基于醫(yī)學(xué)檢驗(yàn)大數(shù)據(jù)的乳腺惡性腫瘤預(yù)測模型研究

王瑩

摘要：[目的] 基于醫(yī)學(xué)檢驗(yàn)大數(shù)據(jù)，通過機(jī)器學(xué)習(xí)構(gòu)建乳腺惡性腫瘤預(yù)測模型。[方法] 收集某綜合性三甲醫(yī)院2016年至2021年所有門診和住院乳腺惡性腫瘤患者的醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)，并通過大數(shù)據(jù)技術(shù)處理形成機(jī)器學(xué)習(xí)數(shù)據(jù)源。采用邏輯回歸二分類和支持向量機(jī)兩種算法分別構(gòu)建乳腺惡性腫瘤預(yù)測模型。[結(jié)果] 邏輯回歸二分類預(yù)測模型的AUC為0.923，F(xiàn)1-Score為0.875；支持向量機(jī)預(yù)測模型的AUC為0.957，F(xiàn)1-Score為0.912。[結(jié)論] 綜合評估結(jié)果顯示，基于醫(yī)學(xué)檢驗(yàn)大數(shù)據(jù)構(gòu)建的預(yù)測模型具有較高準(zhǔn)確率，可以有效識別乳腺惡性腫瘤患者。因此，該模型有望成為乳腺惡性腫瘤的一種微創(chuàng)、低成本、快捷有效的篩查手段。

關(guān)鍵詞：醫(yī)學(xué)檢驗(yàn)大數(shù)據(jù)；乳腺惡性腫瘤；邏輯回歸二分類；支持向量機(jī)；預(yù)測模型

中圖分類號：TP311? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）08-0035-04

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

1 概述

乳腺惡性腫瘤（breast malignant tumor，BMT） 是女性患者中常見的惡性腫瘤，也是全球女性患者癌癥相關(guān)死亡的一個主要因素[1]。由于乳腺癌是常見的乳腺惡性腫瘤，其中患者比例占乳腺惡性腫瘤的90%以上，通過普及乳腺癌篩查以及提高相應(yīng)診療水平實(shí)現(xiàn)了乳腺癌患者生存率的顯著提升。現(xiàn)階段乳腺癌篩查的主要方法是乳腺X線檢查和超聲檢查，這兩種方法對早期病灶敏感性低，需要結(jié)合細(xì)胞學(xué)或病理學(xué)結(jié)果才能確診[2]。近年來全球乳腺癌發(fā)病率急劇上升，早診斷、早治療對患者生存率的提高有極其重要的意義。

臨床方面需要尋找一種簡單、便捷的檢查方法對BMT實(shí)施早期診斷、監(jiān)測病情、評價療效以及預(yù)后。腫瘤標(biāo)志物為惡性腫瘤細(xì)胞或宿主對腫瘤的刺激反應(yīng)而產(chǎn)生的物質(zhì)，涵蓋蛋白質(zhì)、酶類、激素、神經(jīng)遞質(zhì)及癌基因產(chǎn)物等。腫瘤標(biāo)志物存在于患者的血液、體液、細(xì)胞或組織中，可采用生物化學(xué)、免疫學(xué)及分子生物學(xué)等方法測定，腫瘤標(biāo)志物的指標(biāo)異常升高通常早于其影像學(xué)改變，而且其取材方便，創(chuàng)傷小，適用于對高危人群的篩查或腫瘤患者的療效評估[3]。目前臨床用于療效評估的成熟生物靶向標(biāo)志物相對有限，因而探索易獲得標(biāo)本（外周血、胸腹水等）中腫瘤標(biāo)志物檢測的方法，將會為患者帶來較大的便利和益處[4]。患者就診過程中產(chǎn)生了較多數(shù)量的醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)。但臨床醫(yī)生通常只關(guān)注部分重要的異常參數(shù)，而忽視其他醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)以及醫(yī)學(xué)實(shí)驗(yàn)室參數(shù)間的相互關(guān)系，導(dǎo)致醫(yī)學(xué)實(shí)驗(yàn)室數(shù)據(jù)的價值利用率較低[5]。由于異常增殖的腫瘤細(xì)胞隨著血液進(jìn)入人體各個組織、器官，在全身各部位會有不同的表現(xiàn)，分泌的細(xì)胞因子及各種功能蛋白均會導(dǎo)致相應(yīng)醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)產(chǎn)生變化，即使數(shù)據(jù)處于正常參考值范圍內(nèi)，但數(shù)據(jù)之間相互的關(guān)系也可能發(fā)生改變，普通人工篩查模式無法察覺數(shù)據(jù)之間的潛在關(guān)系。采用人工智能算法對醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，可以發(fā)現(xiàn)數(shù)據(jù)之間潛在的關(guān)聯(lián)關(guān)系[6]。因此，基于醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)對BMT進(jìn)行預(yù)測不但可以實(shí)現(xiàn)早診斷、早治療，提升患者的生存率，還可以大幅降低BMT篩查的門檻以減輕社會經(jīng)濟(jì)負(fù)擔(dān)。

