖片區域可表示為x∈X,X?Rm×d×d，其中m表示圖片輸入通道的數量，d×d表示輸入圖像的尺寸[6]。標記的數據表示為y∈Y,Y?Rn，其中n代表輸出分類的數量。通過CANN 模型從訓練中推導出目標函數[7]，即f:X?Y和參數集θ。

此次的訓練數據包括兩個數據集，即未標記的數據集UD={x∣x∈X}與已標記的數據集D={x,y∣x∈X,y∈Y}。需要說明的是，UD用于無監督訓練[8]，D用于有監督的微調與分類器訓練。

深度學習中，監督方法可用于數據驅動的特征學習，其中連接權重通過正向與反向傳播算法進行更新[9]。與有監督的方法相比，無監督的方法可以直接接收未標記的輸入數據，有效地減少標記數據的工作量[10]。

文中提出了一種用于無監督學習的自動編碼器方法，自動編碼器提取輸出數據以重建輸入數據，并將其與原始輸入數據進行比較[11]。經過足夠多次迭代后，成本函數達到了最優，這意味著重構的輸入數據能夠在最大程度上近似原始輸入數據。

輸入數據I表示m維向量I∈Rm。輸出數據代碼是n維向量code∈Rn[12]。標準自動編碼器包括3 個主要步驟：

1）編碼[13]。通過code=f(I)=σ(w·I+b)將輸入數據I轉換為隱藏層編碼，其中w∈Rm×n且b∈Rn，σ是激活函數，此次使用Sigmod 與雙曲正切函數。

2）解 碼[14]。根據編碼，通過式重構輸入值O′，其中

3）計算平方誤差Lrecon(I,O′)=‖I-O′‖3，即誤差成本函數[15]。通過優化成本函數來實現最小平方誤差，如式（1）所示。

自動編碼器的無監督特征學習如圖2 所示。

圖2 自動編碼器的無監督特征學習

2 CANN網絡層間設計

2.1 卷積自動編碼器

卷積自動編碼器將局部卷積連接與自動編碼器相結合，從特征圖的輸入到輸出的卷積轉換過程稱為卷積解碼器[16]。通過逆卷積運算重建輸出值，以及標準自動編碼器無監督貪婪訓練，可以計算編碼與解碼操作的參數。卷積自動編碼器布局中的操作，如圖3 所示。

圖3 自動編碼器結構

圖3 中，f(·)代表卷積編碼操作；f′(·)代表卷積解碼操作。輸入要素映射x∈Rn×l×l，可從輸入層或上一層獲取，其中包含n個特征圖，每個特征圖的大小為l×l像素。卷積自動編碼器操作包括m個卷積內核，輸出層輸出m個特征圖。當從輸入圖層生成輸入特征圖時，n表示輸入通道數。當輸入要素從上一層映射時，n表示前一層的輸出要素映射的數量。卷積核的大小為d×d，其中d≤l。

通過隨機梯度下降（SGD）將權重與誤差降至最低，并優化卷積自編碼器層。訓練后的參數用于輸出特征圖，然后將其傳輸到神經網絡下一層。

2.2 神經網絡池化

與常見的CNN 相似，卷積層連接到池化層，在CANN 中卷積自編碼器層之后是最大池化層，如式（7）所示。

每個輸入特征圖根據池化區域的大小，分為n個無重疊區域。其中，代表第j個特征圖的第i個區域，代表第j個輸出特征圖的第i個神經元，輸入要素圖的數量等于池化層中輸出要素圖的數量。池化操作后，可以減少特征圖中的神經元，從而降低計算復雜度。

2.3 代價函數設計

用于根據特征進行分類的Softmax 分類層位于多個卷積自動編碼器層、最大池化層與全連接層后。文中將CT 圖像分為兩類。具體而言，來自分類器的代表結節與無結節的概率。

此外，在有監督的訓練網絡中，成本函數為交叉熵L，如式（9）所示。SGD 用于最小化交叉熵L，y是樣本數據的標簽。

3 實驗驗證

3.1 訓練參數設計

1）卷積自動編碼器

卷積層使用50 000 個樣本無監督學習訓練自動編碼器，通過代價函數計算梯度并通過SGD 優化參數。具體執行時，每100 個樣本包含在一個小批次中，每個批次的迭代次數為50。因此，每層的迭代次數為50×N/100。

2）全連接層和分類器

全連接層的輸入來自最后一個池化層，Softmax分類器的500 個神經元輸出興趣特征。此次使用1 800 個帶標簽的數據分類訓練，每個包含50個小批量樣本。

3.2 訓練樣本規模實驗

圖4 為訓練樣本數量對CANN 與MCCNN 的分類精度影響。結果表明，對于CANN 與MCCNN 方法，當數目均達到2 900 時，性能是最優的。隨著數量增加到1 500 或1 600，CANN 呈現出性能向好的趨勢。

圖4 訓練樣本規模實驗

3.3 分類性能比較

文中將CANN、自動編碼器（AE）、卷積神經網絡CNN 與MCCNN 的分類性能與數據集D2 進行了比較，結果如表1 所示；變化率對比如圖5 所示。

表1 分類性能比較

圖5 變化實驗

CNN 與MCCNN 使用了與CANN 相同的卷積架構。所提方法的準確率、精確度、召回率、F1 與AUC分別為92%、91%、91%、91%與0.97。AE 方法使用相同的未標記訓練數據庫，并在同一數據庫上對其進行測試。由表1 可知，CNN 與MCCNN 方法的分類性能均低于所提方法。評估證明，無監督的特征學習與有監督的微調相結合可以顯著提高性能。

3.4 相似度檢查

圖像相似性判斷用于檢索相似的結節，以供醫生參考。相似性判斷與結節分類必須考慮多個特征，例如結節的形態、密度、大小、邊緣等。圖像的相似度與分類如圖6 所示。

圖6 圖像相似度實驗

評估證明，無監督的特征學習與有少量訓練集的有監督微調可以獲得更優的性能。

4 結束語

文中研究了兩種代表性的方法來輔助醫療圖像數據分析?；诜指钆c手工特征提取的方法費時費力，而數據驅動方法可避免結節分割中重要信息的丟失。但由于標記的醫學數據的稀缺性，這兩種方法的可行性較差。

因此，文中提出了一種用于數據驅動特征學習的基于CANN 的方法。其中，對網絡進行無監督的訓練，并帶有大量的未標記補丁，少量的標記數據用于微調網絡結構。將所提出的方法應用于肺結節的識別、分類和相似性檢查，解決了興趣位置ROI 標記與標記數據不足的耗時問題，并通過綜合實驗驗證了該方法的優越性。