韋 哲 薛 翔 王能才

人工智能在糖尿病診斷中的應(yīng)用

韋 哲①②薛 翔②*王能才①

通過概述人工智能、人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)及數(shù)據(jù)挖掘的方法與原理，分析人工智能在糖尿病診斷領(lǐng)域的應(yīng)用與研究方向。糖尿病的診斷需要大量的醫(yī)療資源支持，將人工智能應(yīng)用于糖尿病診斷，不僅可以節(jié)約醫(yī)療資源，還能幫助糖尿病患者及高危人群及時掌握病情，降低糖尿病并發(fā)癥患病風(fēng)險。

人工智能；專家系統(tǒng)；人工神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)挖掘；糖尿病

美國紀(jì)念斯隆-凱特琳癌癥中心(MemorialSloan-Kettering Cancer Center)與IBM合作，引入“沃森”技術(shù)對與病情、治療方案和治療結(jié)果有關(guān)的數(shù)據(jù)進(jìn)行分析，以此來找出隱藏的形式和相關(guān)性來幫助癌癥治療[2]。糖尿病的診斷需要大量的醫(yī)療資源支持，在目前醫(yī)生人手不足，糖尿病患者群體龐大的背景下，將人工智能應(yīng)用于糖尿病診斷，不僅可以節(jié)約醫(yī)療資源，還能幫助糖尿病患者及高危人群及時掌握病情，降低糖尿病并發(fā)癥患病風(fēng)險。

1 人工智能概述

1.1 人工智能

人工智能(artificial intelligence，AI)是研發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法及技術(shù)應(yīng)用系統(tǒng)的一門前沿學(xué)科和交叉學(xué)科[3]。早在1956年“人工智能”一詞被提出，此后研究者又提出了許多與之相關(guān)的理論和原理，人工智能的概念也逐漸擴(kuò)展。美國斯坦福大學(xué)的Nilsson提出人工智能是有關(guān)知識的科學(xué)，包含知識的表示、獲取以及應(yīng)用。英國著名科學(xué)家圖靈被稱為人工智能之父，他在1950年發(fā)表的著名論文“計算機(jī)機(jī)器與智能”首次從行為主義的角度給出了人工智能的定義并提出了“機(jī)器思維”的概念，通過“圖靈實驗”來判別機(jī)器是否具備智能[3]。人類的許多活動，如解算題、猜謎語、網(wǎng)上購物、編制計劃和編寫計算機(jī)程序，甚至駕駛汽車等等，都需要“智能”。如果機(jī)器能夠執(zhí)行這種任務(wù)，就可以認(rèn)為機(jī)器已具有某種性質(zhì)的“人工智能”。

1.2 人工智能的特征

人工智能作為一門科學(xué)，有其獨特的技術(shù)特征，主要表現(xiàn)在：①利用知識，能利用問題領(lǐng)域知識來求解問題；②利用搜索，邊試探邊求解，找出不完全知識以及未知知識的規(guī)則；③利用抽象，可以在處理問題時將重要與非重要特征進(jìn)行區(qū)分，從而更加有效和靈活地處理問題；④利用推理，基于知識表示的AI程序通常采用推理機(jī)制與知識相分離的體系結(jié)構(gòu)，這種結(jié)構(gòu)可以模擬人類思維規(guī)律。

2 專家系統(tǒng)

2.1 在醫(yī)療領(lǐng)域的研究現(xiàn)狀

20世紀(jì)70年代初，斯坦福大學(xué)的Edward Shortliife和BruceBuchanan等人合作研制了一種幫助醫(yī)生對住院的血液感染患者進(jìn)行診斷和用抗菌素類藥物進(jìn)行治療的MYCIN專家系統(tǒng)，在對MYCIN專家系統(tǒng)的測試過程中發(fā)現(xiàn)其對敗血癥、菌血癥及肺部感染等方面的診療水平已經(jīng)超過了該領(lǐng)域的專家[4]。匹茲堡大學(xué)的Miller等在1982年開發(fā)了名為Internist-Ⅰ的內(nèi)科計算機(jī)輔助診斷系統(tǒng)；哈佛醫(yī)學(xué)院Baenett等在1991年開發(fā)的“DXPLAIN”軟件已經(jīng)包含2200種疾病和5000種癥狀[5]。

