伍　剛， 劉廣韜， 周　青， 劉　策， 常鵬飛

(中國人民解放軍第三○九醫(yī)院神經(jīng)外科，北京　100091;*通訊作者，E-mail:pengfei_chaung@163.com)

支持向量機(jī)模型在腦出血早期預(yù)后判斷中的應(yīng)用

伍剛， 劉廣韜， 周青， 劉策， 常鵬飛*

(中國人民解放軍第三○九醫(yī)院神經(jīng)外科，北京100091;*通訊作者，E-mail:pengfei_chaung@163.com)

摘要：目的通過應(yīng)用支持向量機(jī)模型預(yù)測(cè)腦出血患者早期預(yù)后轉(zhuǎn)歸。方法收集自發(fā)性腦出血患者310例，隨訪觀察1個(gè)月的臨床轉(zhuǎn)歸情況。將入組患者按時(shí)間順序以3 ∶1的比例分為數(shù)據(jù)訓(xùn)練組和驗(yàn)證組，訓(xùn)練組作為訓(xùn)練樣本，用于篩選變量和建立預(yù)測(cè)模型，計(jì)232例；驗(yàn)證組作為驗(yàn)證樣本，用于評(píng)價(jià)模型預(yù)測(cè)效果，計(jì)78例。結(jié)果通過支持向量機(jī)模型對(duì)78例腦出血患者的預(yù)測(cè)判別驗(yàn)證，支持向量機(jī)的預(yù)測(cè)準(zhǔn)確度76.9%，敏感度77.3%，95%可信區(qū)間54.6%-92.2%，特異度76.8%，95%可信區(qū)間63.6%-87.0%。結(jié)論采用支持向量機(jī)模型能較好地判斷自發(fā)腦出血患者早期預(yù)后。

關(guān)鍵詞：腦出血；支持向量機(jī)；預(yù)后

腦出血是常見的顱內(nèi)自發(fā)性出血性疾病，是成人主要的致殘和致死原因[1,2]。有資料顯示，我國腦出血的發(fā)病率可達(dá)(38.1-77.1)/10萬人年[3]。外科治療包括開顱手術(shù)、神經(jīng)內(nèi)鏡血腫清除手術(shù)、立體定向鉆孔血腫引流術(shù)等，需要術(shù)前對(duì)腦出血患者的預(yù)后進(jìn)行風(fēng)險(xiǎn)評(píng)估，以利于降低手術(shù)風(fēng)險(xiǎn)和圍術(shù)期并發(fā)癥。臨床上常用Logistic回歸模型用于解釋腦出血風(fēng)險(xiǎn)模型。但是，該模型對(duì)入選的風(fēng)險(xiǎn)因素質(zhì)量有較高要求，限制其應(yīng)用。

近年，人工智能技術(shù)蓬勃發(fā)展，越來越多出現(xiàn)在醫(yī)學(xué)診療的各個(gè)方面。支持向量機(jī)(support vector machine，SVM)是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法[4]。支持向量機(jī)是根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，以期獲得最好的推廣能力的機(jī)器學(xué)習(xí)方法。其基本思想是：把在輸入空間中的線性不可分的數(shù)據(jù)集，通過內(nèi)積核函數(shù)，非線性地映射到高維特征空間后，變?yōu)榫€性可分的數(shù)據(jù)集，隨后在高維特征空間建立一個(gè)不但能將兩類正確分開，而且使分類間隔最大的最優(yōu)分類面框架[5]。應(yīng)用支持向量機(jī)模型對(duì)腦出血早期預(yù)后進(jìn)行判斷的研究較少。我們?cè)嚴(yán)迷摲椒ń⒁环N模型，應(yīng)用一些常見的臨床數(shù)據(jù)和信息對(duì)腦出血患者的早期預(yù)后進(jìn)行預(yù)測(cè)，以助于腦出血外科治療術(shù)前評(píng)估及醫(yī)患溝通。

1研究對(duì)象與方法

1.1對(duì)象

回顧調(diào)查中國人民解放軍第309醫(yī)院2011-01～2014-05入院診斷為自發(fā)性腦出血患者病例共396例(參照腦出血診斷標(biāo)準(zhǔn)[6])，排除腦外傷出血、蛛網(wǎng)膜下隙出血、腦腫瘤出血、腦干出血病例以及信息不完整病例，其中有效病例共計(jì)310例，占總病例數(shù)的78.9%。其中男性214例，女性96例，平均年齡(57.5±12.9)歲。

