基于多層感知神經(jīng)網(wǎng)絡(luò)的糖尿病并發(fā)癥預(yù)測研究

劉迷迷，蔡永銘

?

基于多層感知神經(jīng)網(wǎng)絡(luò)的糖尿病并發(fā)癥預(yù)測研究

劉迷迷1，蔡永銘2,3*

（1. 廣東藥科大學(xué) 公共衛(wèi)生學(xué)院，廣東 廣州 510006；2. 廣東藥科大學(xué) 醫(yī)藥信息工程學(xué)院，廣東 廣州 510006； 3. 廣東省中醫(yī)藥精準(zhǔn)醫(yī)學(xué)大數(shù)據(jù)工程技術(shù)研究中心，廣東 廣州 510006）

糖尿病并發(fā)癥患者的死亡率高于僅患糖尿病患者的死亡率，預(yù)測糖尿病并發(fā)癥有重要意義，以輔助臨床早發(fā)現(xiàn)和早治療糖尿病并發(fā)癥，降低糖尿病患者死于并發(fā)癥的風(fēng)險。本研究目的是根據(jù)糖尿病患者的尿常規(guī)檢查、生化檢查和糖化檢查信息，構(gòu)建預(yù)測糖尿病并發(fā)癥的多層感知神經(jīng)網(wǎng)絡(luò)(Multilayer Perceptron，MLP)模型，并篩選對糖尿病并發(fā)癥預(yù)測影響較大的指標(biāo)，以期提高糖尿病并發(fā)癥的診斷篩查。依據(jù)《實(shí)用內(nèi)科學(xué)》中關(guān)于糖尿病及其并發(fā)癥的診斷術(shù)語規(guī)范診斷結(jié)果的糖尿病并發(fā)癥種類。分別以尿常規(guī)檢查、生化檢查和糖化檢查的各項(xiàng)指標(biāo)為自變量，以糖尿病并發(fā)癥種類為因變量，應(yīng)用MLP算法建立糖尿病并發(fā)癥預(yù)測模型，并以Boosting方法提高M(jìn)LP模型預(yù)測準(zhǔn)確率，同時與統(tǒng)計(jì)模型Logistic回歸對比分析。MLP模型篩選出對糖尿病并發(fā)癥預(yù)測影響較大的4項(xiàng)尿常規(guī)和6項(xiàng)生化檢查指標(biāo)，其中影響最大的是患者的年齡。尿常規(guī)檢查和生化檢查的MLP模型準(zhǔn)確率較高，分別為87.56%、67.94%，且收益圖曲線上凸明顯，接近理想曲線。糖化信息的MLP模型準(zhǔn)確率低僅39.31%，收益圖曲線呈鋸齒狀上升，遠(yuǎn)離理想曲線。Logistic回歸模型的準(zhǔn)確率都較低，收益圖曲線均遠(yuǎn)離理想曲線。基于糖尿病患者的尿常規(guī)檢查、生化檢查和糖化檢查等信息，構(gòu)建的尿常規(guī)檢查和生化檢查的MLP模型預(yù)測效果較好，并篩選出對糖尿病并發(fā)癥預(yù)測影響較大指標(biāo)，結(jié)果可用于輔助臨床醫(yī)生優(yōu)化診斷和治療糖尿病并發(fā)癥。MLP模型比Logistic回歸模型準(zhǔn)確率更高、收益更好，更適用于糖尿病并發(fā)癥的預(yù)測。

