李建敦，蔣 鵬，李 桃，陳 霆，蔣坷宏，蔣伏松*，鄭西川，魏 麗

（1.上海電機(jī)學(xué)院電子信息學(xué)院，上海 201306；2.上海交通大學(xué)附屬第六人民醫(yī)院計(jì)算機(jī)中心，上海 200233；3.上海交通大學(xué)附屬第六人民醫(yī)院內(nèi)分泌代謝科，上海 200233）

0 引言

頸動(dòng)脈斑塊（carotid plaque，CP），特別是易損斑塊（vulnerable plaque，VP），是典型的糖尿病并發(fā)癥，也是心血管疾病的重要根源之一，每年在世界范圍內(nèi)約造成1 770 萬人死亡（約占所有病因的30%）[1]。因此，對(duì)于醫(yī)院的內(nèi)分泌代謝科來講，CP 的早期診斷至關(guān)重要。臨床上，B 超成像以其非侵入性和較高精度而被廣泛采用，是事實(shí)上的黃金標(biāo)準(zhǔn)?？紤]到經(jīng)驗(yàn)豐富的B 超醫(yī)師（也包括超聲系統(tǒng)）數(shù)量有限，無法滿足日益增多的疑似CP 的檢測(cè)需求，獲得準(zhǔn)確的診斷結(jié)果仍然費(fèi)時(shí)費(fèi)力，因此這一黃金標(biāo)準(zhǔn)的大規(guī)模推廣存在明顯局限性，急需簡(jiǎn)單且高效的輔助診斷方法。臨床研究顯示，許多常規(guī)體檢指標(biāo)與CP密切相關(guān)，如年齡、性別、高血壓、吸煙、肥胖、血糖、高密度脂蛋白（HDL）、低密度脂蛋白（LDL）、高同型半胱氨酸（Hcy）、血脂（LP）等[1-3]。相關(guān)研究同時(shí)表明，糖尿病和非酒精性脂肪肝（non-alcoholic fatty liver disease，NAFLD）可作為2 個(gè)獨(dú)立指標(biāo)來預(yù)測(cè)健康人群中的CP[4-5]。此外，作為血糖狀態(tài)的一個(gè)指標(biāo)，糖化血紅蛋白（HbA1c）被證明與無糖尿病人群中的CP有關(guān)[6]。本文以上海交通大學(xué)附屬第六人民醫(yī)院的脫敏數(shù)據(jù)集為基礎(chǔ)，開展內(nèi)分泌狀態(tài)與CP 相關(guān)性的實(shí)例研究，目的是利用盡可能少的常規(guī)體檢指標(biāo)和糖尿病相關(guān)指標(biāo)來建立一個(gè)CP 的輔助預(yù)測(cè)模型。

1 數(shù)據(jù)集

本文基于2012—2018 年上海交通大學(xué)附屬第六人民醫(yī)院5 993 例糖尿病患者的脫敏數(shù)據(jù)開展案例研究。根據(jù)已有的研究成果[1-2，4-6]，聚焦其中的10個(gè)屬性來訓(xùn)練分類判別模型，包括性別、年齡、糖尿病病程、甘油三酯（TG）、LDL、HDL、總膽固醇（TC）、空腹血糖（FPG）、HbA1c、空腹胰島素（FINS）。表1 從均值±標(biāo)準(zhǔn)差、最小值、最大值幾個(gè)方面統(tǒng)計(jì)描述了其中的9 個(gè)屬性（不包括性別）。

表1 數(shù)據(jù)集的9 個(gè)屬性的基本數(shù)據(jù)

目前，世界衛(wèi)生組織公布的糖尿病診斷標(biāo)準(zhǔn)有FPG≥7.0 mmol/L 和HbA1c≥6.5%，而CP 則以B 型超聲作為金標(biāo)準(zhǔn)。在預(yù)處理方面，首先將年齡（18～78歲）離散化為7 個(gè)等寬（寬度為10 a）的數(shù)據(jù)段，然后使用最小-最大算法（min-max 算法）對(duì)其余屬性進(jìn)行歸一化。此外，根據(jù)診斷結(jié)果對(duì)這些病例數(shù)據(jù)進(jìn)行平衡，以避免標(biāo)簽比例對(duì)模型精度造成影響。

2 建模與預(yù)測(cè)

