陳靜雯，張鵬鵬，徐思語(yǔ)，李正偉，路 董

（上海電機(jī)學(xué)院 電子信息學(xué)院，上海 201306）

0 引 言

呼吸道疾病是一種傳染性強(qiáng)、覆蓋范圍廣、易感人群多的常見(jiàn)疾病。因呼吸道疾病就診的人數(shù)正在逐年增加。兒童和老人是呼吸道疾病的高發(fā)人群，每年因呼吸道疾病致死的人數(shù)約700萬(wàn)[1]。21世紀(jì)始，新型呼吸道傳染性疾病屢屢出現(xiàn)。2003年主要爆發(fā)于亞洲的SARS就是一種新型非典型性呼吸道傳染性疾病，據(jù)世界衛(wèi)生組織2003年8月15日公布的最新統(tǒng)計(jì)數(shù)字，中國(guó)內(nèi)地累計(jì)病例5 327例，死亡349人；中國(guó)香港1 755例，死亡300人[2]。2019年末至今，在全球范圍廣泛爆發(fā)的新型冠狀病毒也是一種新型呼吸道傳染性疾病。截至2021年12月20日，全球新冠肺炎確診病例超過(guò)2.7億例，死亡病例超過(guò)535萬(wàn)例[3]。新型冠狀病毒COVID-19的變種越來(lái)越多，危險(xiǎn)性和傳播性也越來(lái)越高。

傳統(tǒng)呼吸道疾病主要通過(guò)醫(yī)生依據(jù)檢查和檢驗(yàn)的結(jié)果根據(jù)經(jīng)驗(yàn)進(jìn)行判斷。隨著信息技術(shù)的發(fā)展，呼吸道疾病預(yù)測(cè)走向了智能化發(fā)展的道路。現(xiàn)有的疾病預(yù)測(cè)系統(tǒng)基于SEIR模型建立，而SEIR模型將傳染病流行范圍內(nèi)人群分為易感者（Susceptible）、潛伏者（Exposed）、感染者（Infected）、康復(fù)者（Recovered），四種人群以固定的概率轉(zhuǎn)化，并由此對(duì)疫情的情況進(jìn)行模擬[4]。但是該模型存在很多缺陷，很多細(xì)節(jié)并未考慮到，例如該模型未考慮人群的年齡結(jié)構(gòu)和病毒的變異等。

機(jī)器學(xué)習(xí)是讓計(jì)算機(jī)像人類(lèi)一樣學(xué)習(xí)和行動(dòng)的科學(xué)，通過(guò)觀察與現(xiàn)實(shí)世界進(jìn)行互動(dòng)的形式向他們提供數(shù)據(jù)和信息，隨著時(shí)間的推移，以自主方式提高計(jì)算機(jī)的學(xué)習(xí)能力。在全民大數(shù)據(jù)時(shí)代，它能處理的數(shù)據(jù)量更大，超過(guò)了單人的處理能力，也超過(guò)了多人協(xié)作處理的能力。機(jī)器學(xué)習(xí)算法通過(guò)訓(xùn)練樣本進(jìn)行泛化學(xué)習(xí)能夠成功解釋全新的數(shù)據(jù)。實(shí)際生活應(yīng)用中，它能夠?qū)⑸钪械默F(xiàn)實(shí)問(wèn)題模擬成數(shù)學(xué)問(wèn)題，將各種影響轉(zhuǎn)化為參數(shù)，以減少真實(shí)場(chǎng)景對(duì)使用者的影響，并利用各種數(shù)學(xué)方法來(lái)解決問(wèn)題，從而解決現(xiàn)實(shí)生活中的問(wèn)題。在本系統(tǒng)的實(shí)際應(yīng)用中，機(jī)器學(xué)習(xí)算法可以通過(guò)各種特征選擇來(lái)訓(xùn)練模型進(jìn)行泛化學(xué)習(xí)，從而對(duì)新的數(shù)據(jù)進(jìn)行分析繪圖。

因此，開(kāi)發(fā)一個(gè)能識(shí)別和分析常見(jiàn)呼吸道疾病，并能為早期發(fā)現(xiàn)新型呼吸道疾病提供途徑的可視化系統(tǒng)很有必要。

