結(jié)合代價敏感半監(jiān)督集成學(xué)習(xí)的糖尿病視網(wǎng)膜病變分級

任福龍，曹 鵬，萬 超，趙大哲

(1.東北大學(xué) 計算機科學(xué)與工程學(xué)院，沈陽 110089； 2.東北大學(xué) 軟件架構(gòu)國家重點實驗室，沈陽 110179；3.中國醫(yī)科大學(xué)附屬第一醫(yī)院 眼科，沈陽 110001)(*通信作者電子郵箱hundred2005@126.com)

0 引言

近年來糖尿病已發(fā)展成為世界流行的重大疾病，而糖尿病視網(wǎng)膜病變(Diabetic Retinopathy， DR)(簡稱糖網(wǎng))是糖尿病最為嚴重的并發(fā)癥之一。糖網(wǎng)以其發(fā)病早、發(fā)病率高、波及廣，已成為西方國家成年人致盲的首位原因[1]。目前我國約有1億人正受到糖尿病的威脅，由糖尿病引起的視力下降和失明的發(fā)病率正與日俱增。臨床上，糖網(wǎng)的早期病變可通過眼底圖像中視網(wǎng)膜病變的醫(yī)學(xué)征兆進行檢測，而對于糖尿病患者而言，盡早的診斷和治療是控制糖網(wǎng)病情發(fā)展的關(guān)鍵，因此，利用眼底圖像進行及早的、定期的糖網(wǎng)篩查是防治糖網(wǎng)病變的唯一有效手段。

糖尿病患者由于長期的血糖過高，導(dǎo)致視網(wǎng)膜毛細血管形狀和結(jié)構(gòu)發(fā)生改變，毛細血管壁因受損造成膨出從而形成微動脈瘤(MicroAneurysms， MAs)。MAs作為糖網(wǎng)最早期的病變表現(xiàn)，在眼底圖像中表現(xiàn)為紅色小圓點，直徑在10～100 μm，也是眼底圖像上能觀測到的最小病變。而之后下一個呈現(xiàn)的病變是出血斑(Hemorrhages， HEMs)。HEMs是脆弱的毛細血管破裂所致，在眼底表現(xiàn)為灰度不均勻、大小不一的紅或暗紅色區(qū)域，其直徑一般大于125 μm[2]，這也是與MAs的主要區(qū)分特征。MAs和HEMs統(tǒng)稱為紅色病灶[3]，圖1顯示一幅標(biāo)記眼底結(jié)構(gòu)和紅色病灶的圖像實例。在糖網(wǎng)的臨床分級標(biāo)準(zhǔn)中，紅色病灶作為糖網(wǎng)早期的病灶，它們的出現(xiàn)與否以及數(shù)目決定了疾病的嚴重級別，因此，糖網(wǎng)分級的準(zhǔn)確性主要依賴于紅色病灶檢測的精度。近年來，針對糖網(wǎng)的自動分級診斷，國內(nèi)外許多學(xué)者進行了研究并提出相關(guān)算法[3-6]。盡管達到了較高的敏感性，但由于病灶在眼底圖像上呈現(xiàn)的尺寸差異、對比度差以及部分組織(如血管片段等)在顏色特征和形狀特征方面與紅色病灶很相似，而易被誤解為病變區(qū)域等因素，造成病變的檢測中不可避免地產(chǎn)生了大量的假陽性，如何降低假陽性一直是病變檢測中的難點。在解決糖網(wǎng)檢測假陽性過多的過程中，有兩個關(guān)鍵問題亟待解決。

1)標(biāo)注信息不完備。

假陽性去除的通常方法是利用有標(biāo)記的樣本構(gòu)建監(jiān)督學(xué)習(xí)的分類模型，來有效區(qū)分真假陽性；但現(xiàn)有的糖網(wǎng)公開數(shù)據(jù)集存在標(biāo)注信息不完備的問題。如DIARETDB1(http://www.it.lut.fi/project/imageret/diaretdb1)數(shù)據(jù)集只有病灶標(biāo)注卻缺失糖網(wǎng)分級信息，而MESSIDOR(http://messidor.crihan.fr/index-en.php)數(shù)據(jù)集只提供了糖網(wǎng)分級信息，并沒有提供病灶的標(biāo)注。由于不同的數(shù)據(jù)集采集方式、采集來源等因素差異，如果利用其他有病灶標(biāo)注的數(shù)據(jù)集構(gòu)建監(jiān)督性的分類模型，對MESSIDOR數(shù)據(jù)集產(chǎn)生的疑似病灶區(qū)域進行分類，將會面臨不同數(shù)據(jù)集的數(shù)據(jù)分布不一致的問題，很難達到很高的準(zhǔn)確率。

