基于時空信息分段融合模型的術中低血壓預測?

吳少峰 周瑞豪 郝學超 張偉義 舒紅平 王亞強 朱 濤

（1.成都信息工程大學軟件工程學院 成都 610225）（2.成都信息工程大學數據科學與工程研究所 成都 610225）（3.成都信息工程大學軟件自動生成與智能服務四川省重點實驗室 成都 610225）（4.四川大學華西醫院麻醉手術中心 成都 610044）

1 引言

術中低血壓事件是手術中常發生的不良事件，有研究表明，術中低血壓事件的發生，會導致患者手術后其它不良并發癥事件（如急性腎損傷、心肌損傷等［1～2］）的發生，甚至會導致患者的死亡［3～4］。在手術的過程中，提前5min～15min 預測低血壓事件，將為臨床醫生主動采取措施預防風險，進而改善術后患者的預后提供幫助［5］。

臨床上，患者的術中平均動脈壓（Mean Arterial Pressure，MAP）持續1min 以上低于65mmHg，則認定患者發生術中低血壓事件（如圖1所示）［2］。導致這一事件的發生因素眾多，僅根據臨床醫生在麻醉誘導前可用的變量進行預測是一項十分困難的任務［6］。因此，患者術中豐富的生理指標監測數據常被作為特征用于術中低血壓事件的預測［7～9］。

圖2 多變量時間序列

圖3 時空信息分段融合模型

當前，術中低血壓事件的預測是研究熱點問題之一，通常采用有監督學習方法，利用患者術中有限窗口范圍內的多種生理指標監測數據提取特征，將預測任務定義為在未來一段時間內“是否”會發生術中低血壓事件的二分類任務實現。Hatib 等［5］基于患者術中監測的高保真動脈壓波形數據，提取波形中包含的幾何特征，將預測任務歸為二分類問題，實現術中低血壓事件的預測。Duggappa 等［7］利用患者術中監測的多個指標數據，采用二分類有監督學習模型，驗證了灌注指數在術中低血壓事件預測任務上的有效性。

多變量邏輯回歸、隨機森林、支持向量機、樸素貝葉斯等統計機器學習模型被廣泛應用于術中低血壓事件預測［6～7］。近年來，隨著深度學習在眾多領域的預測任務中被驗證能夠通過復雜的特征變換過程，獲得更優秀的數據表證并應用于預測。因此，Lee 等［8］將卷積神經網絡（Convolutional Neural Network，CNN）引入術中低血壓預測任務，提取動脈壓、心電圖、光電容積脈搏圖和血管照影等四種高清數據中蘊含的信號特征，通過回歸（預測血壓值）和分類（預測是否發生）來預測低血壓事件的發生，取得了良好的應用效果。Chan等［9］利用長短期記憶（Long Short-Term Memory，LSTM）模型提取多變量特征在各時間點的觀測值的時間序列關聯信息，用于低血壓預測任務。CNN具有良好的局部變量間關聯特征的提取能力，但對特征的長時間序列依賴不敏感。相反地，LSTM 能夠有效建模變量觀測值的長時間序列依賴關系，但對于變量間的局部空間關聯特征不友好。

因此，本文為解決上述問題，將患者術中多種生理指標監測數據聯合表征建模，以期形成融合了多變量時序觀測的“時間信息”（即單變量觀測值上下文依賴信息）和“空間信息”（即窗口范圍內變量間的局部關聯信息）的數據表證，進而提升術中低血壓事件預測能力。

2 相關工作

術中低血壓一直是醫學領域的研究熱點之一。Ghassemi等［10］基于Parzen正態模型、邏輯回歸和神經網絡在內的各種方法，使用患者的生命體征預測低血壓。Hatib 等［5］基于邏輯回歸方法，使用從動脈壓波形中提取3022 個單獨特征和2603125個組合特征進行術中低血壓預測。Cherifa 等［11］通過與臨床MIMIC II 數據庫匹配的高頻記錄來訓練機器學習算法，該算法能夠提前30min 識別急性低血壓。上述方法均使用了機器學習方法，但需要人工設計特征。

深度學習作為機器學習的子領域，因其可以自動學習和識別特征，有人將其用于術中低血壓預測。LSTM模型因能夠處理時間序列的長時間依賴問題，被廣泛用于術中低血壓預測。Jaffe等［12］使用rmsprop 和脫落正則化方法訓練的LSTM 模型被用于急性低血壓預測。但LSTM 只能學習到時間信息，忽略了局部空間信息。Lee 等［8］提出了基于全卷積網絡（Fully Convolutional Networks，FCN）的術中低血壓預測模型，雖然能解決上述問題，但又忽略了時間信息。Wang等［13］證實了在時間序列分類中殘差網絡（Residual Network，ResNet）也表現出了較好的性能。借鑒Jaffe、Lee 和Wang 等的思想，本文提出了一種基于時空信息分段融合的術中低血壓預測方法，先使用FCN 或RES 提取多變量時間序列的局部空間信息，再使用門控循環單元（Gated Recurrent Units，GRU）學習時間信息并進行預測。

