林 鑫，李 晉2，劉 蕾3，梁 晨，任慧玲

隨著人口老齡化和人們生活方式的轉(zhuǎn)變，糖尿病患病率呈直線上升趨勢，目前我國已成為全球糖尿病第一大國[1-2]。其中，二型糖尿病患者作為我國糖尿病人群的主體，其臨床發(fā)病率呈逐步上升趨勢，其并發(fā)癥發(fā)生率也相對較高。目前我國大約有20%～40%二型糖尿病患者并發(fā)腎病，現(xiàn)已成為慢性腎臟病和終末期腎病的重要原因[3]。二型糖尿病腎病的臨床特征主要以蛋白尿排泄異常為主，嚴(yán)重時常合并腎功能衰竭，一旦發(fā)展至終末期，將會比其他腎臟疾病的治療更加棘手[4]。因此有效的早期預(yù)測及相關(guān)的風(fēng)險預(yù)測模型研究對于二型糖尿病腎病的早期預(yù)防和降低并發(fā)率具有重要的意義。

目前臨床上對糖尿病腎病進(jìn)行診斷的依據(jù)主要包括實驗室檢查、病理學(xué)診斷、糖尿病視網(wǎng)膜病變等，診斷過程繁瑣且耗時[5]。本文以二型糖尿病腎病風(fēng)險預(yù)測為目的，對解放軍總醫(yī)院提供的糖尿病數(shù)據(jù)集進(jìn)行預(yù)處理后，依據(jù)數(shù)據(jù)集中已有的各項臨床檢查指標(biāo)，選用隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)3種較為成熟的算法建立風(fēng)險預(yù)測模型，并利用查準(zhǔn)率、召回率等指標(biāo)對三種模型的性能進(jìn)行比較，以選出在二型糖尿病腎病風(fēng)險預(yù)測方面更具優(yōu)勢的算法，實現(xiàn)對二型糖尿病腎病的發(fā)生風(fēng)險進(jìn)行簡便快捷的預(yù)測。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

本文數(shù)據(jù)來自國家人口與健康科學(xué)數(shù)據(jù)共享服務(wù)平臺臨床醫(yī)學(xué)科學(xué)數(shù)據(jù)中心(中國人民解放軍總醫(yī)院)提供的2009-2010年糖尿病數(shù)據(jù)集[6]。該數(shù)據(jù)集包含診斷表、尿常規(guī)檢查表、生化檢查表等記錄了患者的ID號、診斷結(jié)果、各項身體指征，以及包括尿白細(xì)胞、直接膽紅素、血清白蛋白等在內(nèi)的多項檢查結(jié)果。每個表通過患者的唯一ID號進(jìn)行關(guān)聯(lián)，并對檢查表中各項檢查的正常值進(jìn)行了說明。

1.2 數(shù)據(jù)預(yù)處理

由于原始數(shù)據(jù)被分為多個表格，且存在缺失值、異常值等噪聲數(shù)據(jù)，故需要對原始數(shù)據(jù)進(jìn)行預(yù)處理，以控制數(shù)據(jù)的完整性和準(zhǔn)確性，保證結(jié)果的準(zhǔn)確性。本文所做預(yù)處理步驟如下。

數(shù)據(jù)整合：由于原始數(shù)據(jù)被劃分為診斷、尿常規(guī)和生化等多個表格，故首先依據(jù)診斷表中的信息篩選出單純二型糖尿病及二型糖尿病并發(fā)腎病的記錄，依據(jù)這些記錄對應(yīng)的患者ID以及診斷時間從診斷、尿常規(guī)、生化檢查等表格中提取距離診斷時間最近的一次患者檢查信息，利用Excel的lookup和min函數(shù)對診斷、尿常規(guī)和生化等多個表格中的檢查數(shù)據(jù)進(jìn)行整合。

缺失值處理：數(shù)據(jù)的缺失會增加分析過程的難度，造成分析結(jié)果的偏倚，降低結(jié)果的準(zhǔn)確性。由于均值插補(bǔ)法計算量相對較小，可高效快速地對缺失值進(jìn)行處理[7]，對整合后的數(shù)據(jù)進(jìn)行整理，然后分別求各列數(shù)據(jù)平均值后對空缺數(shù)據(jù)進(jìn)行填補(bǔ)。

異常值處理：在處理異常值時，利用拉依達(dá)準(zhǔn)則[8]，即以給定的置信概率99.7%為標(biāo)準(zhǔn)，以3倍數(shù)據(jù)列標(biāo)準(zhǔn)差為依據(jù)，凡大于3倍標(biāo)準(zhǔn)差的誤差則認(rèn)為是粗大誤差，即異常值，刪除篩選出的異常值。

