基于TPE_XGBoost的冠心病風險評估與致病因素研究

黃 敏，郎許鋒，周作建，李紅巖，萬澤宇，王 銳，程 俊，朱金陽，何佳怡，鄭永明，胡孔法，3

（1.南京中醫藥大學 人工智能與信息技術學院，江蘇 南京 210046；2.南京中醫藥大學附屬連云港中醫院，江蘇 連云港 222000；3.江蘇省中醫藥防治腫瘤協同創新中心，江蘇 南京 210046）

0 引言

《中國心血管健康與疾病報告2021》指出，目前心血管疾病高居我國居民總死亡原因的榜首，且冠心病的死亡率和患病率仍在增加［1］。冠心病的病因構成十分復雜，通常是由多種危險因素引起的。因此，對冠心病患者進行風險評估，盡早干預，通過消除危險因素可預防或延遲冠心病的發生或死亡。另外，對健康人群進行風險評估，及時根據評估報告調整飲食、作息等習慣，也可以有效預防冠心病的發生。

近年來，機器學習被許多研究人員運用于心血管病、腎病、乳腺癌、代謝疾病等領域的風險預測中，其對臨床疾病的診斷具有積極作用。齊俊鋒等［2］采用隨機梯度下降、logistic 回歸等6種算法構建湖北省心血管疾病風險預測模型，其中LightGBM 模型最優，預測性能最好，前4 個危險因素依次為收縮壓、脈壓差、舒展壓、年齡，但其對所有心血管疾病一起進行研究，存在一定局限；宋亞男等［3］利用解放軍總醫院糖尿病數據，對比隨機森林、logistic 回歸、XGBoost（Extreme Gradient Boosting）3 種算法，得出最優算法——XGBoost 算法，并構建2 型糖尿病患者并發視網膜病變預測模型，得到危險因素為合并腎病、糖化血紅蛋白、血尿素水平；李慧等［4］基于公開數據集，采用SMOTE 算法平衡數據集，再使用lasso 算法進行特征選擇，最后利用隨機森林構建乳腺鉬靶鈣化灶的良惡性預測模型，具有一定可靠性，但精確率不高。

目前，利用機器學習進行冠心病風險預測被廣泛應用，雖具備較好性能，但可解釋性較差，對疾病的防治意義有限。此外，由于真實臨床數據量小，一般來說，機器學習算法優于深度學習算法［5］。因此，本文選用經典機器學習中的XGBoost 方法進行建模來預測冠心病，同時利用SHAP 算法分析不同特征對冠心病的重要程度，提升模型的可解釋性。與上述研究相比，本文使用了真實數據集，具有較高可靠性，且僅研究了心血管疾病的一個分類，具有針對性，同時具有較強的可解釋性。

1 模型構建方法

基 于TPE_XGBoost（Tree-structured Parzen Estimator_Extreme Gradient Boosting）的冠心病風險評估及基于SHAP 的特征解釋模型構建流程如圖1 所示，其構建過程包括數據預處理、基于TPE_XGBoost 的風險評估模型構建與優化、基于SHAP 的特征解釋模型構建。

首先，由于原始體檢數據中部分生化指標缺失嚴重，因此首先通過特征選擇、缺失值處理、數據標準化對體檢數據進行預處理；然后，利用該數據建立XGBoost 預測模型，因XGBoost 模型的超參數眾多，故針對此模型進行基于TPE 的貝葉斯優化，以自動優化其超參數，從而提升TPE_XGBoost 冠心病風險評估模型的性能；最后，通過SHAP 解釋模型對特征進行分析，獲得不同特征對模型預測的貢獻度，提高模型的可解釋性。

1.1 XGBoost模型

XGBoost 是一種能夠實現分類與回歸的Boosting 集成學習算法［6］，由多個弱學習器迭代學習實現強學習器。XGBoost 目標函數包括損失函數和正則項兩部分，本質是對梯度提升決策樹的改進［7-8］。XGBoost 對損失函數使用二階泰勒展開，可以有效控制模型過擬合，提高預測精度［9-11］。正則項可以提升單顆樹的泛化能力。

1.2 貝葉斯優化

貝葉斯優化（Bayesian Optimization，BO）是一種基于概率分布的全局優化算法［12］，用于解決最優化問題［13］，以求得XGBoost的超參數最優解，如式（1）所示。

其中，x表示d維決策向量，X表示決策空間，f表示目標函數。在本文中，x為XGBoost 預測算法的超參數組合，f（x）為準確率高低的測度。貝葉斯優化主要包含兩個核心部分：概率代理模型和采集函數［14-15］。本文的概率代理模型為樹形概率密度估計［16］。