在傳統(tǒng)機(jī)器學(xué)習(xí)模型如線性回歸、邏輯回歸、支持向量機(jī)、決策樹等[1，7]的基礎(chǔ)上，本研究采用更多的監(jiān)督模型來擬合5 993 例脫敏數(shù)據(jù)，即將性別、年齡等10 個(gè)屬性作為特征、5 993 個(gè)病例作為監(jiān)督數(shù)據(jù)輸入至單一規(guī)則、隨機(jī)森林（random forest，RF）[8]等17個(gè)不同的機(jī)器學(xué)習(xí)模型中，并以CP 的分類預(yù)測(cè)為目標(biāo)來訓(xùn)練參數(shù)（如圖1 所示）。其中，17 個(gè)模型皆由Weka（v3.8）軟件構(gòu)建[9]，結(jié)果經(jīng)十折交叉驗(yàn)證得出。結(jié)果顯示，不同模型在CP 預(yù)測(cè)上的性能差異明顯，其中自助聚合（bootstrap aggregating，Bagging）[10]和RF 2 個(gè)模型在F1 值、AUC、查全率、查準(zhǔn)率方面均優(yōu)于其他模型，而RF 模型優(yōu)勢(shì)最明顯（查準(zhǔn)率為0.808，查全率為0.806，F(xiàn)1 值為0.805，AUC 為0.897）。

圖1 多種監(jiān)督模型的性能比較

作為一種集成學(xué)習(xí)模型，Bagging 模型可綜合利用多個(gè)單分類器的判別結(jié)果，具體包括3 個(gè)步驟。

第1 步：采用有放回抽樣的方式建立m 個(gè)子集。

第2 步：應(yīng)用決策樹模型為每個(gè)子集訓(xùn)練1 個(gè)分類器。

第3 步：在CP 預(yù)測(cè)中，給定病例的預(yù)測(cè)結(jié)果由各個(gè)分類器投票產(chǎn)生，規(guī)則是少數(shù)服從多數(shù)，即選擇多數(shù)分類器得出的結(jié)果作為最終的預(yù)測(cè)結(jié)果。

RF 也是一個(gè)集成學(xué)習(xí)模型[11]，因性能高、可用性好，在多個(gè)應(yīng)用領(lǐng)域廣受歡迎。一般來說，訓(xùn)練1個(gè)RF 模型需要4 個(gè)步驟，其中的閾值可根據(jù)已有的研究和經(jīng)驗(yàn)來設(shè)定。

第1 步：采用有放回抽樣的方式抽樣n 次（n 為訓(xùn)練集規(guī)模）。

第3 步：循環(huán)執(zhí)行前2 步k（k=10）次。

第4 步：基于投票法來匯總所有決策樹的預(yù)測(cè)結(jié)果。規(guī)則是少數(shù)服從多數(shù)，即選擇多數(shù)分類器得出的結(jié)果作為最終的預(yù)測(cè)結(jié)果。

Bagging 和RF 2 個(gè)模型在性能上優(yōu)于其他模型的原因主要有：（1）較完整地維護(hù)了屬性間不完全獨(dú)立的事實(shí)。相比之下，基于獨(dú)立性假設(shè)的其他機(jī)器學(xué)習(xí)模型未能遵從這一事實(shí)，導(dǎo)致性能較差，如樸素貝葉斯模型。（2）都屬于集成學(xué)習(xí)模型，其有效利用了多個(gè)弱分類器協(xié)同決策的優(yōu)勢(shì)，因此性能較高。RF模型性能卓越的原因主要在于節(jié)點(diǎn)處的最優(yōu)分割加入了隨機(jī)化，即從全部屬性中隨機(jī)選取d 個(gè)屬性，分別按照它們的屬性值將病例分類，計(jì)算并比較劃分之后的信息增益，最后選擇得到最大信息增益的屬性，從而確定當(dāng)前節(jié)點(diǎn)的最優(yōu)分割。同時(shí)，考慮到RF模型優(yōu)良的并行性，本文擬采用RF 模型對(duì)病例數(shù)據(jù)進(jìn)行擬合，以實(shí)現(xiàn)CP 的預(yù)測(cè)和臨床預(yù)檢。

3 特征選擇

根據(jù)在RF 模型中各屬性（10 個(gè)）對(duì)CP 預(yù)測(cè)的貢獻(xiàn)度進(jìn)行排序。理論上，一個(gè)屬性的重要性可通過其在所有決策樹上的平均不純度減少值來量化，也可通過變量重要性度量（variable importance measures，VIM）來完成，即通過GI 來量化[12]。決策樹i 上節(jié)點(diǎn)m的GI 為

式中，K 為總類數(shù)；pk為節(jié)點(diǎn)m 上第k 個(gè)類的份額。實(shí)際上，GIm可通過節(jié)點(diǎn)m 中源于不同類別的2 個(gè)樣本的概率來計(jì)算?；诖耍瑢傩詊 對(duì)節(jié)點(diǎn)m 的重要性可用公式（2）來度量：

式中，GIx和GIy是從節(jié)點(diǎn)m 派生出來的節(jié)點(diǎn)對(duì)應(yīng)的GI。此外，可以累計(jì)屬性j 占主角的所有樹和節(jié)點(diǎn)來計(jì)算VIMj。在算法實(shí)現(xiàn)上，使用Python（v3.6）軟件和Sklearn 模塊[13]來實(shí)現(xiàn)屬性重要性排序，結(jié)果如圖2所示。

