辛瑞昊，董哲原**，苗馮博**，王甜甜**，李英瑞**，馮 欣

(1.吉林化工學院 信息與控制工程學院，吉林 吉林 132022；2.吉林化工學院 理學院，吉林 吉林 132022)

世界衛(wèi)生組織(WHO)提供的數(shù)據(jù)顯示，全球近31%的人口死于心臟相關(guān)疾病.據(jù)世界衛(wèi)生組織統(tǒng)計，近1520萬人死于心臟相關(guān)疾病或心血管疾病[1].心臟病在全世界造成了巨大的死亡率，并威脅著許多人的健康.早期預(yù)防心臟病可能挽救許多生命，通過常規(guī)的臨床數(shù)據(jù)分析，檢測心臟病發(fā)作、冠狀動脈疾病等心血管疾病是一項艱巨的挑戰(zhàn).機器學習(Machine Learning)可以為決策和準確預(yù)測帶來有效的解決方案.在醫(yī)療行業(yè)中，使用機器學習技術(shù)方面取得了巨大的進展.

Pahwa K[2]使用支持向量機遞歸特征消除(SVM-RFS)進行特征選擇，利用隨機森林和樸素貝葉斯應(yīng)用于心臟病的預(yù)測.Shan X[3]采用最佳首次搜索算法(CFS)選擇關(guān)鍵特征以降低特征維度，通過改進的隨機森林算法對心臟病進行預(yù)測，該方法具有很好的預(yù)測效果.劉宇[4]使用基于聚類和XGboost算法對心臟病數(shù)據(jù)進行預(yù)測，實驗表明該方法能夠有效地提高預(yù)測的準確率.已有工作在對心臟病預(yù)測的準確率上仍有很大提升空間，不能達到心臟病臨床診斷的性能要求.因此，為了進一步提高心臟病預(yù)測模型的準確率，通過特征選擇、不同機器學習模型對比、可解釋性分析等方法實現(xiàn)對心臟病的準確預(yù)測，為模型的一線臨床應(yīng)用打下基礎(chǔ).

1 數(shù)據(jù)來源及分析方法

1.1 數(shù)據(jù)資料

本實驗驗證過程數(shù)據(jù)集選取來源于克利夫蘭數(shù)據(jù)庫(Cleveland Clinic UCI)所構(gòu)建的開源心臟病例數(shù)據(jù)集.該數(shù)據(jù)集分為心臟病樣本和正常樣本兩類，共計303個樣本數(shù)據(jù)，其中包括心臟病樣本165個，健康樣本138個，正負樣本數(shù)目總體上相對平衡.本實驗以數(shù)據(jù)集中14個變量作為研究對象，在14個變量信息中，13個指標為特征變量，最后一個作為預(yù)測變量，其中性別、血糖值、運動性心絞痛類別和目標變量為布爾類型(Boolean)，年齡、胸痛類型、血壓值、心電圖、最大心率、運動ST峰值坡度、血管數(shù)量和心臟缺陷是整數(shù)類型(Int)，膽固醇值和運動ST值是浮點類型(Float)，具體如表1所示.

表1 數(shù)據(jù)集特性列表

1.2 數(shù)據(jù)探索和預(yù)處理

數(shù)據(jù)探索和預(yù)處理是心臟病數(shù)據(jù)分析的首要環(huán)節(jié)，這一環(huán)節(jié)直接影響后續(xù)機器學習模型分類效果.在數(shù)據(jù)分析過程中，符合正態(tài)分布的數(shù)據(jù)可以解決異方差和線性度的問題，有利于統(tǒng)計推斷和假設(shè)驗證.使用的心臟病數(shù)據(jù)直接從UCI網(wǎng)站下載，其中的離散特征數(shù)據(jù)已經(jīng)經(jīng)過數(shù)值編碼，UCI提供的數(shù)據(jù)集是編碼后的數(shù)值矩陣，不需要再進行額外的編碼，能夠直接對該數(shù)據(jù)集進行預(yù)處理.本研究python版本為3.8.3上，采用0.22.1版本Sklearn-processing庫中StandardScaler包對原始數(shù)據(jù)中所有特征和標簽均進行標準化預(yù)處理.利用StandardScaler進行標準化的原理為計算每列數(shù)據(jù)間的均值和方差，然后基于計算出的均值和方差轉(zhuǎn)換數(shù)據(jù)，從而使數(shù)據(jù)符合標準正態(tài)分布.對數(shù)據(jù)標準化后，不僅可以提升機器學習模型的收斂速度，甚至還能提升模型分類效果.