1.3 SHAP解釋模型

SHAP（Shapley Additive Explanations）是 由Lundberg等［17］提出的用于解釋黑箱模型的一種解釋框架，廣泛應用于解釋醫療和社會現象［18］。SHAP 基于博弈論和局部解釋，通過計算每個特征的Shapley value，以此衡量每個特征對預測結果的貢獻度［19］。如式（2）所示，其中g表示解釋模型，M表示特征數目，z表示該特征是否存在，φ為每個特征的Shapley value。當φi＞0，說明該特征對模型結果有正向作用，反之，說明該特征對模型結果有負面影響。

2 模型構建及對比實驗

2.1 實驗環境

本文使用人工智能實驗室服務器進行訓練與測試，具體配置如表1所示。

Table 1 Specific configuration of experimental environment表1 實驗環境具體配置

2.2 評價指標

為了評估本文構建模型的優劣，采用5 項常用的機器學習分類指標，分別為：準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1 值（F1-score）及AUC 值（Area Under Curve，AUC）。準確率、精確率、召回率和F1 值可通過混淆矩陣進行表示，如表2所示。

Table 2 Confusion matrix表2 混淆矩陣

這些評價指標的相關公式如式（3）-（8）所示。

2.3 數據及其特征工程

2.3.1 數據來源及納入規則

本文的數據集來自南京中醫藥大學附屬連云港中醫院的體檢數據，該數據集包含2017-2021 年體檢人群的基本信息、體檢項目、體檢報告、體檢問卷等信息，包括58 602例健康人群和674 例冠心病患者。數據共包含216 個特征和1個標簽，是否患冠心病是一個二分類問題，為處理缺失特征、選擇高相關性特征、提高模型泛化能力，本文采用特征選擇、缺失值處理和數據標準化方法進行預處理。

健康人群雖某次體檢未有異常，但是存在既往病史，例如患甲亢、糖尿病在服藥等情況。既往病史的復雜背景或其接受過的治療可能影響研究結果的準確性，故刪除有既往病史的人群，總共有16例。

2.3.2 特征選擇

為了方便大眾隨時隨地都可得知自己將來是否會患有冠心病，選取不用去醫院即可測得的數據，分別為收縮壓、舒張壓、體重指數、低密度膽固醇、高密度膽固醇、總膽固醇、空腹血糖、甘油三酯和尿酸，同時納入人口統計學變量：性別和年齡。

2.3.3 缺失值處理

分別將未患冠心病和患冠心病的數據進行缺失值的可視化，如圖2、圖3 所示。白色線條越多，說明數據缺失越多。從圖2、圖3 可以得知，除性別和年齡外，其他特征都有缺失。其中，患冠心病的人群特征缺失較少，缺失最多的是體重指數，達到8.2%，未患冠心病的人群特征缺失較為嚴重。由于部分病人的重要特征缺失，采用算法自動進行填充可能對分析結果造成較大影響，因此本文直接將生理指標缺失嚴重的樣本刪除。

Fig.2 Feature absence of individuals without coronary heart disease圖2 未患冠心病人群特征缺失情況

Fig.3 Feature absence of individuals with coronary heart disease圖3 患冠心病人群特征缺失情況

2.3.4 數據標準化

根據醫院體檢系統里給定的參考范圍對數據進行劃分，劃分標準如表3 所示。其中，a為參考范圍中的最小值，b為參考范圍中的最大值，x為特征值。

2.4 與其他機器學習模型對比

為了更好地驗證本文模型的優越性，將本文模型與9個機器學習模型進行對比，各模型均使用默認參數，并使用準確率、精確率、召回率、F1 值、AUC 值5 個指標對模型進行評估。將預處理后的數據集劃分為訓練集和測試集，比例為7∶3。

各個模型實驗結果如表4 所示。由實驗結果可知，本文所用模型的評價指標均優于9 個對比模型，準確率、精確率、召回率、F1值、AUC值分別為0.974 5、0.970 6、0.990 0、0.980 2、0.968 7，所以XGBoost模型是最優模型。

Table 3 Data standardization表3 數據標準化

Table 4 Comparison results with other machine learning models表4 與其他機器學習模型對比結果

2.5 基于TPE的貝葉斯優化

XGBoost 模型的超參數較多，因此參數設置是否合理會影響模型精度。僅使用默認參數進行測試，并不能得出最優結果，因此需要對XGBoost 進行超參數優化。常用的調參方法為網格搜索、隨機搜索、貝葉斯優化等［20-21］，本文使用基于TPE 的貝葉斯優化進行超參數優化，以準確率的十折交叉驗證平均值作為目標函數，從而獲得最佳參數。

XGBoost 共有3 類參數：一般參數、提升參數、學習參數。本文選擇影響力較大的超參數進行優化，為了找到最優的超參數組合，首先設置合理的超參數空間，如表5所示。