圖2 屬性重要性排序

根據(jù)排序持續(xù)壓縮屬性集，以找到一個(gè)最佳的屬性子集，從而從5 993 例糖尿病患者中發(fā)現(xiàn)CP。壓縮屬性集的具體步驟是：首先刪除重要性最低的性別特征，將剩余特征及對(duì)應(yīng)數(shù)據(jù)輸入至RF 分類器進(jìn)行訓(xùn)練與驗(yàn)證；然后刪除FINS 屬性再進(jìn)行分類預(yù)測(cè)，直到基于單一屬性完成實(shí)驗(yàn)，結(jié)果如圖3 所示。鑒于0.75 通常被認(rèn)為是計(jì)算機(jī)輔助診斷的經(jīng)驗(yàn)閾值，可以得出如下結(jié)論：年齡、LDL 和HbA1c 3 個(gè)屬性構(gòu)成的屬性子集能夠以較高的精度識(shí)別CP。根據(jù)上述3 個(gè)屬性對(duì)預(yù)測(cè)結(jié)果的影響程度進(jìn)行重要性排序，結(jié)果為：年齡＞LDL＞HbA1c。

圖3 基于不同屬性子集的預(yù)測(cè)結(jié)果

由于FPG 和HbA1c 高度相關(guān)，同時(shí)LDL 和HDL也具有強(qiáng)關(guān)聯(lián)性，因此本研究進(jìn)行了更多的實(shí)驗(yàn)來評(píng)估不同屬性集之間的性能差異。實(shí)驗(yàn)中的屬性子集有4 類，分別為S1（年齡、LDL、HbA1c）、S2（年齡、FPG、LDL）、S3（年齡、HDL、HbA1c）和S4（年齡、HDL、FPG）。從性能比較結(jié)果（如圖4 所示）中可以觀察到4 條曲線是平緩的，其中查準(zhǔn)率、查全率和F1 值保持在0.75～0.78 之間，而AUC=0.855±0.003。由此可以得出結(jié)論，LDL 和HDL 在預(yù)測(cè)CP 中效能相當(dāng)，而HbA1c 和FPG 基本可以互換。

圖4 不同屬性集的性能比較

與已有研究[1-2]相呼應(yīng)，本研究的實(shí)驗(yàn)結(jié)果也表明年齡是CP 診斷中最重要的獨(dú)立指標(biāo)。另外，本研究也表明，HbA1c 和FPG 不但能有效識(shí)別健康人群中的CP[4-5]，而且對(duì)鑒別糖尿病患者中的CP 也具有顯著效果。與Chen 等[11]研究不同，本研究未發(fā)現(xiàn)男性和女性在CP 診斷中有明顯差異。

4 結(jié)語

本研究以上海交通大學(xué)附屬第六人民醫(yī)院提供的脫敏數(shù)據(jù)集為基礎(chǔ)，構(gòu)建了多個(gè)分類預(yù)測(cè)模型，其中，RF 模型可以充分利用內(nèi)分泌的常規(guī)屬性來預(yù)測(cè)CP。實(shí)驗(yàn)結(jié)果表明，HbA1c、LDL 和年齡3 類屬性在預(yù)測(cè)中發(fā)揮了關(guān)鍵作用，僅由它們訓(xùn)練完成的模型已獲得不錯(cuò)的預(yù)測(cè)效果；同時(shí)也說明基于常規(guī)體檢指標(biāo)訓(xùn)練而成的機(jī)器學(xué)習(xí)模型具有簡(jiǎn)單、高效、成本低和準(zhǔn)確率高等特點(diǎn)，理論上能夠作為診斷CP 的輔助方法。本文提出的RF 方法有助于輔助內(nèi)分泌代謝科醫(yī)師在超聲診斷前對(duì)CP 的疑似病例進(jìn)行預(yù)診斷，以節(jié)省患者時(shí)間，減少不必要的醫(yī)療資源浪費(fèi)。本研究的局限性包括：未考慮CP 的演化或嚴(yán)重程度；數(shù)據(jù)均來自同一家醫(yī)院，因此訓(xùn)練而成的預(yù)測(cè)模型的一般適用性有待進(jìn)一步考證。鑒于深度學(xué)習(xí)在輔助診斷方面的良好可用性[14-15]，本研究未來擬在大規(guī)模擴(kuò)充現(xiàn)有數(shù)據(jù)集的基礎(chǔ)上，探索深層神經(jīng)網(wǎng)絡(luò)模型的適用性，以進(jìn)一步提高CP 的預(yù)測(cè)精度。