基于深度LSTM的甲亢疾病發展預測及應用系統

楊意豪 王梅 左銘

摘 要：針對甲亢疾病發展的階段性特點，建立LSTM深度學習模型，利用患者的前期關鍵血檢指標，使用該模型對患者未來時刻指標值進行預測，從而獲得后期疾病發展預測情況。在此基礎上，基于Vue.js框架構建了發展預測應用原型系統，實現了指標數據錄入、模型調用、預測結果展示等功能，為醫生當前診療方案的制定和檢驗提供有效幫助。

關鍵詞：甲亢;深度學習模型;血檢指標;Vue.js;原型系統

文章編號：2095-2163（2019）04-0128-04 中圖分類號：TP181 文獻標志碼：A

0 引 言

隨著醫療信息化的快速發展，如何充分利用長期積累的大量臨床醫療數據，進行臨床醫療數據分析與挖掘，從而輔助醫生臨床決策，提高醫療服務的智能水平和醫院的就診效率，成為廣泛關注的熱點問題。

甲亢疾病在內分泌疾病中發病率較高，因內分泌系統作用會對患者全身產生影響，其患病時間越長，治愈也更困難[1]。因此，甲亢疾病的早期干預至關重要。若能在早期階段結合其臨床檢查數據對疾病未來發展情況進行預測，不僅可以方便患者了解自身病情，同時還可輔助醫生評估和制定當前診療方案。如用藥策略的選擇、是否進行一些特殊和非常規的檢查，從而對病情進行有指導的提前干預。因此，對甲亢病情預測的研究十分必要且具有重要的臨床意義。

本文基于甲亢疾病發展的階段性特點，建立LSTM深度學習模型，利用患者的前期關鍵血檢指標，使用該模型對患者未來時刻指標值進行預測，從而獲得后期疾病發展預測情況。本文使用真實數據對模型的有效性進行了驗證。在此基礎上，基于Vue.js框架開發了發展預測應用原型系統，實現了學習模型與應用系統的有效結合，從而為醫生當前診療方案的制定和檢驗提供幫助。

1 相關工作

甲狀腺疾病是內分泌系統最常見和多發的疾病，常引起臨床各學科的關注，其中又以甲狀腺功能亢進癥（甲亢）最多見。在前期研究中，Strieder等人[2]通過數據分析建立了簡單的預測評分，用來評估自身免疫性甲狀腺?。ˋutoimmune Thyroid Disease，AITD）患者女性親屬患病的風險。Wang等人[3]采用YOLOv2神經網絡深度學習建立甲狀腺結節圖像自動識別與診斷系統。Yen-kung等人[4]使用Cox比例風險模型評估Graves病患者發生癌癥的風險?，F有工作主要關注于甲亢疾病的相關性分析或自動診斷，對疾病發展預測的相關工作較少。

LSTM（長短時記憶網絡）作為一種深度神經網絡，可通過隱層節點循環連接和具有門結構的神經元捕捉長期時序依賴關系[5]，被廣泛用來處理具有時間順序發展特點的數據，獲得了良好的效果。本文基于甲亢疾病發展的階段性特點，構建LSTM深度學習模型，并基于該模型進行甲亢指標值的預測。

在系統實現上，本文使用Vue.js框架，該框架是一種輕量的漸進式框架。一方面，其核心庫只關注視圖層，易于上手，且便于與第三方庫或其它項目整合;另一方面，當與單文件組件以及其它所支持的各類庫結合使用時，也能夠為復雜的應用程序提供驅動[6]。

2 甲亢病情預測模型

經甲狀腺醫學臨床研究表明，甲狀腺疾病的臨床診療與4項脫敏血檢指標密切相關，分別為游離三碘甲腺原氨酸FT3、游離甲狀腺素FT4、促甲狀腺素TSH和促甲狀腺素受體抗體TRAb[7]。當FT3、FT4水平升高，同時TSH水平降低，即可診斷患有甲狀腺功能亢進癥。TRAb水平作為檢測由淋巴細胞產生并刺激甲狀腺的免疫球蛋白-TSI的標準，與甲亢的痊愈有著重要的關系。因此，該模型通過4項指標水平的變化規律預測未來的病情發展狀況。