2)類別分布不均衡。

初始檢測產(chǎn)生的疑似病灶區(qū)域的正負類別的樣本數(shù)量存在差異，又會面臨不均衡數(shù)據(jù)的分類問題[7]，造成分類模型傾向于多數(shù)類別的預(yù)測而忽略少數(shù)類別，最終也會影響分類器的分類性能。

半監(jiān)督學(xué)習(xí)[8-9]允許訓(xùn)練集和目標(biāo)集的樣本之間存在差異，能夠利用訓(xùn)練數(shù)據(jù)中有類別標(biāo)記的樣本和無類別標(biāo)記的樣本進行訓(xùn)練，有效地預(yù)測訓(xùn)練數(shù)據(jù)中無類別標(biāo)記樣本的類標(biāo)記；而基于代價敏感的分類模型是解決不平衡數(shù)據(jù)分類問題的一種有效手段，它在分類時為不同類別的錯誤分配不同的代價，使高代價錯誤產(chǎn)生的數(shù)量和錯誤分類的代價總和最小[10]。此外，單一分類模型很難實現(xiàn)在整個樣本空間上的準(zhǔn)確分類，研究表明半監(jiān)督集成學(xué)習(xí)充分利用了集成學(xué)習(xí)的優(yōu)勢，能明顯改進單一分類器的性能，讓每一個分類模型都在其優(yōu)勢空間區(qū)域內(nèi)發(fā)揮作用，提高模型的準(zhǔn)確性[11-13]。綜合以上思路，本文將半監(jiān)督學(xué)習(xí)技術(shù)與代價敏感的方法相結(jié)合，并引入到集成學(xué)習(xí)的Bagging框架中以提高算法的泛化能力和精準(zhǔn)性，最終構(gòu)建基于代價敏感的半監(jiān)督Bagging(Cost-Sensitive based Semi-supervised Bagging, CS-SemiBagging)模型。通過對MESSIDOR數(shù)據(jù)集提供的1 200幅眼底圖像進行糖網(wǎng)分級評估，獲得準(zhǔn)確率為90.2%，敏感性為87.4%，特異性為96.7%，F(xiàn)1-score為0.873的結(jié)果。結(jié)果表明了本文提出的方法在糖網(wǎng)分級中的有效性。

1 基于代價敏感的半監(jiān)督Bagging模型

在樣本類別分布不平衡的環(huán)境下，本文研究的基于代價敏感的半監(jiān)督Bagging模型的構(gòu)建流程如圖2所示。整個流程主要包括3個階段：1)建立基于代價敏感的支持向量機模型作為基分類器；2)利用半監(jiān)督技術(shù)預(yù)測無標(biāo)記樣本的偽類別標(biāo)記，并基于高置信度的策略進行采樣；3)以Bagging方式構(gòu)建多個不同的訓(xùn)練樣本集，分別在其上訓(xùn)練多個基分類器，將各基分類器集成為強分類器，并通過投票方式得到最終的分類結(jié)果。

圖2 CS-SemiBagging模型的構(gòu)建流程

1.1 基于代價敏感的SVM分類模型

近年來，由類別分布不均衡數(shù)據(jù)的分類而引發(fā)的不平衡學(xué)習(xí)問題已成為了機器學(xué)習(xí)領(lǐng)域中的一個重要研究內(nèi)容。本文采用基于代價敏感的支持向量機(Cost Sensitive Support Vector Machine, CS-SVM)作為集成學(xué)習(xí)中的基分類器。支持向量機是機器學(xué)習(xí)領(lǐng)域中解決非線性分類問題的一種有效手段，其目標(biāo)函數(shù)為：