在我國，2008年杭波等[6]采用正向不精確推理與反向精確推理相結(jié)合的二次診斷策略，解決了某些系統(tǒng)將癥狀知識庫整理成多級索引的樹形結(jié)構(gòu)而可能引起的漏診和誤診。羅洋等[7]使用案例推理臨床獲益率(clinical benefit rate，CBR)的方法建立了糖尿病診斷專家系統(tǒng)，系統(tǒng)通過查找的方式在源案例中找出與當(dāng)前問題相似的案例來解決問題，相比于其他專家系統(tǒng)而言，更加直觀易懂，也是當(dāng)前人工智能領(lǐng)域的一種主流推理方式。

2.2 專家系統(tǒng)的組成

專家系統(tǒng)由知識庫、推理機(jī)、解釋機(jī)構(gòu)、全局?jǐn)?shù)據(jù)庫、知識獲取機(jī)構(gòu)和人機(jī)接口6部分組成。在實際使用中，由于應(yīng)用領(lǐng)域和應(yīng)用目標(biāo)的不同，需要對上述部分進(jìn)行簡化、細(xì)化、增加或刪除。知識庫和推理機(jī)是專家系統(tǒng)的核心部分，知識庫存取和管理著用于問題求解的專家知識和經(jīng)驗，推理機(jī)使整個專家系統(tǒng)在其控制和管理下，以邏輯方式協(xié)調(diào)地工作，可以將知識庫中的知識與用戶輸入的數(shù)據(jù)相結(jié)合，根據(jù)一定的推理策略，采用類似專家水平的問題求解方法，進(jìn)行分析、判斷并作出決策[8](如圖1所示)。

圖1 專家系統(tǒng)基本結(jié)構(gòu)框圖

2.3 專家系統(tǒng)的特點

專家系統(tǒng)具有下述特點。

(1)針對性。專家系統(tǒng)是對某個具體的領(lǐng)域進(jìn)行專門研究，如醫(yī)療領(lǐng)域、故障診斷領(lǐng)域等，而醫(yī)學(xué)領(lǐng)域的專家系統(tǒng)又會針對某種專門的疾病，如MYCIN專家系統(tǒng)針對菌血癥、敗血癥以及肺部感染。

(2)靈活性。知識庫與推理機(jī)在體系結(jié)構(gòu)上是相互分離又相互聯(lián)系，便于系統(tǒng)學(xué)習(xí)新的知識，用于糖尿病診斷的專家系統(tǒng)可以隨醫(yī)學(xué)的發(fā)展進(jìn)行不斷的修改和擴(kuò)充。

(3)透明性。專家系統(tǒng)中的解釋機(jī)構(gòu)將系統(tǒng)采用的知識和方法展現(xiàn)給用戶，可以與用戶進(jìn)行相互交流，不僅增加了用戶對系統(tǒng)的了解，而且使用戶對診斷結(jié)果更加信任。

3 神經(jīng)網(wǎng)絡(luò)

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks，ANN)可以模擬動物神經(jīng)的行為特點，建立算法數(shù)學(xué)模型對分布式數(shù)據(jù)并行信息進(jìn)行處理。人工神經(jīng)網(wǎng)絡(luò)算法的系統(tǒng)復(fù)雜程度高，內(nèi)部大量節(jié)點之間的連接關(guān)系可調(diào)，從而有利于達(dá)到處理信息的目的[9]。

