醫療垃圾中感染性廢物的智能分類技術綜述＊

鐘穎斯，趙紫偉

（昆明醫科大學海源學院，云南 昆明650101）

醫療廢物（medical waste）指醫療衛生機構在醫療、預防、保健以及其他相關活動中產生的具有直接或者間接感染性、毒性以及其他危害性的廢物[1]。然而，感染性廢物是醫療廢物中的一種，指能傳播感染性疾病的廢物。由于它具有極強的傳染性，人工分類收集及處理的過程中極易對人體產生直接危害。因此，本文提出結合智能技術分類收集和處置感染性廢物的方法，用智能機器人代替人工進行全過程的分類收集和處置。加強對感染性廢物規范化的管理和無害化處理，無論是從保護環境還是從疾病預防和控制方面都具有極其重要的意義[2]。

1 智能垃圾分類技術比較

1.1 常用智能垃圾分類技術簡介及比較

智能垃圾分類技術在中國還處于摸索階段，優選方法仍不夠成熟。目前多使用的是智能分類垃圾桶，遍布在上海、北京等發達城市，未來將擴展到其他城市和地區。目前相關的智能垃圾分類技術大體分為3類：探測和過濾[3]、深度學習和物聯網[4]、成分分析[5]。它們的功能主要是使用智能技術進行垃圾分類，各種常用的智能垃圾分類技術優缺點比較如表1所示。

1.2 常用智能垃圾分類技術比較結果分析

由表1可以看出，探測和過濾、深度學習和物聯網、成分分析這3種技術，幾乎只對各種普通垃圾適用（目前普通垃圾分為4類：有害垃圾、可回收物、廚余垃圾，其他垃圾）。不論是從優點來看，還是從缺點來看，針對的都只是普通垃圾，范圍較為局限性。

表1 各種常用的智能垃圾分類技術優缺點比較

然而，對于某些特殊的垃圾——醫療廢物，以上3種智能技術，以及智能分類垃圾桶是無法安全、高效、精準分類收集的。醫療垃圾中感染性廢物具有感染性、傳染性，充斥在醫院、診所，乃至生活每一個角落，是人類看不到也摸不著，且容易被忽視的“隱形殺手”。同時，未經處理或處理不徹底的感染性廢物容易污染水體、土壤和空氣。加之，受2019年新冠肺炎疫情的影響，感染性廢物的分類收集和處理已成為全世界關注的熱點。

但是，在中國分類收集和處置感染性廢物方面還存在很多不足，同世界發達國家相比，尚存在很大差距。由于中國主要由人工進行操作，因此受到傷害的案例比比皆是。對佛山市南海區第四人民醫院的醫務人員和后勤人員的職業、暴露過程、暴露物品、處理過程等進行追蹤和調查并數據統計發現，2012—2015年血源性職業暴露人次達149例，平均每年受傷37.25例，其中銳器傷139例（93.29%）。暴露地點：病房占52.35%，門診和急診注射輸液室占26.17%，手術室占10.74%，污物間占6.04%，其他占4.70%。暴露后處理：及時規范傷口處置占比75.84%，傷口處置不規范、不及時占比17.45%，未現場傷口處置占比6.71%[2]。由于分類和收集感染性廢物而受到感染的工作人員占到多數，為了改變目前分類收集和處置技術及管理上的落后狀況，應逐步完善感染性廢物法規，盡快研究制定感染性廢物安全化分類、收集、處理等步驟的方案。

通過大學生創新創業大賽，團隊創造了一個項目——“基于BP神經網絡智能技術的感染性廢物機器人”，在神經網絡智能技術的基礎上，將該技術與感染性廢物分類收集的環境科學領域相結合，人類通過利用BP神經網絡讓機器人進行深度學習和訓練，智能識別和分類收集感染性廢物的準確率達到95%。

人工神經網絡有前饋神經網絡，它包括BP神經網絡和卷積神經網絡。筆者選擇BP神經網絡，因為它相對其他網絡來說，更適合對大量的感染性廢物數據進行收集和分析，下面將以較大的篇幅介紹該法。

2 BP神經網絡簡介

2.1 BP網絡結構

BP網絡結構分為3部分，分別是輸入層、隱含層（也叫中間層）和輸出層，各層都是由許多簡單的神經元通過并行運算組成，同一層內的神經元是互不相連的，而網絡的層與層之間是全部互連相通的[6]。神經網絡的特點比較突出，可以表現為信息的并行、協同處理和分布式存儲，其網絡結構如圖1所示。

圖1 BP神經網絡結構

該神經網絡的輸入層有3個神經節點單元，隱含層有3個神經節點單元，輸出層也有3個神經節點單元。其中外部環境所輸入的數據信息是從輸入層的節點進行傳送，通過隱含層節點，再到達輸出層，每層節點單元的輸出信息只影響下一層節點單元的輸出信息，每個相鄰層的節點通過一定的網絡權值來向前連接。因此，BP神經網絡可以看成是一個由輸入到輸出的高度非線性網絡映射[6]。在神經網絡的拓撲結構中，輸入層和輸出層的節點數是可以根據所需解決問題的實際情況來確定的，隱含層的層數和它的節點數將會成為設置網絡模型的關鍵環節。

隱含層作為信息的內部處理環節，處于輸入層和輸出層中間，它對所輸入的信息進行特征抽象、提取、分析、處理，然后將處理以后的信息傳送給網絡的輸出層。關于隱含層數的選擇，現在有許多理論、定律可選擇、參考。該論文依據Kolmogorov定律，它闡述了在隱含層節點數足夠的情況下，一個隱含層的神經網絡模型可以擬合任意一個非線性的函數[6]。因此，將技術運用結合到智能分類感染性廢物的實驗中采用的是一個隱含層的BP神經網絡。