3 方法

3.1 任務定義

3.2 時空信息分段融合的模型

3.3 空間層

本文提出的兩個模型的空間層的結構是不相同的，一個為FCN，而另一個為RES，但他們都是由卷積塊（Convolution Block）組成。其中每個卷積塊都包含三個操作：一維卷積、批標準化（Batch Normalization，BN）和修正線性單元（Rectified Linear Unit，ReLU）激活函數。FCN 詳細結構圖如圖4（a）所示。

圖4 空間層架構圖

為了使每一層的輸入分布更加相似，便于網絡可以專注學習類別之間的差異，輸入Fi使用BN對訓練數據進行標準化，得到批標準化輸出Bi：

最后，為了增加神經網絡的非線性因素，輸入Bi使用ReLU 作為激活函數進行非線性操作，輸出結果為hi，但在經過最后一個ReLU 輸出結果為：

3.4 時間層

本文使用三個GRU 來提取時間信息。詳細結構圖如圖5所示。

圖5 時間層架構圖

其中Wi、Wz、Wh、Ui、Uz、Uh表示為可訓練矩陣，br、bz、bh為偏置，?表示元素乘法。根據上述公式類推，最后一個GRU層的輸出為Etime。

4 實驗

4.1 實驗數據

本文使用的術中監護數據由某三甲醫院提供，所有數據在使用時均已經脫敏處理。本文共使用139 臺手術數據，從56 個指標中刷選出11 個最常用的生理指標，指標包括有：有創收縮壓、有創舒張壓、有創平均動脈血壓、心率、脈搏、血氧飽和度、血流灌注指數、二氧化碳呼吸率、潮汐末二氧化碳、潮汐末氧氣和吸入氧氣均是1s 測量一次的數值數據。

通過滑動窗口的方法來生成訓練樣本，如圖6所示。將滑動窗口劃分成三個窗口：1）觀察窗口；2）間隙窗口；3）預測窗口。其中觀察窗口、間隙窗口和預測窗口的長度是固定的，在預測窗口中根據術中低血壓的定義為觀察窗口中的數據打上1或0的標簽，其中標簽1 代表發生低血壓，對應的數據為正例樣本，標簽0 代表未發生低血壓的負例樣本。

圖6 滑動窗口

正負例樣本的滑動間隙設置相同則會造成數據的分布不平衡，如圖7所示，滑動間隙10s的正例樣本與10s、20s、40s和60s的負例樣本對比，負例樣本的滑動間隙越短，與正例樣本的比例就越高。所以在劃分時將正例和負例的滑動間隙分別設置為10s和60s，以確保正例樣本的比例相對較高。

圖7 正例樣本與不同間隔負例樣本比率圖

針對數據中存在的缺失值，我們參考了Fernandes 等［14］的方法和Yoon 等［15］的方法進行處理。Fernandes 等［14］使用一個特殊值（-1）對缺失數據進行填充和Yoon 等［15］使用MRNN（Multi-directional Recurrent Neural Networks）在醫學時間序列中對缺失值進行填補。在后續的文中，我們將用術語“原始數據”來指代使用特殊值填充的數據，而用術語“填補數據”來指代經過MRNN填補的數據。

4.2 實驗設置

模型訓練批量大小為16，訓練輪次為70。卷積核的數量為128，步長為1，大小為n×t，其中n表示卷積核的高度，設置為3，t表示卷積核的寬度，因輸入向量X→的維度為11，所以t設置為11。GRU 的隱藏單元數為128，dropout 設置為0.5。學習率初始值為0.001，使用了早停機制和學習率改變機制。通過檢測訓練集的損失值，當10 輪損失值的改變小于0.0001 時，降低學習率到當前值的85%，當20 輪損失值變化小于0.0001 時，則停止迭代。

所有實驗均使用5 折交叉驗證。將全部樣本通過5 折交叉驗證劃分成5 份，依次取其中4 份作為訓練數據，剩余1份作為測試數據，最終訓練出5個模型并得到5 份測試結果，評估模型性能時取5份結果的平均值、最小值和最大值（最小值和最大值的表示為（最小值-最大值））。

FCN、RES、GRU、LSTM、FCN-LSTM、RESLSTM 以及本文所提深度學習模型均使用Keras 框架搭建。

4.3 評價指標

本文采用的評估指標包括NPV（negative predictive value，陰性預測值）、PPV（positive predictive value，陽性預測值）、Specificity（特異性）、Sensitivity（靈敏性）以及AUC，計算公式如下：

其中TP表示為被模型正確地預測為正例的樣本數量，FP表示為被模型錯誤地預測為正例的樣本數量，TN表示為被模型正確地預測為負例的樣本數量，FN表示為被模型錯誤地預測為負例的正例樣本數量。

4.4 實驗分析

4.4.1 原始數據對比

為了驗證本文所提模型在預測術中低血壓任務中的有效性，選擇了兩個機器學習模型邏輯回歸（Logistic Regression，LR）、支持向量機（Support Vector Machine，SVM）深度學習模型FCN、RES、LSTM、GRU、FCN-LSTM、RES-LSTM作為對比模型。