1 可視化系統(tǒng)結(jié)構(gòu)

本文針對(duì)常見(jiàn)呼吸道傳染性疾病，設(shè)計(jì)開(kāi)發(fā)了一款基于機(jī)器學(xué)習(xí)的可視化呼吸道疾病預(yù)測(cè)系統(tǒng)。該系統(tǒng)可實(shí)現(xiàn)從數(shù)據(jù)輸入、特征選擇與提取、疾病類(lèi)型的分類(lèi)識(shí)別和預(yù)測(cè)結(jié)果顯示與分析的可視化全流程服務(wù)，以實(shí)現(xiàn)智慧醫(yī)療，輔助醫(yī)生診斷常見(jiàn)呼吸道疾病。該系統(tǒng)架構(gòu)如圖1所示，主要分為數(shù)據(jù)管理層、算法訓(xùn)練層、輔助診斷層。

圖1 系統(tǒng)架構(gòu)

數(shù)據(jù)管理層的主要功能包括基本數(shù)據(jù)維護(hù)、數(shù)據(jù)批量導(dǎo)入、增刪改查等，其目的為訓(xùn)練準(zhǔn)備好基礎(chǔ)數(shù)據(jù)。該層功能包括：數(shù)據(jù)批量導(dǎo)入，如Excel數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫(kù)總庫(kù)（MySQL、SQLite……）；數(shù)據(jù)單條編輯，如新增、刪除、更新等；數(shù)據(jù)瀏覽與查詢(xún)，如表格化瀏覽與模糊查詢(xún)；數(shù)據(jù)預(yù)處理，如異常數(shù)據(jù)處理等。

算法訓(xùn)練層的主要功能包括算法模型選擇（KNN、隨機(jī)森林等）、設(shè)定AI訓(xùn)練的參數(shù)集合（測(cè)試數(shù)據(jù)驗(yàn)證數(shù)據(jù)的劃分比例），其目的為選擇合適的訓(xùn)練算法生成診斷模型。該層功能包括：訓(xùn)練算法選擇；訓(xùn)練集與驗(yàn)證集的切分—設(shè)定比例；訓(xùn)練算法的參數(shù)選擇—特征選擇等；訓(xùn)練算法生成模型；模型的驗(yàn)證與調(diào)優(yōu)。

輔助診斷層的主要功能包括為醫(yī)護(hù)人員提供可視化診斷服務(wù)，該層功能包括：患者化驗(yàn)單錄入（并計(jì)入診斷庫(kù)）；系統(tǒng)自動(dòng)診斷生成報(bào)告（診斷結(jié)論、可視化圖表）。

2 機(jī)器學(xué)習(xí)預(yù)測(cè)方法

在醫(yī)療行業(yè)，人工智能已應(yīng)用于疾病鑒別/診斷、個(gè)性化治療/行為矯正、藥物發(fā)現(xiàn)/生產(chǎn)、臨床試驗(yàn)研究、放射學(xué)和放射治療、智能電子記錄和流行病爆發(fā)預(yù)測(cè)等方面[5]。早期，開(kāi)發(fā)人員主要采用專(zhuān)家系統(tǒng)形式，通過(guò)演繹推理實(shí)現(xiàn)疾病預(yù)測(cè)[6]。隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)方法被證明更適合預(yù)測(cè)與分類(lèi)問(wèn)題。本系統(tǒng)采用多種機(jī)器學(xué)習(xí)方法為常見(jiàn)呼吸道疾病的分類(lèi)與預(yù)測(cè)提供技術(shù)支持，也為今后及早發(fā)現(xiàn)新型呼吸道疾病的爆發(fā)提供可能途徑。針對(duì)常見(jiàn)呼吸道疾病可實(shí)現(xiàn)疾病特征選擇與提取、疾病類(lèi)型識(shí)別、疾病預(yù)測(cè)結(jié)果可視化和結(jié)果分析可視化等智慧醫(yī)療功能，輔助醫(yī)生診斷常見(jiàn)呼吸道疾病。同時(shí)本軟件系統(tǒng)為用戶(hù)提供了使用說(shuō)明及文檔以便用戶(hù)理解使用。

