雷 麗,李運(yùn)明

(1.西南交通大學(xué)數(shù)學(xué)學(xué)院,四川 成都 611756;2.西部戰(zhàn)區(qū)總醫(yī)院衛(wèi)勤部醫(yī)療管理科,四川 成都 610083)

隨著大數(shù)據(jù)技術(shù)的廣泛應(yīng)用,已有學(xué)者將大數(shù)據(jù)方法用于臨床醫(yī)學(xué)研究[1-3],基于機(jī)器學(xué)習(xí)方法建立預(yù)測(cè)模型已取得一定成果。此外,隨著脂肪肝檢出率逐年上漲,許多學(xué)者圍繞脂肪肝防治工作也展開了大量研究[4-6]。脂肪肝是彌漫性肝病之一,前期臨床反應(yīng)不明顯,若不加以治療可能會(huì)演變成嚴(yán)重肝病。但由于脂肪肝具有可逆性,研究基于縱向體檢數(shù)據(jù),采用機(jī)器學(xué)習(xí)算法建立較為精準(zhǔn)的脂肪肝風(fēng)險(xiǎn)預(yù)測(cè)模型用于脂肪肝相關(guān)指標(biāo)定期篩查,為脂肪肝易發(fā)人群健康管理及風(fēng)險(xiǎn)評(píng)估提供參考,提高了脂肪肝體檢工作效率并減少相關(guān)醫(yī)療費(fèi)用支出,具有較大的實(shí)用性。

1 資料與方法

1.1 資料來源

研究數(shù)據(jù)源自2006—2016年在西部戰(zhàn)區(qū)總醫(yī)院(原成都軍區(qū)總醫(yī)院)健康體檢中心定期健康體檢人群的體檢數(shù)據(jù)(體檢中心為該類人群建有專門軟件用于管理體檢數(shù)據(jù)資料),并且循證醫(yī)學(xué)文獻(xiàn)資料檢索結(jié)果、臨床指南等。

1.2 指標(biāo)選取與賦值情況

將體檢數(shù)據(jù)中共24個(gè)指標(biāo)納入動(dòng)態(tài)分析,賦值情況[7-10]如表1所列。

表1 變量賦值情況Table 1 Variable assignment

1.3 統(tǒng)計(jì)學(xué)分析

研究采用Python3中的Scikitlearn機(jī)器學(xué)習(xí)軟件進(jìn)行統(tǒng)計(jì)分析,運(yùn)用Logistic回歸算法進(jìn)行特征選擇,確定脂肪肝相關(guān)指標(biāo)?；?006—2016年縱向體檢隊(duì)列資料抽樣產(chǎn)生不同樣本量的模擬數(shù)據(jù),運(yùn)用決策樹(DT,decision tree)、XGBoost(extreme gradient boosting)、Bagging、隨機(jī)森林(RF,random forest)、人工神經(jīng)網(wǎng)絡(luò)(ANN,artificial neural network)和支持向量機(jī)(SVM,support vector machine) 6種機(jī)器學(xué)習(xí)算法建立脂肪肝預(yù)測(cè)模型并評(píng)價(jià)預(yù)測(cè)價(jià)值。計(jì)量資料分析采用t/u檢驗(yàn),計(jì)數(shù)資料分析采用卡方檢驗(yàn),以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 機(jī)器學(xué)習(xí)算法模擬實(shí)驗(yàn)

2.1 Logistic回歸模型篩選變量

基于2006年橫斷面體檢數(shù)據(jù),以是否檢出脂肪肝作為因變量,以高血壓、血紅蛋白、總膽紅素、谷丙轉(zhuǎn)氨酶等指標(biāo)是否異常作為自變量(變量及賦值情況見表1)。將單因素Logistic回歸有統(tǒng)計(jì)學(xué)意義的影響因素篩選出來(篩選結(jié)果見表2),以便確定納入機(jī)器學(xué)習(xí)算法的脂肪肝風(fēng)險(xiǎn)變量。

表2 Logistic回歸模型變量篩選結(jié)果Table 2 Variable screening results of Logistic regression model

2.2 機(jī)器學(xué)習(xí)算法建模

既往脂肪肝預(yù)測(cè)模型以傳統(tǒng)Logistic回歸模型為主,旨在篩選脂肪肝影響因素,由于Logistic模型要求變量獨(dú)立且不能處理變量共線性的問題[11],因此具有一定的局限性。已有學(xué)者將機(jī)器學(xué)習(xí)算法運(yùn)用到臨床醫(yī)學(xué)領(lǐng)域,如朱立強(qiáng)等[12]采用支持向量機(jī)建立了Ⅰ類切口手術(shù)患者使用抗菌藥物合理性的評(píng)價(jià)模型,模型預(yù)測(cè)精度明顯高于其他文獻(xiàn)報(bào)道結(jié)果;何玉花等[13]采用XGBoost集成算法建立了大于胎齡兒的風(fēng)險(xiǎn)預(yù)測(cè)模型;李桃等[14]采用隨機(jī)森林算法建立了2型糖尿病并發(fā)頸動(dòng)脈斑塊的預(yù)測(cè)模型。而機(jī)器學(xué)習(xí)算法在脂肪肝預(yù)測(cè)領(lǐng)域應(yīng)用極少,因此研究引入機(jī)器學(xué)習(xí)算法能夠建立更為精準(zhǔn)的脂肪肝預(yù)測(cè)模型,為脂肪肝防治工作增加新思路。

