基于BP神經網絡的腫瘤手術麻醉風險評估模型

朱丹紅 鄭輝哲 何斌杰

麻醉風險是指麻醉過程中所發生的患者生理功能遭受嚴重干擾而危及生命的事件，來自于麻醉并發癥和麻醉意外。麻醉并發癥是指由麻醉引起的、不希望發生的組織損傷或病態反應[1]。麻醉意外是難以預料的客觀特殊情況，但麻醉并發癥是能夠預料的。如果發現及時且處理得當，可不發生嚴重后果，否則將造成功能障礙、殘疾甚至死亡。目前麻醉風險主要由麻醉醫師依據臨床經驗判斷，受限于不同麻醉醫師的工作年限、技術水平等主觀因素，因此不同麻醉醫師做出的麻醉風險評估不盡相同[2]，給患者的麻醉風險增加了一些不確定因素，例如：年輕且臨床經驗不足的麻醉醫師可能對麻醉風險評估不夠準確；省市級大醫院的麻醉醫師由于處理過的病例多，臨床經驗足，通常比縣級醫院的麻醉醫師能夠做出更為精確的麻醉風險評估。

由于腫瘤患者病情兇險，且術前合并癥較多，因此麻醉和手術難度較大，麻醉風險較高[3]。為降低麻醉風險評估中的主觀因素，提升麻醉并發癥的預測準確度，本研究基于計算機智能輔助診斷技術，利用機器學習方法，提出基于BP神經網絡的腫瘤手術麻醉風險評估模型。針對腫瘤手術中常見的10類麻醉并發癥，設計包括輸入層、隱藏層、輸出層的三層BP神經網絡，建立計算機輔助診斷與預測。通過收集整理350條臨床麻醉患者數據，選取29個患病特征值，構建BP神經網絡模型進行訓練和測試，并對結果進行評價和討論。

1 材料與方法

1.1 一般資料從2016～2017年福建省腫瘤醫院的臨床病例中篩選具有代表性的病例350例，其中正常病例（無麻醉并發癥）140例，有麻醉并發癥病例210例，比例為2∶3，分為訓練組250例和測試組100例。其中，訓練組數據用于確定BP神經網絡的權重參數；測試組數據用于驗證模型的準確率。

根據臨床經驗，在腫瘤手術中麻醉風險程度與患者年齡、腫瘤類型、病情嚴重程度、術前身體狀況、潛在疾病等因素密切相關，其中，患者術前所患潛在疾病與術后產生的麻醉并發癥相關性很強，在圍術期死亡病例中大約有90%與患者的原有疾病和手術影響有直接關系[4]，例如：術前有肝膽病史的患者，術后患肝膽類麻醉并發癥的機率遠高于一般患者。因此，本研究的BP神經網絡模型構建所需的數據主要包括：①年齡、術前身體狀況評估（ASA分級）[5，6]、腫瘤類型、嚴重程度、潛在疾病作為模型的特征輸入，共包括29個特征值，具體如下：年齡、ASA分級、腫瘤類型、嚴重程度、牙周炎、潰瘍癥、氣道狹窄、氣道高敏反應、慢性阻塞性肺病、先天性肺大泡、哮喘、外傷性肋骨骨折、支氣管破裂、鎖骨下挫、心肺疾病、發熱、術前焦慮、甲亢、燒傷、低血壓、竇性心動過速、高鉀血癥、心肌梗死病史、胃腸道疾病、膽管痙攣病史、1個月內實施過氟烷麻醉、肝細胞病理損害、病毒感染、肝毒性藥物使用。②選取10個常見的麻醉并發癥，包括：牙齒損傷、氣管黏膜損傷、急性呼吸道梗阻、單肺通氣、氣胸、急性呼吸功能不全、心律失常、心肌缺血、胃腸道并發癥、肝膽并發癥，作為神經網絡模型的病癥預測目標輸出。

1.2 方法BP神經網絡是人工神經網絡的一種類型，它的結構簡單且易于實現[7]。在腫瘤手術的麻醉風險評估中，BP神經網絡可被看成二分類器，用以預測患者是否患有某種麻醉并發癥。

1.2.1 數據預處理 將350例臨床數據進行預處理，針對29個術前特征數據與10個被預測的并發癥進行離散化和歸一化處理，見表1。其中年齡項分為低齡（＜60歲）和高齡（≥60歲），ASA1～2級都屬于麻醉風險低的級別，因此歸為同一類，ASA6級為腦死亡，通常用于器官移植，本研究不考慮在內。