模型首先通過前若干個月的上述4個血檢指標值預測未來某時刻的指標值，然后由該時刻的指標正常、異常判斷，匯總得到病情發展狀況預測。根據相關醫學研究成果以及醫生臨床經驗所知，患者在患病前六個月內的指標變化與病情未來發展有重大聯系，患病后兩年左右時間點的病情狀況具有一定的代表意義。因此，該模型根據前六個月的FT3、 FT4、 TSH、 TRAb 4項指標值預測2年時刻的指標值。

4項指標的異常范圍見表1。依據表1可以發現FT3、FT4、TSH及TRAb指標具有不同的量綱和單位，數據范圍各有差異，這會很大程度地影響模型的訓練效果。因此，應當對每個指標統一范圍、規范數據。標準化處理能夠消除指標之間的量綱影響，使指標之間具有可比性，更適合模型訓練，還可以減小指標缺失的影響。本文采用0均值標準化（zero_score）對每位患者的每項指標做標準化處理，該方式的計算公式如下：

由于患者前六個月的指標檢查記錄按診斷時間先后形成了一種序列數據，為了沿著時序探索指標的變化規律，本文使用LSTM算法分析數據。LSTM神經元結構如圖1所示。

將患者前六個月及2年時間點的指標值作為訓練數據輸入模型進行參數學習，完成模型訓練后，可進行預測?；谠撃Ｐ偷募卓翰∏轭A測算法如下：

Input：data

Output：result

set model = restore（LSTM_model）

standard_data = zero_score（data）

output = model.predict（standard_data）

result = inverse_zero_score（output）

return result

其中，data表示待預測的數據，LSTM_model為已經訓練好的模型。首先從模型中讀取已訓練的參數，其次將標準化后的數據輸入模型并預測，最后還原標準化得到預測結果。

3 應用系統框架實現

系統采用基于Vue.js框架的B/S架構。在成功啟動系統并正常運行后，可通過瀏覽器輸入IP地址和端口號進行訪問。本系統分為患者端和醫生端，患者端主要有用戶信息管理、查看檢查記錄、查看診斷數據等功能;醫生端主要有用戶信息管理、診斷患者病情等功能。查看診斷數據時，患者的病情預測結果是使用基于LSTM算法的甲亢病情預測模型所得。該系統使用MySQL數據庫存儲用戶信息和檢查記錄等數據。系統功能設計介紹如下：

（1）用戶管理。該功能主要是注冊新用戶或是修改用戶名和密碼，用戶分為患者和醫生。

（2）查看與增加患者檢查記錄。該功能主要是在患者進入系統后，通過在線問診上傳自己的檢查報告，然后從數據庫中讀取該患者的血檢記錄，顯示到界面中供患者查看。此外，患者還可以增加自己的血檢記錄，添加成功的數據會保存到數據庫中，同時會顯示到界面中。

（3）查看患者診斷數據。該功能是在患者添加了檢查記錄和基本信息之后，提交個人數據進行病情診斷，系統讀取并顯示該患者的個人信息、檢查報告。同時，系統會調用保存并訓練好的模型程序使用算法進行病情預測，最后將模型自動預測結果及醫生評估結果和治療建議等顯示到界面中供患者查看。

（4）醫生診斷。該功能主要是在醫生進入系統后，查看患者的檢查記錄并操作，通過智能診斷，系統便會將該患者的特征數據做相應的預處理，然后調用模型使用算法進行預測，并將預測結果反饋給醫生。輔助醫生對患者病情進行準確診斷，并給出安全性評價和治療建議，診斷內容自動保存到數據庫中，以便患者查看。