觀察表1，對比空間模型的FCN 和RES，其中RES的PPV 和特異性均高于FCN，這表明RES在剔除陽性樣本和識別真實陰性樣本方面表現出較高的準確性。然而，RES在排除真實陰性樣本和檢測真實陽性樣本方面可能存在的局限性，其NPV 和靈敏性相對較低。

表1 原始數據對比

觀察表1，對比時間模型的LSTM 和GRU，GRU的效果整體優于LSTM，而且將空間模型和時間模型進行結合，RES_GRU和FCN_GRU的指標均高于或等于對應的RES_LSTM 和FCN_LSTM 模型。這進一步說明在時空信息分段融合模型中，GRU 的效果要優于LSTM。這是因為GRU 具有更強的記憶和更新能力，能夠更好地捕捉時序數據中的長期依賴關系，從而提高模型的性能。

因此，將表1 中LR、SVM、FCN、RES、GRU、RES_GRU 和FCN_GRU 進行對比可以發現，RES_GRU 和FCN_GRU 在多數指標上都表現出優于機器學習模型、空間模型和時間模型的性能。這是因為術中生理數據往往具有時序關系和空間分布信息。時間模型只能考慮時間維度的信息，空間模型只能考慮空間維度的信息。然而，時空信息分段融合模型能夠同時利用時間和空間的信息，綜合多個維度的特征，從而更全面地描述數據的特性。時空信息分段融合模型能夠捕捉時間和空間之間的相關性。術中生理指標的變化往往與時間相關，而指標間的關系也可以反映不同時間之間的差異。時空信息分段融合模型能夠通過跨時空關聯更好地理解這種影響，并在分類任務中準確地考慮到這些關聯。

因此，通過融合時空信息，時空信息分段融合模型能夠更好地利用數據的時序和空間關系，提供更準確、全面的特征表示。這使得時空信息分段融合模型能夠更有效地解決具有時空相關性的分類任務，并在術中低血壓預測任務中表現出更優越的性能。

4.4.2 填補數據對比

為進一步驗證時空信息分段融合模型在術中低血壓的預測效果，本文還添加了原始數據和填補數據的對比，并根據原始數據對比中的分析，選擇了深度學習模型FCN、RES、GRU 作為對比模型，對比原始數據和經過填充數據的效果。

觀察表2 發現，使用填補后數據在空間模型或時間模型都存在指標下降的情況，例如FCN中靈敏性減少3%，RES 中特異性減少8.8%、GRU 中靈敏性減少11.6%。而在時空信息分段融合模型中，各項指標都有增加，這表明填充后的數據會引入新的特征或特征組合，這些特征對于單獨的空間模型或時間模型是不可見或難以捕捉的。而時空信息分段融合模型通過綜合考慮時間和空間的信息，能夠更全面地獲取新增加的數據信息。這樣的綜合特征表示可以幫助模型更好地區分不同類別之間的差異，提高分類性能。而且經過填補后，模型能更輕易地捕捉時間和空間之間的相關性，通過綜合分析這兩個維度的信息，模型能夠更好地理解數據的整體模式和趨勢，從而提高分類效果。

表2 填補數據對比

此外，觀察表2可以發現各個模型在AUC的最小值和最大值范圍上的差異比原始數據大。這說明填補數據雖然接近真實值，但不可能完全準確地反映真實情況，因此會引入額外的噪聲。針對FCN、RES、GRU、FCN_GRU、RES_GRU 模型，它們的范圍差的增大值分別為3.8%、6.6%、11.1%、1.5%、5.7%。盡管RES_GRU 模型的增大值相對較大，但與RES 和GRU 模型相比，其增大值仍然小于他們。而FCN_GRU模型的增大值最小。這說明時空信息分段融合模型相對于其他模型表現出更好的魯棒性，能夠更穩定地應對噪聲和不確定性的影響，從而提高模型的可靠性和泛化能力。這些發現強調了魯棒性在時間序列數據分析中的重要性。魯棒性較強的模型能夠在填補數據等引入噪聲的情況下仍保持穩定的性能。因此，時空信息分段融合模型較小的范圍差增大值顯示了它們相對于其他模型具有更好的魯棒性，這使得它們更適合在實際應用中處理時間序列數據并做出可靠的預測。

5 結語

本文提出了基于時空信息分段融合模型的低血壓預測方法，使用全卷積網絡或殘差網絡提取局部空間信息，再使用門控循環單元提取時間信息并進行預測。在臨床原始數據和填補數據中不僅表現出較好的性能，還表現出一定的良好魯棒性。但術中低血壓的發生不僅和患者術中的生理指標相關，還與患者基本信息以及病史都存在關系。所以在后續的實驗中可以添加患者的術前數據，與術中數據一起預測低血壓的發生。這樣做可以更全面地考慮患者的情況，進一步提高低血壓預測的準確性。