1.3 研究方法

1.3.1 特征選擇算法

數(shù)據(jù)特征被廣泛應(yīng)用于大數(shù)據(jù)挖掘、分析及機器學習等領(lǐng)域中，解決了醫(yī)學數(shù)據(jù)“少樣本高緯數(shù)”的難題.此外，選擇重要數(shù)據(jù)特征也是識別疾病生物標志物的關(guān)鍵因素.從原始數(shù)據(jù)集中選擇最大相關(guān)、最小冗余的特征子集，能夠提高模型分類準確性，減小模型時間復(fù)雜化度，可進一步挖掘心臟病潛在性的生物標記物.利用T檢驗(T-test)和卡方檢驗(CHI)進行特征選擇，通過P-value值和卡方值挖掘顯著差異性特征，通過該方法能快速找到影響心臟病的關(guān)鍵性特征因素，選擇出最大相關(guān)、最小冗余的特征子集.

1.3.2 機器學習模型

1.3.3 評價指標選取

對于心臟病存活性預(yù)測模型的評估，使用7個醫(yī)學領(lǐng)域廣泛使用的評價指標對10種機器學習模型分類效果進行評估[5]，其中包括精確率(Precision)、特異性(Specificity)、敏感性(Sensitivity)、馬修系數(shù)(MCC)、準確率(Accuracy)、F1指標(F1-score)和AUC(Area under roc curve).

為了評估論文提出方法的可行性，分別評估了精確率、敏感性、特異性和馬修系數(shù).其中，精確率指模型預(yù)測為正的樣本中實際也為正的樣本占被預(yù)測為正的樣本的比例，計算公式為：

(1)

敏感性指實際為正的樣本中被預(yù)測為正的樣本所占實際為正的樣本的比例.計算公式為：

(2)

特異性指實際為負的樣本中被預(yù)測為負的樣本所占實際為負的樣本的比例.計算公式為：

(3)

馬修系數(shù)通常在兩個類別樣本數(shù)量差異比較大的時候仍然能夠有效地緩解樣本不均衡帶來的敏感度.其本質(zhì)上是一個描述實際分類與預(yù)測分類之間相關(guān)系數(shù)的指標，計算公式為：

(4)

其中，真陰性(TN)是預(yù)測為健康標簽與真實為健康標簽匹配的數(shù)量；真陽性(TP)是預(yù)測為心臟病標簽與真實為心臟病標簽匹配的數(shù)量；假陰性(FN)是指心臟病樣本標簽被錯誤識別為健康的數(shù)量；假陽性(FP)是健康樣本標簽被預(yù)測為心臟病樣本標簽的數(shù)量.

準確率評估不同機器學習模型的總體分類精度，具體指的是機器學習模型正確預(yù)測心臟病患者和健康患者能力，計算公式為：

(5)

其中Npredicted表示預(yù)測正確的樣本總數(shù)；Ntotal表示樣本總數(shù).

F1-score為精確率和召回率的調(diào)和均值，通過計算F1分數(shù)分別衡量心臟病和健康樣本的分類表現(xiàn)，計算公式為：

(6)

AUC(Area under curve)指的是ROC(Receiver operating characteristic curve)曲線所覆蓋的面積.由于ROC很難反映模型之間的差異，AUC作為數(shù)值可以明確地反映出模型之間的差異，其中AUC越接近1，模型的性能越好[6].計算公式如下：

(7)

其中positiveclass表示類別為正例；xi為第i個樣本；rank為模型預(yù)測實例中屬于正例的概率大小的排序；M是實際為正例的個數(shù)；N是實際為負例的個數(shù).

1.3.4 特征可解釋性方法

心臟病分析過程中，除了要得到準確的分類結(jié)果，同時需要得到重要特征對模型預(yù)測結(jié)果的影響，從而為精準醫(yī)療提供決策支持.通過機器模型進行分類的過程中，模型往往被當作黑盒子，不能表現(xiàn)出每個特征對分類結(jié)果的貢獻[7].因此，利用SHAP方法對數(shù)據(jù)集的特征進行分析，可視化每個特征在模型中的重要程度，進而表現(xiàn)每個特征對分類結(jié)果的影響[8].

為了能夠了解單個特征在機器學習模型中的貢獻，通過利用SHAP對特征進行可解釋性分析.SHAP值的計算公式如下：

(8)

其中yi為樣本的預(yù)測值；ybase為整個模型的基線(通常是所有樣本的目標變量的均值)；f(xij)表示第i個樣本中第j個特征對最終預(yù)測值yi的貢獻值，當f(xij)>0，表明該特征起正作用，增大預(yù)測值，反之，說明該特征起反作用，減小預(yù)測值.