機(jī)器學(xué)習(xí)算法在脂肪肝預(yù)測(cè)領(lǐng)域的應(yīng)用效果在體檢數(shù)據(jù)中未得到驗(yàn)證,所以需要通過模擬實(shí)驗(yàn)進(jìn)行評(píng)估,探究脂肪肝預(yù)測(cè)模型的穩(wěn)定性。為了保證變量之間的協(xié)方差關(guān)系以及模擬數(shù)據(jù)與實(shí)際數(shù)據(jù)的一致性,研究基于實(shí)際數(shù)據(jù)抽樣產(chǎn)生模擬數(shù)據(jù)[15]。

模擬實(shí)驗(yàn)方案如下:

(1) 提取觀察對(duì)象一一對(duì)應(yīng)的ID號(hào)作為抽樣號(hào)碼集;

(2) 提取體檢數(shù)據(jù)中的檢測(cè)指標(biāo)數(shù)據(jù)和時(shí)間作為新的數(shù)據(jù)集;

(3) 從抽樣號(hào)碼集中隨機(jī)抽取N(100,200,500)個(gè)樣本;

(4) 以Logistic回歸模型為模擬框架,給定特定的系數(shù)生成因變量,以均勻分布產(chǎn)生截尾時(shí)間,根據(jù)截尾時(shí)間和生存時(shí)間確定截尾情況;

(5) 抽取的結(jié)果作為模擬數(shù)據(jù)集,重復(fù)上述過程100次,得到100個(gè)模擬數(shù)據(jù)集,即模擬100次;

(6) 基于不同樣本量的抽樣模擬數(shù)據(jù),分別建立6種機(jī)器學(xué)習(xí)預(yù)測(cè)模型,并比較6種機(jī)器學(xué)習(xí)算法的預(yù)測(cè)性能。

由于精確率(precision)和召回率(recall)在實(shí)際情況中會(huì)出現(xiàn)矛盾的情況,所以采用精確率和召回率的調(diào)和平均值(F-measure)以及標(biāo)準(zhǔn)均方誤差(NMSE,normalized mean square error)作為衡量機(jī)器學(xué)習(xí)算法模擬實(shí)驗(yàn)效果的評(píng)價(jià)指標(biāo)。

F-measure值計(jì)算公式為

NMSE的計(jì)算公式為

當(dāng)樣本量N分別取100、200、500,6種機(jī)器學(xué)習(xí)算法分別建立脂肪肝分類預(yù)測(cè)模型,重復(fù)模擬100次F-measure值的平均值如表3所列。由表3可見采用XGBoost算法建立脂肪肝預(yù)測(cè)模型的F-measure值在3種不同樣本量情況下都最大。

表3 機(jī)器學(xué)習(xí)算法建模F-measure值Table 3 F-measure values modelled by machine learning algorithm

當(dāng)樣本量N分別取100、200、500,6種機(jī)器學(xué)習(xí)算法分別建立脂肪肝分類預(yù)測(cè)模型,重復(fù)模擬100次的NMSE的平均值如表4所列。由表4可見當(dāng)N取100和200時(shí),利用XGBoost算法建模的NMSE值最小,當(dāng)樣本量N取500時(shí),支持向量機(jī)算法建模的NMSE值最小。通過模擬實(shí)驗(yàn),選擇XGBoost機(jī)器學(xué)習(xí)算法建立脂肪肝分類預(yù)測(cè)模型。

表4 機(jī)器學(xué)習(xí)算法建模NMSE平均值Table 4 NMSE values modelled by machine learning algorithm

3 實(shí)例分析

2006—2016年健康體檢中心連續(xù)11年總參檢24 106人次。男性21 777人次(90.34%),女性2 329人次(9.66%),研究人群中最小年齡34歲,最大103歲,平均年齡(67.79±12.90)歲。根據(jù)世界衛(wèi)生組織有關(guān)老年人的定義,結(jié)合實(shí)際數(shù)據(jù)情況,將老年年齡的界限定為65歲[16]:年齡<65歲非高齡組10 774人(44.7%),年齡≥65歲高齡組13 332人(55.3%)。近年來,脂肪肝檢出率呈逐年攀升趨勢(shì),采用卡方趨勢(shì)性檢驗(yàn)(χ2=228.71,P<0.001),脂肪肝男性檢出率(15.6%)大于女性(9.3%)(χ2=7.899,P<0.05);高齡組脂肪肝檢出率(12.8%)小于非高齡組(18.4%)(χ2=17.578,P<0.001)。

