肖麗，劉崇玉，朱紅霞，黃玲，向海平，趙移彪，林曉東▲

(1.成都中醫(yī)藥大學(xué)，四川 成都 610075；2.四川省衛(wèi)生健康信息中心,四川 成都 610041)

糖尿病是一種長(zhǎng)期維持高血糖并影響人體新陳代謝的疾病，因體內(nèi)長(zhǎng)期高血糖環(huán)境誘發(fā)心腦血管疾病、各種功能組織(尤其是眼、腎、心臟、血管、神經(jīng))的慢性損傷、功能障礙的并發(fā)癥，甚至有可能會(huì)導(dǎo)致死亡[1]。據(jù)2015年國(guó)際糖尿病聯(lián)盟發(fā)布數(shù)據(jù),全球糖尿病的患者人數(shù)為4.15億,患病率8.8%,其中75%的患者分布在中低收入國(guó)家，患病情況呈快速上升趨勢(shì)，預(yù)計(jì)2040年糖尿病患者數(shù)將達(dá)6.42億,患病率將上升至10.4%,中國(guó)糖尿病患者數(shù)為1.10億,居全球首位[2]。糖尿病的患病率不斷上升，患病的年齡范圍不斷擴(kuò)大，越來(lái)越多的人在沒(méi)有意識(shí)的情況下就患上了糖尿病甚至已經(jīng)出現(xiàn)并發(fā)癥。因此，在糖尿病及其并發(fā)癥發(fā)生之前，患病預(yù)測(cè)將成為糖尿病預(yù)防的主要任務(wù)。

1 深度學(xué)習(xí)在糖尿病及其并發(fā)癥預(yù)測(cè)中的應(yīng)用基本概況

隨著健康醫(yī)療和新一代人工智能等領(lǐng)域的發(fā)展，深度學(xué)習(xí)已經(jīng)成為研究醫(yī)療大數(shù)據(jù)的重要技術(shù)。深度學(xué)習(xí)主要是通過(guò)建立模擬人腦進(jìn)行分析和學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，旨在解決復(fù)雜的模式識(shí)別難題。針對(duì)不同人種，國(guó)內(nèi)外已經(jīng)建立了不同人群的糖尿病個(gè)體發(fā)病預(yù)測(cè)模型[4]。隨著卷積神經(jīng)網(wǎng)絡(luò)模型、深度信任網(wǎng)絡(luò)模型、堆棧自編碼網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型等深度學(xué)習(xí)模型的快速發(fā)展，糖尿病及相關(guān)并發(fā)癥預(yù)測(cè)研究迎來(lái)新一輪浪潮，如劉飛等運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了糖尿病患者和非糖尿病患者的識(shí)別；明帥利用深度學(xué)習(xí)人工智能輔助診斷糖尿病視網(wǎng)膜病變，均取得了不錯(cuò)的研究成果[3,5]。本文對(duì)深度學(xué)習(xí)的前期應(yīng)用基礎(chǔ)進(jìn)行分析和總結(jié)，并展望深度學(xué)習(xí)在糖尿病及其并發(fā)癥預(yù)測(cè)中的應(yīng)用前景。

2 糖尿病及其并發(fā)癥預(yù)測(cè)深度學(xué)習(xí)模型分析

2.1 深度學(xué)習(xí)建模

神經(jīng)網(wǎng)絡(luò)是計(jì)算機(jī)模擬人類(lèi)神經(jīng)建立的數(shù)學(xué)模型，通過(guò)不同神經(jīng)網(wǎng)絡(luò)構(gòu)建深度學(xué)習(xí)模型，實(shí)現(xiàn)糖尿病及其病發(fā)癥的預(yù)測(cè)。深度學(xué)習(xí)模型具有深度挖掘數(shù)據(jù)的能力，通過(guò)深度學(xué)習(xí)模型可以自主學(xué)習(xí)糖尿病并發(fā)癥的特征，預(yù)測(cè)未來(lái)某一時(shí)間段內(nèi)患糖尿病及其并發(fā)癥的概率[6]，提高并發(fā)癥預(yù)測(cè)準(zhǔn)確性。構(gòu)建深度學(xué)習(xí)模型的神經(jīng)網(wǎng)絡(luò)類(lèi)型包括：卷積神經(jīng)網(wǎng)絡(luò)(CNN),循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),深度生成模型(GAN)，圖神經(jīng)網(wǎng)絡(luò)(GNN),深度強(qiáng)化學(xué)習(xí)(DRL),自動(dòng)編碼器(AE),神經(jīng)結(jié)構(gòu)搜索(NAS)。不同類(lèi)型的神經(jīng)網(wǎng)絡(luò)對(duì)建模的結(jié)果有影響，不同的輸入指標(biāo)和中間隱含層神經(jīng)元數(shù)對(duì)建模也有影響[7]。下面對(duì)一些現(xiàn)有的不同類(lèi)型的神經(jīng)網(wǎng)絡(luò)構(gòu)建的深度學(xué)習(xí)糖尿病預(yù)測(cè)模型進(jìn)行分析。

