黃 敏，郎許鋒，周作建，李紅巖，萬(wàn)澤宇，王 銳，程 俊，朱金陽(yáng)，何佳怡，鄭永明，胡孔法，3

（1.南京中醫(yī)藥大學(xué) 人工智能與信息技術(shù)學(xué)院，江蘇 南京 210046；2.南京中醫(yī)藥大學(xué)附屬連云港中醫(yī)院，江蘇 連云港 222000；3.江蘇省中醫(yī)藥防治腫瘤協(xié)同創(chuàng)新中心，江蘇 南京 210046）

0 引言

《中國(guó)心血管健康與疾病報(bào)告2021》指出，目前心血管疾病高居我國(guó)居民總死亡原因的榜首，且冠心病的死亡率和患病率仍在增加［1］。冠心病的病因構(gòu)成十分復(fù)雜，通常是由多種危險(xiǎn)因素引起的。因此，對(duì)冠心病患者進(jìn)行風(fēng)險(xiǎn)評(píng)估，盡早干預(yù)，通過(guò)消除危險(xiǎn)因素可預(yù)防或延遲冠心病的發(fā)生或死亡。另外，對(duì)健康人群進(jìn)行風(fēng)險(xiǎn)評(píng)估，及時(shí)根據(jù)評(píng)估報(bào)告調(diào)整飲食、作息等習(xí)慣，也可以有效預(yù)防冠心病的發(fā)生。

近年來(lái)，機(jī)器學(xué)習(xí)被許多研究人員運(yùn)用于心血管病、腎病、乳腺癌、代謝疾病等領(lǐng)域的風(fēng)險(xiǎn)預(yù)測(cè)中，其對(duì)臨床疾病的診斷具有積極作用。齊俊鋒等［2］采用隨機(jī)梯度下降、logistic 回歸等6種算法構(gòu)建湖北省心血管疾病風(fēng)險(xiǎn)預(yù)測(cè)模型，其中LightGBM 模型最優(yōu)，預(yù)測(cè)性能最好，前4 個(gè)危險(xiǎn)因素依次為收縮壓、脈壓差、舒展壓、年齡，但其對(duì)所有心血管疾病一起進(jìn)行研究，存在一定局限；宋亞男等［3］利用解放軍總醫(yī)院糖尿病數(shù)據(jù)，對(duì)比隨機(jī)森林、logistic 回歸、XGBoost（Extreme Gradient Boosting）3 種算法，得出最優(yōu)算法——XGBoost 算法，并構(gòu)建2 型糖尿病患者并發(fā)視網(wǎng)膜病變預(yù)測(cè)模型，得到危險(xiǎn)因素為合并腎病、糖化血紅蛋白、血尿素水平；李慧等［4］基于公開(kāi)數(shù)據(jù)集，采用SMOTE 算法平衡數(shù)據(jù)集，再使用lasso 算法進(jìn)行特征選擇，最后利用隨機(jī)森林構(gòu)建乳腺鉬靶鈣化灶的良惡性預(yù)測(cè)模型，具有一定可靠性，但精確率不高。

目前，利用機(jī)器學(xué)習(xí)進(jìn)行冠心病風(fēng)險(xiǎn)預(yù)測(cè)被廣泛應(yīng)用，雖具備較好性能，但可解釋性較差，對(duì)疾病的防治意義有限。此外，由于真實(shí)臨床數(shù)據(jù)量小，一般來(lái)說(shuō)，機(jī)器學(xué)習(xí)算法優(yōu)于深度學(xué)習(xí)算法［5］。因此，本文選用經(jīng)典機(jī)器學(xué)習(xí)中的XGBoost 方法進(jìn)行建模來(lái)預(yù)測(cè)冠心病，同時(shí)利用SHAP 算法分析不同特征對(duì)冠心病的重要程度，提升模型的可解釋性。與上述研究相比，本文使用了真實(shí)數(shù)據(jù)集，具有較高可靠性，且僅研究了心血管疾病的一個(gè)分類(lèi)，具有針對(duì)性，同時(shí)具有較強(qiáng)的可解釋性。

1 模型構(gòu)建方法

基 于TPE_XGBoost（Tree-structured Parzen Estimator_Extreme Gradient Boosting）的冠心病風(fēng)險(xiǎn)評(píng)估及基于SHAP 的特征解釋模型構(gòu)建流程如圖1 所示，其構(gòu)建過(guò)程包括數(shù)據(jù)預(yù)處理、基于TPE_XGBoost 的風(fēng)險(xiǎn)評(píng)估模型構(gòu)建與優(yōu)化、基于SHAP 的特征解釋模型構(gòu)建。

