基于深度神經(jīng)網(wǎng)絡(luò)和中西醫(yī)多維信息融合的T2DM中醫(yī)證型預測模型研究

胡綠慧，王海

（成都中醫(yī)藥大學智能醫(yī)學學院，四川 成都 611137）

0 引言

2 型糖尿病（Diabetes Mellitus Type 2，T2DM）是一種影響全球人類的代謝疾病，全球共有4.15 億人患有糖尿病，到2040 年可能增加到6.42 億人[1]。2020 年我國60 歲及以上的老年人口占總?cè)丝诘?8.7%（2.604億），其中約30% 的老年人罹患糖尿病且T2DM 占95%以上。早期篩查、診斷和預防成為實現(xiàn)T2DM 疾病緩解的重要因素[2]。趙靈燕[3]做了T2DM中醫(yī)辨證分型與臨床指標的相關(guān)性研究。文玉敏[4]使用關(guān)系網(wǎng)絡(luò)模型、聚類分析等探究糖尿病腎病的方藥組成及證候特點；郭奕瑞[5]等應用ANN和logistic回歸建立2型糖尿病預測模型。而對證候演變機制、中西醫(yī)多維特征融合研究有待深入，以提高臨床診斷的準確性。而深度神經(jīng)網(wǎng)絡(luò)（DNN）作為一種機器學習算法，具有較高的容錯性，能夠擬合任何復雜函數(shù)，具有很強的非線性擬合能力，并獲得數(shù)據(jù)樣本的特征規(guī)則，同時可以規(guī)避主觀因素對規(guī)律提取過程中的影響，適合于中西醫(yī)多維信息的非線性建模研究。

1 資料與方法

1.1 數(shù)據(jù)來源

本研究數(shù)據(jù)來源于某三甲中醫(yī)醫(yī)院內(nèi)分泌科住院病歷數(shù)據(jù)，篩選中醫(yī)診斷為“消渴病”，西醫(yī)診斷為“2型糖尿病”，且病歷數(shù)據(jù)較為完整，包含年齡、性別，病程、癥狀、中醫(yī)診斷結(jié)論，空腹血糖、餐后血糖、糖化血紅蛋白等理化指標。

1.2 數(shù)據(jù)預處理

1.2.1 缺失值處理

首先檢測初篩樣本表中的缺失值，采用隨機森林算法對缺失值進行填充。能更好地反映未知數(shù)據(jù)的真實性、準確性、可靠性。

1.2.2 異常值處理

數(shù)據(jù)集中由于各種原因難免有異常值，本研究通過計算均方差來判定是否存在異常值。對于異常值我們采用刪除或視為缺失值或用平均值修正來進行處理。

1.2.3 中文分詞、詞頻統(tǒng)計

由于中醫(yī)的特點，臨床上總是會出現(xiàn)同癥不同病、同病不同醫(yī)、同醫(yī)不同效等醫(yī)學表述數(shù)據(jù)不統(tǒng)一的現(xiàn)象。使用結(jié)巴分詞器對癥狀進行分詞，新建術(shù)語詞典和停用詞詞表，并對詞頻進行統(tǒng)計，篩選出出現(xiàn)頻率最高的15個癥狀作為研究指標，包括多食易饑、多飲、多尿、口干、口渴、口苦、視物模糊、尿有泡沫、四肢麻木、便溏、足爛、胸悶、乏力、皮膚瘙癢、眠差等。為保證模型的收斂效率，本研究從原始表提取7種頻數(shù)最多的證型進行研究，包括氣陰兩虛夾瘀、氣陰兩虛瘀血阻絡(luò)、氣陰兩虛、氣陰兩虛濕瘀互結(jié)、濕瘀互結(jié)、氣虛血瘀、氣陰兩虛夾濕。最終整理出符合條件的數(shù)據(jù)共514條，其中男性323例，女性191例，年齡分布在15歲至91歲之間。