本系統(tǒng)采用的機(jī)器學(xué)習(xí)方法主要有支持向量機(jī)、K近鄰、決策樹(shù)和隨機(jī)森林。支持向量機(jī)（Support Vector Machine,SVM）是一類(lèi)按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類(lèi)的廣義線性分類(lèi)器，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大分類(lèi)超平面[7-9]。通過(guò)核函數(shù)，可將線性SVM擴(kuò)展到非線性分類(lèi)[10]。K鄰近分類(lèi)算法是數(shù)據(jù)挖掘分類(lèi)技術(shù)中最簡(jiǎn)單的方法之一，該方法的思路簡(jiǎn)單直觀，即如果一個(gè)樣本在特征空間中的K個(gè)相似（即特征空間中鄰近）樣本中的大多數(shù)屬于某一個(gè)類(lèi)別，則該樣本也屬于這個(gè)類(lèi)別。該方法在定類(lèi)決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類(lèi)別來(lái)決定待分樣本所屬的類(lèi)別[11]。決策樹(shù)是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過(guò)構(gòu)成決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。由于這種決策分支畫(huà)成圖形很像一棵樹(shù)的枝干，故稱(chēng)決策樹(shù)。在機(jī)器學(xué)習(xí)中，決策樹(shù)是一個(gè)預(yù)測(cè)模型，他代表的是對(duì)象屬性與對(duì)象值之間的一種映射關(guān)系。決策樹(shù)中采用熵表示系統(tǒng)的凌亂程度，常用算法有ID3，C4.5，C5.0等[12]。隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類(lèi)器，并且其輸出的類(lèi)別是由個(gè)別樹(shù)輸出的類(lèi)別的眾數(shù)而定[13]。在訓(xùn)練數(shù)據(jù)中抽取多個(gè)樣本，然后對(duì)每個(gè)數(shù)據(jù)樣本建模。當(dāng)需要對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，每個(gè)模型都進(jìn)行預(yù)測(cè)，并將所有的預(yù)測(cè)值平均以便更好地估計(jì)真實(shí)的輸出值。隨機(jī)森林是對(duì)這種方法的一種調(diào)整，在隨機(jī)森林中決策樹(shù)被創(chuàng)建以便通過(guò)引入隨機(jī)性來(lái)進(jìn)行次優(yōu)分割，而不是選擇最佳分割點(diǎn)。因此，針對(duì)每個(gè)數(shù)據(jù)樣本創(chuàng)建的模型將會(huì)與其他方式得到的有所不同，不過(guò)雖然方法獨(dú)特且不同，但它們?nèi)匀皇菧?zhǔn)確的。結(jié)合它們的預(yù)測(cè)可以更好地估計(jì)真實(shí)的輸出值[14-15]。

3 數(shù)據(jù)與結(jié)果可視化

系統(tǒng)主界面如圖2所示。本系統(tǒng)提供兩種數(shù)據(jù)輸入方式：選擇數(shù)據(jù)集文件和輸入數(shù)據(jù)（即多條數(shù)據(jù)和單條數(shù)據(jù)）?？紤]到用戶(hù)的不同需求，系統(tǒng)同時(shí)提供了特征選擇功能，為用戶(hù)提供多維度觀察數(shù)據(jù)的方法。在疾病識(shí)別過(guò)程中，不同的特征選擇會(huì)帶來(lái)不同的結(jié)果，可得到符合呼吸道疾病的特征組合。缺失值填充功能取決于特征選擇的結(jié)果，使得軟件適應(yīng)性有所提升?？紤]到實(shí)際情況中，大多數(shù)患者并不會(huì)檢測(cè)所有指標(biāo)，一定存在數(shù)據(jù)缺失現(xiàn)象，因此本系統(tǒng)提供了多種缺失值填充方法。之后，通過(guò)對(duì)數(shù)據(jù)集進(jìn)行歸一化處理，統(tǒng)一數(shù)據(jù)范圍，選擇機(jī)器學(xué)習(xí)方法建立預(yù)測(cè)模型。此外，本系統(tǒng)還為數(shù)據(jù)和結(jié)果提供多種可視化方法，以便用戶(hù)以各自最需要的方式快速捕獲所需信息[16]。