2.1.1 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)模型是由特征提取器和分類(lèi)器構(gòu)成的前饋神經(jīng)網(wǎng)絡(luò)。輸入層、卷積層、池化層、全連接層和輸出層組成該模型，如圖1卷積神經(jīng)網(wǎng)絡(luò)的卷積層與池化層結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的識(shí)別功能，該模型的核心是卷積層。卷積層可以激活數(shù)據(jù)層，隨著卷積層數(shù)的增加，可以獲得更多具有更高識(shí)別功能的卷積核。輸入糖尿病及其并發(fā)癥相關(guān)數(shù)據(jù)集，經(jīng)過(guò)卷積層后獲得與有關(guān)患病風(fēng)險(xiǎn)因素相關(guān)的數(shù)據(jù)集特征分類(lèi)，卷積層通過(guò)這樣自上而下的卷積操作，生成數(shù)據(jù)特征。池化層類(lèi)似一個(gè)特殊的卷積，將數(shù)據(jù)過(guò)濾進(jìn)行子采樣。全連層的工作原理是通過(guò)上一層輸入來(lái)決定最初輸入的數(shù)據(jù)，程序需要預(yù)測(cè)患糖尿病的概率，那么全連層會(huì)尋找最符合糖尿病及其并發(fā)癥的患病特征，并且具有相應(yīng)的權(quán)值，以獲得正確的預(yù)測(cè)概率。

圖1 卷積神經(jīng)網(wǎng)絡(luò)的卷積層與池化層結(jié)構(gòu)

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型步驟包括：收集數(shù)據(jù)集、預(yù)處理數(shù)據(jù)集、通過(guò)數(shù)據(jù)分析修改缺失數(shù)據(jù)和錯(cuò)誤數(shù)據(jù)。XGBoost算法相比其他算法具有更優(yōu)的分類(lèi)功能，用該算法對(duì)數(shù)據(jù)集進(jìn)行特征分類(lèi)，選擇對(duì)糖尿病及其并發(fā)癥影響較大的特征，并獲得數(shù)據(jù)特征子集；最后，利用CNN算法對(duì)獲得的數(shù)據(jù)特征子集進(jìn)行分類(lèi)[8]，得到卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的糖尿病及其并發(fā)癥的預(yù)測(cè)模型。

2.1.2 多層感知器模型

多層感知器模型是具有線性結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，并且只有一個(gè)前驅(qū)和一個(gè)后繼節(jié)點(diǎn)。模型的內(nèi)層與層之間的連接方式為全連接，每一個(gè)神經(jīng)節(jié)點(diǎn)與上一層的所有神經(jīng)節(jié)點(diǎn)相連，形成最典型的模型如圖2多層感知器模型結(jié)構(gòu)。該模型適用于多變量非線性分析，對(duì)數(shù)據(jù)沒(méi)有嚴(yán)格要求。

圖2 多層感知器模型結(jié)構(gòu)