首先，由于原始體檢數(shù)據(jù)中部分生化指標(biāo)缺失嚴(yán)重，因此首先通過(guò)特征選擇、缺失值處理、數(shù)據(jù)標(biāo)準(zhǔn)化對(duì)體檢數(shù)據(jù)進(jìn)行預(yù)處理；然后，利用該數(shù)據(jù)建立XGBoost 預(yù)測(cè)模型，因XGBoost 模型的超參數(shù)眾多，故針對(duì)此模型進(jìn)行基于TPE 的貝葉斯優(yōu)化，以自動(dòng)優(yōu)化其超參數(shù)，從而提升TPE_XGBoost 冠心病風(fēng)險(xiǎn)評(píng)估模型的性能；最后，通過(guò)SHAP 解釋模型對(duì)特征進(jìn)行分析，獲得不同特征對(duì)模型預(yù)測(cè)的貢獻(xiàn)度，提高模型的可解釋性。

1.1 XGBoost模型

XGBoost 是一種能夠?qū)崿F(xiàn)分類(lèi)與回歸的Boosting 集成學(xué)習(xí)算法［6］，由多個(gè)弱學(xué)習(xí)器迭代學(xué)習(xí)實(shí)現(xiàn)強(qiáng)學(xué)習(xí)器。XGBoost 目標(biāo)函數(shù)包括損失函數(shù)和正則項(xiàng)兩部分，本質(zhì)是對(duì)梯度提升決策樹(shù)的改進(jìn)［7-8］。XGBoost 對(duì)損失函數(shù)使用二階泰勒展開(kāi)，可以有效控制模型過(guò)擬合，提高預(yù)測(cè)精度［9-11］。正則項(xiàng)可以提升單顆樹(shù)的泛化能力。

1.2 貝葉斯優(yōu)化

貝葉斯優(yōu)化（Bayesian Optimization，BO）是一種基于概率分布的全局優(yōu)化算法［12］，用于解決最優(yōu)化問(wèn)題［13］，以求得XGBoost的超參數(shù)最優(yōu)解，如式（1）所示。

其中，x表示d維決策向量，X表示決策空間，f表示目標(biāo)函數(shù)。在本文中，x為XGBoost 預(yù)測(cè)算法的超參數(shù)組合，f（x）為準(zhǔn)確率高低的測(cè)度。貝葉斯優(yōu)化主要包含兩個(gè)核心部分：概率代理模型和采集函數(shù)［14-15］。本文的概率代理模型為樹(shù)形概率密度估計(jì)［16］。

1.3 SHAP解釋模型

SHAP（Shapley Additive Explanations）是 由Lundberg等［17］提出的用于解釋黑箱模型的一種解釋框架，廣泛應(yīng)用于解釋醫(yī)療和社會(huì)現(xiàn)象［18］。SHAP 基于博弈論和局部解釋?zhuān)ㄟ^(guò)計(jì)算每個(gè)特征的Shapley value，以此衡量每個(gè)特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)度［19］。如式（2）所示，其中g(shù)表示解釋模型，M表示特征數(shù)目，z表示該特征是否存在，φ為每個(gè)特征的Shapley value。當(dāng)φi＞0，說(shuō)明該特征對(duì)模型結(jié)果有正向作用，反之，說(shuō)明該特征對(duì)模型結(jié)果有負(fù)面影響。

2 模型構(gòu)建及對(duì)比實(shí)驗(yàn)

2.1 實(shí)驗(yàn)環(huán)境

本文使用人工智能實(shí)驗(yàn)室服務(wù)器進(jìn)行訓(xùn)練與測(cè)試，具體配置如表1所示。

Table 1 Specific configuration of experimental environment表1 實(shí)驗(yàn)環(huán)境具體配置

2.2 評(píng)價(jià)指標(biāo)

為了評(píng)估本文構(gòu)建模型的優(yōu)劣，采用5 項(xiàng)常用的機(jī)器學(xué)習(xí)分類(lèi)指標(biāo)，分別為：準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1 值（F1-score）及AUC 值（Area Under Curve，AUC）。準(zhǔn)確率、精確率、召回率和F1 值可通過(guò)混淆矩陣進(jìn)行表示，如表2所示。

Table 2 Confusion matrix表2 混淆矩陣

這些評(píng)價(jià)指標(biāo)的相關(guān)公式如式（3）-（8）所示。

2.3 數(shù)據(jù)及其特征工程

2.3.1 數(shù)據(jù)來(lái)源及納入規(guī)則

本文的數(shù)據(jù)集來(lái)自南京中醫(yī)藥大學(xué)附屬連云港中醫(yī)院的體檢數(shù)據(jù)，該數(shù)據(jù)集包含2017-2021 年體檢人群的基本信息、體檢項(xiàng)目、體檢報(bào)告、體檢問(wèn)卷等信息，包括58 602例健康人群和674 例冠心病患者。數(shù)據(jù)共包含216 個(gè)特征和1個(gè)標(biāo)簽，是否患冠心病是一個(gè)二分類(lèi)問(wèn)題，為處理缺失特征、選擇高相關(guān)性特征、提高模型泛化能力，本文采用特征選擇、缺失值處理和數(shù)據(jù)標(biāo)準(zhǔn)化方法進(jìn)行預(yù)處理。

健康人群雖某次體檢未有異常，但是存在既往病史，例如患甲亢、糖尿病在服藥等情況。既往病史的復(fù)雜背景或其接受過(guò)的治療可能影響研究結(jié)果的準(zhǔn)確性，故刪除有既往病史的人群，總共有16例。

