機器學習在慢性阻塞性肺疾病中的應用進展

Application progress of machine learning in chronic obstructive pulmonary disease

LI Meng1，GAO Meng'ai1，DONG Li2*

1.Graduate School of Tianjin Universityof Traditional Chinese Medicine，Tianjin 301617 China；2.The First

Afiliated Hospitalof TianjinUniversityof TraditionalChineseMedicine

*Corresponding Author DONG Li，E-mail：15022008086@139.com

Keywordsmachine learning； chronic obstructive pulmonary disease； review； nursing

慢性阻塞性肺疾病（chronic obstructive pulmonarydisease，COPD）是一種具有多種全身表現的以持續性氣流受限為特征的且呈進行性發展的可以預防和治療的慢性呼吸系統疾病[1]。目前，COPD已經成為全球第三大死因，其多數在中低收入國家[2]。同時，COPD反復發作也是導致病人肺功能下降、死亡率增加以及醫療資源利用率和經濟成本增加的重要原因[3]。如今，人工智能（artificial intelligence，AI）技術為疾病的診斷和評估提供了一種新的方法，其通過分析大量數據間復雜的非線性關系識別圖像數據類型，整合基因組學數據，以提高診斷和評估疾病的準確性[4]。機器學習（machinelearning，ML）是AI的一個分支，也是計算機科學的分支，其將統計方法應用于數據分析，以便根據先前觀察到的數據進行分類、預測或優化。近年來，機器學習在醫學中的應用取得了長足的進步，研究人員可通過使用大型臨床數據庫解決既往無法回答的問題，并創建增強人類決策技能的支持系統。基于機器學習的模型已被證明是用于特定臨床目的的有效工具[5]，也越來越多地用于預測COPD病人的長期疾病進展。因此，本研究就機器學習在COPD中的應用進行綜述，旨在為今后更好地開展COPD病人機器學習相關研究提供借鑒和參考。

1 機器學習概述

機器學習是指計算機算法，是計算機科學中的一門專注于AI學習方面的分支學科，無須明確編程就能從大量數據中“學習\"以找到特定模式[6]。其中，輸入和輸出數據之間的規則和相關性會自動從數據集中學習，從而允許在無假設的框架中進行自動推理[]。在機器學習中，有3種常用的學習方法，每種方法都可以用于解決不同的任務，即監督學習、無監督學習和強化學習[8]。常用的監督學習算法包括樸素貝葉斯（naivebayes，NB）線性回歸、邏輯回歸（logistic regression，LR）、決策樹（decisiontree，DT）、隨機森林（randomforest，RF）、支持向量機（supportvectormachine，SVM）、K近鄰（K-nearestneighbor，KNN）算法以及人工神經網絡（artificialneuralnetwork，ANN）；常用的無監督學習算法包括關聯分析（correlationanalysis，CA）、K-均值聚類（K-means，K-M）算法、主成分分析（principalcomponentanalysis，PCA）以及特征選擇（featureselection，FS）；常用的強化學習算法包括Q-學習（Q-learming，Q-L）算法、自適應啟發評價（adaptiveheuristiccritic，AHC）算法和時間差分學習（temporaldifference learning，TDLearning）[9]。其中，經典的機器學習算法有：1）線性回歸，是一種分析技術，通過使用直線描述數據集來解決回歸問題，是最簡單的機器學習算法；主要思想為指定1個或多個數值特征與單個數值目標之間的關系。2）邏輯回歸，是一種分類算法，其目標是找到特征與特定結果概率之間的關系，使用S形曲線即Sigmoid函數估計樣本屬于某個類別的概率。3）決策樹，主要用于分類任務，也可用于回歸分析，其起始于根節點，根節點是拆分數據集的第1個決策點且包含1個特征，該特征能夠使用最佳方法將數據拆分為各自的分類。4）隨機森林，是一種集成學習方法，也是決策樹的擴展，可生成多個決策樹。在構建每棵決策樹時，隨機森林不會使用所有特征，而是從所有特征中隨機選擇一個子集來構建每棵決策樹，每棵決策樹都會對輸入數據進行分類預測，然后隨機森林模型根據所有決策樹的預測結果進行投票，最終選擇得票最多的類別作為模型的預測結果。5）ANN，是一種受生物神經網絡啟發的機器學習算法；每個ANN都包含類似于細胞體的節點，這些節點通過類似于軸突和樹突的連接與其他節點進行通信[8]。此外，深度學習（deeplearning，DL）是機器學習的一個分支領域，它基于ANN的結構和算法，通過模擬人腦的神經元連接方式，自動從大量數據中學習復雜的模式和特征，以實現對數據的分類、預測和生成等任務。典型模型包括卷積神經網絡（ConvolutionalNeuralNetwork，CNN）、循環神經網絡（RecurrentNeuralNetwork，RNN）、長短期記憶網絡（Long Short-Term Memory，LSTM）、Transformer架構（TransformerArchitecture）以及生成對抗網絡（GenerativeAdversarialNetwork，GAN）[10]。