多層感知器模型的構(gòu)建包括以下步驟：首先，采集糖尿病及其并發(fā)癥樣本數(shù)據(jù)集，進(jìn)行數(shù)據(jù)預(yù)處理。處理后的數(shù)據(jù)分為糖尿病預(yù)測(cè)有效數(shù)據(jù)和模型測(cè)試數(shù)據(jù)。有效數(shù)據(jù)用于構(gòu)造模型，測(cè)試數(shù)據(jù)用于測(cè)試模型的預(yù)測(cè)準(zhǔn)確率。優(yōu)化器用于將數(shù)據(jù)優(yōu)化，計(jì)算數(shù)據(jù)分類(lèi)損失，均方誤差函數(shù)用于計(jì)算回歸損失。然后訓(xùn)練模型，用多層感知器構(gòu)建預(yù)測(cè)模型，用檢驗(yàn)集檢驗(yàn)和評(píng)估預(yù)測(cè)模型。經(jīng)過(guò)檢驗(yàn)與評(píng)估，均方誤差最小的模型則是最佳的糖尿病及其并發(fā)癥預(yù)測(cè)模型。輸入自變量為各項(xiàng)指標(biāo)量，糖尿病及其并發(fā)癥種類(lèi)為因變量。由于糖尿病及其并發(fā)癥指標(biāo)種類(lèi)較多[9]，用Boosting方法創(chuàng)建總體模型，可提高準(zhǔn)確率，降低擬合度。

2.1.3 Logistic回歸模型

Logistic是一種線性神經(jīng)網(wǎng)絡(luò)模型，具有計(jì)算簡(jiǎn)單、可用于大規(guī)模數(shù)據(jù)集運(yùn)算、運(yùn)算速度快的特點(diǎn)。該模型可以根據(jù)導(dǎo)致糖尿病及其并發(fā)癥的危險(xiǎn)因素預(yù)測(cè)發(fā)生糖尿病及其并發(fā)癥的發(fā)生概率。Logistic函數(shù)預(yù)測(cè)出一個(gè)樣本屬于正樣本的概率值，預(yù)測(cè)過(guò)程中只需要計(jì)算一個(gè)線性函數(shù)。訓(xùn)練數(shù)據(jù)時(shí)，采用最大似然估計(jì)，優(yōu)化過(guò)程中凸函數(shù)可以保證收斂到全局最優(yōu)解。

模型建立步驟：?jiǎn)我蛩?Logistic 回歸將糖尿病及其并發(fā)癥相關(guān)變量進(jìn)行轉(zhuǎn)換和賦值，篩選出有效數(shù)據(jù)指標(biāo)作為輸入自變量，進(jìn)行數(shù)據(jù)集回歸分析，建立糖尿病及其并發(fā)癥患病風(fēng)險(xiǎn)的預(yù)測(cè)模型[10]。

2.1.4 BP神經(jīng)網(wǎng)絡(luò)模型

在深度學(xué)習(xí)中，BP神經(jīng)網(wǎng)絡(luò)屬于多層前饋神經(jīng)網(wǎng)絡(luò)，如圖3BP神經(jīng)網(wǎng)絡(luò)模型。該神經(jīng)網(wǎng)絡(luò)有兩種傳播方式，當(dāng)正常輸入數(shù)據(jù)時(shí)進(jìn)行正向傳播：若輸出值與預(yù)期值之間的差值大于可接受的誤差，則執(zhí)行反向傳播，逐層修改數(shù)據(jù)，減小誤差。

圖3 BP神經(jīng)網(wǎng)絡(luò)模型

模型構(gòu)建基本步驟如下：收集數(shù)據(jù)集，將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，數(shù)據(jù)集用于構(gòu)建預(yù)測(cè)模型，檢驗(yàn)集用于檢測(cè)學(xué)習(xí)的模型是否達(dá)到預(yù)期效果。當(dāng)達(dá)到預(yù)期效果時(shí)，可以輸入測(cè)試樣本數(shù)據(jù)進(jìn)行仿真；若不能達(dá)到預(yù)期效果，則按照連接路徑順序返回測(cè)試樣本數(shù)據(jù)，并按照一定的規(guī)則調(diào)整連接權(quán)值和閾值，直到誤差達(dá)到預(yù)期效果。糖尿病及其并發(fā)癥診斷樣本的期望輸出值定為(1，0)，輸出值與真實(shí)值誤差>0.5未達(dá)到預(yù)期效果，若≤0.5則達(dá)到預(yù)期效果。第一組模型訓(xùn)練實(shí)驗(yàn)完成后，對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證檢測(cè)，并重復(fù)第二組實(shí)驗(yàn)以確保精準(zhǔn)性。

BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練量和存儲(chǔ)量較大，若將共軛梯度算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，能優(yōu)化算法。通過(guò)數(shù)據(jù)集輸入，預(yù)測(cè)糖尿病及其并發(fā)癥患病機(jī)率，通過(guò)數(shù)據(jù)分析臨床驗(yàn)證準(zhǔn)確率達(dá)到85%以上[11]。

