基于特征譜分析的哮喘診斷深度網絡模型

陽振岳

摘 要：精準醫療時代的到來將為患者提供更精準、高效、安全的診斷及治療。哮喘的精準診療是重點防治慢性呼吸道疾病亟待解決的問題之一。文章提出一種基于特征譜分析的哮喘診斷深度網絡模型。首先利用特征譜分析臨床獲取的元數據和身體檢查參數與哮喘的相關性。在此基礎上，分離出有利于模型建立的亞組特征，利用這些特征訓練深度神經網絡模型，從而建立哮喘的精準診療模型。實驗結果表明了該方法的有效性和可靠性。

關鍵詞：哮喘診斷;特征譜分析;深度網絡模型

0 ? 引言

支氣管哮喘是一種世界范圍內發病率較高的疾病，據報道，近十年來全球哮喘發病率與死亡率均呈升高趨勢，全球哮喘患者3億人，中國就有3 000萬哮喘患者。

本文將通過數據挖掘和數學建模解決以下問題：（1）哮喘與元數據的數學模型（哮喘與年齡，性別和肥胖的相關性等）。（2）哮喘與身體檢查參數的數學模型（通氣功能參數對哮喘預測價值的排序）。（3）聯合元數據和身體檢查參數建立數學模型并與前兩個模型進行分析比較（聯合模型能否提高預測價值）。

1 ? 哮喘與元數據

元數據包括性別、年齡、身高和體重。陳秀香[1]研究結果顯示，性別上男女患病率差異無統計學意義;年齡上老年人患病率略高。Barros[2]的研究結果表明，肥胖會增加哮喘的患病率和發病率。朱元素等[3]發現并不是所有的肥胖個體都會患哮喘，但肥胖程度越高，患哮喘的概率就可能越大。特征譜分析有利于獨立考慮每個特征與哮喘之間的關聯性[4]。

本文選擇在病理分類方面表現突出的深度神經網絡模型來進行數學建模[5]，模型構建過程采用交叉驗證方法，隨機使用80%的樣本作為訓練樣本，20%的樣本作為測試樣本，進行100次運算得出模型的識別平均準確率。

2 哮喘與身體檢查參數

2.1 ?臨床常用指標概述

臨床常用于哮喘診斷的身體檢查參數主要包括潮氣量、用力肺活量、FEV1/FVC、呼氣流速等。

潮氣量是指平靜呼吸時每次吸入或呼出的氣量。潮氣量的設定并非恒定，應根據病人的血氣分析進行調整。正常情況下：成人：8～10 mL/kg，小兒：6～10 mL/kg。

用力肺活量（Forced Vital Capacity，FVC）是指盡力最大吸氣后，盡力盡快呼氣所能呼出的最大氣量。FEV1是最大深吸氣后做最大呼氣，第一秒呼出的氣量的容積。臨床上常以FEV1/FVC的比值做判定，正常值為83%。

呼氣流速測定是主要反映大氣道阻塞程度的一項指標。它比臨床癥狀更為敏感及客觀地反映哮喘患者的氣道阻塞程度及病情變化。

2.2 建模與分析

圖1給出了9種身體檢查參數與哮喘患病情況特征譜分析結果。用力肺活量、外周氣道參數C、外周氣道參數D的特征譜線顯示，這3個特征對于哮喘陰陽性判斷無明顯作用。

圖1中，中心氣道參數、FEV1/FVC、最高呼氣流速、外周氣道參數A、外周氣道參數B的特征譜具有明顯的錯峰現象，當表示陽性的實線在表示陰性的虛線線段上方時，表示相應的參數指標哮喘患病率會很高。

3 ? 聯合元數據和身體檢查參數

已知不同特征選取方式下深度網絡模型的平均識別率。實驗僅根據所選特征改變輸入層的節點數量。由于深度網絡模型本身具備一定的特征權重調整能力，平均準確率差別不是很大，但年齡、體重、FEV1/FVC、外周氣道參數B、外周氣道參數A、中心氣道參數、最高呼氣流速7個特征參數構造的深度網絡模型具有最高的平均識別率。

4 ? 結語

本文在利用特征譜分析題目所給數據參數的基礎上，構建哮喘診斷深度網絡模型，分別就哮喘與元數據之間的數學模型、哮喘與身體檢查參數之間的數學模型、聯合元數據和身體檢查參數建立數學模型并與前兩個模型進行分析比較，并進行了詳細探討。最終得出結論：利用年齡、體重、FEV1/FVC、外周氣道參數B、外周氣道參數A、中心氣道參數、最高呼氣流速7個特征參數構造的深度網絡模型具有最佳的哮喘患病診斷效果。

[參考文獻]

[1]陳秀香，賽俊婷，堯明慧，等.海南黎族人群支氣管哮喘流行病學調查報告[J].中國醫藥導刊，2018（4）：235-240.

[2]BARROS R，MOREIRAS P，PADR P，et al.Obesity increases the prevalence and the incidence of asthma and worsens asthma severity[J].Clinical Nutrition，2017（4）：1068-1074.

[3]朱元素，唐華平，賈貝麗，等.肥胖哮喘的相關發病機制[J].青島大學學報（醫學版），2018（1）：111-114.

[4]LUO Y，GUAN Y.Adaptive skin detection using face location and facial structure estimation[J].IET Computer Vision，2017（7）：550-559.

[5]劉梓劍.基于轉錄組數據不平衡數據的乳腺癌分類預測模型[J].現代計算機，2020（10）：81-84.

（編輯 何 琳）