2 材料和方法

2.1 材料

從某綜合性三甲醫(yī)院的實(shí)驗(yàn)室信息管理系統(tǒng)（LIS） 和醫(yī)院信息系統(tǒng)（HIS） 中提取了2016年10月1日至2021年09月30日的全量醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)（140 616 701條記錄）及診斷結(jié)果。數(shù)據(jù)庫字段包括患者ID、年齡、性別、就診類別（門診或住院）、檢驗(yàn)日期、檢驗(yàn)項(xiàng)目編碼、檢驗(yàn)結(jié)果和診斷結(jié)果。

2.2 方法

1） 醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)治理。通過在大數(shù)據(jù)平臺上對醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)進(jìn)行行列轉(zhuǎn)置，實(shí)現(xiàn)所有患者在同一日期的所有檢驗(yàn)項(xiàng)目處于同一行，不同患者的同一檢驗(yàn)項(xiàng)目結(jié)果處于同一列。將140 616 701條記錄的全量醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)轉(zhuǎn)化為1 338列、4 903 891行的大數(shù)據(jù)寬表，轉(zhuǎn)置模式如圖1所示。

統(tǒng)計(jì)每一個檢驗(yàn)項(xiàng)目對應(yīng)的數(shù)據(jù)類型、數(shù)據(jù)量以及臟數(shù)據(jù)分布狀況，并確定數(shù)據(jù)標(biāo)準(zhǔn)。根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)類型轉(zhuǎn)換或清理，刪除各種錯誤數(shù)據(jù)和無效數(shù)據(jù)，采用零填充缺失數(shù)據(jù)。在對每個檢驗(yàn)項(xiàng)目制定處理規(guī)則的基礎(chǔ)上，形成計(jì)算機(jī)腳本實(shí)現(xiàn)自動化處理。

2） 醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)開發(fā)。醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)開發(fā)包括數(shù)據(jù)獲取、數(shù)據(jù)歸一化和特征抽象。

數(shù)據(jù)獲取：從4 903 891條記錄的診斷結(jié)果中檢索獲得26 102例BMT患者相關(guān)記錄，形成BMT樣本數(shù)據(jù)。從4 903 891條記錄的診斷結(jié)果中檢索獲得19 841條普通體檢人員相關(guān)記錄作為BMT對照數(shù)據(jù)。

數(shù)據(jù)歸一化：Y=（X-Fmin） /（Fmax-Fmin），式中，F(xiàn)max和Fmin分別為每一個數(shù)據(jù)庫字段中的最大值和最小值，X是字段中待歸一化的值，Y為X的歸一化結(jié)果，實(shí)現(xiàn)數(shù)值數(shù)據(jù)壓縮到[0，1]區(qū)間，從而去除字段的量綱，提高機(jī)器學(xué)習(xí)算法的收斂速度。

特征抽象：選擇全部1 361個檢驗(yàn)項(xiàng)目作為特征列，選擇診斷結(jié)果為目標(biāo)列，其中診斷結(jié)果為“乳腺癌”或“乳腺惡性腫瘤”置為“1”，其他診斷結(jié)果置為“0”，形成機(jī)器學(xué)習(xí)數(shù)據(jù)源。

3） 機(jī)器學(xué)習(xí)算法。本研究采用邏輯回歸二分類（logistic regression，LR）和支持向量機(jī)（support vector machine，SVM） 兩種機(jī)器學(xué)習(xí)算法。