1.2.4 數(shù)據(jù)歸一化處理

原始表中樣本存在漢字、字符等類型數(shù)據(jù)，也存在各屬性間的數(shù)量級相差較大，如年齡、理化指標等。按照深度神經(jīng)網(wǎng)絡(luò)對于輸入層的要求，需要對研究指標重新編碼和歸一化處理，將其轉(zhuǎn)化為DNN能夠識別的語言。處理規(guī)則如下：

1）性別：用1代表男性，0代表女性；

2）癥狀：有此癥狀記為1，無此癥狀記為0；

3）病程：數(shù)據(jù)做最大最小歸一化，使其分布[0，1]之間;

4）糖代謝指標：本研究提取糖化血紅蛋白、空腹血糖、餐后2H血糖，對數(shù)值進行最大最小歸一化處理，使其分布在[0，1]之間；

5）證型類別: 對典型證型按序號對應每類編碼1～7。

預處理后的數(shù)據(jù)如表1所示。

表1 預處理后的數(shù)據(jù)格式

1.3 T2DM證型預測模型構(gòu)建

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）為包含多個隱藏層的神經(jīng)網(wǎng)絡(luò)，可以用較少的參數(shù)表示復雜的函數(shù)。本研究設(shè)計的DNN 結(jié)構(gòu)各層詳細情況如下：

1）輸入層：輸入層指輸入到神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)，輸入層的神經(jīng)元數(shù)量等于待處理數(shù)據(jù)中輸入變量的數(shù)量。本研究使用年齡、性別、空腹血糖、餐后2H血糖、糖化血紅蛋白和15種糖尿病典型癥狀共20個研究指標作為輸入，所以輸入層的節(jié)點數(shù)為20。

2）隱藏層：隱藏層由神經(jīng)網(wǎng)絡(luò)中的大多數(shù)神經(jīng)元組成，是處理數(shù)據(jù)以獲得所需輸出的核心部分。數(shù)據(jù)將穿過隱藏層，并由許多權(quán)重和偏差調(diào)節(jié)。深度神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)一般來說并不固定，需要根據(jù)網(wǎng)絡(luò)的訓練效果來確定。本研究經(jīng)過多次實驗確定隱藏層數(shù)為2層，每層的神經(jīng)元個數(shù)分別為10個和9個。

3）輸出層：輸出層是在神經(jīng)網(wǎng)絡(luò)中處理數(shù)據(jù)的最終產(chǎn)物，可以表示不同的事物。通常情況下，輸出層由神經(jīng)元組成，每個神經(jīng)元代表一個對象。本研究的輸出節(jié)點數(shù)等于證型類別數(shù)，因為選取七種證型進行預測，所以輸出節(jié)點數(shù)為7，每一個輸出節(jié)點代表一種證型。

4）評估標準：以模型的預測準確率以及對每一類證型預測的精確率、召回率、F1-score來對模型的性能進行評估。

1.4 模型訓練

1）確定訓練集：選取80%數(shù)據(jù)集為訓練集，其中氣陰兩虛夾瘀126 例，氣陰兩虛瘀血阻絡(luò)83例，氣陰兩虛83 例，氣陰兩虛濕瘀互結(jié)55例，濕瘀互結(jié)28例，氣虛血瘀22例、氣陰兩虛夾濕14例。剩下的20%作為測試集。

2）權(quán)重初始化：本研究采用隨機初始化，使初始權(quán)值隨機分布在[0,1]之間，這樣每一個神經(jīng)元可以開始就在傳遞函數(shù)變化最大的地方進行迭代。