1.2方法

1.2.1收集病史資料主要包括:年齡、性別、院前意識(shí)障礙、有無高血壓病史、是否腦室出血、是否基底節(jié)區(qū)出血、是否多部位出血、有無吸煙史、糖尿病史、透析病史、腦梗死病史、阿司匹林服用史、入院后凝血功能、血糖、血紅蛋白、血小板、收縮壓、格拉斯哥昏迷評(píng)分(Glasgow Coma Scale,GCS)、入院后有無肺部感染、消化道出血、泌尿系感染以及腦出血血腫體積(首次CT掃描按ABC/2法估算血腫體積)。共計(jì)22項(xiàng)影響因素。治療1個(gè)月后進(jìn)行院內(nèi)隨訪，格拉斯哥預(yù)后評(píng)分(Glasgow Outcome Scale,GOS)評(píng)價(jià)指標(biāo)其中GOS 1-3認(rèn)為預(yù)后結(jié)果不良(取值0)，GOS 4-5預(yù)后結(jié)果良好(取值1)。GOS評(píng)分：1=植物生存狀態(tài)；2=重殘狀態(tài)；3=輕度神經(jīng)功能受限；4=神經(jīng)功能無受限；5=死亡。

1.2.2數(shù)據(jù)處理和分析所有入選變量在進(jìn)行分析處理前統(tǒng)一進(jìn)行歸一化，以消除因數(shù)據(jù)絕對(duì)值差異產(chǎn)生的權(quán)重偏倚。公式：Vnorm=(Vi-Vmin)/(Vmax-Vmin)[7]。研究按就診時(shí)間先后排序，抽取入組的前232例作為訓(xùn)練集，利用Matlab7.0.1平臺(tái)調(diào)用libsvm 3.21軟件。首先對(duì)libsvm的參數(shù)懲罰因子(C)和核函數(shù)參數(shù)(g)進(jìn)行網(wǎng)格式尋優(yōu)交叉驗(yàn)證，以獲取最好的準(zhǔn)確率。然后以最佳參數(shù)和測(cè)試數(shù)據(jù)建立預(yù)測(cè)模型，再對(duì)剩余的78例測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)(見圖1)。

圖1　matlab平臺(tái)下libsvm模型處理數(shù)據(jù)的流程圖Figue 1　The data processing sequence of libsvm model under Matlab platform

2結(jié)果

訓(xùn)練數(shù)據(jù)232例中預(yù)后良好149例，占64.2%；預(yù)后不良83例，占35.8%。預(yù)測(cè)數(shù)據(jù)78例中預(yù)后良好22例，占28.2%；預(yù)后不良56例，占71.8%。根據(jù)腦出血患者入院時(shí)所采集的臨床資料，應(yīng)用libsvm模型首先對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行參數(shù)尋優(yōu)，在log2C=8，Log2g=0.25，模型的最佳預(yù)測(cè)精準(zhǔn)度是74.1%(見圖2，3)，并以此參數(shù)結(jié)果配置模型，對(duì)驗(yàn)證集數(shù)據(jù)進(jìn)行預(yù)測(cè)，模型的準(zhǔn)確度76.9%，敏感度77.3%(95%CI 54.6%-92.2%)，特異度76.8%(95%CI 63.6%-87.0%)。

圖2　支持向量機(jī)模型C，g參數(shù)尋優(yōu)二維視圖Figure 2　Parameters C, g optimization for support vector machine model in two-dimensional view

圖3　支持向量機(jī)模型C，g參數(shù)尋優(yōu)三維視圖Figure 3　Parameters C, g optimization for support vector machine model in the three-dimensional view

3討論

腦出血的預(yù)后評(píng)估仍是腦卒中研究的重要方向[8]。臨床常用的建模方法有Logistic回歸、Cox比例風(fēng)險(xiǎn)模型等。這些臨床常用的傳統(tǒng)分析方法客觀要求自變量、因變量之間存在線性關(guān)系。而當(dāng)自變量之間存在共線性、非線性、數(shù)據(jù)資料有缺失、獲得資料有干擾信息時(shí)，預(yù)測(cè)的準(zhǔn)確率會(huì)大大降低甚至出現(xiàn)錯(cuò)誤。支持向量機(jī)對(duì)資料的要求較低，并且對(duì)錯(cuò)誤的寬容度良好，能很好地處理帶有缺失或干擾的數(shù)據(jù)資料。本文中納入的22個(gè)變量可能存在共線性信息。逐步Logistic回歸是近年來用以避免出現(xiàn)共線問題的常用辦法。但它可能會(huì)把某些實(shí)際上對(duì)結(jié)果有顯著影響的變量排除在模型之外,這無疑會(huì)損失大量的資料信息,而且也不易于解釋協(xié)變量之間的關(guān)系[9]。而支持向量機(jī)模型，則不需要該過程，只要對(duì)模型參數(shù)進(jìn)行優(yōu)化就可以實(shí)現(xiàn)較為準(zhǔn)確的預(yù)測(cè)。

本文采用了臺(tái)灣大學(xué)林智仁教授等開發(fā)設(shè)計(jì)的libsvm軟件包[10]。該軟件包簡單、易于使用且快速有效地支持向量機(jī)模式識(shí)別與回歸。支持向量機(jī)通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小化來提高機(jī)器學(xué)習(xí)的泛化能力，其優(yōu)勢(shì)主要體現(xiàn)在解決線性不可分的問題[11]。這一性質(zhì)能保證SVM模型特別適合樣本數(shù)量有限時(shí)資料的建模分析。因此，支持向量機(jī)對(duì)于樣本量的要求并不高，經(jīng)驗(yàn)估算方法為只要達(dá)到臨床特征變量的2-3倍即可開始進(jìn)行預(yù)測(cè)[12]。本研究結(jié)果顯示libsvm模型分析結(jié)果能夠簡單快捷地對(duì)腦出血早期預(yù)后進(jìn)行預(yù)測(cè)。