糖尿病；并發(fā)癥；多層感知神經(jīng)網(wǎng)絡(luò)；MLP；Logistic回歸

0 引言

糖尿病是目前影響全球人類健康的最重要的慢性非傳染性疾病之一，據(jù)國際糖尿病聯(lián)盟（IDF）統(tǒng)計(jì)，2014年全球糖尿病患者人數(shù)達(dá)3.87億，預(yù)計(jì)到2035年全球糖尿病患者人數(shù)將增長55%，接近6億[1]。糖尿病病程長，是目前醫(yī)學(xué)界公認(rèn)并發(fā)癥最多的疾病，不僅給患者自身肉體和精神帶來傷害，使患者壽命縮短，還給患者家庭、社會和國家?guī)沓林氐慕?jīng)濟(jì)負(fù)擔(dān)。許多研究發(fā)現(xiàn)，糖尿病并發(fā)癥患者的死亡率明顯比只患糖尿病患者的死亡率高[2]。因此，對于糖尿病并發(fā)癥的預(yù)測研究具有重要意義，以實(shí)現(xiàn)并發(fā)癥的早預(yù)防、早發(fā)現(xiàn)和早治療，協(xié)助臨床醫(yī)生優(yōu)化診斷和治療，從而降低糖尿病并發(fā)癥的死亡率。本研究擬根據(jù)糖尿病患者的尿常規(guī)檢查、生化檢查和糖化檢查等信息預(yù)測糖尿病并發(fā)癥，構(gòu)建糖尿病并發(fā)癥的多層感知神經(jīng)網(wǎng)絡(luò)(Multilayer Perceptron，MLP)模型。MLP是一種模式分類的神經(jīng)網(wǎng)絡(luò)模型，與單層感知神經(jīng)網(wǎng)絡(luò)相比，MLP可解決復(fù)雜線性不可分的多分類問題，適用于醫(yī)療數(shù)據(jù)分析，例如，在肝硬化、高血壓等疾病的預(yù)測研究中效果甚好[3-5]。同時本研究利用MLP計(jì)算各檢查指標(biāo)對預(yù)測糖尿病并發(fā)癥的重要性，篩選出對糖尿病并發(fā)癥預(yù)測影響較大的指標(biāo)，在一定程度上輔助臨床決策。對比MLP和傳統(tǒng)Logistic回歸兩種模型對糖尿病并發(fā)癥的預(yù)測效果。

1 資料和方法

1.1 資料來源

本研究資料來自于國家臨床醫(yī)學(xué)科學(xué)數(shù)據(jù)中心提供的《糖尿病數(shù)據(jù)集》，利用其中的尿常規(guī)信息表、生化信息表和糖化信息表。共有399例糖尿病患者的尿常規(guī)檢查資料，499例糖尿病患者的生化檢查資料和443例糖尿病患者的糖化檢查資料，三個信息表包含患者性別、年齡和各檢查對應(yīng)的眾多指標(biāo)。

對尿常規(guī)檢查、生化檢查和糖化檢查的各項(xiàng)指標(biāo)進(jìn)行數(shù)據(jù)清洗、預(yù)處理和糾正非法值：刪除主題詞、申請序號、就診時間等無關(guān)或全部為空值的列數(shù)據(jù)；分類型檢查指標(biāo)規(guī)范類標(biāo)號；刪除糖尿病并發(fā)癥診斷結(jié)果為空值或“待查”的患者數(shù)據(jù)；刪除檢查指標(biāo)值為非法值的患者數(shù)據(jù)；糖尿病并發(fā)癥診斷若有多種結(jié)果，為了充分揭示原始數(shù)據(jù)信息，復(fù)制該例患者數(shù)據(jù)，確保每例患者數(shù)據(jù)只有一種診斷結(jié)果。經(jīng)上述預(yù)處理后，402例糖尿病患者尿常規(guī)檢查的各項(xiàng)指標(biāo)定義及賦值見表1，524例糖尿病患者生化檢查的各項(xiàng)指標(biāo)定義及賦值見表2，496例糖尿病患者糖化檢測的各項(xiàng)指標(biāo)定義及賦值見表3。依據(jù)《實(shí)用內(nèi)科學(xué)》中關(guān)于糖尿病及其并發(fā)癥的診斷術(shù)語對尿常規(guī)檢查、生化檢查和糖化檢查的診斷結(jié)果進(jìn)行規(guī)范，本研究不區(qū)分1型和2型糖尿病，規(guī)范為糖尿病，規(guī)范后尿常規(guī)檢查、生化檢查和糖化檢查的診斷結(jié)果分別有14種、17種和 14種。

1.2 方法

本研究應(yīng)用MLP算法，對患者尿常規(guī)檢查、生化檢查和糖化檢查數(shù)據(jù)分別構(gòu)建糖尿病并發(fā)癥預(yù)測模型。因?yàn)槟虺Ｒ?guī)檢查、生化檢查和糖化檢查的診斷結(jié)果種類較多，且各類樣本量較少，創(chuàng)建標(biāo)準(zhǔn)的MLP模型預(yù)測準(zhǔn)確率很低，分別為18.91%、18.70%和33.27%，所以本研究采用Boosting方法創(chuàng)建整體模型，由其生成多個模型序列以提高神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率[6]。Boosting方法創(chuàng)建多個模型，用加權(quán)投票方式整合多個模型的預(yù)測，對樣本進(jìn)行整體地分類預(yù)測。防止模型過度擬合，在內(nèi)部將樣本劃分為模型構(gòu)建樣本集和防止過度擬合樣本集，后者作為獨(dú)立的樣本集，用于跟蹤訓(xùn)練過程中的錯誤，以防止MLP對數(shù)據(jù)中的幾率變異進(jìn)行建模，本研究指定30%的樣本為防止過度擬合樣本集。插補(bǔ)缺失值，并計(jì)算各項(xiàng)指標(biāo)對預(yù)測糖尿病并發(fā)癥種類的重要性。按以上參數(shù)設(shè)置對MLP模型進(jìn)行訓(xùn)練。