2 機器學習在COPD中的應用

2.1早期篩查和診斷COPD

早期發現并實施針對性干預策略對于減輕COPD病人疾病負擔至關重要。自前，機器學習算法已廣泛應用于疾病篩檢中，母應姣等[]的研究通過邏輯回歸、隨機森林和支持向量機3種模型建立變量少、操作簡單且性能較好的COPD病人篩檢工具，并提醒篩檢出的病人及時進行確診與治療。機器學習模型可以篩選出未來可能患COPD的高風險個體，為其早期干預提供可能[12]；通過結合遺傳和電子病歷數據，有望提高COPD風險預測的準確性[13]。Liu等[14]的研究利用常規篩查數據、多基因風險評分以及其他臨床數據等開發并評估了8種用于COPD初步篩查的機器學習模型，并對英國生物樣本數據庫中329396例病人進行了回顧性分析，結果表明機器學習模型可以用于準確預測 20～50 歲個體的COPD風險，為COPD的早期發現和十預提供了有價值的工具。肺活量測定是COPD診斷和嚴重程度評估的核心工具，但其依賴于檢測技術且具有非特異性，需要由訓練有素的醫療保健專業人員進行管理，亟須一種快速、可靠、精確的替代診斷測試。Talker等[15]的研究使用快速響應型二氧化碳傳感器和可解釋機器學習診斷COPD并進行嚴重程度評估，結果顯示其能有效監測疾病進展，為肺活量測定提供替代方案。還有研究僅基于肺活量測定探究若干曲線建模技術與結合機器學習技術在COPD中的診斷性能，結果發現通過二次和三次多項式系數訓練的ANN，具有模擬臨床診斷過程的潛力，可以成為初級保健中的重要輔助工具，以幫助早期診斷COPD[16]。AI技術的數據挖掘、語音和圖像識別在疾病診斷和篩查中顯示出巨大的潛力[17]。CT掃描的大規模無監督機器學習定義了6種可重復的、熟悉的CT肺氣腫亞型，這些亞型為COPD和COPD前期的特定診斷以及個性化治療提供了借鑒[18]。此外，咳嗽聲分類器使用先進的技術對呼吸系統疾病進行早期檢測和管理，為傳統診斷提供了一種侵入性更小、更有效的替代方案。Isangula等[19]的研究通過比較肺結核、哮喘和COPD相關的聲學特征和模式，生成了一種能夠自動進行疾病區分的強大算法，創建了一種可靠的、無創的、AI驅動的診斷性咳嗽音頻分類器，使醫護人員和病人能夠根據咳嗽的聲音模式識別和區分不同的呼吸系統疾病。