基于2006—2016年縱向體檢隊(duì)列數(shù)據(jù),采用交叉驗(yàn)證法將其分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用以訓(xùn)練機(jī)器學(xué)習(xí)算法,測(cè)試集用以評(píng)估模型的擬合效果與預(yù)測(cè)性能。采用ROC曲線下面積、準(zhǔn)確率、召回率等指標(biāo)評(píng)價(jià)6種機(jī)器學(xué)習(xí)算法建立脂肪肝預(yù)測(cè)模型的預(yù)測(cè)效果,具體數(shù)值如表5所列,ROC曲線對(duì)比情況見圖1。

表5 評(píng)價(jià)指標(biāo)對(duì)比情況Table 5 Comparison of evaluation indicators

由表5和圖1可知,XGBoost算法建立的脂肪肝預(yù)測(cè)模型ROC曲線下面積為0.958,召回率為0.790,精確率為0.761,準(zhǔn)確率為0.898,均高于其他機(jī)器學(xué)習(xí)算法。此外傳統(tǒng)Logistic回歸模型ROC曲線下面積為0.732,這遠(yuǎn)小于XGBoost預(yù)測(cè)模型,二者比較差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。支持向量機(jī)的召回率較低,為0.594,決策樹算法的精確率較低,為0.592。

圖1 機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型ROC曲線對(duì)比Fig.1 ROC curve comparison diagram of prediction model of machine learning algorithm

綜上所述,機(jī)器學(xué)習(xí)算法構(gòu)建的脂肪肝預(yù)測(cè)模型綜合性能較強(qiáng),其中XGBoost集成算法表現(xiàn)最佳,具有非常大的潛在應(yīng)用價(jià)值,值得更深一步研究。

4 討論

機(jī)器學(xué)習(xí)算法具有限制少、預(yù)測(cè)準(zhǔn)確的優(yōu)點(diǎn)。已有學(xué)者將機(jī)器學(xué)習(xí)算法用到多個(gè)領(lǐng)域建立預(yù)測(cè)模型,而將機(jī)器學(xué)習(xí)算法運(yùn)用到脂肪肝等慢性疾病預(yù)測(cè)的相關(guān)研究較少。2006—2016年慢性病檢出率結(jié)果顯示,脂肪肝檢出率呈逐年上升趨勢(shì),男性檢出率普遍高于女性。因此,建立精確有效的脂肪肝等慢性疾病的預(yù)測(cè)模型具有十分顯著的實(shí)用性,有助于相關(guān)健康部門加強(qiáng)脂肪肝等慢性病預(yù)防和治療的宣傳活動(dòng),提高人們生活質(zhì)量。

為了提高數(shù)據(jù)準(zhǔn)確性,數(shù)據(jù)建模之前先進(jìn)行缺失數(shù)據(jù)填補(bǔ),并且利用單因素Logistic回歸將有統(tǒng)計(jì)學(xué)意義的影響因素篩選出來,消除部分混雜信息的干擾。Logistic回歸篩選出脂肪肝影響因素有:谷丙轉(zhuǎn)氨酶、空腹血糖、甘油三酯、血尿酸、白細(xì)胞、年齡和體重指數(shù)等。王菊芳等[17]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)篩選出脂肪肝危險(xiǎn)因素為低密度脂蛋白、谷丙轉(zhuǎn)氨酶、空腹血糖、血尿酸、甘油三酯。除低密度脂蛋白外,其余變量都包含于本研究篩選結(jié)果中。

研究采用機(jī)器學(xué)習(xí)方法建立脂肪肝預(yù)測(cè)模型,初步嘗試將人工智能的技術(shù)引入脂肪肝等慢性疾病的預(yù)防工作中。通過模擬實(shí)驗(yàn)從決策樹、XGBoost、Bagging、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)6種算法中選擇建立脂肪肝預(yù)測(cè)模型的機(jī)器學(xué)習(xí)算法。XGBoost集成算法F-measure值最大,標(biāo)準(zhǔn)均方誤差最小,所以選擇XGBoost算法建立脂肪肝預(yù)測(cè)模型。實(shí)例分析中XGBoost建立的脂肪肝預(yù)測(cè)模型ROC曲線下面積、召回率、精確率和準(zhǔn)確率均高于其他機(jī)器學(xué)習(xí)算法,傳統(tǒng)Logistic回歸模型ROC曲線下面積也遠(yuǎn)小于XGBoost預(yù)測(cè)模型。研究結(jié)果顯示XGBoost集成算法具有較好的綜合預(yù)測(cè)性能,適合用于脂肪肝等慢性病風(fēng)險(xiǎn)評(píng)估研究。在以后的研究中將繼續(xù)探討利用機(jī)器學(xué)習(xí)算法建立針對(duì)中國(guó)人群的其他常見慢性病風(fēng)險(xiǎn)預(yù)測(cè)模型,進(jìn)一步為控制慢性病風(fēng)險(xiǎn)因素和精準(zhǔn)醫(yī)療提供科學(xué)依據(jù)。