人工神經網絡對左心室肥厚篩查的應用價值

盛和靜

既往的研究表明，左心室肥厚（LVH）患者的心血管事件發生率較高，遠期預后較差，提示LVH的早期診斷具有較大的臨床意義[1-4]。我國對于LVH人群的篩查檢出率較低，其原因主要有兩個方面：（1）缺乏LVH的直接檢查手段。目前最常用的診斷LVH肥厚的檢查手段是超聲心動圖，還包括MRI、CT等方法。與心電圖相比，其他檢查方式的普及率較低；（2）缺乏LVH的專業診斷技術人員。與心電圖檢查結果的參數自動生成不同，超聲和MRI等檢查方式需要技術人員參與，操作過程復雜，因技術人員不同造成的差異較大。特別是在以疾病篩查為主要任務的基層醫療中心，心電圖由于其便于攜帶、方便操作等優點而應用廣泛。目前有一些現行用于心電圖診斷LVH的公式和評估指標，相關研究顯示這些基于心電圖的診斷公式靈敏度相對較低，用于篩查存在重大缺陷[5-7]。

人工神經網絡（ANN）是一種復雜的網絡系統，通過賦予變量不同的權重來模擬人腦神經的信息處理工作[8]。人工神經網絡對于變量的非線性處理過程主要包括兩個步驟：前向信號傳遞和誤差觸發的反向權重調整。數據信息在隱藏層經過計算處理，然后在輸出層完成結果數據的輸出。如果輸出結果與預知的結局一致則結束運算；如輸出與預知結果不同，則反向進行預測因素的權重調整，重新進行運算，直到輸出結果適配到可接受的水平[9]。本研究目的是建立一個以心電圖參數為主要預測變量的人工神經網絡，評估其用于LVH的篩查價值。

1 資料和方法

1.1 一般資料 選擇2017年1月至2018年1月在溫州市中西醫結合醫院接受健康體檢者486例。納入標準：心電圖和超聲心動圖檢查且心電圖節律判斷為竇性心率。排除標準：影響心電圖間期時長的病變，如預激、傳導阻滯；異位節律心動過速，如陣發性房性心動過速/室性心動過速；節律顯著異常，如心房顫動；房室關系異常，如房室傳導阻滯；起搏心率；符合急性冠狀動脈缺血的心電圖。參與本研究的人群均知情同意，通過本院倫理委員會審核批準。

1.2 方法

1.2.1 數據采集與預測變量選擇 采用超聲心動圖機（荷蘭飛利浦，CX50 POC）和心電圖機（中國納龍科技，aECG-12PWL）分別進行心臟超聲和心電圖檢查。檢查結果由2位經驗豐富的醫療技術人員評估，如果出現矛盾意見，則邀請第三方決定。LVH定義為：二維超聲左心室質量指數（LVMI-2D）≥103g/m2（男性）；≥89g/m2（女性）[10]。根據該標準將研究對象分成兩組：LVH組和對照組。預測變量的選擇以心電圖參數為主，參考簡易進行的原則[8-11]納入變量（共11項）。預測變量可分為3類：（1）通過訪談即可獲得的數據（高血壓病史、性別、年齡）；（2）通過簡單檢測即可得到的數據（身高、體重）；（3）心電圖參數（包括電軸、PR 間期、QRS 間期、QTc 間期、SV1、RV5）。

1.2.2 logistic回歸（LR）模型的建立 根據預測變量臨床指標的截斷值，對所有連續性變量進行分類和轉換，然后采用多因素logistic回歸分析評價LVH相關因素，建立穩定的輸出模型。輸出結果以“0和1”來表示預測結局。計算預測模型靈敏度、特異度及預測價值。

1.2.3 人工神經網絡（ANN）模型的建立 根據分區變量公式[分區變量＝R.Burnuri（0.7）] 對納入本研究的486例研究對象進行無偏隨機分組，隨機分組得到的70%（340例）作為訓練集，將剩下的30%（146例）作為測試集。將所有數據集進行歸一化，使所有變量數據在0～1，以提高神經網絡預測模型的穩定性。采用多層感知器（MLP）作為前饋神經網絡預測模型，對誤差反向傳播進行重復權重調整，使其在最小二乘誤差下停止，保障測試集的誤差維持在最小范圍內。多層感知器的建模過程由包含11項預測變量的輸入層、4個節點組成的一個隱藏層和具有兩個結局（LVH組和對照組）的輸出層組成。首先通過經驗確定隱藏節點的數目，并通過多次測試得到最佳值。多層前向神經網絡模型的預測結果根據超聲心動圖檢查結果設置為LVH組（編碼為1），對照組（編碼為0），根據預測結果可以得到預測變量的相應權重。計算最大Jouden指數（靈敏度+特異度-1）和 ROC AUC。

1.2.4 logistic回歸模型與人工神經網絡模型篩查價值的評價 根據ROC AUC評價人工神經網絡和LR模型預測診斷的價值。比較兩種預測模型的靈敏度、特異度、似然比和一致性。

1.3 統計學處理 采用SPSS22.0統計軟件，正態分布的計量資料以表示，比較采用t檢驗；非正態分布的計量資料采用中位值（四分位數區間，IQR）表示，比較采用Mann-WhitneyU檢驗。計數資料以百分率表示，比較采用χ2檢驗。建立ROC曲線坐標軸，計算ROC AUC。如果ROC曲線與對角線一致，表明AUC為0.5，則提示預測模型與單純隨機模型價值相當；如果靈敏度和特異度達到100%，則提示AUC為1。因此，AUC越大，預測模型診斷價值越高。用Z檢驗對AUC進行比較，計算95%CI。當Jouden指數達到最大值（Jouden指數=靈敏度+特異度-1）時，確認預測模型的靈敏度和特異度。P＜0.05為差異有統計學意義。