由于LR算法產(chǎn)生的模型構(gòu)造簡單、結(jié)果簡單易懂，在醫(yī)學(xué)領(lǐng)域有著廣泛的應(yīng)用。LR模型可以用數(shù)學(xué)公式直觀描述，假設(shè) P 為某一事件發(fā)生的概率，其取值范圍為[0， 1]，則該事件不發(fā)生的概率為1-P，對P/（1–P） 取自然對數(shù)為 ln（P/（1–P）），記為 logitP， logitP 的取值范圍為（–∞， +∞） 。以P 作為因變量，構(gòu)建線性回歸方程：

log itP =a+b1x1 + +bm xm （1）

對方程變換，進(jìn)而得到：

P=exp（a+b1x1 + +bm xm） /（1+exp（a+b1x1 + +bm xm））? （2）

該模型即為LR模型，其中a 為常數(shù)，bi （i=1， …， m）為邏輯回歸系數(shù)[7]。

SVM的基本思想是通過構(gòu)建一個超平面，實(shí)現(xiàn)對正、負(fù)例的完全分開。由于客觀上可能存在無數(shù)個能夠?qū)崿F(xiàn)對正、負(fù)例完全分開的超平面，需要利用間隔最大化求分離超平面得到唯一解[8]。

4） 機(jī)器學(xué)習(xí)業(yè)務(wù)流程。機(jī)器學(xué)習(xí)業(yè)務(wù)流程包括數(shù)據(jù)拆分、訓(xùn)練預(yù)測模型、預(yù)測測試數(shù)據(jù)以及預(yù)測結(jié)果評估。數(shù)據(jù)拆分模塊按照預(yù)設(shè)比例將機(jī)器學(xué)習(xí)數(shù)據(jù)源隨機(jī)拆分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)兩部分。例如，并行采用LR和SVM兩種算法對同一機(jī)器學(xué)習(xí)數(shù)據(jù)源分別訓(xùn)練。其中，LR數(shù)據(jù)拆分模塊采用訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)7：3的比例隨機(jī)拆分機(jī)器學(xué)習(xí)數(shù)據(jù)源，SVM數(shù)據(jù)拆分模塊采用訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)8：2的比例隨機(jī)拆分機(jī)器學(xué)習(xí)數(shù)據(jù)源。LR數(shù)據(jù)拆分模塊拆出的訓(xùn)練數(shù)據(jù)導(dǎo)入LR訓(xùn)練模塊經(jīng)過計(jì)算生成LR預(yù)測模型。LR數(shù)據(jù)拆分模塊拆出的測試數(shù)據(jù)和LR預(yù)測模型分別導(dǎo)入LR預(yù)測模塊實(shí)現(xiàn)LR預(yù)測模型對測試數(shù)據(jù)的預(yù)測。基于并行的SVM算法的操作步驟與LR算法相同。LR預(yù)測模塊和SVM預(yù)測模塊的預(yù)測結(jié)果分別導(dǎo)入各自對應(yīng)的混淆矩陣模塊和二分類評估模塊，評估LR預(yù)測模型和SVM預(yù)測模型的預(yù)測水平。業(yè)務(wù)流程如圖2所示。

5） 預(yù)測模型評估指標(biāo)。預(yù)測模型評估采用混淆矩陣和二分類評估兩種方法。混淆矩陣為可視化預(yù)測工具，包括真陽性（true positive， TP） 、假陽性（false positive， FP） 、假陰性（false negative， FN） 、真陰性（true negative， TN） 等4項(xiàng)。其中，混淆矩陣的每一列代表一個類的預(yù)測情況，每一行表示一個類的實(shí)際樣本情況，如圖3所示。評估項(xiàng)包括準(zhǔn)確率、精確率、召回率、F1-Score，相應(yīng)的計(jì)算公式如下：

準(zhǔn)確率=[TP+TNTP+TN+FP+FN]

精確率=[TPTP+FP]

召回率=[TPTP+FN]

F1-Score=[2*TP2*TP+FP+FN]

二分類評估采用F1-Score和受試者工作特征曲線下面積（Area Under Curve， AUC） 兩項(xiàng)評估指標(biāo)。其中，AUC數(shù)值處于[0， 1]之間，大于0.5則表示預(yù)測模型具有一定的區(qū)分能力，越接近1則預(yù)測模型的區(qū)分能力越強(qiáng)。

3 結(jié)果

3.1 LR二分類預(yù)測模型及預(yù)測水平評估

1） LR二分類預(yù)測模型。LR二分類預(yù)測模型包括1 361項(xiàng)特征列（檢驗(yàn)項(xiàng)目）的權(quán)重，其中權(quán)重前15項(xiàng)如表1所示。