3）函數(shù)選擇：輸入層、隱藏層各層之間的激活函數(shù)均選用Relu函數(shù)，并且為了防止模型過度擬合，在模型中加入Dropout 數(shù)據(jù)參數(shù)丟棄層，丟棄概率為0.5。隱藏層和輸出層之間選用softmax作為激活函數(shù)，并使用交叉熵損失函數(shù)categorical_crossentropy，另外使用基于隨機梯度法的自適應時刻估計（Adam）優(yōu)化器對隨機梯度下降進行優(yōu)化，模型的迭代次數(shù)epochs設(shè)為10,batch_size設(shè)為24。

4）模型期望輸出：因為研究所使用的損失函數(shù)為categorical_crossentropy，并且預測結(jié)果有7種證型，所以每一個樣本所對應的輸出為一個7維向量，分別為：氣陰兩虛夾瘀：Y1=[1,0,0,0,0,0,0]；氣陰兩虛瘀血阻絡(luò)：Y2=[0,1,0,0,0,0,0]；氣陰兩虛：Y3=[0,0,1,0,0,0,0]；氣陰兩虛濕瘀互結(jié)：Y4=[0,0,0,1,0,0,0]；濕瘀互結(jié)：Y5=[0,0,0,0,1,0,0]；氣虛血瘀：Y6=[0,0,0,0,0,1,0]；氣陰兩虛夾濕：Y7=[1,0,0,0,0,0,1]。最后再采用inverse_transform（）將標準化的數(shù)據(jù)轉(zhuǎn)換成原始數(shù)據(jù)。

2 結(jié)果

2.1 模型準確率

使用測試集數(shù)據(jù)對訓練好的T2DM證型預測模型進行檢驗，以評價該模型的性能。模型的迭代次數(shù)為171次，預測結(jié)果準確率達到88%見表2，模型的預測每一類證型的precision（精確率）、recall（召回率）F1-score見表3。其中精確率表示在被所有預測為正的樣本中實際為該證型的概率，召回率表示在實際為正的樣本中被預測為該證型的概率，F(xiàn)1-score 為精確率和召回率之間的平衡值。

表2 模型預測準確率

表3 各證型預測效果

2.2 特征重要性

使用決策樹模型計算每個特征變量對于模型貢獻度，如圖1所示，貢獻度從高到低地排列為：糖化血紅蛋白、空腹血糖、餐后2H血糖、年齡、多食易饑、多飲、多尿、視物模糊、口干、口渴、四肢麻木、性別等。

圖1 特征重要性

3 討論

本研究以DNN 所具有的強大的非線性擬合能力構(gòu)建T2DM中醫(yī)證型預測模型，以年齡、性別、癥狀、糖代謝指標為輸入節(jié)點，證型為輸出結(jié)果，并計算各指標對模型的貢獻度。同時，對各類型證型獨立預測結(jié)果顯示，氣陰兩虛夾瘀、氣陰兩虛濕瘀互結(jié)、氣陰兩虛瘀血阻絡(luò)、氣陰兩虛、濕瘀互結(jié)的精準率和召回率都較高，而氣虛血瘀、氣陰兩虛夾濕都呈現(xiàn)出精確率較高而召回率偏低的預測結(jié)果，原因主要為學習樣本偏少，這也說明深度神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)樣本有較高需求，若樣本越大，模型的訓練和學習也就更加充分，也能更全面地掌握數(shù)據(jù)樣本的特征和規(guī)律。另外通過對特征重要性的計算，發(fā)現(xiàn)糖化血紅蛋白、空腹血糖、餐后2h血糖這幾個特征對模型的貢獻度較高，說明糖代謝指標對于證型的分類有著較高的影響；而臨床癥狀中，多食易饑、多飲、多尿，對模型的貢獻度高，說明在證型分類的時候，這些中西醫(yī)指標可以作為臨床參考。

隨著研究的進一步深入，增加更多的樣本量，融合更多研究指標，可以提高證型預測的準確性，可以更好地闡明T2DM 中西醫(yī)特征之間的相互關(guān)系，形成中西醫(yī)結(jié)合新的診療方案，為中國糖尿病臨床智能診療提供理論基礎(chǔ)。