(1)

s.t.yi[(wTxi)+b]≥1-ξi;i=1,2,…,N,ξi≥0

其中：ξi為松弛因子，懲罰系數(shù)C>0。傳統(tǒng)SVM是基于所有類被錯分的代價相等。為了提高不均衡數(shù)據(jù)下分類器的性能，采用不同的懲罰參數(shù)C+和C-代替原來的參數(shù)C，使得分類時針對不同的類別采用不同的錯分代價以提高少數(shù)類別的識別能力，則式(1)可轉(zhuǎn)化為：

(2)

s.t.yi[(wTxi)+b]≥1-ξi,i=1,2,…,N,ξi≥0

其中：C+為正類誤分的代價，C-為負類誤分的代價。重新設(shè)置參數(shù)C+和C-，令C-=C,C+=C×Cf，其中，C為SVM的懲罰參數(shù)，Cf為錯分代價因子，則式(2)變?yōu)椋?/p>

(3)

s.t.yi[(wTxi)+b]≥1-ξi;i=1,2,…,N,ξi≥0

通過求其對偶問題：

(4)

(5)

其中k(xi,x)=exp(γ‖xi-xj‖2)作為高斯核函數(shù)，γ為核參數(shù)。

1.2 基于半監(jiān)督技術(shù)的標(biāo)簽預(yù)測與采樣

半監(jiān)督學(xué)習(xí)能夠在保持數(shù)據(jù)樣本分布的情況下對未標(biāo)記樣本進行標(biāo)記。在半監(jiān)督學(xué)習(xí)中，給無標(biāo)注樣本分類常常遵循兩個準(zhǔn)則：1)無標(biāo)記樣本的類別一定與其相似度高的標(biāo)記樣本的類別一致；2)相似度高的無標(biāo)記樣本一定屬于相同的類別[12]。基于這兩個準(zhǔn)則，本文在給無標(biāo)記樣本分類時，通過準(zhǔn)則1)在樣本空間與其最相似的K個有標(biāo)記樣本，以及準(zhǔn)則2)在決策空間與其最相似的K個無標(biāo)記樣本的分類一致性來決定無標(biāo)記樣本的偽類別標(biāo)記。通過衡量無標(biāo)記樣本與有標(biāo)記樣本的相似度來判斷無標(biāo)記樣本的類別標(biāo)記，同時計算無標(biāo)記樣本的置信度，選取高置信度的無標(biāo)記樣本，可避免或減緩在半監(jiān)督學(xué)習(xí)中錯誤地標(biāo)記樣本對分類器分類性能的影響。

(6)

(7)

1.3 基于Bagging的集成學(xué)習(xí)框架

Bagging方法是一種通過組合隨機生成的訓(xùn)練集而改進分類的集成算法，它通過隨機采樣方式抽取訓(xùn)練子集，從而構(gòu)造多個基分類器，最終組合生成強分類器。Bagging作為一種集成學(xué)習(xí)方法，要求各基分類器之間盡可能相互獨立，并且各基分類器之間盡可能有較大的差異[14]，因此，本文通過變化訓(xùn)練集中有標(biāo)記樣本數(shù)量來增加基分類器間的差異，即在不同采樣率lp下對有標(biāo)記樣本進行bootstrap采樣，并與訓(xùn)練集中的無標(biāo)記樣本一起進行半監(jiān)督訓(xùn)練，將訓(xùn)練得到的多個基分類器組合為強分類器，并使用多數(shù)投票法得到最終的分類結(jié)果。

本文CS-SemiBagging算法流程描述如下。

1)樣本的采樣率LP={lp1,lp2,…,lpM}，近鄰參數(shù)K，U中被采樣加入到標(biāo)記樣本集的樣本占U中全部樣本的比率Tup，其可作為半監(jiān)督學(xué)習(xí)收斂的條件。

4)form=1，2，…，M

②Repeat

表1 MESSIDOR的糖網(wǎng)分級標(biāo)準(zhǔn)