表1 尿常規(guī)檢查的各項(xiàng)指標(biāo)定義及賦值

Tab.1 Definition and assignment of indicators of urinalyses

表2 生化檢查的各項(xiàng)指標(biāo)定義及賦值

Tab.2 Definition and assignment of indicators of biochemical examination

表3 糖化檢查的各項(xiàng)指標(biāo)定義及賦值

Tab.3 Definition and assignment of indicators of saccharification examination

根據(jù)糖尿病并發(fā)癥種類隨機(jī)分配樣本70%訓(xùn)練集和30%測試集，分別用于訓(xùn)練和測試Logistic回歸模型。因?yàn)榛颊吣虺Ｒ?guī)檢查、生化檢查和糖化檢查診斷結(jié)果有多個種類，所以建立多項(xiàng)式Logistic回歸模型，并用逐步法分步構(gòu)建方程，保證模型納入的是對糖尿病并發(fā)癥預(yù)測重要的指標(biāo)。指定糖尿病性肺部疾病為建模的參考種類，其他參數(shù)為默認(rèn)值，按以上參數(shù)設(shè)置對Logistic回歸模型進(jìn)行訓(xùn)練。最后，以分類準(zhǔn)確率和收益圖評價模型的預(yù)測效果。本研究構(gòu)建和評價上述兩類模型均在IBM SPSS Modeler 18.1軟件中實(shí)現(xiàn)。

2 結(jié)果

2.1 并發(fā)癥分布

按照《實(shí)用內(nèi)科學(xué)》中糖尿病及其并發(fā)癥的診斷術(shù)語對糖尿病患者尿常規(guī)檢查、生化檢查和糖化檢查的診斷結(jié)果規(guī)范后，統(tǒng)計(jì)三類檢查診斷結(jié)果的糖尿病并發(fā)癥分布，見表4。糖尿病患者中，除未患并發(fā)癥的患者外，糖尿病合并心臟病的患者比例最高，其次是糖尿病性腎病、肝膽疾病和高血壓等。

表4 糖尿病并發(fā)癥的統(tǒng)計(jì)分布

Tab.4 Statistical distribution of diabetic complications

2.2 指標(biāo)的重要性

MLP計(jì)算各項(xiàng)檢查指標(biāo)對預(yù)測糖尿病并發(fā)癥種類的重要性，按重要性降序排列，前10個指標(biāo)及其重要性見表5。每個MLP模型的指標(biāo)重要性之和為1.0，尿常規(guī)檢查中年齡、尿蛋白、性別和尿比重是尿常規(guī)檢查中對糖尿病并發(fā)癥預(yù)測影響最大的4項(xiàng)指標(biāo)。生化檢查中對糖尿病并發(fā)癥預(yù)測影響較大的指標(biāo)有年齡、肌酐、血清白蛋白、性別、直接膽紅素和總膽紅素，但各指標(biāo)的重要性區(qū)分度不大。糖化檢查的MLP模型預(yù)測效果不佳，由該模型計(jì)算的指標(biāo)重要性的參考價值可能不大。總的來看，年齡是對糖尿病并發(fā)癥預(yù)測影響最大的指標(biāo)。

表5 預(yù)測糖尿病并發(fā)癥的重要指標(biāo)

Tab.5 Important indicators for predictions of diabetic complications

2.3 模型的評價

本研究用分類準(zhǔn)確率，即正確分類的樣本例數(shù)占總的樣本例數(shù)的百分比，以及收益圖評價模型的分類效果，其中收益圖以各模型預(yù)測糖尿病性肺部疾病的收益圖為例。尿常規(guī)檢查、生化檢查和糖化檢查的MLP模型準(zhǔn)確率分別為87.56%、67.94%和39.31%，各MLP模型預(yù)測糖尿病性肺部疾病的收益圖見圖1（曲折上升的曲線即收益圖曲線）。尿常規(guī)檢查的MLP模型有很高的準(zhǔn)確率，并且收益圖曲線上凸明顯，迅速上升達(dá)到100%收益后平穩(wěn)，十分接近理想曲線，模型預(yù)測效果好。生化檢查的MLP模型有較高的準(zhǔn)確率，收益圖曲線部分呈鋸齒狀上升，比較接近理想曲線，模型預(yù)測效果較好。糖化檢查的MLP模型準(zhǔn)確率低，收益圖曲線呈鋸齒狀上升，遠(yuǎn)離理想曲線，模型預(yù)測效果不好。因此，尿常規(guī)檢查和生化檢查的MLP模型預(yù)測效果較好，可用于糖尿病并發(fā)癥的預(yù)測。