心理學(xué)家Mcculloch和數(shù)學(xué)邏輯學(xué)家Pitts在1943年首先提出神經(jīng)元的數(shù)學(xué)模型(MP模型)，在分析和總結(jié)神經(jīng)元基本特性的基礎(chǔ)上，證明了單個神經(jīng)元能執(zhí)行邏輯運算功能，開啟了ANN研究的新時代。1957年，計算機(jī)科學(xué)家Rosenblatt設(shè)計制作了能夠用來模擬生物感知和學(xué)習(xí)能力的感知器；1969年M.Minsky等在著作《Perceptron》(感知器)中指出線性感知器功能是有限的，并不能解決高階謂詞問題，ANN的研討一度進(jìn)入低谷；美國物理學(xué)家Hopfield于1982年和1984年在美國科學(xué)院院刊上發(fā)表了兩篇有關(guān)ANN研究的論文，再次掀起了ANN的研究熱潮[10-11]。

3.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)連接的拓?fù)浣Y(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)模型可分為前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。

(1)前向網(wǎng)絡(luò)。前向網(wǎng)絡(luò)是一個兩層前向神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)中只有輸入層和輸出層，其中f為傳遞函數(shù)，x為輸入，W為權(quán)值，y為輸出。該網(wǎng)絡(luò)通常用于線性分類，如圖2所示。

圖2 兩層前向神經(jīng)網(wǎng)絡(luò)示圖

而圖3所示為一個多層前向神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由一個輸入層，一個輸出層和多個隱含層組成，其中隱含層和輸出層神經(jīng)元為計算節(jié)點。

(2)反饋網(wǎng)絡(luò)。反饋網(wǎng)絡(luò)(recurrent network)又稱自聯(lián)想記憶網(wǎng)絡(luò)，其設(shè)計目的是在初始輸入下，使網(wǎng)絡(luò)經(jīng)過反饋計算最后到達(dá)穩(wěn)定狀態(tài)，這時的輸出即是

圖3 多層前向神經(jīng)網(wǎng)絡(luò)示圖

用戶需要的平衡點，如圖4所示。

圖4 反饋神經(jīng)網(wǎng)絡(luò)示圖

3.3 神經(jīng)網(wǎng)絡(luò)算法

根據(jù)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)、神經(jīng)元特征以及學(xué)習(xí)規(guī)則的不同，目前已有近40種ANN模型，其中常用的ANN算法有BP神經(jīng)網(wǎng)絡(luò)、徑向基核函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network，F(xiàn)NN)。

(1)BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法是δ學(xué)習(xí)規(guī)則(誤差校正學(xué)習(xí)算法)，屬于有指導(dǎo)性的學(xué)習(xí)，其目標(biāo)函數(shù)采用為實際輸出向量，Tk為期望值向量，k=1,2,…,N為訓(xùn)練樣本個數(shù))，其將輸出層表現(xiàn)出的誤差沿著與輸入傳送相反的方向逐級向網(wǎng)絡(luò)的輸入層傳遞，從而獲得所有其他各層的誤差估計。

(2)RBF神經(jīng)網(wǎng)絡(luò)。RBF徑向基神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任一連續(xù)函數(shù)，在解決分類問題時，RBF網(wǎng)絡(luò)先通過隱層單元將非線性可分的輸入空間設(shè)法變換到線性可分的特征空間(通常是高維空間)，然后再用輸出層來進(jìn)行線性劃分，從而完成分類功能。

(3)FNN。FNN是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，是具有模糊權(quán)系數(shù)或者輸入信號是模糊量的神經(jīng)網(wǎng)絡(luò)，其結(jié)合了神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的優(yōu)點，集聯(lián)想、識別、自適應(yīng)及模糊信息處理于一體。