2 實驗驗證

2.1 實驗設(shè)置

為了驗證本文方法在眼底圖像上糖網(wǎng)分級的效果，本文選用兩個國際公開的數(shù)據(jù)集：DIARETDB1和MESSIDOR數(shù)據(jù)集。DIARETDB1數(shù)據(jù)集包含了89幅分辨率為1 500×1 152的眼底圖像，每幅圖像都提供了糖網(wǎng)的病灶標(biāo)注(包括微動脈瘤、出血斑、棉絮斑和硬性滲出)，這個數(shù)據(jù)集主要作為紅色病灶分類實驗中有標(biāo)記樣本的來源；而MESSIDOR數(shù)據(jù)集用于糖網(wǎng)分級結(jié)果的驗證，它提供了糖網(wǎng)分級標(biāo)準(zhǔn)(分為4級，如表1所示)，包含了分辨率分別為1 400×960、2 240×1 488和2 304×1 536的1 200幅眼底圖像。其中：0級的圖像有547幅，1級圖像有153幅，2級圖像有246幅，3級圖像有254幅。為了評估算法的性能，本文采用了準(zhǔn)確率(Accuracy)、敏感性(Sensitivity)、特異性(Specificity)以及F1分數(shù)(F1-score)4種評價指標(biāo)，并采用10倍交叉驗證進行評估。評價指標(biāo)通過真陽(True Positive， TP)、假陽(False Positive， FP)、真陰(True Negative， TN)、假陰(False Negative， FN)、精度(Precision， P)和召回率(Recall， R)進行計算，具體定義如下:

Sensitivity=TP/(TP+FN)

Specificity=TN/(TN+FP)

Accuracy=(TP+TN)/(TP+FP+TN+FN)

F1-score=2*P*R/(P+R)

P=TP/(TP+FP)

R=TP/(TP+FN)

如果疑似病灶區(qū)域50%以上的像素落在參考標(biāo)準(zhǔn)的區(qū)域內(nèi)，則被認為真陽。在CS-SemiBagging模型中懲罰參數(shù)C設(shè)為10，代價因子Cf設(shè)為正負樣本的數(shù)量比例，核函數(shù)中的γ設(shè)為1，有標(biāo)記樣本的采樣率LP={30%,40%,50%,60%,70%,80%,90%,100%}，而近鄰參數(shù)K和無標(biāo)記樣本采樣率Tup均采用內(nèi)部交叉驗證得到其最優(yōu)值作為最終參數(shù)值。

表2 特征列表

2.2 疑似病灶檢測及特征提取

圖3為在DIARETDB1數(shù)據(jù)集上進行紅色病灶檢測的例子，圖中的白色圓圈表示病灶的參考標(biāo)準(zhǔn)。由于紅色病灶和血管在綠色通道圖像中具有較好的對比度，所以將原始灰度圖像(如圖3(a))轉(zhuǎn)換為綠色通道的灰度圖像(如圖3(b))。基于綠色通道的灰度圖像，采用之前工作中的圖像處理方法[7]，包括Top-hat變換方法、高斯濾波、區(qū)域生長等一系列操作，獲得主要的血管分割結(jié)果(如圖3(c))和疑似病灶區(qū)域(如圖3(d))。

為了獲得具有足夠區(qū)分度的特征來描述疑似病灶區(qū)域，本文從顏色、形狀和紋理方面對每個疑似病灶的感興趣區(qū)域(Region Of Interest， ROI)提取多維(22維)特征(如表2所示)。由于微動脈瘤和出血斑等紅色病灶在眼底圖像上表現(xiàn)為紅色或暗紅色，其在綠色通道圖像上具有更高的亮度值和對比度，并且由于LAB色彩空間的亮度信息分離度高于其他色彩空間，LAB色彩空間的A通道表示從紅色到綠色的信息范圍，其上紅色的病灶也體現(xiàn)了較高的亮度值，所以特征f1到f12分別從RGB、綠色通道和LAB的A通道圖像上提取ROI的顏色特征，以增加紅色病灶的區(qū)分度。特征f13到f17體現(xiàn)了微動脈瘤的形狀信息，真正的微動脈瘤的形狀上近似圓形，其外接矩形的長軸和短軸更加接近，并具有更高的緊湊度，此外，微動脈瘤的直徑在100 μm左右，而出血斑的直徑要大于125 μm，因此，ROI的面積特征能夠更好地區(qū)分微動脈瘤與出血斑。特征f18到f22描述紅色病灶的紋理信息，眼底圖像上暗色的紅色病灶區(qū)域一般具有相對明顯的邊界，其邊界上具有較高的梯度值，并且區(qū)域內(nèi)部具有較小的灰度變化，其外接矩形內(nèi)具有較低的熵值。