圖2 系統(tǒng)主界面

本系統(tǒng)提供了數(shù)據(jù)分析可視化功能。用戶(hù)選擇數(shù)據(jù)特征后，系統(tǒng)可向其提供所選特征缺失值情況（如圖3），便于用戶(hù)進(jìn)行數(shù)據(jù)分析和缺失值填充方式的選擇。系統(tǒng)為用戶(hù)提供了學(xué)習(xí)選取中位數(shù)、選取眾數(shù)、選取平均值等缺失值填充方法。中位數(shù)填充方法選取數(shù)據(jù)中間位置上的值作為缺失值，適合作為順序數(shù)據(jù)的集中趨勢(shì)測(cè)度值；眾數(shù)填充方法選取數(shù)據(jù)分布的峰值作為缺失值，適合作為分類(lèi)數(shù)據(jù)的集中趨勢(shì)測(cè)度值；平均數(shù)填充方法針對(duì)數(shù)值型數(shù)據(jù)計(jì)算，而且利用了全部數(shù)據(jù)信息，它是應(yīng)用最廣泛的集中趨勢(shì)測(cè)度值。當(dāng)數(shù)據(jù)呈對(duì)稱(chēng)分布或接近對(duì)稱(chēng)分布時(shí)，選取代表性較好的平均數(shù)，填充入缺失值中。當(dāng)用各種合適的填充方式填補(bǔ)完缺失值后可以進(jìn)行模型訓(xùn)練與數(shù)據(jù)分析。結(jié)果ROC曲線可視化如圖4所示。

圖3 特征缺失值可視化

圖4 結(jié)果ROC曲線可視化

在預(yù)測(cè)模型建立和使用后，本系統(tǒng)為用戶(hù)提供了預(yù)測(cè)結(jié)果ROC曲線可視化等結(jié)果可視化圖，便于用戶(hù)對(duì)不同預(yù)測(cè)模型和分類(lèi)結(jié)果進(jìn)行對(duì)比分析。圖4為多分類(lèi)的模型性能評(píng)測(cè)，圖中點(diǎn)線為平均得分，其他不同線用于表示所使用的模型以及參數(shù)。ROC曲線用于給模型確定閾值，AUC曲線用于評(píng)判二分類(lèi)模型的優(yōu)劣。如果一個(gè)預(yù)測(cè)模型的ROC完全包住了另外一個(gè)預(yù)測(cè)模型的ROC，那么前者性能優(yōu)于后者，但是如果有交叉部分，就需要比較兩者的AUC[17]。

4 結(jié) 語(yǔ)

本系統(tǒng)是一款基于機(jī)器學(xué)習(xí)的呼吸道疾病預(yù)測(cè)可視化系統(tǒng)，主要針對(duì)常見(jiàn)呼吸道傳染性疾病，實(shí)現(xiàn)從數(shù)據(jù)輸入、特征選擇與提取、疾病類(lèi)型的分類(lèi)識(shí)別和預(yù)測(cè)到結(jié)果顯示與分析的可視化全流程服務(wù)，以實(shí)現(xiàn)智慧醫(yī)療，輔助醫(yī)生診斷常見(jiàn)呼吸道疾病。系統(tǒng)架構(gòu)分為3層，即數(shù)據(jù)管理層、算法訓(xùn)練層和輔助診斷層。系統(tǒng)提供多種機(jī)器學(xué)習(xí)方法，如支持向量機(jī)、KNN、決策樹(shù)等進(jìn)行常見(jiàn)呼吸道疾病的分類(lèi)與預(yù)測(cè)。此外，系統(tǒng)還提供了數(shù)據(jù)和結(jié)果可視化功能，避免了機(jī)器學(xué)習(xí)的“黑匣子”問(wèn)題，填補(bǔ)了當(dāng)前預(yù)測(cè)模型可視化的空缺，有助于智能醫(yī)療在醫(yī)療環(huán)境中的認(rèn)可與使用，也為今后及早發(fā)現(xiàn)新型呼吸道疾病的爆發(fā)提供可能途徑。