尿常規(guī)檢查、生化檢查和糖化檢查的Logistic回歸模型準(zhǔn)確率分別為24.38%、23.85%和33.06%，各模型預(yù)測糖尿病性肺部疾病的收益圖見圖2（曲折上升的曲線即收益圖曲線）。各Logistic回歸模型準(zhǔn)確率都很低，收益圖曲線呈鋸齒狀上升，遠(yuǎn)離理想曲線，模型預(yù)測效果很差，不適用于糖尿病并發(fā)癥的預(yù)測。

圖1 MLP模型預(yù)測糖尿病性肺部疾病收益圖

圖2 Logistic回歸模型預(yù)測糖尿病性肺部疾病收益圖

3 討論

本研究用MLP分別篩選出對糖尿病并發(fā)癥預(yù)測影響較大4項(xiàng)尿常規(guī)檢查和6項(xiàng)生化檢查指標(biāo)，臨床醫(yī)生預(yù)測或診斷患者糖尿病并發(fā)癥時可重點(diǎn)考慮患者的這幾項(xiàng)指標(biāo)，以便快速評估患者患某種糖尿病并發(fā)癥可能。年齡是尿常規(guī)檢查和生化檢查MLP模型最重要的指標(biāo)，醫(yī)生和患者應(yīng)重視年齡因素，以往的流行病學(xué)調(diào)查和回顧性分析的結(jié)果均發(fā)現(xiàn)年齡與糖尿病發(fā)病率密切相關(guān)[7,8]。評估糖尿病并發(fā)癥的獨(dú)立危險因素研究的結(jié)果顯示，隨著患者年齡的增長，糖尿病并發(fā)癥的發(fā)生風(fēng)險會隨之增加[9]。

本研究采用MLP構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，可以處理較為復(fù)雜的關(guān)系，且預(yù)測能力好，適用于疾病預(yù)測研究。Boosting 方法產(chǎn)生一系列“成分模型”，其中每個模型在整個數(shù)據(jù)集上構(gòu)建，在構(gòu)建后續(xù)成分模型時考慮了前一成分模型的結(jié)果，逐步生成多個模型序列的整體模型，該整體模型采用組合規(guī)則對新樣本進(jìn)行分類預(yù)測，提高了模型的準(zhǔn)確率[10]。

MLP等神經(jīng)網(wǎng)絡(luò)模型是模擬人類大腦處理信息方式的簡化模型，通常包含輸入層、隱藏層和輸出層三個部分，不容易對模型進(jìn)行解釋。傳統(tǒng)的統(tǒng)計(jì)模型更容易解釋因變量與自變量之間的關(guān)系，例如Logistic回歸模型，是一組用于在給定一組預(yù)測變量值的情況下推導(dǎo)出目標(biāo)類別概率的回歸方程，可以用于估計(jì)新樣本屬于某個類別的概率。本研究糖尿病性肺部疾病被視為基準(zhǔn)類別，Logistic回歸模型給出其他類別相對于基準(zhǔn)類別的對數(shù)優(yōu)勢比，每個類別的預(yù)測概率根據(jù)這些對數(shù)優(yōu)勢比推導(dǎo)得出。但是傳統(tǒng)的統(tǒng)計(jì)模型處理自變量類型多樣、變量間關(guān)系復(fù)雜的問題時，效果很差，本研究使用Logistic回歸模型預(yù)測糖尿病并發(fā)癥的準(zhǔn)確率和收益圖不如MLP模型[11-13]。綜上，本研究的目的是更準(zhǔn)確地預(yù)測糖尿病并發(fā)癥種類，模型的可解釋性不是最重要的，因此建立MLP模型以獲得良好的預(yù)測。