4 數(shù)據(jù)挖掘

4.1 醫(yī)療大數(shù)據(jù)挖掘

醫(yī)療數(shù)據(jù)庫是對病患的病理體征數(shù)據(jù)、病歷數(shù)據(jù)以及所有病患與非病患的體檢數(shù)據(jù)進(jìn)行收集的數(shù)據(jù)庫，其中包含了醫(yī)生與患者的交談記錄，醫(yī)生的臨床觀察記錄，醫(yī)療設(shè)備和儀器所拍攝的影像資料，社會普查記錄等等。糖尿病具有多病因、多體征參數(shù)和原發(fā)性復(fù)雜的特點，數(shù)據(jù)挖掘技術(shù)對此有非常好的適用性，對大量的體檢和病歷數(shù)據(jù)的挖掘為糖尿病診斷系統(tǒng)的可靠性提供了基本保證。醫(yī)療大數(shù)據(jù)挖掘的一般流程如圖5所示。

圖5 醫(yī)療大數(shù)據(jù)挖掘流程框圖

4.2 醫(yī)療數(shù)據(jù)挖掘技術(shù)的研究現(xiàn)狀

Breault等[12]利用CART分析方法對糖尿病數(shù)據(jù)庫進(jìn)行分析后，找出了分類曲線和回歸曲線，雖然準(zhǔn)確率僅有59%，但卻首次證實了數(shù)據(jù)挖掘技術(shù)在糖尿病診斷領(lǐng)域的潛在價值。采用Relief方法對患病因素初步分析后，再用樸素貝葉斯方法、IB1法和C4.5方法建立分類預(yù)測模型，使準(zhǔn)確率達(dá)到了79%左右[13]。2010年，Purnami等[14]用修正條光滑向量機(jī)算法在一定參數(shù)下對糖尿病進(jìn)行了很高準(zhǔn)確率的診斷。2015年，Abdul等利用改進(jìn)的K-means算法對以年和月為周期發(fā)病的疾病數(shù)據(jù)庫進(jìn)行分析，找到了預(yù)防和治療的有利策略[15]。

國內(nèi)與國外相比，將數(shù)據(jù)挖掘應(yīng)用于臨床診斷的研究較晚。2012年，龐博[16]提出貝葉斯算法與中醫(yī)學(xué)特點相結(jié)合的理論，建立了中醫(yī)醫(yī)案信息化平臺，系統(tǒng)的解釋了中醫(yī)經(jīng)驗、知識和證據(jù)的關(guān)系。由于國內(nèi)電子病歷和醫(yī)療信息系統(tǒng)近年來才興起，所以相關(guān)研究主要集中在中西醫(yī)結(jié)合的領(lǐng)域。但是西醫(yī)在糖尿病中的研究進(jìn)展遠(yuǎn)比中醫(yī)有競爭力，空腹血糖值、尿糖值、膽固醇值等這些數(shù)據(jù)都對糖尿病診斷非常有利。

5 人工智能在糖尿病診斷領(lǐng)域的應(yīng)用

糖尿病是由胰島素分泌缺陷和(或)胰島素作用缺陷所引起的，并以慢性高血糖伴碳水化合物及脂肪和蛋白質(zhì)的代謝障礙為特征的慢性疾病。主要的分型為：1型糖尿病和2型糖尿病。分型中的1型糖尿病主要是由于胰島β細(xì)胞的自身免疫性破壞所造成的，而2型糖尿病患者自身的β細(xì)胞并無自身免疫性缺陷，患者大多存在肥胖或超重現(xiàn)象，全球糖尿病患者絕大多數(shù)為2型糖尿病。

目前，國際上通用的糖尿病診斷標(biāo)準(zhǔn)為：①空腹血糖≥7.0 mmol/L(126 mg/dl)；②口服糖耐量試驗(oral glucose tolerance test，OGTT)后2 h血糖濃度≥11.1 mmol/L(200 mg/dl)；③餐后任意時間的隨機(jī)血糖濃度≥11.1 mmol/L(200 mg/dl)[17]。