通過不斷迭代，得出12 個超參數的最優組合。尋找最優參數的結果如圖4 所示。圖中，圓點表示超參數不同取值對應的準確率，五角星表示模型達到最高準確率時該超參數的取值。準確率最高為0.993 7，此時n_estimators為77，learning_rate為0.38，colsample_bytree為0.47，colsample_bynode為0.1，max_depth為9，gamma為5.3，subsample為0.77，reg_lambda為0.08，min_child_weight為9.58，objective為binary：logistic，rate_drop為0.38，reg_alpha為0.18。

經貝葉斯優化后的模型TPE_XGBoost 在5 個評價指標上均有所提升，準確率、精確率、召回率、F1 值、AUC 值分別為0.993 7、0.992 9、0.998 1、0.995 5、0.998 3，比采用默認參數的XGBoost 性能提升約0.81%～2.97%，原因是尋找到的最優超參數組合與本文的數據集更加匹配，降低了復雜性，可防止產生過擬合，從而提升了模型性能。調參后的模型與其他算法比較如表6所示。

Table 5 Hyperparameter selection表5 超參數選擇

3 基于 SHAP 的模型解釋性分析

利用SHAP 模型對基于TPE_XGBoost 的冠心病預測模型的實驗結果進行特征分析，圖5 為SHAP 摘要圖，該圖縱軸代表特征重要性排序，橫軸代表特征對模型的影響。由圖5 可知，AGE（年齡）、體重指數、低密度膽固醇、舒張壓、甘油三脂、高血壓等特征對模型的影響較大。SHAP 得出最重要的特征為年齡，隨著年齡的增大，患冠心病的風險也會增加；體重指數對患冠心病也有較大影響，體重指數越高，患冠心病的風險越大；舒張壓越高，患冠心病風險越大；若患有高血壓，則患冠心病的風險也較大；在相似的條件下，男性患冠心病的風險大于女性；尿酸越高，患冠心病的風險也越大。

利用SHAP 繪制前4 個重要特征的依賴圖，如圖6 所示。隨著年齡、體重指數、舒張壓的增加，SHAP 的值也增加，說明這些特征的值越大，患冠心病的風險則越大；SHAP 的值隨著低密度膽固醇值的增大而減小，說明該特征在正常范圍內對冠心病具有反向影響。

利用SHAP 對某個預測為患冠心病和未患冠心病的個體進行分析，分析結果分別如圖7、圖8 所示。紅色指將模型分數變高的特征，藍色指將模型分數變低的特征，箭頭長度越長，代表該特征對模型結果的影響越大。由圖7 可知，被預測為患冠心病的原因包括年齡較大、收縮壓與舒張壓較高、低密度膽固醇較低等。由圖8 可知，被預測為未患冠心病的原因包括年齡較小、未患高血壓、舒張壓正常以及體重指數、甘油三脂較低等。

Fig.4 Finding the optimal parameter result圖4 尋找最優參數結果

Table 6 Comparison of model after parameter tuning with other algorithms表6 調參后的模型與其他算法比較

Fig.5 SHAP summary graph圖5 SHAP摘要圖

SHAP 解釋模型、XGBoost 模型的特征重要性排序如圖9、圖10 所示，可以看出，特征排名并不完全一樣，但這兩個模型都將年齡排在首位，故年齡是冠心病的重要風險因素，另外低密度膽固醇、舒張壓、體重指數是影響患病的關鍵因素。

4 結語

當前冠心病的患病率逐年攀升，且年輕化趨勢明顯。為減少醫療診斷開支，提高冠心病診斷的準確率，輔助臨床決策，將機器學習算法運用于冠心病風險評估中，對降低冠心病的患病概率有著重要意義。本文基于機器學習算法，使用醫院的體檢數據，首先對該數據進行預處理，構建的XGBoost 模型比其他9 種模型更優；然后經過TPE 對XGBoost 預測模型的優化，性能提升約0.81%～2.97%，準確率達到0.993 7；最后通過SHAP 模型對各個特征的重要性進行合理解釋，得出年齡、體重指數、低密度膽固醇、舒張壓等是影響冠心病患病的關鍵因素。

本文實驗模型所采用的數據獲取更加方便，節約了大眾去醫院檢查的時間和費用，便于其自行分析和調整身體狀態。此外，由于本文納入的特征較少，可能會忽略部分重要特征。在下一步研究中，將納入更全面的特征，如是否吸煙、飲食習慣、作息和運動規律等，進一步分析相關特 征對冠心病的影響，指導大眾健康生活。

Fig.6 SHAP important features dependency diagram圖6 SHAP重要特征依賴圖

Fig.7 An analytical plot that predicts coronary heart disease圖7 預測為患冠心病的分析圖

Fig.9 SHAP feature importance ranking圖9 SHAP特征重要性排名

Fig.10 TPE_XGBoost model feature importance ranking圖10 TPE_XGBoost模型特征重要性排名