基于深度神經(jīng)網(wǎng)絡(luò)和中西醫(yī)多維信息融合的T2DM中醫(yī)證型預(yù)測(cè)模型研究

胡綠慧，王海

（成都中醫(yī)藥大學(xué)智能醫(yī)學(xué)學(xué)院，四川 成都 611137）

0 引言

2 型糖尿病（Diabetes Mellitus Type 2，T2DM）是一種影響全球人類的代謝疾病，全球共有4.15 億人患有糖尿病，到2040 年可能增加到6.42 億人[1]。2020 年我國(guó)60 歲及以上的老年人口占總?cè)丝诘?8.7%（2.604億），其中約30% 的老年人罹患糖尿病且T2DM 占95%以上。早期篩查、診斷和預(yù)防成為實(shí)現(xiàn)T2DM 疾病緩解的重要因素[2]。趙靈燕[3]做了T2DM中醫(yī)辨證分型與臨床指標(biāo)的相關(guān)性研究。文玉敏[4]使用關(guān)系網(wǎng)絡(luò)模型、聚類分析等探究糖尿病腎病的方藥組成及證候特點(diǎn)；郭奕瑞[5]等應(yīng)用ANN和logistic回歸建立2型糖尿病預(yù)測(cè)模型。而對(duì)證候演變機(jī)制、中西醫(yī)多維特征融合研究有待深入，以提高臨床診斷的準(zhǔn)確性。而深度神經(jīng)網(wǎng)絡(luò)（DNN）作為一種機(jī)器學(xué)習(xí)算法，具有較高的容錯(cuò)性，能夠擬合任何復(fù)雜函數(shù)，具有很強(qiáng)的非線性擬合能力，并獲得數(shù)據(jù)樣本的特征規(guī)則，同時(shí)可以規(guī)避主觀因素對(duì)規(guī)律提取過程中的影響，適合于中西醫(yī)多維信息的非線性建模研究。

1 資料與方法

1.1 數(shù)據(jù)來源

本研究數(shù)據(jù)來源于某三甲中醫(yī)醫(yī)院內(nèi)分泌科住院病歷數(shù)據(jù)，篩選中醫(yī)診斷為“消渴病”，西醫(yī)診斷為“2型糖尿病”，且病歷數(shù)據(jù)較為完整，包含年齡、性別，病程、癥狀、中醫(yī)診斷結(jié)論，空腹血糖、餐后血糖、糖化血紅蛋白等理化指標(biāo)。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 缺失值處理

首先檢測(cè)初篩樣本表中的缺失值，采用隨機(jī)森林算法對(duì)缺失值進(jìn)行填充。能更好地反映未知數(shù)據(jù)的真實(shí)性、準(zhǔn)確性、可靠性。

1.2.2 異常值處理

數(shù)據(jù)集中由于各種原因難免有異常值，本研究通過計(jì)算均方差來判定是否存在異常值。對(duì)于異常值我們采用刪除或視為缺失值或用平均值修正來進(jìn)行處理。

1.2.3 中文分詞、詞頻統(tǒng)計(jì)

由于中醫(yī)的特點(diǎn)，臨床上總是會(huì)出現(xiàn)同癥不同病、同病不同醫(yī)、同醫(yī)不同效等醫(yī)學(xué)表述數(shù)據(jù)不統(tǒng)一的現(xiàn)象。使用結(jié)巴分詞器對(duì)癥狀進(jìn)行分詞，新建術(shù)語詞典和停用詞詞表，并對(duì)詞頻進(jìn)行統(tǒng)計(jì)，篩選出出現(xiàn)頻率最高的15個(gè)癥狀作為研究指標(biāo)，包括多食易饑、多飲、多尿、口干、口渴、口苦、視物模糊、尿有泡沫、四肢麻木、便溏、足爛、胸悶、乏力、皮膚瘙癢、眠差等。為保證模型的收斂效率，本研究從原始表提取7種頻數(shù)最多的證型進(jìn)行研究，包括氣陰兩虛夾瘀、氣陰兩虛瘀血阻絡(luò)、氣陰兩虛、氣陰兩虛濕瘀互結(jié)、濕瘀互結(jié)、氣虛血瘀、氣陰兩虛夾濕。最終整理出符合條件的數(shù)據(jù)共514條，其中男性323例，女性191例，年齡分布在15歲至91歲之間。