經(jīng)過對數(shù)據(jù)集的預(yù)處理，共得到472條二型糖尿病并發(fā)腎病數(shù)據(jù)和422條單純二型糖尿病數(shù)據(jù)。經(jīng)過預(yù)處理后得到的數(shù)據(jù)集部分截圖如圖1所示。

圖1預(yù)處理后的數(shù)據(jù)截圖(部分)

2 風(fēng)險預(yù)測模型構(gòu)建

2.1 單因素邏輯回歸分析

將整合各檢查表得到38個檢查指標(biāo)，賦值后，利用SPSS 19.0進(jìn)行單因素邏輯回歸分析。部分賦值情況見表1。最終篩選出24個具有統(tǒng)計學(xué)意義的指標(biāo)(P<0.05)，分別為年齡、尿比重、尿膽原、尿紅細(xì)胞、尿糖、尿液結(jié)晶、尿液顏色、尿蛋白、總蛋白、血清白蛋白、總膽紅素、直接膽紅素、尿素、谷氨?；D(zhuǎn)移酶、肌酐、葡萄糖、血清尿酸、總膽固醇、肌酸激酶、乳酸脫氫酶、鈣、鉀、氯化物以及無機(jī)磷。

表1 數(shù)據(jù)集字段賦值對應(yīng)表(部分)

2.2 模型算法選擇及參數(shù)設(shè)置

在明確具有統(tǒng)計學(xué)意義的檢查指標(biāo)后，運用機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)方法構(gòu)建疾病風(fēng)險預(yù)測模型。其中，隨機(jī)選擇數(shù)據(jù)集的70%(共626條)作為訓(xùn)練集，30%(共268條)作為測試集。結(jié)合不同算法特點選擇的機(jī)器學(xué)習(xí)算法及相應(yīng)的參數(shù)設(shè)置如下。

隨機(jī)森林(Random Forest，RF)是一種基于集成學(xué)習(xí)的思想將多棵決策樹進(jìn)行組合從而對數(shù)據(jù)進(jìn)行分類的機(jī)器學(xué)習(xí)算法[9]。最后的分類結(jié)果是由所有決策樹進(jìn)行投票來決定的，其分類結(jié)果比C5.0決策樹模型更加精確，且具有更少的過擬合傾向[10]。本文利用R語言中的RandomForest函數(shù)進(jìn)行模型構(gòu)建，由于隨機(jī)森林對參數(shù)并不敏感，因此使用默認(rèn)參數(shù)。

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，由輸入層、隱藏層和輸出層組成，是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[11]。該模型對自變量的要求比較低，可以是離散型，也可以是連續(xù)型。在BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建中，加載R語言中的nnet包，利用nnet建立BP神經(jīng)網(wǎng)絡(luò)模型。設(shè)定神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)為24，輸出節(jié)點數(shù)為1，權(quán)值的衰減參數(shù)為0.05，通過不斷試驗改變隱藏節(jié)點個數(shù)，不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，最終在中間隱藏節(jié)點數(shù)為10時，模型效果達(dá)到最優(yōu)。

支持向量機(jī)(Support Vector Machine，SVM)是基于統(tǒng)計學(xué)習(xí)理論、VC維理論以及結(jié)構(gòu)風(fēng)險最小化原理的一種機(jī)器學(xué)習(xí)方法[12]，在小樣本、非線性以及高維模式下具有很大優(yōu)勢[13]。運用SVM算法對數(shù)據(jù)進(jìn)行處理時，利用R語言中的ksvm函數(shù)和高斯RBF核函數(shù)，對數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測。

2.3 模型預(yù)測結(jié)果

利用R語言中相關(guān)函數(shù)包分別建立隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)3種風(fēng)險預(yù)測模型，并依據(jù)7:3的比例將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測試集，分別用于訓(xùn)練和對二型糖尿病并發(fā)腎病的預(yù)測。3種模型對于二型糖尿病并發(fā)腎病及單純二型糖尿病的預(yù)測結(jié)果如表2至表4所示。

表2 隨機(jī)森林預(yù)測結(jié)果

表3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

表4 支持向量機(jī)預(yù)測結(jié)果

3 模型性能評價與比較

3.1 模型評價指標(biāo)

本文選擇查準(zhǔn)率(Precision)、召回率(Recall)、正確率以及F1值等4個度量值對各個模型的性能進(jìn)行評價，以檢測模型預(yù)測結(jié)果與真實結(jié)果之間的差異，為模型的選擇提供依據(jù)。其中，查準(zhǔn)率越高，算法的敏感性就越高；召回率越高，算法的特異性就越高；正確率越高，算法的精確度越好；而F1度量值越高則可確保召回率和查準(zhǔn)率都越高，算法的總體性能越好[14-15]。這4個度量值的公式如下。

