顧天宇，嚴(yán)壯志，蔣皆恢

（上海大學(xué)通信與信息工程學(xué)院，上海 200444）

辨證論治指導(dǎo)中醫(yī)臨床診療，是中醫(yī)理論的核心和精髓［1］。中風(fēng)病作為常見(jiàn)的腦血管病，針對(duì)其辨證論治最早可以追溯到《黃帝內(nèi)經(jīng)》時(shí)期。在臨床上對(duì)中風(fēng)患者進(jìn)行辨證論治，可以得到良好的預(yù)后效果。氣虛血瘀證是中風(fēng)常見(jiàn)的證型之一，占缺血性中風(fēng)70%以上［2］，因此針對(duì)氣虛血瘀證進(jìn)行證候分類具有臨床意義。

目前，關(guān)于運(yùn)用現(xiàn)代科學(xué)技術(shù)的理論和方法推進(jìn)中醫(yī)證候分類的數(shù)字化、自動(dòng)化與智能化研究較多。如陳建新等［3］利用貝葉斯方法、神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法和決策樹(shù)方法建立基于冠心病患者中醫(yī)四診信息的證候分類模型；覃裕旺等［4］、許明東等［5］利用BP神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法建立高血壓病中醫(yī)證候分類模型，但是關(guān)于中風(fēng)病中醫(yī)證候分類模型的研究鮮有報(bào)道。本研究基于文獻(xiàn)資料，應(yīng)用支持向量機(jī)（Support Vector Machine，SVM）、反向傳播（Back Propagating，BP）神經(jīng)網(wǎng)絡(luò)與梯度提升決策樹(shù)（Gradient Boosting Decision Tree，GBDT）建立中風(fēng)病中醫(yī)證候分類模型，以年齡、性別、身高、體質(zhì)量與臨床中風(fēng)病常見(jiàn)的癥狀，包括中風(fēng)主要癥狀、舌象、脈象數(shù)據(jù)作為輸入，氣虛血瘀證的判斷作為輸出。

1 資料

1.1 臨床資料

選擇2020年3月—2021年4月在黑龍江中醫(yī)藥大學(xué)附屬醫(yī)院治療的中風(fēng)病患者共669例，一般資料信息見(jiàn)表1。其中辨證為氣虛血瘀證382 例，非氣虛血瘀證287例。

表1 669例中風(fēng)病患者一般資料比較（±s）

表1 669例中風(fēng)病患者一般資料比較（±s）

辨證類型氣虛血瘀非氣虛血瘀例數(shù)382 287性別（m/f）237/145 131/156年齡（歲）60.80±10.68 61.59±9.24身高（cm）168.64±8.26 166.76±7.53體質(zhì)量（kg）65.78±10.62 62.26±11.18

1.2 診斷標(biāo)準(zhǔn)

中風(fēng)病中醫(yī)診斷標(biāo)準(zhǔn)參照中華中醫(yī)藥學(xué)會(huì)發(fā)布的《中醫(yī)內(nèi)科常見(jiàn)病診療指南中醫(yī)病證部分》［6］與國(guó)家中醫(yī)藥管理局發(fā)布的《中醫(yī)病證診斷療效標(biāo)準(zhǔn)》［7］。

中風(fēng)中醫(yī)臨床診斷信息所用的癥狀、證候名稱參考《中醫(yī)臨床診療術(shù)語(yǔ)證候部分》［8］與北京中醫(yī)藥大學(xué)總結(jié)的中風(fēng)證候要素診斷量表［9］。觀察半身不遂、口舌歪斜、面部麻木等39 個(gè)癥狀，舌象分為舌紅、舌淡白、舌絳等32 個(gè)癥狀；脈象分為脈弦、脈數(shù)、脈澀等23 個(gè)癥狀。每個(gè)癥狀分為無(wú)、有兩種情況，分別用0、1表示。具體見(jiàn)表2。