其中，項(xiàng)目編碼為檢驗(yàn)項(xiàng)目的唯一標(biāo)識，權(quán)重表示檢驗(yàn)項(xiàng)目在LR預(yù)測模型中的系數(shù)，權(quán)重?cái)?shù)值越大，該檢驗(yàn)項(xiàng)目與對應(yīng)診斷結(jié)果的相關(guān)性越大。

2） LR二分類預(yù)測模型混淆矩陣評估。混淆矩陣對LR二分類預(yù)測模型的預(yù)測結(jié)果進(jìn)行統(tǒng)計(jì)分析，評估結(jié)果如表2所示。其中，陽性樣本預(yù)測的準(zhǔn)確率、精確率、召回率、F1-Score評估結(jié)果均高于75%，表明LR二分類預(yù)測模型的預(yù)測準(zhǔn)確性高，具有較好的可用性。

3） LR二分類預(yù)測模型二分類評估結(jié)果。二分類評估對LR二分類預(yù)測模型的預(yù)測結(jié)果進(jìn)行統(tǒng)計(jì)分析，如表3所示，AUC和F1-Score的結(jié)果均高于0.800。這表明LR二分類預(yù)測模型的預(yù)測準(zhǔn)確性高，具有較好的可用性。

3.2 SVM預(yù)測模型預(yù)測水平評估

1） SVM預(yù)測模型混淆矩陣評估。混淆矩陣對SVM預(yù)測模型的預(yù)測結(jié)果進(jìn)行統(tǒng)計(jì)分析，評估結(jié)果如表4所示。其中，陽性樣本的準(zhǔn)確率、精確率、召回率、F1-Score評估結(jié)果均高于80%，表明SVM預(yù)測模型具有較高的預(yù)測準(zhǔn)確性。

2） SVM預(yù)測模型二分類評估結(jié)果。二分類評估對SVM預(yù)測模型的預(yù)測結(jié)果進(jìn)行統(tǒng)計(jì)分析，評估結(jié)果如表5所示。其中，AUC和F1-Score的結(jié)果均高于0.900，表明模型的預(yù)測準(zhǔn)確性高，具有較好的可用性。

通過LR二分類和SVM兩種機(jī)器學(xué)習(xí)算法對同一機(jī)器學(xué)習(xí)數(shù)據(jù)源進(jìn)行并行訓(xùn)練、預(yù)測以及預(yù)測結(jié)果評估，經(jīng)過這2種不同機(jī)器學(xué)習(xí)算法的相互驗(yàn)證，驗(yàn)證了基于醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)構(gòu)建的BMT預(yù)測模型具有較高的預(yù)測水平。

4 討論

限于篇幅，僅以紅細(xì)胞體積分布寬度（red cell distribution width，RDW） 、嗜堿性粒細(xì)胞（basophilic granulocyte ratio，BASO） 等部分檢驗(yàn)項(xiàng)目為例進(jìn)行分析。研究發(fā)現(xiàn)，權(quán)重排名第1的RDW，張璐璐等人[9]的研究發(fā)現(xiàn)乳腺癌組的RDW高于健康對照組，說明RDW與乳腺癌存在一定的相關(guān)性。而排名第4的BASO，高鷹等人[10]的研究發(fā)現(xiàn)BASO升高可增加女性良性乳腺結(jié)節(jié)的發(fā)病風(fēng)險，而良性乳腺疾病又會增加乳腺癌的發(fā)病風(fēng)險。權(quán)重排名第6的平均紅細(xì)胞體積（erythrocyte mean corpuscular volume，MCV） ，謝曉琳等人[11]的研究發(fā)現(xiàn)乳腺癌組患者的MCV明顯高于對照組，其差異具有統(tǒng)計(jì)學(xué)意義。權(quán)重排名第10的乙型肝炎病毒核心抗體（HBcAb） ，Lin-Jie Lu等人[12]的研究表明乳腺癌患者的HBcAb陽性率明顯高于對照組，因此，暴露于乙型肝炎病毒感染可能是乳腺癌的一個危險因素，可能與中國女性乳腺癌發(fā)病高峰年齡較早有關(guān)。權(quán)重排名第十五的尿糖（glucose in urine，GLU） ，李軍濤等人[13]發(fā)現(xiàn)伴有糖尿病的乳腺癌患者的腫瘤復(fù)發(fā)、轉(zhuǎn)移率相對高于血糖正常的乳腺癌患者，研究表明糖尿病可能是增加乳腺癌復(fù)發(fā)、轉(zhuǎn)移的一個危險因素。