專家系統(tǒng)具備收集、整理和記錄專家知識的能力，能將過往以及目前世界各地的糖尿病專家提供的專業(yè)知識和相關(guān)書籍融合在一起解決現(xiàn)實問題。血糖監(jiān)測、飲食治療、運動治療、藥物治療及糖尿病教育是糖尿病現(xiàn)代治療的“五架馬車”，糖尿病診斷專家系統(tǒng)夠?qū)⑵湔铣稍\療意見，當(dāng)患者根據(jù)專家系統(tǒng)給出的提示，輸入主訴及體征信息時專家系統(tǒng)就會結(jié)合知識庫存儲的知識給出診療意見，不僅有助于解決因糖尿病患者人數(shù)眾多而導(dǎo)致專家資源緊張的問題，還可以及早發(fā)現(xiàn)隱藏的糖尿病病情，做到早發(fā)現(xiàn)早治療[18-19]。

各大醫(yī)院中的醫(yī)院信息化系統(tǒng)、實驗室信息系統(tǒng)、電子病歷系統(tǒng)等已經(jīng)積累了規(guī)模龐大的糖尿病患者臨床數(shù)據(jù)，這些臨床數(shù)據(jù)中隱藏著許多與糖尿病診斷及治療有關(guān)的規(guī)律，對于掌握糖尿病發(fā)病機(jī)理及治療效果評估有著重要的意義[20]。這些數(shù)據(jù)的特征是非線性，而ANN有良好的智能特性和強(qiáng)大的非線性處理能力，利用其容錯性、自適應(yīng)性和并行處理等優(yōu)點，采用適當(dāng)?shù)膶W(xué)習(xí)算法，可以對糖尿病數(shù)據(jù)進(jìn)行準(zhǔn)確的處理，達(dá)到糖尿病診斷以及預(yù)測的目的。

6 展望

谷歌旗下Deep Mind研發(fā)的AlphaGo通過圍棋人機(jī)大戰(zhàn)一戰(zhàn)成名，帶動了人工智能的火爆，這一技術(shù)也從另類走向主流。然而，目前人工智能在國內(nèi)醫(yī)學(xué)中的發(fā)展及應(yīng)用規(guī)模都遠(yuǎn)不及西方發(fā)達(dá)國家，在技術(shù)水平、算法的成熟度和模型精度等方面的差距還很大。未來，人工智能、大數(shù)據(jù)、云計算、三維打印及納米粒子平臺等先進(jìn)技術(shù)將顛覆傳統(tǒng)技術(shù)，將其更好地應(yīng)用于醫(yī)學(xué)領(lǐng)域，必然會引起人們對醫(yī)學(xué)的深入探索，新成果必將會不斷出現(xiàn)。

[1]孔祥溢，王任直.人工智能及在醫(yī)療領(lǐng)域的應(yīng)用[J].醫(yī)學(xué)信息學(xué)，2016，37(11)：1-5.

[2]Kulikowski C A.Artificial intelligence methods and systems for medical consultation[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，1980，PAMI-2(PAMI-2)：464-476.

[3]孫宏安.電腦先驅(qū)-圖靈[M].濟(jì)南：山東教育出版，2006.

[4]趙欣，王運斗，郭立軍.醫(yī)療專家系統(tǒng)推理機(jī)的常用設(shè)計方法與發(fā)展展望[J].醫(yī)療衛(wèi)生裝備，2013，34(12)：100-102.

[5]Feldman MJ，Barnett GO.An approach to evaluating the accuracy of DXplain[J].Comput Methods Programs Biomed，1991，35(4)：261-6.

[6]杭波，馬計.基于二次推理的糖尿病診斷專家系統(tǒng)研究[J].微計算機(jī)信息，2008，24(5)：228-229，244.

[7]羅洋.基于案例推理的糖尿病診斷系統(tǒng)的研究與應(yīng)用[D].哈爾濱工業(yè)大學(xué)，2013.