2.1.5 決策樹(shù)模型

決策樹(shù)根據(jù)分支策略不同可分成多種[12]，決策樹(shù)模型中比較典型的算法包括CRAT算法、ID3算法等。決策樹(shù)模型本質(zhì)是分類(lèi)，通過(guò)不斷拆分找出糖尿病及其并發(fā)癥影響較大的因素。但由于拆分后可能出現(xiàn)純度不高，過(guò)度分支，影響較大因素后出現(xiàn)等問(wèn)題，引入了信息熵的概念[13]。在連續(xù)分類(lèi)過(guò)程中，根據(jù)熵值判斷預(yù)測(cè)糖尿病及其并發(fā)癥的最優(yōu)屬性，選擇整個(gè)預(yù)測(cè)模型中熵值最大的屬性為測(cè)試模型屬性，不斷拆分后，熵越小，信息值越大，預(yù)測(cè)模型的準(zhǔn)確率越高[16]。研究發(fā)現(xiàn)，影響糖尿病及其并發(fā)癥因素有空腹血糖濃度，糖尿病家族史，心血管疾病家族史等。

決策樹(shù)模型構(gòu)造過(guò)程中，數(shù)據(jù)集由糖尿病及其并發(fā)癥患者和健康人群組成，變量選擇的過(guò)程構(gòu)成了樹(shù)。決策樹(shù)模型選擇的變量是樹(shù)的內(nèi)部節(jié)點(diǎn)，類(lèi)的標(biāo)號(hào)是樹(shù)的葉節(jié)點(diǎn)，根節(jié)點(diǎn)是樹(shù)的最頂層。在分類(lèi)過(guò)程中，數(shù)據(jù)集特征由大到小不斷拆分。決策樹(shù)用于構(gòu)建糖尿病及其并發(fā)癥預(yù)測(cè)模型，如圖4II型糖尿病的決策樹(shù)模型。該模型需要一個(gè)訓(xùn)練集，并且每個(gè)數(shù)據(jù)由對(duì)糖尿病及其并發(fā)癥有較大影響的特征和一個(gè)類(lèi)別標(biāo)記來(lái)描述。構(gòu)造分類(lèi)回歸樹(shù)的目的是找出患病屬性和糖尿病及其并發(fā)癥類(lèi)別間的關(guān)系，找出這種關(guān)系，就能用于預(yù)測(cè)未知數(shù)據(jù)集中患糖尿病及其并發(fā)癥的概率。

圖4 II型糖尿病的決策樹(shù)模型

2.2 模型構(gòu)建算法比較

2.2.1 比較多層感知器模型和Logistic 回歸模型

多層感知器(MLP)模型和Logistic 回歸模型的受試者工作特征曲線曲線，判斷兩種模型預(yù)測(cè)準(zhǔn)確性，多層感知模型的靈敏度，特異度，AUC性能指標(biāo)都要高于Logistic回歸模型，如圖5多層感知器(MLP)模型和Logistic 回歸模型算法比較圖[11]。

模型靈敏度特異度AUC性能指標(biāo)MLP模型0.9150.8460.913Logistic模型0.8340.7620.869

圖5 多層感知器(MLP)模型和Logistic 回歸模型算法比較圖

為了避免出現(xiàn)“過(guò)擬合”現(xiàn)象，會(huì)將多層感知模型和Logistic回歸模型相結(jié)合預(yù)測(cè)。先用Logistic回歸模型對(duì)變量進(jìn)行篩選，影響模型的預(yù)測(cè)準(zhǔn)確性的因素很多，為了達(dá)到期望效果，通常采用多種數(shù)據(jù)挖掘技術(shù)相結(jié)合[15]。

2.2.2 決策樹(shù)模型比較

ID3和CEAT都屬于決策樹(shù)模型。ID3進(jìn)行連續(xù)拆分，直到找到同種類(lèi)型病癥的相同屬性值，或者當(dāng)達(dá)到預(yù)設(shè)的終止條件時(shí)，即可終止拆分。