本研究基于醫(yī)學(xué)檢驗(yàn)大數(shù)據(jù)采用LR二分類和SVM兩種ML算法構(gòu)建BMT預(yù)測模型，實(shí)驗(yàn)結(jié)果表明預(yù)測水平較高，具有可行性。通過LR二分類預(yù)測模型可以直觀地展示醫(yī)學(xué)檢驗(yàn)項(xiàng)目與BMT診斷結(jié)果的關(guān)聯(lián)關(guān)系，不僅印證了國內(nèi)外相關(guān)研究結(jié)果，而且為進(jìn)一步研究提供了潛在的方向。考慮到BMT的復(fù)雜性，本研究用機(jī)器學(xué)習(xí)算法對既往醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)進(jìn)行計(jì)算建模，還需要更多的醫(yī)學(xué)檢驗(yàn)數(shù)據(jù)來優(yōu)化。未來將持續(xù)治理數(shù)據(jù)、優(yōu)化算法，提升模型的預(yù)測能力，使其成為一種方便、快捷、簡單的BMT預(yù)測手段，真正能夠大規(guī)模用于臨床篩查。

參考文獻(xiàn)：

[1] YU Z P，TANG S L，MA H B，et al.Association of serum adiponectin with breast cancer[J].Medicine，2019，98（6）：e14359.

[2] 黎立喜，馬飛.乳腺癌篩查和早期診斷的血液生物學(xué)標(biāo)志物[J].國際腫瘤學(xué)雜志，2021，48（2）：109-112.

[3] 李林海.常見腫瘤標(biāo)志物的臨床應(yīng)用及進(jìn)展[J].中華檢驗(yàn)醫(yī)學(xué)雜志，2016，39（12）：995-998.

[4] 沈胤晨，韓曉紅.外周血腫瘤標(biāo)志物的篩選策略及臨床應(yīng)用[J].中華檢驗(yàn)醫(yī)學(xué)雜志，2013，36（11）：961-964.

[5] 郭杰，劉海東，韋琴，等.基于檢驗(yàn)大數(shù)據(jù)的結(jié)直腸癌風(fēng)險預(yù)測模型建立與驗(yàn)證[J]. 中華檢驗(yàn)醫(yī)學(xué)雜志， 2021（10）： 914-920.

[6] 王正，王金申，劉志，等.基于人體血液學(xué)檢測的機(jī)器學(xué)習(xí)輔助泌尿系腫瘤篩查[J]. 泌尿外科雜志（電子版）， 2017（04）： 9-14.

[7] 牟冬梅，任珂.三種數(shù)據(jù)挖掘算法在電子病歷知識發(fā)現(xiàn)中的比較[J].現(xiàn)代圖書情報(bào)技術(shù)，2016（6）：102-109.

[8] 任麗，劉洋洋，童瑩，曹雪虹，等.乳腺腫瘤超聲圖像的多特征提取及分類研究[J].中國醫(yī)療器械雜志， 2020（4）： 294-301.

[9] 張璐璐，劉蕓，段文冰，等.乳腺癌患者部分外周血指標(biāo)的變化及腫瘤標(biāo)志物的診斷價值[J].中國醫(yī)藥，2018，13（3）：421-425.

[10] 高鷹，魏瑋，樊娜，等.外周血嗜堿性粒細(xì)胞水平升高與女性良性乳腺結(jié)節(jié)發(fā)病風(fēng)險的關(guān)聯(lián)：基于乳腺超聲隊(duì)列研究[J].現(xiàn)代腫瘤醫(yī)學(xué)，2021，29（21）：3755-3760.

[11] 謝曉琳，陽小群，李夢璐，等.乳腺癌患者血液學(xué)指標(biāo)和臨床特征分析[J].海南醫(yī)學(xué)，2019，30（2）：186-188.

[12] LU L J，ADHIKARI V P，ZHAO C X，et al.Clinical study on the relationship between hepatitis B virus infection and risk of breast cancer：a large sized case-control and single center study in southwest of China[J].Oncotarget，2017，8（42）：72044-72053.

[13] 李軍濤，張恒偉，郭旭輝，等.高糖對人乳腺癌細(xì)胞體外侵襲能力的影響[J].中華醫(yī)學(xué)雜志，2013，93（2）：89-92.

【通聯(lián)編輯：唐一東】