[8]高峰，孫時珍，曲建嶺.人工智能在故障診斷中的應(yīng)用[J].科技信息，2010，2(23)：63-64.

[9]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M].北京：機(jī)械工業(yè)出版社，2007.

[10]Alshayea Q.Artificial Neural Networks in Medical Diagnosis[J].International J Computer Science Issues，2011，8(2)：197-228.

[11]劉彥杰.優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在糖尿病患病風(fēng)險分析中的應(yīng)用[D].蘭州理工大學(xué)，2016.

[12]Breault JL，Goodall CR，F(xiàn)os PJ.Data mining a diabetic data warehouse[J].Artif Intell Med，2002，26(1-2)：37-54.

[13]Huang Y，Mccullagh P，Black N，et al.Feature Selection and Classification Model Construction on Type 2 Diabetic Patient's Data[M].Advances in Data Mining.Springer Berlin Heidelberg，2004：251-262.

[14]Purnami SW，Zain JM，Embong A.A New Expert System for Diabetes Disease Diagnosis Using Modified Spline Smooth Support Vector Machine[M].Computational Science and Its Applications-ICCSA 2010.Springer Berlin Heidelberg，2010：83-92.

[15]Khaleel MA，Dash GN，Choudhury KS，et al.Medical Data Mining for Discovering Periodically Frequent Diseases from Transactional Databases[M].Computational Intelligence in Data Mining-Volume 1.Springer India，2015：87-96.

[16]龐博.施今墨學(xué)派名老中醫(yī)診治糖尿病學(xué)術(shù)思想與經(jīng)驗傳承研究[D].北京：北京中醫(yī)藥大學(xué)，2012.

[17]錢榮立.關(guān)于糖尿病的新診斷標(biāo)準(zhǔn)與分型意義[J].臨床內(nèi)科雜志，2000，17，(3)：113.

[18]馬冬梅.生化檢驗在糖尿病診斷中的應(yīng)用分析[J].大家健康旬刊，2016，10(7)：43.

[19]陳瀲.面向糖尿病的臨床大數(shù)據(jù)分析研究與應(yīng)用[D].上海：東華大學(xué)，2016.

[20]郭奕瑞，李玉倩，王高帥，等.人工神經(jīng)網(wǎng)絡(luò)模型在2型糖尿病患病風(fēng)險預(yù)測中的應(yīng)用[J].鄭州大學(xué)學(xué)報(醫(yī)學(xué)版)，2014，(2)：180-183.

Application of artificial intelligence in diagnosis of diabetes

/WEI Zhe, XUE Xiang, WANG Neng-cai

To analyze the application and research direction of artificial intelligence in the diagnosis field of diabetes through summarized the methods and principle of artificial intelligence, artificial neural network, expert system and data mining. The diagnosis of diabetes need be supported by large medical resource. The artificial intelligence is applied in the diagnosis of diabetes not only can save medical resource but also can help patients with diabetes and high risk group of diabetes to grasp their state of illness in time, and reduce the sickening risk of diabetic complication.

Artificial intelligence; Expert system; Artificial neural networks; Data mining;Diabetes

Department of Information, General Hospital of Lanzhou,Lanzhou 730050. Telecommunications Institute, Lanzhou University of Technology, Lanzhou 730050, China.

韋哲,男,(1963- ),博士，高級工程師。蘭州軍區(qū)蘭州總醫(yī)院信息科，從事醫(yī)療儀器及醫(yī)療信息系統(tǒng)的研制開發(fā)、科研、技術(shù)及管理等工作。

1672-8270(2017)12-0142-04

R-058

A

10.3969/J.ISSN.1672-8270.2017.12.039

①蘭州軍區(qū)蘭州總醫(yī)院信息科 甘肅 蘭州 730050

②蘭州理工大學(xué)電信學(xué)院 甘肅 蘭州 730050

*通訊作者：xuexiang1990@126.com

//China Medical Equipment,2017,14(12):142-145.

2017-06-04