圖3 紅色病灶的檢測

2.3 病灶分類與糖網(wǎng)分級

在對每個疑似病灶區(qū)域提取底層視覺特征后，構(gòu)建本文提出的CS-SemiBagging模型，并訓(xùn)練優(yōu)化模型進行病灶的分類，在具體的MAs與HEMs的分類上，本文采用了兩階段二分類的策略(如圖4所示)，在第一階段中將疑似病灶區(qū)域分類為紅色病灶與非病灶區(qū)域，以去除假陽性，第二階段中將紅色病灶分類為MAs與HEMs，圖3(e)和圖3(f)分別為MAs與HEMs的檢測結(jié)果。最終依據(jù)MAs與HEMs的數(shù)目并參照糖網(wǎng)分級的標(biāo)準(zhǔn)(如表1)進行糖網(wǎng)分級。

2.4 模型參數(shù)有效性驗證

在CS-SemiBagging模型中，需要對近鄰參數(shù)K和無標(biāo)記樣本采樣率Tup進行參數(shù)調(diào)優(yōu)和有效性驗證。

2.4.1 近鄰參數(shù)K對性能的影響

參數(shù)K表示在模型的每一次半監(jiān)督學(xué)習(xí)的迭代過程中，計算每個無標(biāo)記樣本的相似度矩陣時選取的近鄰數(shù)。本文分別令K=5,10,15,20,25,并暫時令Tup=50%，K值的選擇與糖網(wǎng)分級的性能之間的關(guān)系如圖5所示。實驗表明：隨著K值的增加，模型的分類性能會先提升再下降，最后趨于平穩(wěn)。這是因為K值的增加使選取的無標(biāo)記樣本的近鄰樣本數(shù)增多，則根據(jù)樣本的置信度和偽類別標(biāo)注的計算公式，樣本置信度的可信度得到提升的同時，樣本被錯誤標(biāo)記的可能性也逐漸減小，因此，模型的分類性能會升高。由于近鄰樣本數(shù)的增加也會引入噪聲數(shù)據(jù)，當(dāng)噪聲數(shù)據(jù)達到一定量時，導(dǎo)致了樣本的偽類別標(biāo)注的準(zhǔn)確度和置信度的可信度下降，進而降低了模型的分類性能。另外，由于實驗中無標(biāo)記樣本采樣率Tup不變，即引入訓(xùn)練中的無標(biāo)記樣本的數(shù)量一定，所以當(dāng)K值達到一定數(shù)值后，模型的性能不會再有大的變化。實驗中K值在10時獲得最優(yōu)的結(jié)果。

圖4 微動脈瘤與出血斑的分類

2.4.2 參數(shù)Tup對性能的影響

參數(shù)Tup表示訓(xùn)練集的U中被采樣加入到標(biāo)記樣本集的樣本占U中全部樣本的比率，其也是半監(jiān)督迭代訓(xùn)練中模型的收斂條件。本文實驗中分別令Tup=30%,40%,50%,60%,70%,80%,90%，同時設(shè)置K值為10。實驗結(jié)果如圖6所示。實驗表明：Tup值的增加，即目標(biāo)數(shù)據(jù)集中參與模型訓(xùn)練的樣本數(shù)目的增加，也就會相應(yīng)地提升目標(biāo)數(shù)據(jù)集的分類性能，但由于不同數(shù)據(jù)集之間的差異，當(dāng)被采樣的無標(biāo)記樣本的總數(shù)目增加到一定量后，樣本的偽類別被錯誤標(biāo)注的可能性將增加，同時樣本置信度的可信度也會下降，也就導(dǎo)致了模型的分類性能的下降。實驗中Tup值在70%時獲得最優(yōu)的性能。

圖5 不同K值下CS-SemiBagging算法的性能

圖6 不同Tup值下CS-SemiBagging算法的性能

2.4.3 分類結(jié)果

圖7顯示了在患有糖網(wǎng)的眼底圖像上病灶(微動脈瘤和出血斑的)的檢測結(jié)果，其中白色圓圈標(biāo)記了檢測到的微動脈瘤的位置，白色矩形標(biāo)記了檢測到的出血斑的位置。從檢測結(jié)果中可以觀察到一些比較小的和鄰近血管的病灶都得到了很好的識別。在MESSIDOR數(shù)據(jù)集的1 200幅圖像上得到的糖網(wǎng)分級的詳細結(jié)果如表3所示。結(jié)果顯示雖然糖網(wǎng)0級的圖像所占總圖像數(shù)目的比例較高，但由于引入代價敏感的方法，使得實驗結(jié)果沒有嚴重地向糖網(wǎng)0級進行傾向。