1.2.4 數(shù)據(jù)歸一化處理

原始表中樣本存在漢字、字符等類型數(shù)據(jù)，也存在各屬性間的數(shù)量級(jí)相差較大，如年齡、理化指標(biāo)等。按照深度神經(jīng)網(wǎng)絡(luò)對(duì)于輸入層的要求，需要對(duì)研究指標(biāo)重新編碼和歸一化處理，將其轉(zhuǎn)化為DNN能夠識(shí)別的語言。處理規(guī)則如下：

1）性別：用1代表男性，0代表女性；

2）癥狀：有此癥狀記為1，無此癥狀記為0；

3）病程：數(shù)據(jù)做最大最小歸一化，使其分布[0，1]之間;

4）糖代謝指標(biāo)：本研究提取糖化血紅蛋白、空腹血糖、餐后2H血糖，對(duì)數(shù)值進(jìn)行最大最小歸一化處理，使其分布在[0，1]之間；

5）證型類別: 對(duì)典型證型按序號(hào)對(duì)應(yīng)每類編碼1～7。

預(yù)處理后的數(shù)據(jù)如表1所示。

表1 預(yù)處理后的數(shù)據(jù)格式

1.3 T2DM證型預(yù)測(cè)模型構(gòu)建

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）為包含多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)，可以用較少的參數(shù)表示復(fù)雜的函數(shù)。本研究設(shè)計(jì)的DNN 結(jié)構(gòu)各層詳細(xì)情況如下：

1）輸入層：輸入層指輸入到神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)，輸入層的神經(jīng)元數(shù)量等于待處理數(shù)據(jù)中輸入變量的數(shù)量。本研究使用年齡、性別、空腹血糖、餐后2H血糖、糖化血紅蛋白和15種糖尿病典型癥狀共20個(gè)研究指標(biāo)作為輸入，所以輸入層的節(jié)點(diǎn)數(shù)為20。

2）隱藏層：隱藏層由神經(jīng)網(wǎng)絡(luò)中的大多數(shù)神經(jīng)元組成，是處理數(shù)據(jù)以獲得所需輸出的核心部分。數(shù)據(jù)將穿過隱藏層，并由許多權(quán)重和偏差調(diào)節(jié)。深度神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)一般來說并不固定，需要根據(jù)網(wǎng)絡(luò)的訓(xùn)練效果來確定。本研究經(jīng)過多次實(shí)驗(yàn)確定隱藏層數(shù)為2層，每層的神經(jīng)元個(gè)數(shù)分別為10個(gè)和9個(gè)。

3）輸出層：輸出層是在神經(jīng)網(wǎng)絡(luò)中處理數(shù)據(jù)的最終產(chǎn)物，可以表示不同的事物。通常情況下，輸出層由神經(jīng)元組成，每個(gè)神經(jīng)元代表一個(gè)對(duì)象。本研究的輸出節(jié)點(diǎn)數(shù)等于證型類別數(shù)，因?yàn)檫x取七種證型進(jìn)行預(yù)測(cè)，所以輸出節(jié)點(diǎn)數(shù)為7，每一個(gè)輸出節(jié)點(diǎn)代表一種證型。

4）評(píng)估標(biāo)準(zhǔn)：以模型的預(yù)測(cè)準(zhǔn)確率以及對(duì)每一類證型預(yù)測(cè)的精確率、召回率、F1-score來對(duì)模型的性能進(jìn)行評(píng)估。

1.4 模型訓(xùn)練

1）確定訓(xùn)練集：選取80%數(shù)據(jù)集為訓(xùn)練集，其中氣陰兩虛夾瘀126 例，氣陰兩虛瘀血阻絡(luò)83例，氣陰兩虛83 例，氣陰兩虛濕瘀互結(jié)55例，濕瘀互結(jié)28例，氣虛血瘀22例、氣陰兩虛夾濕14例。剩下的20%作為測(cè)試集。

2）權(quán)重初始化：本研究采用隨機(jī)初始化，使初始權(quán)值隨機(jī)分布在[0,1]之間，這樣每一個(gè)神經(jīng)元可以開始就在傳遞函數(shù)變化最大的地方進(jìn)行迭代。

3）函數(shù)選擇：輸入層、隱藏層各層之間的激活函數(shù)均選用Relu函數(shù)，并且為了防止模型過度擬合，在模型中加入Dropout 數(shù)據(jù)參數(shù)丟棄層，丟棄概率為0.5。隱藏層和輸出層之間選用softmax作為激活函數(shù)，并使用交叉熵?fù)p失函數(shù)categorical_crossentropy，另外使用基于隨機(jī)梯度法的自適應(yīng)時(shí)刻估計(jì)（Adam）優(yōu)化器對(duì)隨機(jī)梯度下降進(jìn)行優(yōu)化，模型的迭代次數(shù)epochs設(shè)為10,batch_size設(shè)為24。

