胎盤植入的BP神經網絡輔助診斷模型

楊丹林 何斌杰 張棟 顏建英

胎盤植入（Placenta accreta，PA）是指胎盤發生異常侵襲性種植，胎盤絨毛直接穿透底蛻膜到達或侵入子宮肌層。它好發于底蛻膜局部存在的原發或繼發性缺陷，如蛻膜發育不良、多次人流、子宮手術損傷等情況，是導致嚴重產后出血、子宮切除、產褥期感染的主要原因。近年來，隨著剖宮產、人工流產等手術操作的上升，胎盤植入的發生率明顯升高。及早識別診斷PA，對降低或避免胎盤植入導致的并發癥，甚至減少或避免子宮切除都具有重要意義。本文提出針對胎盤植入輔助診斷的神經網絡預測模型。BP神經網絡利用梯度搜索技術，使網絡的實際輸出值與期望輸出值的誤差均方差最小。本文設計一個三層的BP神經網絡模型來進行胎盤植入預測，分別為輸入層、隱藏層和輸出層。本文收集了266條臨床產婦數據，并從中抽取出14個胎盤植入的影響因素。14個指標作為BP神經網絡的輸入層的14個節點。此外，輸出層僅有一個節點表示是否患有胎盤植入。最后根據BP神經網絡隱藏層節點數經驗公式得出隱藏層節點數為5。在266條數據中，取40條作為測試組，其余作為訓練組。實驗結果得出訓練所得BP神經網絡模型預測準確率為85%。

1 資料與方法

1.1 資料

有報道2009—2012年胎盤植入的發生率為3.4‰[1]。有研究發現2004—2010年與2010—2014年胎盤植入的發生率分別為0.8‰（10/12890）與1.5‰ （9/5948），發生率明顯上升，且胎盤植入所致的子宮切除率亦明顯從20.0%（2/10）上升為77.8%（7/9）[2]。Chawla J等回顧性分析2006—2014年急診子宮切除患者中胎盤植入者占21%[3]。有報道分析2012—2013年英國212家醫院277 例接受大量輸血的產后出血患者，其中45%的患者接受子宮切除以挽救生命，胎盤植入為主要原因（40%）；此外，93%胎盤植入患者接受了子宮切除手術[4]。Ahmed SR 等報道2014年住院分娩孕產婦中1.3%（52/3841）存在前置胎盤，合并胎盤植入占26.4%（14/52），其中15.1%接受產科子宮切除術，3.8%導致腸損傷，13.2%引起膀胱損傷，且引起13.2%死產及20%新生兒入住NICU[5]。

目前胎盤植入主要輔助檢查方法包括母血清甲胎蛋白（AFP）、血清肌酸激酶（CK）、血清游離胎兒DNA、灰階成像、彩色多普勒超聲、3D能量多普勒超聲、磁共振成像（MRI）等。在臨床診斷上，醫療人員對高齡及多次孕產的產婦會多考慮患胎盤植入的風險，成為預測及診斷胎盤植入的指標之一[6-7]。

此外，子宮手術史的孕婦也被研究人員列入胎盤植入高危產婦之列。與高齡及多次孕產的產婦一樣，有子宮手術史的產婦也是胎盤植入高危患者，成為臨床醫生診斷考慮的指標之一[8]。

1.2 神經網絡方法

BP神經網絡是人工神經網絡的一種類型，它具有結構簡單、易于實現的優點[9]。本文選取了三層的BP神經網絡模型，隱含層的節點數決定了神經網絡的效能[10]。目前神經網絡的節點數選擇取決于經驗公式，m代表隱含層節點數，n和l分別代表輸入層節點數和輸出層節點數，α表示1～10之間的調節常數[11-12]。本文從臨床數據中抽取了14個特征值（血清白蛋白、血清總膽汁酸、載脂蛋白B、高密度脂蛋白、乳酸脫氫酶、前次與此次妊娠時間間隔、胎兒測量指標、胎盤分級、羊水情況、宮頸管長度、胎盤后的血液流動間隙、胎盤位置、月經間隔、流產次數）作為輸入層節點，是否患有胎盤植入作為輸出節點。故n=14，l=1，經過試驗，α取1時神經網絡準確率最高。所以隱含層節點數取為5。

2 結果

2.1 實驗數據

本文選擇MATLAB作為實驗平臺。對于BP神經網絡，除確定隱含層節點，還要確定訓練參數組。本文選取不同參數做對比實驗，最終確定最優參數組：學習率0.05、訓練次數300、收斂精確度0.00 001。

2.2 實驗結果分析

實驗得出兩組數據，一組是隱含層節點的權值數據，它反映了14個特征值中每個特征值對結果的影響程度，可得隱含層有5個節點，則1個特征值有5個權值。根據特征值處理方式，將5個權值的絕對值之和定為這個特征值的最終權值。最終權值反映了該特征對判定胎盤植入的重要性。其中，胎盤植入數據的特征判定中，權值由高到低分別為胎盤后血液流動間隙、血清總膽汁酸、血清白蛋白、羊水情況、載脂蛋白B、胎盤位置、乳酸脫氫酶、高密度脂蛋白、流產次數、妊娠時間間隔、胎盤等級、宮頸管長度、胎兒測量指標和月經間隔。

可知14個特征指標中對胎盤植入影響最大的三個因素是胎盤后血液流動間隙、血清總膽汁酸和血清白蛋白。對胎盤植入影響最小的是月經間隔。

另一組數據是40個測試數據的判定結果。結果用1表示胎盤植入，2表示正常，序號1～30標準結果為2，序號31～40標準結果為1。

圖1 實驗數值分布圖

實驗數值分布見圖1，當判定數值處于Ⅳ區域時，認為其肯定為胎盤植入，當判定數值處于Ⅰ區域時，認為其肯定為正常。當判定數值處于Ⅱ、Ⅲ區域，認為其有胎盤植入可能，利用公式（2-判定數值）×100%作為該測試數據為胎盤植入的概率。為計算準確率，規定當概率大于等于50%時算作胎盤植入，當概率小于50%時算作正常。根據以上規定，處于Ⅰ、Ⅱ區域的結果認為是正常，Ⅲ、Ⅳ區域的結果認為是胎盤植入。總共40條測試數據，由于序號1～30標準結果為正常，序號31～40標準結果為胎盤植入。故得出判定錯誤數據一共有6條，判定準確率為85%。

根據對實驗結果的分析，可以得出，在選取的14個特征值中，胎盤后血液流動間隙、血清總膽汁酸和血清白蛋白是胎盤植入的主要表征。同時，利用測試樣本，證明所訓練的BP神經網絡對胎盤植入的預測準確率為85%。同時，基于神經網絡節點權值收斂的特性，該神經網絡模型可用于研究胎盤植入的潛在影響因素。

3 討論

本文利用了BP神經網絡的方法對胎盤植入進行輔助診斷，同時該方法還可以對胎盤植入的病因進行分析。實驗結果表明BP神經網絡方法正確率為85%，證明了該方法的有效性。我們認為在目前胎盤植入臨床診斷有局限性的情況下，本文提出的方法可以為臨床醫療人員提供診斷借鑒，從而提高醫療人員對胎盤植入診斷的正確率。