2.2 COPD分期分類和再人院預測

COPD是一種異質性較高疾病，存在多種亞型，亞型是指基于不同的病理生理機制、臨床特征、對治療的反應等因素對COPD進行得更為細致的分類。然而，臨床醫生的專業知識是不可替代的，輔以AI技術可以更準確地識別COPD的亞型，改進其分類并預測疾病的發展軌跡[20]。機器學習提供的模型能為COPD分期提供較準確的分類依據。王慧泉等[21]使用SHAP（shapleyadditiveexplanations）（是一種基于博弈論機器學習模型的可解釋性方法）對模型進行解釋，利用支持向量機進行建模，通過獲取不同疾病分期病人使用呼吸機時產生的波形數據和機器統計數據，從數據中提取特征以建立模型，從而對不同疾病分期病人的樣本進行分類；結果發現基于無創生理參數（NPP）特征集和呼吸機統計參數（STA）特征集建立的分類模型能夠對COPD穩定期和COPD急性加重期（AECOPD）的病人進行有效分類。應俊等[22]的研究通過特征選擇、模型訓練、參數優化、模型測試建立了基于深信度網絡架構的分類預測模型，對2007年和2011年2個版本的慢性阻塞性肺病全球倡議（globalinitiative for chronic obstructive lung disease，GOLD）危重程度進行自動分類與測試，分類準確率均達到 90% 以上，證實了深信度網絡分類模型的有效性。張啟銘[23]的研究使用多種機器學習算法對COPD病人電子病歷數據進行挖掘，構建了COPD的輔助分期診斷、風險預警等預測模型，基于預測模型成果設計并開發COPD管理系統，結果發現邏輯回歸在構建輔助分期診斷模型中性能表現較好，而XGBoost（extremegradientboosting）模型是一種基于梯度提升的機器學習算法，其在構建風險預警模型的綜合性能表現較好。另外，使用機器學習算法預測COPD病人的不良結局是一個有價值的研究方向，可以為COPD的疾病進展提供信息，有助于盡早評估病人人院后疾病的嚴重程度。而氣流受限程度是評價COPD病人疾病進展的關鍵指標。周麗娟[24]的研究通過構建COPD病人重度氣流受限程度的風險模型來預測病人氣流受限的嚴重程度。此外，預測COPD病人再入院的風險是當前研究的關鍵問題，醫療機構可根據機器學習提供的數據支持進行更合理的資源配置，有助于COPD病人的及早預防并有效干預，從而提高健康水平，并減輕經濟負擔。路曉云25的研究將結構化特征和病例文本中獲取的特征合并和預處理后，使用邏輯回歸、支持向量機、隨機森林、XGBoost和BP神經網絡（backpropagation neural network，BPNN）5種機器學習算法構建COPD病人再入院預測模型，并對其預測性能進行對比，結果發現XGBoost的各項指標表現最佳。還有研究發現ANN模型在預測COPD病人再人院風險方面具有一定有效性[13]。

2.3 AECOPD的預測

早期識別AECOPD是COPD管理的重要組成部分[26]。然而，識別AECOPD個體并有效預防具有一定的挑戰性。顧馨雨2的研究構建了列線圖（Nomogram）預測模型（一種基于多因素回歸分析的圖形化預測工具）和決策樹預測模型，并對模型進行內部和外部驗證，為AECOPD病人提供有效的篩查工具；并基于此幫助醫護人員和病人對當前的健康狀態提供未來并發Ⅱ型呼吸衰竭風險的量化風險值。由于數字健康工具和軟件能夠提供實時的醫學信息以及疾病診斷、治療方案等知識性內容，目前已逐步成為輔助臨床決策的重要工具[28]。Zeng等[29]的研究創建的機器學習模型對嚴重COPD的惡化提供了更準確的預測，進一步改進性能指標后的模型可用于決策支持，以指導識別高風險病人。而針對AECOPD病人肺功能檢測存在誤差大、準確性差的問題。張博超等[3的研究開發了AECOPD病人的肺功能預測模型，通過比較不同機器學習模型的預測性能找到最優的模型，結果發現隨機森林模型預測準確率最高，能夠輔助臨床醫生在難以給出確切診斷時提供多角度決策支持。有研究顯示，機器學習模型結合SHAP和局部解釋方法能夠為個體化風險預測提供可視化的解釋，準確評估AECOPD的風險，幫助臨床醫生理解模型中關鍵特征的影響和決策過程[31]。由此可見，臨床醫生與AI的合作提高了COPD風險預測的性能，并凸顯了臨床決策在AI整合中的重要作用。