4）模型期望輸出：因?yàn)檠芯克褂玫膿p失函數(shù)為categorical_crossentropy，并且預(yù)測(cè)結(jié)果有7種證型，所以每一個(gè)樣本所對(duì)應(yīng)的輸出為一個(gè)7維向量，分別為：氣陰兩虛夾瘀：Y1=[1,0,0,0,0,0,0]；氣陰兩虛瘀血阻絡(luò)：Y2=[0,1,0,0,0,0,0]；氣陰兩虛：Y3=[0,0,1,0,0,0,0]；氣陰兩虛濕瘀互結(jié)：Y4=[0,0,0,1,0,0,0]；濕瘀互結(jié)：Y5=[0,0,0,0,1,0,0]；氣虛血瘀：Y6=[0,0,0,0,0,1,0]；氣陰兩虛夾濕：Y7=[1,0,0,0,0,0,1]。最后再采用inverse_transform（）將標(biāo)準(zhǔn)化的數(shù)據(jù)轉(zhuǎn)換成原始數(shù)據(jù)。

2 結(jié)果

2.1 模型準(zhǔn)確率

使用測(cè)試集數(shù)據(jù)對(duì)訓(xùn)練好的T2DM證型預(yù)測(cè)模型進(jìn)行檢驗(yàn)，以評(píng)價(jià)該模型的性能。模型的迭代次數(shù)為171次，預(yù)測(cè)結(jié)果準(zhǔn)確率達(dá)到88%見表2，模型的預(yù)測(cè)每一類證型的precision（精確率）、recall（召回率）F1-score見表3。其中精確率表示在被所有預(yù)測(cè)為正的樣本中實(shí)際為該證型的概率，召回率表示在實(shí)際為正的樣本中被預(yù)測(cè)為該證型的概率，F(xiàn)1-score 為精確率和召回率之間的平衡值。

表2 模型預(yù)測(cè)準(zhǔn)確率

表3 各證型預(yù)測(cè)效果

2.2 特征重要性

使用決策樹模型計(jì)算每個(gè)特征變量對(duì)于模型貢獻(xiàn)度，如圖1所示，貢獻(xiàn)度從高到低地排列為：糖化血紅蛋白、空腹血糖、餐后2H血糖、年齡、多食易饑、多飲、多尿、視物模糊、口干、口渴、四肢麻木、性別等。

圖1 特征重要性

3 討論

本研究以DNN 所具有的強(qiáng)大的非線性擬合能力構(gòu)建T2DM中醫(yī)證型預(yù)測(cè)模型，以年齡、性別、癥狀、糖代謝指標(biāo)為輸入節(jié)點(diǎn)，證型為輸出結(jié)果，并計(jì)算各指標(biāo)對(duì)模型的貢獻(xiàn)度。同時(shí)，對(duì)各類型證型獨(dú)立預(yù)測(cè)結(jié)果顯示，氣陰兩虛夾瘀、氣陰兩虛濕瘀互結(jié)、氣陰兩虛瘀血阻絡(luò)、氣陰兩虛、濕瘀互結(jié)的精準(zhǔn)率和召回率都較高，而氣虛血瘀、氣陰兩虛夾濕都呈現(xiàn)出精確率較高而召回率偏低的預(yù)測(cè)結(jié)果，原因主要為學(xué)習(xí)樣本偏少，這也說明深度神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)樣本有較高需求，若樣本越大，模型的訓(xùn)練和學(xué)習(xí)也就更加充分，也能更全面地掌握數(shù)據(jù)樣本的特征和規(guī)律。另外通過對(duì)特征重要性的計(jì)算，發(fā)現(xiàn)糖化血紅蛋白、空腹血糖、餐后2h血糖這幾個(gè)特征對(duì)模型的貢獻(xiàn)度較高，說明糖代謝指標(biāo)對(duì)于證型的分類有著較高的影響；而臨床癥狀中，多食易饑、多飲、多尿，對(duì)模型的貢獻(xiàn)度高，說明在證型分類的時(shí)候，這些中西醫(yī)指標(biāo)可以作為臨床參考。

隨著研究的進(jìn)一步深入，增加更多的樣本量，融合更多研究指標(biāo)，可以提高證型預(yù)測(cè)的準(zhǔn)確性，可以更好地闡明T2DM 中西醫(yī)特征之間的相互關(guān)系，形成中西醫(yī)結(jié)合新的診療方案，為中國(guó)糖尿病臨床智能診療提供理論基礎(chǔ)。