目前已用于預(yù)測糖尿病并發(fā)癥的研究方法主要有Logistic回歸、COX回歸、支持向量機(jī)、分類與決策樹模型和神經(jīng)網(wǎng)絡(luò)模型，以及結(jié)合Logistic回歸等統(tǒng)計(jì)方法進(jìn)行特征篩選再利用神經(jīng)網(wǎng)絡(luò)算法建立預(yù)測模型[14]。其中利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的糖尿病并發(fā)癥預(yù)測模型準(zhǔn)確率較高，例如BP神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)[15-16]。但未見利用針對非線性復(fù)雜多分類問題的MLP算法預(yù)測糖尿病并發(fā)癥的研究，且以往的研究大多只對一種糖尿病并發(fā)癥進(jìn)行預(yù)測，最多的也只有7種，本研究依據(jù)《實(shí)用內(nèi)科學(xué)》中關(guān)于糖尿病及其并發(fā)癥的診斷術(shù)語，全面規(guī)范了糖尿病并發(fā)癥的種類，然后建立模型對更多種糖尿病并發(fā)癥同時預(yù)測。

4 結(jié)論

本研究根據(jù)糖尿病患者的尿常規(guī)檢查、生化檢查和糖化檢查等信息構(gòu)建糖尿病并發(fā)癥預(yù)測模型，其中尿常規(guī)檢查和生化檢查的MLP模型預(yù)測效果較好，可用于輔助臨床診斷糖尿病并發(fā)癥，進(jìn)而改善患者生活質(zhì)量，降低糖尿病并發(fā)癥死亡率。同時篩選出對糖尿病并發(fā)癥預(yù)測影響較大4項(xiàng)尿常規(guī)檢查和6項(xiàng)生化檢查指標(biāo)，影響最大的是患者的年齡，醫(yī)生可重點(diǎn)考慮這幾項(xiàng)指標(biāo)，在一定程度上輔助臨床決策，優(yōu)化診斷和治療糖尿病并發(fā)癥。與傳統(tǒng)的統(tǒng)計(jì)模型Logistic回歸對比，MLP模型對自變量類型多樣、變量間關(guān)系復(fù)雜的糖尿病并發(fā)癥預(yù)測有更高的準(zhǔn)確率和更好的收益，更適用于預(yù)測糖尿病并發(fā)癥。

[1] International Diabetes Federation. IDF Diabetes Atlas Sixth editionposter update 2014[EB/OL]. http://www.Idf.Org/ diabetesatlas/update-2014. [2014-11-10].

[2] 王會奇, 何松明, 李東升. 2型糖尿病患者181例社區(qū)跟蹤十年并發(fā)癥和合并癥及治療情況變化分析[J]. 中國全科醫(yī)學(xué), 2012, 15(12C) : 4212-4215.

[3] 韓玲. 基于人工神經(jīng)網(wǎng)絡(luò)——多層感知器(MLP)的遙感影像分類模型[J]. 測繪通報(bào), 2004, (9): 29-30+42.

[4] Semra I, Sad?k K, Ays G. Comparison of multilayer perceptron training algorithms for portal venous doppler signals in the cirrhosis disease[J]. Expert Systems with Applications, 2006, (31): 406-413.

[5] Wang A, An N, et al. Predicting hypertension without measurement: A non-invasive, questionnaire-based approach[J]. Expert Systems with Applications, 2015, (42): 7601-7609.

[6] Schwenk H, Beng Y, et al. Boosting neural networks[J]. Neural Computation, 2000, 12( 8): 1869-1887.

[7] Chew B H, Ghazali S S, et al. Age≥60 years was aninde-pendent risk factor for diabetes-related complications despite goodcontrol of cardiovascular risk factors in patients with type 2 diabetesmellitus[J]. Exp Gerontol, 2013, 48(5): 485-491.

[8] Farshchi A, Esteghamati A, et al. The cost of diabeteschronic complications among Iranian people with type 2 diabete-smellitus[J]. J Diabetes Metab Disord, 2014, 13 (1): 42.

[9] 李偉芳, 李華, 董捷, 王鵬. 老年2型糖尿病慢性并發(fā)癥發(fā)病時間及危險因素分析[J]. 中國全科醫(yī)學(xué), 2015, 18 (14): 1632 -1636.

[10] Zhou Z H, Wu J X, et al. Ensembling neural networks: Many could be better than all[J]. Artifical Intelligence, 2002, 137(1-2): 239-263.

[11] 馬莉雅. 基于決策樹、邏輯回歸和改進(jìn)神經(jīng)網(wǎng)絡(luò)的幾種慢性病的危險因素分析研究(英文)[J]. 軟件, 2014, 35 (12): 58-65.