表2 中風(fēng)病中醫(yī)臨床診斷癥狀

1.3 納入標(biāo)準(zhǔn)

①經(jīng)頭顱CT或MRI診斷為中風(fēng)的住院患者；②未用藥或未長(zhǎng)期使用藥物而干擾證型判斷患者；③由兩名或兩名以上臨床醫(yī)師進(jìn)行辨證論治。

1.4 排除標(biāo)準(zhǔn)

①不符合上述納入標(biāo)準(zhǔn)；②已受到系統(tǒng)用藥干擾患者；③缺少臨床醫(yī)生證型判斷記錄患者。

2 方法

2.1 數(shù)據(jù)研究

研究數(shù)據(jù)共669例，按照8∶2隨機(jī)劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集535例，測(cè)試集134例，訓(xùn)練集輸入中風(fēng)病中醫(yī)證候分類模型中進(jìn)行五折交叉驗(yàn)證訓(xùn)練模型，測(cè)試集用于評(píng)估模型的性能，評(píng)估指標(biāo)包括準(zhǔn)確率、敏感度、特異度以及AUC。

2.2 實(shí)驗(yàn)環(huán)境

研究采用操作系統(tǒng)為L(zhǎng)inux Ubuntu 16.04系統(tǒng)，源碼的編譯環(huán)境為PyCharm2019.2，CUDA 版本為10.1，cudnn 版本為7.6.0。采用了0.19.1 版本的機(jī)器學(xué)習(xí)模塊scikit－learn。

2.3 模型訓(xùn)練

本研究選擇了三種不同類型的分類器建立中風(fēng)病中醫(yī)證候分類模型：支持向量機(jī)（SVM）、反向傳播（BP）神經(jīng)網(wǎng)絡(luò)與梯度提升決策樹(shù)（GBDT）。

針對(duì)基于核函數(shù)的SVM，研究中對(duì)不同核函數(shù)進(jìn)行了調(diào)參。對(duì)于線性核函數(shù)，可調(diào)參數(shù)只有懲罰松弛變量C；對(duì)于徑向基核和多項(xiàng)式核，可調(diào)參數(shù)有懲罰松弛變量C 和核函數(shù)系數(shù)gamma。利用網(wǎng)格搜索方法進(jìn)行參數(shù)尋優(yōu)，懲罰松弛變量C 搜索范圍為［1 3 5 7 9 11 13 15 17 19］，核函數(shù)系數(shù)gamma 搜索范圍為［0.000 01 0.000 1 0.001 0.1 1 10 100 1 000］，網(wǎng)格搜索過(guò)程中采用五折交叉驗(yàn)證，五次交叉驗(yàn)證下模型準(zhǔn)確率均值作為模型評(píng)估指標(biāo)。訓(xùn)練表明：C為5，gamma為0.1時(shí)的基于徑向基核的支持向量機(jī)模型性能最優(yōu)。

針對(duì)BP神經(jīng)網(wǎng)絡(luò)，可調(diào)參數(shù)有學(xué)習(xí)率、動(dòng)能衰減系數(shù)、批處理大小以及隱層節(jié)點(diǎn)數(shù)。首先利用網(wǎng)格搜索方法對(duì)學(xué)習(xí)率和動(dòng)能衰減系數(shù)進(jìn)行聯(lián)合調(diào)參，學(xué)習(xí)率搜索范圍為［0.2 0.1 0.02 0.01 0.002 0.001］，動(dòng)能衰減系數(shù)搜索范圍為［0.7 0.75 0.8 0.85 0.9 0.95］，訓(xùn)練表明：學(xué)習(xí)率為0.2，動(dòng)能衰減系數(shù)為0.9時(shí)模型性能最優(yōu)。然后單獨(dú)設(shè)置批處理大小，搜索范圍設(shè)置為［20 40 60 80 100］，訓(xùn)練表明：批處理大小為40時(shí)模型性能最優(yōu)。最后對(duì)隱層節(jié)點(diǎn)數(shù)進(jìn)行討論，選擇從［20 200］區(qū)間中，每次增加20，訓(xùn)練表明：隱層節(jié)點(diǎn)數(shù)為140時(shí)模型性能最優(yōu)。所以，BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為：學(xué)習(xí)率為0.2、動(dòng)能衰減系數(shù)為0.9、批處理大小為40、隱層節(jié)點(diǎn)數(shù)為140。