利用Python的SHAP方法對心臟病預(yù)測模型中每個特征的作用進行可視化分析，該方法為不依賴于機器學習模型的可解釋性方法，適用于多種機器學習模型.特征可解釋通過對訓練集中的患者的樣本數(shù)據(jù)進行計算，得到每個特征的SHAP值數(shù)據(jù)，進而確定單個特征對預(yù)測結(jié)果的作用.

2 模型對比實驗和基于SHAP方法的可解釋性分析

2.1 特征選擇

心臟病數(shù)據(jù)集包含13個特征，所以在篩選差異特征時，T檢驗和CHI檢驗更有利于高緯特征樣本間的特征篩選.利用T檢驗?zāi)Ｐ陀嬎忝總€特征的顯著性水平(P-value)，按照P<0.05進行篩選，獲得差異表達的特征.通過卡方檢驗計算每個特征的卡方值，CHI值越大，特征區(qū)分度越強.通過計算13個特征P值和CHI值，繪制-Log(P-value)如圖1所示，繪制CHI值柱形圖，如圖2所示，可以觀察到前13特征之間存在顯著差異性.然后，通過P-value值降序排列進行特征遞減實驗，進而得到最優(yōu)特征組合.

特征圖1 T-test特征排序

2.2 與已有工作的實驗結(jié)果對比

通過對13個特征按照P-value值降序排列進行特征遞減實驗，選取Bagging作為分類模型，驗證1～13個特征組合下，模型分類的準確性.特征遞減組合在Bagging模型上ACC曲線如圖3所示.

特征數(shù)圖3 不同特征組合在Bagging模型上ACC曲線

選擇5個特征組合，在10種機器學習算法上進行模型訓練，并使用醫(yī)學上常用的7個指標評估上，驗證模型分類效果，其結(jié)果如表2所示.在10種機器學習模型中，Bagging算法分類結(jié)果最優(yōu)，各項評價指標均為1.

表2 10種機器學習模型指標對比結(jié)果

本節(jié)將Bagging模型與已有工作提出的粒子群優(yōu)化支持向量機(PSO-SVM)、概率神經(jīng)網(wǎng)絡(luò)(PNN)和隨機森林(RF)進行性能對比，其對比結(jié)果如表3所示.

表3 與已有工作的對比結(jié)果

利用T檢驗得到5個特征組合，在Bagging模型上得到各個評價指標均為1，其結(jié)果遠優(yōu)于已有工作的實驗結(jié)果.

2.3 特征可解釋性分析

特征的可解釋性分析主要通過SHAP方法實現(xiàn)，通過心臟病預(yù)測模型結(jié)果進行解釋性分析，挖掘單個特征對心臟病預(yù)測模型產(chǎn)生的影響.圖4為SHAP特征蜂群圖，該圖反映各個特征取值的高低對SHAP取值的影響.圖5為SHAP特征摘要圖，該圖根據(jù)特征重要性對影響心臟病特征進行分析.

SHAP value(impact on model output)圖4 SHAP特征分析

mean(|SHAP value|)(average impact on model ourput magnitude)圖5 特征重要性排名

如圖4和圖5所示，Cp(胸痛類型)、Ca(主動脈數(shù)量)、Thal(心臟缺陷)、Oldpeak(運動ST值)等特征對模型影響較為顯著.通過韋恩圖可視化T-Test、CHI檢驗和SHAP特征圖的前5特征交集如圖6所示，3種特征選擇前5個特征的交集為CP、CA、Oldpeak.

圖6 3種特征選擇方法前5特征韋恩圖

結(jié)合SHAP圖對韋恩圖3種特征選擇方法的交集特征進行分析，影響心臟病的最重要特征為Cp(胸痛類型)，該特征對心臟病的影響呈現(xiàn)出線性關(guān)系.Ca(主動脈數(shù)量)和Oldpeak(運動ST值)對心臟病也有著顯著影響，隨著主動脈數(shù)量和運動ST值增大，患心臟病的風險不斷增大.

3 結(jié) 論

利用T檢驗來挖掘特征之間的顯著差異性，利用10種機器學習模型來預(yù)測心臟病.采用公開UCI中的心臟病預(yù)測數(shù)據(jù)集來測試提出的方法，通過SHAP值對來挖掘單個特征對模型的影響.結(jié)果顯示，與對比論文結(jié)果相比，利用T檢驗與Bagging模型相結(jié)合的方法，在5個特征組合時，各項評價指標為1，能夠準確對心臟病進行預(yù)測.同時通過SHAP可視化分析方法，表明胸痛類型、主動脈數(shù)量與心臟病之間的關(guān)聯(lián)，對心臟病的精準醫(yī)療有指導(dǎo)意義.