除此之外，本文還引入ROC曲線對模型進(jìn)行評估。在ROC曲線中，橫軸為假陽性率，縱軸為真陽性率[16]，ROC曲線下面積在0.5～0.7之間的準(zhǔn)確度較低，在0.7～0.9之間的準(zhǔn)確度一般，在0.9以上的準(zhǔn)確度較高，小于0.5則不符合真實情況[17]。

3.2 模型比較結(jié)果

依據(jù)預(yù)測結(jié)果及R語言的ROCR包，分別計算這3種算法的查準(zhǔn)率、召回率、正確率、F1及ROC曲線下面積。結(jié)果如表5所示。

由表5可知，對于ROC曲線下面積，隨機(jī)森林效果最優(yōu)；對于正確率，隨機(jī)森林效果最優(yōu)；對于查準(zhǔn)率，支持向量機(jī)效果最優(yōu)；對于召回率，隨機(jī)森林效果最優(yōu)。但由于查準(zhǔn)率和召回率是一組此消彼長的評價指標(biāo)，僅用單個指標(biāo)無法對算法的效果進(jìn)行總體評價[14]。因此可以用F1值對這3種算法的綜合性能進(jìn)行評價，其結(jié)果為：隨機(jī)森林>支持向量機(jī)>BP神經(jīng)網(wǎng)絡(luò)。綜合上述指標(biāo)來看，隨機(jī)森林性能最優(yōu)，這3種算法的訓(xùn)練效果均較好。

表5 3種算法的結(jié)果

4 討論

由于糖尿病腎病是二型糖尿病患者常見的并發(fā)癥，目前國內(nèi)外針對二型糖尿病腎病風(fēng)險預(yù)測模型的建模已有相關(guān)嘗試，常用的建模方法主要包括邏輯回歸、分類與決策樹模型、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)模型等[18]。本文在綜合前人研究成果的基礎(chǔ)上，結(jié)合不同算法的特點及優(yōu)缺點，充分考慮所選數(shù)據(jù)集的實際記錄情況，最終選取隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)這3種機(jī)器學(xué)習(xí)算法，并綜合多種指標(biāo)驗證其應(yīng)用于二型糖尿病腎病風(fēng)險預(yù)測時的性能，為算法的選擇提供依據(jù)。本文結(jié)合單因素邏輯回歸進(jìn)行指標(biāo)篩選，再選擇相關(guān)算法建立預(yù)測模型的方法具有普適性，其不僅可用于對二型糖尿病其他并發(fā)癥進(jìn)行預(yù)測，也可用于其他疾病的風(fēng)險預(yù)測。

本文也存在局限性。考慮到數(shù)據(jù)集的數(shù)量和質(zhì)量對模型的可靠性和可擴(kuò)展性具有重要影響[19]，本文采用的數(shù)據(jù)共894例，這些數(shù)據(jù)對于建模來說還相對較少，會直接影響到模型的效果。未來將進(jìn)一步擴(kuò)大數(shù)據(jù)量并對相關(guān)算法進(jìn)行改進(jìn)，使模型綜合性能得以提高。

5 結(jié)語

二型糖尿病腎病由于存在復(fù)雜的代謝紊亂，一旦發(fā)展至終末期，其治療將會更加棘手，因此早期對二型糖尿病腎病進(jìn)行風(fēng)險預(yù)測具有十分重要的意義。本文利用解放軍總醫(yī)院提供的2009-2010年度糖尿病數(shù)據(jù)集，采用均值插補(bǔ)法及拉依達(dá)準(zhǔn)則對原始數(shù)據(jù)進(jìn)行預(yù)處理，得到894條數(shù)據(jù)。利用單因素邏輯回歸從原數(shù)據(jù)集的38個檢查指標(biāo)中篩選出24個有效指標(biāo)并構(gòu)建訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，同時基于隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)3種算法分別構(gòu)建二型糖尿病腎病風(fēng)險預(yù)測模型。通過利用查準(zhǔn)率、查全率、正確率、F1值以及ROC曲線下面積等5個度量值分別對這3種模型的性能進(jìn)行比較，發(fā)現(xiàn)基于隨機(jī)森林算法構(gòu)建的風(fēng)險預(yù)測模型性能最佳。本文結(jié)果可為二型糖尿病腎病的早期篩查及相關(guān)風(fēng)險預(yù)測模型的算法選擇提供參考及幫助。