回歸樹(shù)模型的工作流程與ID3相似，但它將每個(gè)分割節(jié)點(diǎn)上的數(shù)據(jù)平均值作為節(jié)點(diǎn)預(yù)測(cè)值。ID3衡量最優(yōu)屬性的標(biāo)準(zhǔn)是信息熵，而回歸樹(shù)模型衡量標(biāo)準(zhǔn)是均方差，均方差越大，預(yù)測(cè)糖尿病及其并發(fā)癥的準(zhǔn)確率越高。

2.2.3 卷積神經(jīng)網(wǎng)絡(luò)與經(jīng)典神經(jīng)網(wǎng)絡(luò)模型對(duì)比

通過(guò)對(duì)比對(duì)支持向量機(jī)、決策樹(shù)、BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)模型的平均準(zhǔn)確率，準(zhǔn)確率由高到低依次為：卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確率88%，支持向量機(jī)預(yù)測(cè)模型準(zhǔn)確率76%，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確率74%，決策樹(shù)預(yù)測(cè)模型準(zhǔn)確率68%[9]。從而得出卷積神經(jīng)網(wǎng)絡(luò)在糖尿病及其并發(fā)癥預(yù)測(cè)應(yīng)用中準(zhǔn)確率高于其他三種預(yù)測(cè)模型，可以有效運(yùn)用于臨床糖尿病及其并發(fā)癥預(yù)測(cè)。

表1 ID3和CRAT模型算法比較

3 深度學(xué)習(xí)模型在糖尿病及其并發(fā)癥預(yù)測(cè)中的應(yīng)用價(jià)值

通過(guò)研究發(fā)現(xiàn)深度學(xué)習(xí)模型應(yīng)用于糖尿病及其并發(fā)癥的預(yù)測(cè)是可行的。將深度學(xué)習(xí)模型應(yīng)用于糖尿病及其并發(fā)癥的預(yù)測(cè)中，有助于提高預(yù)測(cè)系統(tǒng)的準(zhǔn)確率性，輔助醫(yī)生進(jìn)行臨床判斷，有助于患者的預(yù)防，可以延緩患者糖尿病發(fā)病周期等。其應(yīng)用價(jià)值主要體現(xiàn)在以下幾個(gè)方面。

3.1 提高預(yù)測(cè)靈敏度和準(zhǔn)確率

深度學(xué)習(xí)模型下的糖尿病疾病的預(yù)測(cè)系統(tǒng)的靈敏度和預(yù)測(cè)準(zhǔn)確率大大提高。良好的預(yù)測(cè)精度，為個(gè)體疾病預(yù)試驗(yàn)提供了新的方法，也為糖尿病高危風(fēng)險(xiǎn)評(píng)估、個(gè)體化預(yù)防和綜合防控措施提供了有力的科學(xué)依據(jù)。通過(guò)提高糖尿病及其并發(fā)癥預(yù)測(cè)系統(tǒng)的靈敏度，可以在診治過(guò)程中實(shí)現(xiàn)更多的確定性和更少的浪費(fèi)，有助于減少或延緩糖尿病慢性并發(fā)癥的發(fā)生，改善糖尿病病人和其家庭的生活質(zhì)量。糖尿病預(yù)測(cè)準(zhǔn)確性的提高將為健康預(yù)測(cè)開(kāi)辟新的領(lǐng)域[16]。

3.2 助力臨床判斷

深度學(xué)習(xí)技術(shù)提供了準(zhǔn)確的糖尿病預(yù)測(cè)方法，有助于醫(yī)生的臨床判斷。醫(yī)生必須分析許多診斷糖尿病的因素，如病史、家族史和其他身體參數(shù)等，但傳統(tǒng)診斷方法中專(zhuān)家的個(gè)人主觀判斷是重要的決定因素之一。由于醫(yī)療資源的短缺與糖尿病并發(fā)癥癥狀的特殊性，即使每位醫(yī)生都能及時(shí)參與每位病人的糖尿病診斷，仍然可能會(huì)導(dǎo)致一些病人被誤判。因此，為了解決醫(yī)療資源不足的問(wèn)題，減少人為干預(yù)，通過(guò)建立深度學(xué)習(xí)糖尿病預(yù)測(cè)模型，結(jié)合糖尿病專(zhuān)業(yè)知識(shí)與臨床經(jīng)驗(yàn)，更簡(jiǎn)易地整合人體飲食習(xí)慣、身體活動(dòng)及各類(lèi)癥狀，如口干、乏力、發(fā)熱等多維數(shù)據(jù)預(yù)測(cè)患糖尿病的可能性，為醫(yī)生提供了有效的評(píng)估方案，提高了醫(yī)生判斷的準(zhǔn)確度。