2.2 BP神經網絡應用于智能分類感染性廢物的識別和預測

神經網絡的設計主要包括以下幾個方面[6]：網絡模型的建立，樣本數據的收集以及樣本數據的預處理，對輸入模型的特征向量進行數據的預測，判斷或檢驗模型的預測值是否符合實際問題的要求等。模型建立的是否合理、是否達標、是否能夠成功轉化是整個網絡系統是否能成功的關鍵環節。為了將該項技術運用于智能分類感染性廢物的識別和預測中，本文基于所選擇的感染性廢物樣本數據真實、完整，所建模型的結構合理，輸入、輸出的特征向量選擇準確的情況下，能夠做出符合要求的模型。本文提出，針對醫療垃圾中感染性廢物進行智能化分類的識別和預測，根據實際情況，將其模型的輸入、輸出向量根據一定的規則將樣本數據的文字特征進行一定的數學變換，對于程序系統的輸出值是否滿足要求，可以將程序所計算出的預測值和實際期望值進行比較。其中設置一個比較值為05，如果預測輸出值大于05[6]，就可以認為某種醫療廢物具有感染性。經過大量訓練樣本對網絡模型的訓練，不斷增加網絡的訓練精度，則可將該模型用于對未來的智能分類感染性廢物的識別和預測中。

在網絡模型的建立過程中，輸入和輸出樣本的特征表述和數據轉換將是重要的一個環節，因此，不得不對所收集的樣本數據進行多角度、多方面考慮，不僅要考慮感染性廢物的基本特征，還要考慮所選取的廢物具有代表性。同時，保證實施過程的安全性。另外，收集大量的樣本數據后需將其文字表述轉換成數學抽象，這也是一個重要的環節，其中判斷得出的模型是否可用的標準是經過多次實驗后所轉換的數學抽象可以被程序所接受、認可，并且所建立的網絡模型較穩定。如果所得出的模型具有很好的效果，那么本系統將會被應用到實際的智能分類感染性廢物的識別和預測中，會另外再按照合法的程序準備一組醫療廢物，對它的感染性進行仿真和預測，并將該網絡模型應用到對未來的智能分類感染性廢物的識別和預測中。因此，將神經網絡應用于智能分類感染性廢物的識別和預測是可行的。

2.3 智能分類和收集感染性廢物的超級分揀機器人模型的建立和訓練

在模型建立的過程中，首先應該確定模型各層的節點數（也叫神經元數目）。輸入層的作用是把輸入的數據添加到網絡模型上，它的結點數目取決于輸入變量的個數，即每個輸入節點可以代表一個輸入變量[6]。

本文將感染性廢物分為以下3個類別：一切具有感染性的醫療防護服、患者被服、被患者使用過的棉簽棉球敷料等，患者一次性使用的衛生用品，被隔離的傳染病病人或者疑似傳染病病人產生的所有生活垃圾。一切具有感染性的針頭、刀片、破碎玻璃器皿等。一切具有感染性的廢棄標本、菌種毒種、血液血清等。

選取了20個感染性廢物所具備的特征作為輸入元素，因此，本文所建立的BP神經網絡模型的輸入層節點數是20個。網絡輸出層的節點數取決于研究問題所需要輸出的表示方式和需要預測變量的個數。

針對感染性廢物的特征，本文設定所需要測定和研究的感染性廢物分為感染、非感染兩項，因此輸出層的節點數為2。由于單層BP神經網絡的非線性擬合能力較好，并且在增加隱含層的層數時，一般不會對網絡的表達能力和精度產生大的影響，因此，本文采用的是一個三層BP神經網絡：輸入層、一個隱含層、輸出層。隱層節點數主要是憑經驗和反復試驗。

將訓練樣本的期望輸出與實際輸出值進行比較，如表2所示。

表2 預測期望值、實際值和擬合值

通過比較期望值和實際值可以看出，將輸出層的期望輸出值和程序中實際（即仿真）輸出的比較值設定為05。將期望輸出值和實際輸出值進行比較發現，實際輸出值大于05時，可認定擬合值為1；實際輸出值小于05時，其擬合值認定為0。共擬合數值20個，其中1個錯誤，19個正確。其期望值和實際值比較如表3所示。

3 結束語

基于以上結果分析可知，BP神經網絡可以運用于分類收集和處理醫療垃圾中的感染性廢物過程中。另外，本文開發了一個智能機器人，命名其為智能分類和收集感染性廢物的超級分揀機器人。它作為BP神經網絡技術與感染性廢物分類收集相結合的載體，人類可以讓機器人進行深度學習和訓練，帶來以下效益：代替人工接觸具有感染性的醫療廢棄物，進行智能化分類、收集醫療中的感染性廢物，從而大大降低醫護人員和后勤人員在分類及收集處理感染性廢物時被感染風險的概率。避免部分醫護人員和后勤人員沒有正確認識醫療垃圾的種類，而導致生活垃圾進入醫療垃圾的情況發生。大大提升醫護人員和后勤人員的工作效率。減輕醫院的人工勞力（醫院分配人進行專門的醫療垃圾分類的時間和人數減少），可分配這一類工作人員進行其他任務，這樣不僅可以提高整個醫療垃圾分類流程的運行效率，也可以為醫療機構降低雇傭工作人員的成本。

表3 預測值和實際值相比較