2.4 COPD相關疾病結局的預測

AI分析還提高了對COPD相關健康結局的預測。Smith等[32]對使用機器學習的COPD預后研究進行了系統評價和Meta分析，結果發現相比于獨立架構或特征的現有回歸模型，機器學習算法在預測疾病死亡率方面有更好的性能。但耿祺餛等[33]的回顧性研究發現，基于美國多中心急診重癥監護病房數據庫開發的一種可解釋機器學習模型只能進行早期的死亡風險預測，無法對整個住院期間的全因住院病死率進行實時監測。而Moll等[34]的研究使用Cox回歸中的主要特征在COPD模型中創建機器學習死亡率預測模型（MachineLearningMortalityPredictionModel），并將該模型稱為MLMP-COPD，并評估其他統計和機器學習模型的性能，結果發現MLMP-COPD模型在預測全因死亡率方面性能最優。不僅如此，越來越多的研究呼呼整合其他影響因素作為有助于更全面表征COPD內型的獨特生物學性質的寶貴信息[35]，從而有望提高其對臨床相關結果的預測能力。商澤斌等[36]的研究基于加權基因共表達網絡分析和機器學習探索COPD肺泡巨噬細胞在疾病進展中的潛在病理機制，識別具有臨床價值的潛在生物標志物。另外，國外學者也利用機器學習進行研究，發現基因EXPH5是早期診斷COPD的標記基因，STUA1和SLC27A3是COPD的重要診斷生物標志物[37-38]。

3 機器學習在COPD中應用的問題與挑戰

機器學習已被證明是醫學領域中一種很有前途的工具，該技術可以開發有效的診斷和預測工具來識別和區分COPD。基于機器學習的程序因其能夠協助診斷和管理疾病，未來可能成為病人就診不可或缺的一部分。近年來，由于信息的數字化和可用性，機器學習已成為醫學領域的熱門話題，但仍然存在許多問題與挑戰。1）目前仍很少有基于證據的信息既能系統化當前關于COPD表型表征的聚類分析知識，又能確定不同方法的核心優點和局限性。2）許多研究在同一病人隊列中開發并驗證了機器學習模型，但尚未評估在其他人群中的推廣性；這些模型也尚未進行前瞻性測試，證明對臨床實踐的益處[5]。3）機器學習算法多樣，同一個數據集使用不同算法所得出的各個模型的性能并不相同；同樣，不同數據集下同一種模型的性能也不相同。因此，為了得到性能最佳的模型往往需調用多種不同算法進行比較，研究過程較為煩瑣[4。4）機器學習受訓練模型數據的數量和質量的限制[8]，大型數據集不易獲得，很難充分估計可靠的訓練機器學習系統所需的數據量；且并非越多的數據帶來的模型就越好，如果訓練數據的質量不精確、標記錯誤或與測試群體有某種系統性差異，則在非常大的數據集上進行訓練可能會導致模型在現實場景中表現不佳。由于機器學習不僅取決于輸入訓練數據的質量，還取決于任務的復雜性，通常需要數千個訓練示例才能創建既準確又可泛化的模型。此外，數據集是由人類評分員標記的，這也是一個潛在誤差。5）在數據的收集和安全使用方面仍然存在重大的信任問題[5，需要更多的研究來確保機器學習模型應用于實際臨床決策中的安全性與有效性。目前，將機器學習方法擴展到不同領域和醫學用途所需的研究正處于急劇增長階段，機器學習極大可能會更充分地甚至完全地融入未來醫學實踐中。因此，醫護人員和研究者必須了解并掌握機器學習的基礎知識，明確應用于臨床的目的和可及的研究領域，采取積極的方法應對挑戰，以減少誤差并確保數據安全，最終使病人受益。

4小結

機器學習和更廣泛的AI概念已被證明在醫學領域中有較高的應用價值，有可能徹底改變醫學實踐方式。目前，機器學習應用最有效的特定領域是肺部成像和結節檢測、COPD和肺功能檢查（pulmonaryfunctiontest，PFT）以及危重病人相關結局的預測建模；其在提高準確有效診斷和治療病人的能力、改善病人預后方面有較大的潛力。未來的研究應確保病人安全，保障研究的高質量，并推動機器學習方法得到更廣泛的認可與應用。因此，醫護人員應積極學習并理解機器學習背后的理論知識及其在醫學領域的效用，探索機器學習在COPD中更多的應用價值，為COPD病人提供最佳的診治及護理提供參考。

參考文獻：

[1]LI Y，LI XY，YUANL R，et al.Evaluation of small airway function and its application in patients with chronic obstructive pulmonary disease （review）[J].Experimental and Therapeutic Medicine，2021，22（6）：1386.