[12] Kurt I, Ture M, et al. Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease[J]. Expert Systems with Applications, 2008, 34(1): 366-374.

[13] 田興國, 陳江濤, 呂建秋. 基于數(shù)據(jù)挖掘的獸藥質(zhì)量風(fēng)險預(yù)測[J]. 現(xiàn)代食品科技, 2017, 33(11): 212-218.

[14] 李攀. 基于神經(jīng)網(wǎng)絡(luò)的2型糖尿病并發(fā)癥預(yù)測模型的研究[D]. 2016, 廣州中醫(yī)藥大學(xué).

[15] 崔純純. 基于神經(jīng)網(wǎng)絡(luò)的糖尿病并發(fā)癥預(yù)測系統(tǒng)研究[D]. 2018, 北京交通大學(xué).

[16] 李戈靳, 立忠. 基于學(xué)習(xí)向量量化網(wǎng)絡(luò)建立糖尿病并發(fā)癥預(yù)測模型[J]. 中國自然醫(yī)學(xué)雜志, 2006, 12(8): 254-258.

Predictions of Diabetic Complications Based on MLP

LIU Mi-mi1, CAI Yong-ming2,3*

(1. School of Public Health, Guangdong Pharmaceutical University , Guangzhou, 510006, China; 2. College of Medical Information Engineering, Guangdong Pharmaceutical University, Guangzhou 510006, China; 3. Guangdong Chinese medicine big data engineering research center, Guangzhou 510006, China)

Objective The mortality of patients with diabetic complications is higher than that of patients with only diabetes, and it is of great significance to predict diabetic complications, so as to assist the early detection and early treatment of diabetic complications in clinical practice and reduce the risk of diabetes patients dying from complications. The aim of the present study was to according to the examinations information of diabetes patients, such as urinalyses, biochemical examination and saccharification examination, build multilayer perception neural networks (MLP) models for predicting the diabetic complications, and screen the important indicators for predictions of diabetic complications, to improve the diagnosis and screening of diabetic complications further. Methods The type of diabetic complications is standardized according to the diagnostic terminology of diabetes and its complications in. By the indicators of urinalyses, biochemical examination and saccharification examination as independent variables respectively, the type of diabetic complications as dependent variable, MLP algorithm was used to establish prediction models of diabetic complications, and Boosting method was applied to improve the predictive accuracy of MLP models. In addition, the MLP models were compared with the traditional statistical models (i.e., the Logistic regression models). Results The MLP models screened out four indicators of urinalyses and six indicators of biochemical examination that have great effects on prediction of diabetic complications, one of which most affected is age. The accuracy of the MLP model of urinalyses and biochemical examination was as high as 87.56% and 67.94% respectively, and in their gain charts, the practical curves were obviously convex close to the ideal curves. However, the accuracy of the saccharification information MLP model was only 39.31%, and in its gain chart the curve was jagged and away from the ideal curve. The Logistic regression models had low accuracy, and curves of those gain charts were away from the ideal curves. Conclusions The MLP models based on urinalyses and biochemical examination of diabetes patients have good prediction effects, and the examination indicators that have a great influence on the prediction of diabetic complications are screened out. These results can be used to assist clinicians in optimizing the diagnosis and treatment of diabetic complications. The MLP models have higher accuracy and better gains than the Logistic regression models, they are more suitable for the prediction of diabetic complications.

Diabetes mellitus; Complications; Multilayer perceptron; MLP; Logistic regression

TP311.5

A

10.3969/j.issn.1003-6970.2018.10.007

廣東省自然科學(xué)基金項(xiàng)目(項(xiàng)目編號：2014A030313585)；2016年廣東省創(chuàng)新強(qiáng)校項(xiàng)目“廣東省高?；谠朴?jì)算的精準(zhǔn)醫(yī)學(xué)大數(shù)據(jù)工程技術(shù)研究中心”

劉迷迷(1993-)，女，研究生，研究方向?yàn)榻】敌畔?shù)據(jù)挖掘。

蔡永銘(1975-)，男，教授，研究方向?yàn)樾l(wèi)生信息系統(tǒng)集成、醫(yī)學(xué)信息處理，中國計(jì)算機(jī)學(xué)會（CCF）會員（會員號：20517M）。

劉迷迷，蔡永銘. 基于多層感知神經(jīng)網(wǎng)絡(luò)的糖尿病并發(fā)癥預(yù)測研究[J]. 軟件，2018，39（10）：30-35