3.3 預(yù)防、診治和延緩發(fā)病周期

深度學(xué)習(xí)模型實(shí)現(xiàn)了糖尿病及其并發(fā)癥的早期診斷，有助于對(duì)糖尿病高危患者的識(shí)別和預(yù)防性診療方法的制定。預(yù)測(cè)的信息可以作為一個(gè)警告信號(hào)，為病人以及醫(yī)生采取足夠的控制和預(yù)防措施[17]。糖尿病作為一個(gè)發(fā)病率很高的慢性非傳染性疾病，預(yù)防非常重要。預(yù)防糖尿病能夠大大的減少其并發(fā)癥的發(fā)生。糖尿病本身的診斷和治療是相對(duì)容易的，但各種糖尿病的急性或慢性并發(fā)癥非常嚴(yán)重。這些并發(fā)癥將對(duì)患者的生活、心理健康和經(jīng)濟(jì)產(chǎn)生重大影響，嚴(yán)重影響患者的生活質(zhì)量，縮短患者的生命周期。此外，糖尿病是一種治愈率極低的慢性病，糖尿病及其癥狀出現(xiàn)時(shí)，可能已處于疾病中后期，治療效果可能相對(duì)較差。最好的方法是做好糖尿病的預(yù)測(cè)，從根本上預(yù)防糖尿病及其并發(fā)癥的出現(xiàn)。通過(guò)深度學(xué)習(xí)模型預(yù)測(cè)糖尿病及其并發(fā)癥，為患者進(jìn)行預(yù)防診治，延緩糖尿病的發(fā)病周期，有效的病情控制，可以減少或延緩并發(fā)癥的發(fā)生、發(fā)展，降低致殘率[18]，提高患者的生活質(zhì)量，延長(zhǎng)患者的壽命。

3.4 深度學(xué)習(xí)在糖尿病及其并發(fā)癥預(yù)測(cè)中的應(yīng)用前景

據(jù)統(tǒng)計(jì)，2000年全世界所有年齡組的糖尿病患病率為2.8%，2030年預(yù)估為4.4%，被診斷患有糖尿病的總?cè)藬?shù)預(yù)計(jì)將從2000年的1.71億上升到2030年的3.66億[19],人體長(zhǎng)期維持高血糖可能引發(fā)多種疾病，如神經(jīng)損傷、心臟病發(fā)作、腎衰竭和中風(fēng)等。因此，糖尿病及其并發(fā)癥的診治將是未來(lái)醫(yī)療行業(yè)中的研究重點(diǎn)。

目前,計(jì)算機(jī)硬件技術(shù)和醫(yī)學(xué)檢測(cè)技術(shù)為深度學(xué)習(xí)預(yù)測(cè)糖尿病及其并發(fā)癥提供了良好的基礎(chǔ)條件。深度學(xué)習(xí)技術(shù)在糖尿病預(yù)測(cè)中的應(yīng)用優(yōu)勢(shì)可在提取病癥特征時(shí),提高檢測(cè)精準(zhǔn)度。由此可見(jiàn)，深度學(xué)習(xí)技術(shù)在糖尿病及其并發(fā)癥的預(yù)測(cè)診治中有較好應(yīng)用前景。相關(guān)研究表明，深度學(xué)習(xí)是預(yù)測(cè)糖尿病患者再入院的有效方法，與其他機(jī)器學(xué)習(xí)算法(如邏輯回歸、樸素貝葉斯或隨機(jī)森林)進(jìn)行比較，深度學(xué)習(xí)算法預(yù)測(cè)糖尿病患者的再次住院率更為精準(zhǔn)[21]，深度學(xué)習(xí)模型具有良好的預(yù)測(cè)精度與綜合增益，有望實(shí)現(xiàn)醫(yī)學(xué)健康預(yù)測(cè)的突破。隨著深度學(xué)習(xí)技術(shù)的不斷成熟和完善,深度學(xué)習(xí)模型可為糖尿病及其并發(fā)病癥甚至其他疾病在預(yù)測(cè)方面提供更好的幫助。