李杰

（河南科技大學(xué)第一附屬醫(yī)院，河南 洛陽(yáng) 471000）

根據(jù)最新全球疾病負(fù)擔(dān)研究報(bào)告顯示，卒中在全球死亡率中占據(jù)首位。卒中相關(guān)肺炎（strokeassociated pneumonia,SAP）是導(dǎo)致腦出血的常見(jiàn)誘因之一［1-3］。因此，腦出血相關(guān)肺炎診斷的研究成為近年來(lái)醫(yī)療工作者普遍關(guān)注的焦點(diǎn)［4-5］。從國(guó)內(nèi)外研究現(xiàn)狀分析，導(dǎo)致SAP 的主要影響因素包括患者的年齡、性別、糖尿病、吞咽困難、高血壓、心力衰竭、心房顫動(dòng)、慢性阻塞性肺疾病等。然而，將這些因素用于腦出血相關(guān)肺炎的診斷預(yù)測(cè)模型還鮮有報(bào)道。隨著醫(yī)療信息化［6］和新一代人工智能（artificial intelligence,AI）技術(shù)［7-8］的飛速發(fā)展，為研究人員設(shè)計(jì)出更加高效的智能化診斷預(yù)測(cè)模型提供了新的契機(jī)。因此，通過(guò)將腦出血相關(guān)肺炎診斷與人工智能技術(shù)［9］相結(jié)合，構(gòu)建一種智能高效的診斷預(yù)測(cè)模型，成為研究人員亟待解決的關(guān)鍵問(wèn)題之一。本文創(chuàng)造性地采用基于人工智能技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)算法［10-11］和基于傳統(tǒng)機(jī)器學(xué)習(xí)支持向量機(jī)算法，建立和評(píng)價(jià)高效智能化的腦出血相關(guān)肺炎診斷模型。

1 資料與方法

1.1 一般資料

選取連續(xù)發(fā)病7 d 范圍內(nèi)的急性腦出血住院患者作為研究對(duì)象。納入患者的標(biāo)準(zhǔn)首先年齡大于18 周歲，依據(jù)世界衛(wèi)生組織的診斷標(biāo)準(zhǔn)可診斷為腦出血，并由CT 或MRI 確診；其次患者經(jīng)過(guò)門診或急診住院，入院后經(jīng)吞咽功能評(píng)價(jià)；最后患者或法定代表人需簽署知情同意。在此過(guò)程中，將臨床信息不完整的患者去除。

1.2 數(shù)據(jù)收集

采用病例報(bào)告表收集患者的基本數(shù)據(jù)信息：①患者的年齡、性別、吸煙、飲酒等人口統(tǒng)計(jì)學(xué)信息；②患者是否患有糖尿病、高血壓、心房顫動(dòng)、心力衰竭、心肌梗死、腦血管病、慢性阻塞性肺疾病等既往病史信息；③患者的白細(xì)胞計(jì)數(shù)、吞咽功能障礙、美國(guó)國(guó)立衛(wèi)生院神經(jīng)功能缺損評(píng)分（NIHSS）等入院后的臨床檢查數(shù)據(jù)信息。病例報(bào)告表中數(shù)據(jù)的真實(shí)性、準(zhǔn)確性和完整性由權(quán)威的數(shù)據(jù)專家組進(jìn)行核查，分析變量和賦值方法見(jiàn)表1。

表1 分析變量和賦值方法

1.3 模型構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN）是人工智能技術(shù)中一種重要的研究方法，它是一類包含卷積計(jì)算，并且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層和輸出層組成，其中輸入層需要將腦出血相關(guān)肺炎患者的年齡、NIHSS 評(píng)分、白細(xì)胞計(jì)數(shù)和吞咽功能障礙等數(shù)據(jù)，輸入到卷積神經(jīng)網(wǎng)絡(luò)，并運(yùn)用（1）式對(duì)輸入數(shù)據(jù)進(jìn)行歸一化，輸入特征的標(biāo)準(zhǔn)化有利于提升卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和表現(xiàn)。