圖7 糖網(wǎng)圖像上紅色病灶的檢測結(jié)果

Tab. 3 Results of DR grading on MESSIDOR dataset

為了比較本文的CS-SemiBagging方法與其他方法的性能，分別選擇了監(jiān)督學(xué)習(xí)中的SVM和CS-SVM方法，以及半監(jiān)督學(xué)習(xí)中的Self-training和Co-training方法進行測試，其中兩個半監(jiān)督方法的基分類器均采用CS-SVM，其相關(guān)參數(shù)設(shè)置與CS-SemiBagging模型中的設(shè)置相同。此外，測試中也選擇了基于Radon變換的圖像分類方法[3]與本文方法進行比較，通過Radon變換可以計算圖像在某個角度下徑向線方向的投影，進而利用Radon變換數(shù)據(jù)標(biāo)準(zhǔn)差的差異來區(qū)分圖像上的線狀目標(biāo)(血管片段)和點塊狀目標(biāo)(微動脈瘤或出血斑)。各方法性能比較的結(jié)果如表4所示，從表4中可以看出基于機器學(xué)習(xí)的方法要好于Radon變換的圖像分類方法，這是由于紅色病灶在顏色、形狀、對比度等方面的多樣性決定了基于多特征描述的機器學(xué)習(xí)方法要比依賴于單一形狀特征描述的Radon變換方法更適合病灶假陽性的去除，如Radon變換方法對于形狀不一的出血斑病灶不能達到完全有效的識別，此外，Radon變換數(shù)據(jù)標(biāo)準(zhǔn)差的閾值決定了此方法的分類精度，而不同數(shù)據(jù)集間的差異嚴重影響了此閾值選擇的有效性，導(dǎo)致了此方法的性能不高。實驗結(jié)果中CS-SVM的性能要好于SVM的性能，這是考慮了不均衡數(shù)據(jù)的分類問題的結(jié)果。另外，半監(jiān)督學(xué)習(xí)方法的性能要好于監(jiān)督學(xué)習(xí)的方法，這是由于半監(jiān)督學(xué)習(xí)能夠很好地解決不同數(shù)據(jù)集的數(shù)據(jù)分布不一致的問題，從而提高目標(biāo)數(shù)據(jù)集分類性能的緣故。從結(jié)果中也可以看出CS-SemiBagging方法的性能要優(yōu)于其他方法，這主要由于此方法除了考慮以上提到的兩個問題之外，還采用了多分類器集成學(xué)習(xí)思想的緣故，實驗結(jié)果也表明了本文提出的方法在糖網(wǎng)分級中的有效性和一定的優(yōu)勢。

表4 不同糖網(wǎng)分級方法的比較

3 結(jié)語

本文在糖網(wǎng)的分級診斷應(yīng)用中提出了基于代價敏感的半監(jiān)督集成學(xué)習(xí)的算法，將半監(jiān)督學(xué)習(xí)技術(shù)與代價敏感的SVM方法相結(jié)合，并融入到集成學(xué)習(xí)的Bagging框架中，提升了分類的泛化能力和精準(zhǔn)性，進而有效地實現(xiàn)對眼底圖像的糖網(wǎng)分級診斷。該算法一方面考慮了糖網(wǎng)病灶樣本的類別分布不平衡對分類性能的影響；另一方面在半監(jiān)督技術(shù)上采用K近鄰樣本的一致性對無標(biāo)記樣本進行偽類別標(biāo)簽的標(biāo)注和置信度計算，從而大幅度降低了無標(biāo)記樣本采樣過程中引入噪聲的可能性。實驗結(jié)果表明本文提出的方法能夠很好地解決醫(yī)學(xué)圖像分類中病灶沒有標(biāo)注的問題和假陽性去除中存在的不均衡數(shù)據(jù)分類問題，同時獲得了更好的結(jié)果。本文工作只是進行糖網(wǎng)病變程度的分級診斷，未來在本文研究的基礎(chǔ)上，如何利用半監(jiān)督集成學(xué)習(xí)的方法進行其他眼底疾病如糖網(wǎng)黃斑水腫的風(fēng)險分級等，將是今后的研究重點。