人工智能技術在腦出血相關肺炎診斷預測中的應用

李杰

（河南科技大學第一附屬醫院，河南 洛陽 471000）

根據最新全球疾病負擔研究報告顯示，卒中在全球死亡率中占據首位。卒中相關肺炎（strokeassociated pneumonia,SAP）是導致腦出血的常見誘因之一［1-3］。因此，腦出血相關肺炎診斷的研究成為近年來醫療工作者普遍關注的焦點［4-5］。從國內外研究現狀分析，導致SAP 的主要影響因素包括患者的年齡、性別、糖尿病、吞咽困難、高血壓、心力衰竭、心房顫動、慢性阻塞性肺疾病等。然而，將這些因素用于腦出血相關肺炎的診斷預測模型還鮮有報道。隨著醫療信息化［6］和新一代人工智能（artificial intelligence,AI）技術［7-8］的飛速發展，為研究人員設計出更加高效的智能化診斷預測模型提供了新的契機。因此，通過將腦出血相關肺炎診斷與人工智能技術［9］相結合，構建一種智能高效的診斷預測模型，成為研究人員亟待解決的關鍵問題之一。本文創造性地采用基于人工智能技術中的卷積神經網絡算法［10-11］和基于傳統機器學習支持向量機算法，建立和評價高效智能化的腦出血相關肺炎診斷模型。

1 資料與方法

1.1 一般資料

選取連續發病7 d 范圍內的急性腦出血住院患者作為研究對象。納入患者的標準首先年齡大于18 周歲，依據世界衛生組織的診斷標準可診斷為腦出血，并由CT 或MRI 確診；其次患者經過門診或急診住院，入院后經吞咽功能評價；最后患者或法定代表人需簽署知情同意。在此過程中，將臨床信息不完整的患者去除。

1.2 數據收集

采用病例報告表收集患者的基本數據信息：①患者的年齡、性別、吸煙、飲酒等人口統計學信息；②患者是否患有糖尿病、高血壓、心房顫動、心力衰竭、心肌梗死、腦血管病、慢性阻塞性肺疾病等既往病史信息；③患者的白細胞計數、吞咽功能障礙、美國國立衛生院神經功能缺損評分（NIHSS）等入院后的臨床檢查數據信息。病例報告表中數據的真實性、準確性和完整性由權威的數據專家組進行核查，分析變量和賦值方法見表1。

表1 分析變量和賦值方法

1.3 模型構建

卷積神經網絡（convolutional neural networks,CNN）是人工智能技術中一種重要的研究方法，它是一類包含卷積計算，并且具有深度結構的前饋神經網絡。卷積神經網絡主要由輸入層、隱含層和輸出層組成，其中輸入層需要將腦出血相關肺炎患者的年齡、NIHSS 評分、白細胞計數和吞咽功能障礙等數據，輸入到卷積神經網絡，并運用（1）式對輸入數據進行歸一化，輸入特征的標準化有利于提升卷積神經網絡的學習效率和表現。

卷積神經網絡中的隱含層主要由卷積層、池化層和全連接層構成，卷積層的功能是對樣本數據進行特征提取，在卷積層進行特征提取后，輸出的特征圖會被傳遞至池化層進行特征選擇和信息過濾，全連接層是卷積神經網絡隱含層的最后部分，用于向其它全連接層傳遞信號。輸出層用于輸出腦出血相關肺炎患者診斷結果。

支持向量機（support vector machine,SVM）是一種經典的傳統機器學習方法［11］。該方法是一種按照有監督學習的方式對輸入樣本進行二元分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面。SVM 的決策目標函數為

其中w表示分離最大超平面的法向量，φ(x)表示樣本從輸入空間到高維特征空間的特殊映射，b表示模型的偏置。

2 結果

納入的2 303 例腦出血住院患者，其中男1 430 例，占比62.09%，女873 例，占比37.91%。通過將選取的樣本數據集隨機分為訓練樣本數據集和測試樣本數據集，其中訓練樣本數據集占3/4、測試樣本數據集占1/4，分別運用每位患者的年齡、NIHSS 評分、白細胞計數和吞咽功能障礙等4 種數值特征作為特征因子，利用卷積神經網絡和支持向量機模型，驗證腦出血相關肺炎診斷預測的效果。結果顯示，運用上述兩種模型的診斷準確率分別為72.6% 和69.1%，靈敏度分別為71.6% 和69.2%，特異度分別為63.7% 和62.8%，ROC 曲 線 下 的 面 積（AUC）分 別 為66.5% 和62.7%。

3 討論

隨著人工智能技術的快速發展，運用卷積神經網絡方法，能夠有效地輔助診斷預測腦出血相關肺炎患者，同時該方法也為一線醫護人員早期診斷腦出血相關肺炎患者提供了高效智能的理論科學依據。通過分析臨床上腦出血相關肺炎患者的相關特征，選擇其中關鍵的變量來建立腦出血相關肺炎患者診斷模型。由于卷積神經網絡方法在處理非線性變量時具有獨特的優勢，因此，本研究使用卷積神經網絡模型的性能優勢要優于傳統的機器學習模型。綜上所述，運用人工智能模型來輔助臨床醫生診斷和預測肺炎患者的發生，能夠有效地提高診斷的準確率。

本研究提出的人工智能技術中的卷積神經網絡模型與傳統的支持向量機模型比較，在預測性能上具有更加明顯的優勢，因此更適合于診斷預測腦出血相關肺炎患者。隨著新一代人工智能技術的快速發展，“人工智能+醫療”也越來越受到醫療研究人員的關注，通過互聯網借助計算機，運用卷積神經網絡方法，來構建智能化腦出血相關肺炎患者預測系統，有效地提高了醫生臨床診斷的質量和工作效率。