針對(duì)GBDT，可調(diào)節(jié)參數(shù)有學(xué)習(xí)率與基分類器個(gè)數(shù)。依舊利用網(wǎng)格搜索方法進(jìn)行參數(shù)尋優(yōu)，學(xué)習(xí)率搜索范圍為［0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9］，基分類器個(gè)數(shù)搜索范圍為［20 30 40 50 60 70 80 90 100］，訓(xùn)練表明：當(dāng)學(xué)習(xí)率為0.1，基分類器個(gè)數(shù)100時(shí)，模型性能最優(yōu)。

三個(gè)模型都以年齡、性別、身高、體質(zhì)量與臨床中風(fēng)病常見(jiàn)的癥狀，包括中風(fēng)主要癥狀、舌象、脈象數(shù)據(jù)作為輸入，中風(fēng)臨床常見(jiàn)證候——?dú)馓撗鲎C的判斷作為輸出。

3 結(jié)果

利用不同分類器搭建的中風(fēng)病中醫(yī)證候分類模型性能對(duì)比見(jiàn)表3，基于SVM的中風(fēng)病中醫(yī)證候分類模型準(zhǔn)確率為86%，靈敏度為81%，特異度為92%，都優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)與GBDT。結(jié)合圖1不同分類器下模型的ROC曲線可得：相較于其他分類器模型，基于支持向量機(jī)建立的模型在中風(fēng)病中醫(yī)證候分類上更具優(yōu)勢(shì)。

圖1 不同分類器下中風(fēng)病中醫(yī)證候分類模型ROC曲線

表3 不同分類器下中風(fēng)病中醫(yī)證候分類模型性能對(duì)比

4 討論

本研究利用SVM、BP神經(jīng)網(wǎng)絡(luò)、GBDT建立中風(fēng)病中醫(yī)證候分類模型，以中風(fēng)病患者的年齡、性別、身高、體質(zhì)量與臨床中風(fēng)病常見(jiàn)的癥狀，包括中風(fēng)主要癥狀39 個(gè)、舌象32 個(gè)、脈象23 個(gè)數(shù)據(jù)作為輸入，中風(fēng)臨床常見(jiàn)證候——?dú)馓撗鲎C的判斷作為輸出，三個(gè)模型進(jìn)行比較。結(jié)果顯示：基于SVM 的中風(fēng)病中醫(yī)證候分類模型準(zhǔn)確率達(dá)到86%，相較于其他分類器模型，在中風(fēng)病中醫(yī)證候分類上更具優(yōu)勢(shì)。

本研究提示機(jī)器學(xué)習(xí)在中風(fēng)病中醫(yī)證候分類過(guò)程中的適用性，但是目前搭建的模型還只是理論模型，還需進(jìn)一步改善。在今后的研究中，還需要擴(kuò)大訓(xùn)練樣本，優(yōu)化輸入特征、提高算法準(zhǔn)確率、增加與更多算法的對(duì)比，以期建立更優(yōu)化的中風(fēng)中醫(yī)證候分類模型，進(jìn)一步探索中風(fēng)病中醫(yī)證候的數(shù)字化、自動(dòng)化、智能化。

（致謝：感謝黑龍江中醫(yī)藥大學(xué)所提供的數(shù)據(jù)，同時(shí)感謝天津慧醫(yī)谷科技有限公司提供的寶貴建議與幫助。）