圖2為該原型系統的總體框架設計圖，該原型系統是基于MVVM體系結構的Vue項目，MVVM體系結構具體指View、Model和ViewModel。

View 層是用戶界面，包括登錄界面、注冊界面和診斷界面等。當用戶在界面中進行登錄、注冊、添加數據和病情診斷等操作時，會將控制命令傳遞給ViewModel層。ViewModel層將按用戶的操作處理相應的數據并將結果反饋給View 層，待操作的數據由Model層從數據庫中存取。整個系統通過數據層與Model 層、Model 層與ViewModel層和ViewModel層與View層間的互相通信傳遞信息與請求。

4 應用系統有效性評估

本文所用真實數據（僅含指標數據，無患者個人信息）共包含2 460位患者的臨床診斷數據，將其隨機劃分為2部分，1 960位患者作為訓練數據用于訓練模型。余下500位患者數據輸入應用系統用于系統評測。依次將500位患者的前六個月數據輸入應用系統，調用算法，得到2年預測輸出，根據表1計算其正常、異常判斷，并與其2年附近的真實的正常、異常值判斷作對比，評估模型與系統實用性。這里偏低、正常、偏高可視為類標簽，則評估標準采用分類評價指標，評價指標計算如下：

其中，TP表示為正例且預測為正例的數量;FP表示為負例且預測為正例的數量;FN表示為正例且預測為負例的數量;TN表示為負例且預測為負例的數量。例如對于異常偏低的指標，其正例為指標異常偏低，負例為指標正?；蛑笜水惓Ｆ摺Ｔu估結果見表2。

表2所示的評測結果中，4項指標的平均正確率達到90.84%。其中，FT4指標的預測正確率達到94.62%。由表1可知，與TRAb的整個數值分布范圍相比，其正常范圍較小，因此TRAb的預測正確率在4個指標中相對較低，但也達到了89.23%。上述實驗結果表明本文學習模型具有較高的預測準確率，本文應用系統具有一定的實際臨床意義。

5 結束語

本文提出了一種基于LSTM算法的甲亢血檢指標預測模型，并開發了模型應用原型系統，實現了基于模型的病情預測功能。目前，本文實現的原型系統還存在一些不足，如尚未根據預測結果為患者推薦合適的醫療資源和診療策略。接下來的研究中，將會關注用藥分析及推薦，進一步優化系統的功能與性能。

參考文獻

[1]WANG Y ， SUN X L ， WANG C L ， et al. Influence of screening and intervention of hyperthyroidism on pregnancy outcome[J]. European Review for Medical & Pharmacological Sciences， 2017， 21（8）：1932-1937.

[2]STRIEDER T G A， TIJSSSEN J G P， WENZEL B E， et al. Prediction of progression to overt hypothyroidism or hyperthyroidism in female relatives of patients with autoimmune thyroid disease using the Thyroid Events Amsterdam （THEA） Score[J]. Archives of Internal Medicine， 2008， 168（15）：1657-1663.

[3]WANG Lei ， YANG Shujian， YANG Shan ， et al. Automatic thyroid nodule recognition and diagnosis in ultrasound imaging with the YOLOv2 neural network[J]. World Journal of Surgical Oncology， 2019， 17（1）：12.

[4]CHEN Y K， LIN Chengli， CHANG Y J， et al. Cancer risk in patients with graves disease：A nationwide cohort study[J]. Thyroid， 2013， 23（7）：879-884.

[5]SARRAF S. French word recognition through a quick survey on recurrent neural networks using long-short term memory RNN-LSTM[J]. American Scientic Research Journal for Engineering Technology & Sciences， 2018， 39（1）：250-267.

[6]王志任. 基于Vue.js的開發平臺的設計與實現[D]. 廣州：廣東工業大學，2018.

[7]張紅菊，秦東平. 甲巰咪唑治療甲狀腺功能亢進癥的效果及對FT3、FT4、TSH水平的影響[J]. 臨床醫學研究與實踐，2019，4（9）：42-44.