卷積神經(jīng)網(wǎng)絡(luò)中的隱含層主要由卷積層、池化層和全連接層構(gòu)成，卷積層的功能是對(duì)樣本數(shù)據(jù)進(jìn)行特征提取，在卷積層進(jìn)行特征提取后，輸出的特征圖會(huì)被傳遞至池化層進(jìn)行特征選擇和信息過(guò)濾，全連接層是卷積神經(jīng)網(wǎng)絡(luò)隱含層的最后部分，用于向其它全連接層傳遞信號(hào)。輸出層用于輸出腦出血相關(guān)肺炎患者診斷結(jié)果。

支持向量機(jī)（support vector machine,SVM）是一種經(jīng)典的傳統(tǒng)機(jī)器學(xué)習(xí)方法［11］。該方法是一種按照有監(jiān)督學(xué)習(xí)的方式對(duì)輸入樣本進(jìn)行二元分類的廣義線性分類器，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面。SVM 的決策目標(biāo)函數(shù)為

其中w表示分離最大超平面的法向量，φ(x)表示樣本從輸入空間到高維特征空間的特殊映射，b表示模型的偏置。

2 結(jié)果

納入的2 303 例腦出血住院患者，其中男1 430 例，占比62.09%，女873 例，占比37.91%。通過(guò)將選取的樣本數(shù)據(jù)集隨機(jī)分為訓(xùn)練樣本數(shù)據(jù)集和測(cè)試樣本數(shù)據(jù)集，其中訓(xùn)練樣本數(shù)據(jù)集占3/4、測(cè)試樣本數(shù)據(jù)集占1/4，分別運(yùn)用每位患者的年齡、NIHSS 評(píng)分、白細(xì)胞計(jì)數(shù)和吞咽功能障礙等4 種數(shù)值特征作為特征因子，利用卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型，驗(yàn)證腦出血相關(guān)肺炎診斷預(yù)測(cè)的效果。結(jié)果顯示，運(yùn)用上述兩種模型的診斷準(zhǔn)確率分別為72.6% 和69.1%，靈敏度分別為71.6% 和69.2%，特異度分別為63.7% 和62.8%，ROC 曲 線 下 的 面 積（AUC）分 別 為66.5% 和62.7%。

3 討論

隨著人工智能技術(shù)的快速發(fā)展，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)方法，能夠有效地輔助診斷預(yù)測(cè)腦出血相關(guān)肺炎患者，同時(shí)該方法也為一線醫(yī)護(hù)人員早期診斷腦出血相關(guān)肺炎患者提供了高效智能的理論科學(xué)依據(jù)。通過(guò)分析臨床上腦出血相關(guān)肺炎患者的相關(guān)特征，選擇其中關(guān)鍵的變量來(lái)建立腦出血相關(guān)肺炎患者診斷模型。由于卷積神經(jīng)網(wǎng)絡(luò)方法在處理非線性變量時(shí)具有獨(dú)特的優(yōu)勢(shì)，因此，本研究使用卷積神經(jīng)網(wǎng)絡(luò)模型的性能優(yōu)勢(shì)要優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)模型。綜上所述，運(yùn)用人工智能模型來(lái)輔助臨床醫(yī)生診斷和預(yù)測(cè)肺炎患者的發(fā)生，能夠有效地提高診斷的準(zhǔn)確率。

本研究提出的人工智能技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)的支持向量機(jī)模型比較，在預(yù)測(cè)性能上具有更加明顯的優(yōu)勢(shì)，因此更適合于診斷預(yù)測(cè)腦出血相關(guān)肺炎患者。隨著新一代人工智能技術(shù)的快速發(fā)展，“人工智能+醫(yī)療”也越來(lái)越受到醫(yī)療研究人員的關(guān)注，通過(guò)互聯(lián)網(wǎng)借助計(jì)算機(jī)，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)方法，來(lái)構(gòu)建智能化腦出血相關(guān)肺炎患者預(yù)測(cè)系統(tǒng)，有效地提高了醫(yī)生臨床診斷的質(zhì)量和工作效率。