[2]徐小涵，杜云紅，李娟，等.移動健康在慢性阻塞性肺疾病患者個 案管理中的研究進展[J].護士進修雜志，2023，38（15）：1388-1391.

[3]HAUGHNEY J，LEE AJ，NATHM，et al.The long-term clinical impact of COPD exacerbations：a 3-year observational study （SHERLOCK）[J]. Therapeutic Advances in Respiratory Disease， 2022，16：17534666211070139.

[4]陸琳娟，姚欣.人工智能在慢性炎癥性氣道疾病中的研究進展[J]. 醫學綜述，2022，28（5）：959-963.

[5]MLODZINSKI E，STONE D J， CELI L A.Machine learning for pulmonary and critical care medicine：a narrative review[J]. Pulmonary Therapy，2020，6（1）：67-77.

[6]BEAM A L，KOHANE I S.Big data and machine learning in health care[J].JAMA，2018，319（13）：1317-1318.

[7]XIANGGL，ZHU XD，MAL，et al.Clinical guidelines on the application of Internet of things （IOT） medical technology in the rehabilitation of chronic obstructive pulmonary disease[J].Journal of Thoracic Disease，2021，13（8）：4629-4637.

[8]CHOIRY，COYNERA S，KALPATHY-CRAMERJ，et al. Introduction to machine learning，neural networks，and deep learning[J].Translational Vision Scienceamp;Technology，2020， 9（2）：14.

[9]周麗娟，溫賢秀，蔣蓉，等.機器學習在護理領域中的應用研究進 展[J].護士進修雜志，2022，37（15）：1388-1392.

[10]LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature， 2015，521（7553）：436-444.

[11］母應姣，王子云，蘇旭，等.基于三種機器學習方法的慢性阻塞性 肺疾病人群早篩模型的建立與驗證[J].現代預防醫學，2024，51 （9）：1677-1683.

[12]CHEN W J，SIN D D，FITZGERALD J M，et al.An individualized prediction model for long-term lung function trajectory and risk of COPD in the general population[J].Chest， 2020，157（3）：547-557.

[13]WANGL，LIGH，EZEANA CF，et al.An AI-driven clinical care pathway to reduce 3O-day readmission for chronic obstructive pulmonary disease （COPD） patients[J].Scientific Reports，2022，12 （1）：20633.

[14]LIU G L，HU J N，YANG J Z，et al.Predicting early-onset COPDrisk in adultsaged 2O-5O using electronic health records and machine learning[J].PeerJ，2024，12：e16950.

[15]TALKER L，DOGAN C，NEVILLE D，et al. Diagnosis and severity assessment of COPD using a novel fast-response capnometer and interpretable machine learning[J].COPD，2024，21 （1）：2321379.

[16]MALDONADO-FRANCO A，GIRALDO-CADAVID L F， TUTA-QUINTERO E，et al. Curve-modeling and machine learning for a better COPD diagnosis[J].International Journal of Chronic Obstructive Pulmonary Disease，2024，19：1333-1343.

[17]KUMAR Y，KOUL A，SINGLAR，et al.Artificial intellgence in disease diagnosis： a systematic literature review，synthesizing framework and future research agenda[J].Journal of Ambient Intelligence and Humanized Computing，2023，14（7）：8459-8486.

[18]ANGELINI E D，YANG J，BALTE P P，et al. Pulmonary emphysema subtypes defined by unsupervised machine learning on CT scans[J].Thorax，2023，78（11）：1067-1079.

[19]ISANGULA K G，HAULE R J.Leveraging AI and machine learning to develop and evaluate a contextualized user-friendly cough audio classifier for detecting respiratory diseases：protocol fora diagnostic study in rural Tanzania[J]. JMIR Research Protocols，2024，13：e54388.