2 結果

2.1 預測變量的納入 本研究以心電圖參數為主建立預測變量列表，其中高血壓216例（44.4%），男性 287例（59.1%），年齡（61.19±11.44）歲，體重（65.39±10.05）kg，身高（163.66±10.00）cm；電軸 37（45）°，PR 間期 160（36）ms，QRS 間期 92（8.500）ms，QTc 間期 429（28）ms，SV10.800（0.625）mV，RV51.650（0.915）mV。

2.2 訓練集與檢測集變量比較 見表1。

由表1可見，訓練集與檢測集之間的預測變量差異均無統計學意義（均P＞0.05）。

表1 訓練集與檢測集變量比較

2.3 ANN的構建 ANN預測模型過程，包含一個輸入層（11個變量），一個隱藏層（4個節點），一個輸出層（2個結局）。

2.4 多因素logistic回歸的預測變量分析 見表2。

表2 多因素logistic回歸的預測變量分析

由表2可見，RV5對于篩查LVH的診斷價值較高（P＜0.05）。

2.5 變量權重排序 ANN模型顯示“體重、QTc間期、QRS間期、RV5”是占權重最大的4個預測變量，見圖1。

2.6 兩個預測模型對LVH診斷價值的比較 見圖2、表 3。

由圖2、表3可見，ANN預測模型對LVH篩查診斷的 ROC AUC 值為 0.964（95%CI：0.921～1.000），與LR模型預測診斷的ROC AUC值0.889（95%CI：0.831～0.948）相比，差異有統計學意義（Z=2.016，P＜0.05）。

圖1 ANN預測變量的相關權重

圖2 兩個預測模型的ROC AUC比較

表3 兩個預測模型對LVH診斷價值的比較

3 討論

在我國基層醫療中心篩查LVH的主要困難在于缺乏超聲檢查設備和經驗豐富的醫療技術人員。心電圖檢查由于其儀器攜帶、操作簡便易行在我國基層醫療中心廣泛應用。既往多個研究致力于開發基于心電圖的LVH診斷公式[5-7]，其中常見的包括“Cornell電壓診斷標準”“Sokolow-Lyon電壓診斷標準”“Romhilt-Estes 評分”“電軸”“Perugia 評分”“aVL R波”，靈敏度多在30%～80%，特異度最高可達到90%[7，11]。作為輔助篩查LVH的檢查手段，應進一步研究提高篩查手段的靈敏度。

建立LVH篩查預測模型需要符合3個特征：（1）預測變量容易獲得；（2）預測變量與LVH相關；（3）對醫療技術人員個人能力經驗依賴少。因此本研究納入的預測變量包括易于獲得的個人臨床信息，如病史、年齡、身高、體重，以及相關的心電圖參數，包括電軸、PR間期、QRS間期、QTc間期、SV1、RV5。其他LVH相關的影響因素如腎功能和甲狀腺功能亢進未被納入本研究即基于此原因，血清肌酐及激素水平在基層醫療中心不易獲得。

Hopkins等[12]的研究提示基于神經網絡的LVH預測可能優于傳統的心電圖診斷標準。但我們認為其研究有幾個較大缺陷尚需要改進：（1）該研究的納入對象僅限于男性，研究結果外推整個人群價值有限。既往有研究提示性別差異會導致LVH不同的表型[13]；（2）在 Hopkins的研究中，人群體重未被作為預測變量納入，而通過系統回顧表明LVH與體重顯著相關[14]；（3）Hopkins研究建立的神經網絡預測模型的特異度較低（40%～70%），故對降低醫療費用的作用非常有限，甚至在某種程度上會增加部分非LVH患者的醫療費用。本研究將體重、性別均納入預測變量，預測模型靈敏度為93%，特異度為91%，與Hopkins研究比較，本研究建立的ANN模型在不降低靈敏度的基礎上具備了較高的特異度，顯著優于前者模型。

關于多因素預測模型除了ANN外，LR是臨床上較常用的模型之一。LR模型能夠處理與結局相關的復雜變量數據[15]，增加變量的數量將降低檢測可能存在相關性的能力[16]。LR模型更適用于定性和半定量的變量，而ANN可以用于排查任何類型的交互作用，甚至包括非線性交互作用。本研究建立LR與ANN模型用于LVH預測診斷價值的比較。LR模型P值為0.472，表明該模型擬合較好，其靈敏度和特異度分別為89%和74%；而ANN預測模型的靈敏度和特異度分別為93%和91%。根據ROC AUC，ANN模型優于LR模型。

本研究存在一定的局限性，數據庫構建的模型較小，均來自單個醫療中心。其中數據來源的心電圖機和超聲心動圖儀器來自于特定醫療設備，可以防止構建模型的異質性，但也削弱了將本研究成果應用于其他臨床中心的效能。由于本研究構建模型涉及的預測變量容易獲得，且本研究中使用的心電圖機和超聲心動圖儀等醫療設備為我國最常用的醫療器械品牌，這在一定程度上可以改善外推效應。

將本研究設計的ANN預測模型應用于基層醫療機構的LVH早期篩查，可以在節省醫療資源的基礎上提高篩查效率。通過本研究的前期探索，構造穩定有效的ANN模型可以進一步應用于如竇性心律不齊在性別差異或心力衰竭等心肌結構性病變的篩查[17-18]。