應(yīng)用該分析模型，可以對(duì)臨床患者的可能預(yù)后進(jìn)行快速評(píng)估，也可作為是否需要手術(shù)干預(yù)，以及提示手術(shù)風(fēng)險(xiǎn)的參考指標(biāo)。本文旨在為評(píng)估ICH患者預(yù)后提供一種便捷的輔助工具。相信通過對(duì)患者臨床信息的進(jìn)一步充實(shí)和樣本量擴(kuò)大，以及支持向量機(jī)模型參數(shù)的進(jìn)一步優(yōu)化，應(yīng)用該人工智能方法，能夠?qū)δX出血患者早期預(yù)后評(píng)估做出更為準(zhǔn)確的判斷。

參考文獻(xiàn)：

[1]He J,Gu DF,Wu XG,etal.Major causes of death among men and women in China[J].New Engl J Med,2005,353(11):1124-1134.

[2]van Asch CJJ,Luitse MJA,Rinkel GE,etal.Incidence,case fatality,and functional outcome of intracerebral haemorrhage overtime,according to age,sex,and ethnic origin:a systematic review and meta-analysis[J].Lancet Neurol,2010,9(2):167-176.

[3]Jiang B,Wang WZ,Chen HL,etal.Incidence and trends of stroke and its subtypes in China-Results from three large cities[J].Stroke,2006,37(1):63-68.

[4]Kourou K，Exarchos TP，Exarchos KP，etal．Machine learning applications in cancer prognosis and prediction[J].Comput Struct Biotechnol J,2015,13(15)：8-17.

[5]Van Gestel T,Suykens JAK,Baestaens DE,etal.Financial time series prediction using least squares support vector machines within the evidence framework[J].IEEE Trans Neural Network,2001,12(4):809-821.

[6]趙繼宗,周定標(biāo),周良輔,等.2464例高血壓腦出血外科治療多中心單盲研究[J].中華醫(yī)學(xué)雜志,2005,85(32):2238-2242.

[7]楊寶華.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用[J].電腦知識(shí)與技術(shù):學(xué)術(shù)交流,2008,4(7):124-125.

[8]Manno EM,Meyer FB.Prognosis after intracerebral hemorrhage[J].J Neurosurg,2008,108(6):1170-1171.

[9]趙宇東,劉嶸,劉延齡,等.多元Logistic回歸的共線性分析[J].中國衛(wèi)生統(tǒng)計(jì),2000,17(5):259-261.

[10]Chang CC,Lin CJ.LIBSVM:a library for support vector machines[J].ACM TIST,2011,2(3):1-27.

[11]李傳科,許苗村.核函數(shù)的概念、性質(zhì)及構(gòu)造[J].電腦知識(shí)與技術(shù),2015,11(32):171-173.

[12]張黎明,劉玉蘭,康曉.支持向量機(jī)預(yù)測(cè)結(jié)腸腺瘤高級(jí)別上皮內(nèi)瘤變效果研究[J].中國實(shí)用內(nèi)科學(xué)雜志,2013,33(11):872-875.

Evaluation of early prognosis in intracerebral hemorrhage based on support vector machine

WU Gang, LIU Guangtao, ZHOU Qing, LIU Ce, CHANG Pengfei*

(DepartmentofNeurosurgery,ChinesePLA309thHospital,Beijing100091,China;*Correspondingauthor,E-mail:pengfei_chaung@163.com)

Abstract：ObjectiveTo predict the early prognosis of patients with intracerebral hemorrhage(ICH) using support vector machine model.MethodsTotally 310 patients with spontaneous intracerebral hemorrhage were collected and clinical outcome were followed up for 1 month. All the patients were divided into two groups with 3 ∶1 ratio by time sequence: training group(n=232) and validation group(n=78). The patients in training group were chosen as the training samples for establishing the prediction model. The patients in validation group were chosen as the validation samples to evaluate the forecasting results.ResultsThe prediction accuracy for ICH early prognosis was 76.9%, the sensitivity was 77.3%(95%CI 54.6%-92.2%), the specificity was 76.8%(95% CI 63.6%-87.0%) in validation group with SVM model.ConclusionSVM model can better predict the prognosis in the patients with spontaneous intracerebral hemorrhage.

Key words:intracerebral hemorrhage;support vector machine(SVM);prognosis

基金項(xiàng)目：解放軍第三○九醫(yī)院院內(nèi)科研課題資助項(xiàng)目(2014MS-009)

作者簡介：伍剛，男，1977-12生，博士，主治醫(yī)師，E-mail：wugang152001@163.com

收稿日期：2016-03-23

中圖分類號(hào)：O29

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007-6611(2016)06-0536-03

DOI：10.13753/j.issn.1007-6611.2016.06.011