[20]ROBERTSON N M，CENTNERC S，SIDDHARTHAN T. Integrating artificial intelligence in the diagnosis of COPD globally：away forward[J].Chronic Obstructive Pulmonary Diseases，2024，11（1）：114-120.

[21]王慧泉，趙偉標，孟慶凱，等.基于無創生理參數的家用慢阻肺疾 病分類方法[J].生物醫學工程研究，2023，42（1）：23-29.

[22]應俊，楊策源，李全政，等.基于深度學習方法的慢性阻塞性肺疾 病危重度分類研究[J].生物醫學工程學雜志，2017，34（6）： 842-849.

[23］張啟銘.基于電子病歷挖掘的慢阻肺分期預測研究[D].廣州：廣 東工業大學，2021.

[24]周麗娟，溫賢秀，呂琴，等.使用機器學習建立慢性阻塞性肺疾病 患者重度氣流受限風險預警模型研究[J].中國全科醫學，2022， 25（2）：217-226.

[25]路曉云.基于機器學習的慢阻肺患者再入院預測和風險分類[D]. 廣州：廣東工業大學，2022.

[26]WATSONA，WILKINSONTMA.Digital healthcare in COPD management： a narrative review on the advantages，pitfalls，and need for further research[J].Therapeutic Advances in Respiratory Disease，2022，16：17534666221075493.

[27]顧馨雨.慢性阻塞性肺疾病急性加重期并發Ⅱ型呼吸衰竭的臨 床預測模型構建及驗證[D].揚州：揚州大學，2023.

[28]李禎祺，靳晨琦，李偉，等.2023年數字健康發展態勢[J].生命科 學，2024，36（1）：81-93.

[29]ZENG S Y，ARJOMANDI M，TONG Y，et al. Developing a machine learning model to predict severe chronic obstructive pulmonary disease exacerbations： retrospective cohort study[J] JournalofMedical InternetResearch，2O22，24（1）：e28953.

[30]張博超，楊朝，郭立泉，等.基于機器學習的慢性阻塞性肺疾病急 性加重預測模型的研究[J].中國康復理論與實踐，2022，28（6）： 678-683.

[31]KOR C T，LI Y R，LIN P R，et al.Explainable machine learning model for predicting first-time acute exacerbation in patients with chronic obstructive pulmonary disease[J].Journal of Personalized Medicine，2022，12（2）：228.

[32] SMITH L A，OAKDEN-RAYNER L，BIRD A，et al.Machine learning and deep learning predictive models for long-term prognosis in patients with chronic obstructive pulmonary disease：a systematic review and Meta-analysis[J]. The Lancet Digital Health，2023，5（12）：e872-e881.

[33］耿祺焜，李吉利，胡雲迪，等.基于可解釋機器學習的重癥慢性阻 塞性肺疾病的預后模型[J].中國呼吸與危重監護雜志，2024，23 （3）：153-159.

[34]MOLL M，QIAO D D，REGAN E A，et al.Machine learning and prediction of all-cause mortality in COPD[J].Chest，202O，158（3）： 952-964.

[35]NIKOLAOU V，MASSARO S，FAKHIMI M，et al.COPD phenotypes and machine learning cluster analysis：a systematic reviewand future research agenda[J].Respiratory Medicine，2020， 171：106093.

[36］商澤斌，楊天昊，賀曉生，等.基于加權基因共表達網絡分析和機 器學習探索慢性阻塞性肺疾病患者肺泡巨噬細胞的作用機制及 潛在生物標志物[J].臨床醫學研究與實踐，2023，8（34）：1-8.

[37]YANG YW，CAO Y，HAN XB，et al.Revealing EXPH5 as a potential diagnostic gene biomarker of the late stage of COPD based on machine learning analysis[J].Computers in Biology and Medicine，2023，154：106621.

[38]ZHANG YP，XIARY，LV MY，et al.Machine-learning algorithm-based prediction of diagnostic gene biomarkersrelated toimmune infiltration in patients with chronic obstructive pulmonary disease[J].Frontiers in Immunology，2022，13：740513. （收稿日期：2024-08-02；修回日期：2025-03-24） （本文編輯 趙奕雯）