表1 特征數據量化表

1.2.2 構建BP神經網絡模型 本研究選取包括輸入層、隱藏層、輸出層的三層BP神經網絡模型來實現麻醉并發癥預測的二分類器。其中，隱藏層的節點決定了神經網絡的效能，隱藏層節點數目選擇取決于經驗公式代表隱藏層節點數，m和n分別代表輸入層節點數和輸出層節點數，a表示1～10之間的調節常數[8]。神經網絡的構建流程見圖1。

圖1 神經網絡構建流程圖

由此，本研究利用10個BP神經網絡分別用以預測10個麻醉并發癥，每個網絡的輸入節點個數m=29，表示術前特征取值，輸出節點個數為n=2，代表是否患有該并發癥的術后結果。

經過實驗，得到的神經網絡參數設置為神經網絡層數：3層，輸入層節點數：29個，隱藏層節點數：6個，輸出層節點數：2個（不患病或者患病），輸出層激活函數：Sigmoid，損失函數：計算交叉熵損失，反饋方法：梯度下降算法，學習率：0.05。結合神經網絡的相關參數，構建的神經網絡結構見圖2。w為各個節點的權值，b為各節點的偏置量，f（x）為輸出層激活函數Sigmoid。

圖2 麻醉風險評估的BP神經網絡模型

1.2.3 實驗開發環境 本研究采用Docker[9]與TensorFlow[10]搭建BP神經網絡麻醉風險評估模型的運行環境。Docker是一種開源的應用容器引擎，開發者可以將所開發的應用打包成Docker鏡像，Docker鏡像可以直接運行在裝有Docker虛擬環境的任意主機，而無需關心環境配置和依賴性問題。TensorFlow是一個基于數據流編程的符號數學系統，它提供了許多機器學習的相關函數接口（API），能夠高效實現和運行機器學習相關項目，目前被廣泛應用于各類機器學習算法的編程實現。在Docker平臺中運行TensorFlow的原始鏡像，并利用TensorFlow的相關神經網絡函數接口實現麻醉并發癥的預測模型，最后將程序打包成Docker鏡像，發布在云服務器上，可以被用戶直接下載運行使用。

2 結果

針對臨床采集的350條病例數據，選用250條訓練數據對神經網絡預測模型進行訓練，用100條測試數據對訓練好的模型進行測試。其中，每一組的正常病例個數與患有麻醉并發癥的病例個數的比例均為2∶3，神經網絡訓練步數為10000。

神經網絡中的Sigmoid函數可以把神經網絡的輸出轉化為概率值，因此模型的輸出結果為是否患上麻醉并發癥的概率。為了便于統計，設定患病概率大于50%則標記患病，不患病概率大于50%則標記為不患病。該BP神經網絡對麻醉并發癥的平均預測準確率達89.8%，準確率較高，其中牙齒損傷預測準確率為88%，氣管黏膜損傷為89%，急性呼吸道梗阻為83%，單肺通氣為93%，氣胸為87%，急性呼吸功能不全為88%，心律失常為89%，心肌缺血為95%，胃腸道并發癥為91%，肝膽并發癥為95%。除此之外，該BP神經網絡在實際應用過程中，可以給出患者患上某種麻醉并發癥的概率，有助于醫生判斷患者的麻醉風險程度。

3 討論

本研究提出了一種面向腫瘤手術麻醉風險評估的麻醉并發癥計算機智能預測模型。通過分析手術麻醉風險的相關因素，結合人工神經網絡相關知識，構建BP神經網絡模型，再利用Docker和TensorFlow平臺編程部署實現。通過實驗可以得出該模型對腫瘤手術麻醉風險預測的準確率達89.8%，并且可以給出患者患某種麻醉并發癥的風險概率。該模型能夠較好地為臨床麻醉醫師對麻醉風險評估提供客觀指導，減少因為醫院醫療水平、麻醉醫師醫技水平不足等主觀因素而產生的麻醉風險誤判的可能性。此外，該模型通過Docker鏡像發布，用戶可以直接下載Docker鏡像，便于模型應用。今后將收集更多、更豐富的病例數據，用以提升模型性能，為臨床治療提供更為準確的計算機智能輔助診斷與預測。