2.3.2 特征選擇

為了方便大眾隨時(shí)隨地都可得知自己將來(lái)是否會(huì)患有冠心病，選取不用去醫(yī)院即可測(cè)得的數(shù)據(jù)，分別為收縮壓、舒張壓、體重指數(shù)、低密度膽固醇、高密度膽固醇、總膽固醇、空腹血糖、甘油三酯和尿酸，同時(shí)納入人口統(tǒng)計(jì)學(xué)變量：性別和年齡。

2.3.3 缺失值處理

分別將未患冠心病和患冠心病的數(shù)據(jù)進(jìn)行缺失值的可視化，如圖2、圖3 所示。白色線(xiàn)條越多，說(shuō)明數(shù)據(jù)缺失越多。從圖2、圖3 可以得知，除性別和年齡外，其他特征都有缺失。其中，患冠心病的人群特征缺失較少，缺失最多的是體重指數(shù)，達(dá)到8.2%，未患冠心病的人群特征缺失較為嚴(yán)重。由于部分病人的重要特征缺失，采用算法自動(dòng)進(jìn)行填充可能對(duì)分析結(jié)果造成較大影響，因此本文直接將生理指標(biāo)缺失嚴(yán)重的樣本刪除。

Fig.2 Feature absence of individuals without coronary heart disease圖2 未患冠心病人群特征缺失情況

Fig.3 Feature absence of individuals with coronary heart disease圖3 患冠心病人群特征缺失情況

2.3.4 數(shù)據(jù)標(biāo)準(zhǔn)化

根據(jù)醫(yī)院體檢系統(tǒng)里給定的參考范圍對(duì)數(shù)據(jù)進(jìn)行劃分，劃分標(biāo)準(zhǔn)如表3 所示。其中，a為參考范圍中的最小值，b為參考范圍中的最大值，x為特征值。

2.4 與其他機(jī)器學(xué)習(xí)模型對(duì)比

為了更好地驗(yàn)證本文模型的優(yōu)越性，將本文模型與9個(gè)機(jī)器學(xué)習(xí)模型進(jìn)行對(duì)比，各模型均使用默認(rèn)參數(shù)，并使用準(zhǔn)確率、精確率、召回率、F1 值、AUC 值5 個(gè)指標(biāo)對(duì)模型進(jìn)行評(píng)估。將預(yù)處理后的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，比例為7∶3。

各個(gè)模型實(shí)驗(yàn)結(jié)果如表4 所示。由實(shí)驗(yàn)結(jié)果可知，本文所用模型的評(píng)價(jià)指標(biāo)均優(yōu)于9 個(gè)對(duì)比模型，準(zhǔn)確率、精確率、召回率、F1值、AUC值分別為0.974 5、0.970 6、0.990 0、0.980 2、0.968 7，所以XGBoost模型是最優(yōu)模型。

Table 3 Data standardization表3 數(shù)據(jù)標(biāo)準(zhǔn)化

Table 4 Comparison results with other machine learning models表4 與其他機(jī)器學(xué)習(xí)模型對(duì)比結(jié)果

2.5 基于TPE的貝葉斯優(yōu)化

XGBoost 模型的超參數(shù)較多，因此參數(shù)設(shè)置是否合理會(huì)影響模型精度。僅使用默認(rèn)參數(shù)進(jìn)行測(cè)試，并不能得出最優(yōu)結(jié)果，因此需要對(duì)XGBoost 進(jìn)行超參數(shù)優(yōu)化。常用的調(diào)參方法為網(wǎng)格搜索、隨機(jī)搜索、貝葉斯優(yōu)化等［20-21］，本文使用基于TPE 的貝葉斯優(yōu)化進(jìn)行超參數(shù)優(yōu)化，以準(zhǔn)確率的十折交叉驗(yàn)證平均值作為目標(biāo)函數(shù)，從而獲得最佳參數(shù)。

XGBoost 共有3 類(lèi)參數(shù)：一般參數(shù)、提升參數(shù)、學(xué)習(xí)參數(shù)。本文選擇影響力較大的超參數(shù)進(jìn)行優(yōu)化，為了找到最優(yōu)的超參數(shù)組合，首先設(shè)置合理的超參數(shù)空間，如表5所示。

通過(guò)不斷迭代，得出12 個(gè)超參數(shù)的最優(yōu)組合。尋找最優(yōu)參數(shù)的結(jié)果如圖4 所示。圖中，圓點(diǎn)表示超參數(shù)不同取值對(duì)應(yīng)的準(zhǔn)確率，五角星表示模型達(dá)到最高準(zhǔn)確率時(shí)該超參數(shù)的取值。準(zhǔn)確率最高為0.993 7，此時(shí)n_estimators為77，learning_rate為0.38，colsample_bytree為0.47，colsample_bynode為0.1，max_depth為9，gamma為5.3，subsample為0.77，reg_lambda為0.08，min_child_weight為9.58，objective為binary：logistic，rate_drop為0.38，reg_alpha為0.18。

經(jīng)貝葉斯優(yōu)化后的模型TPE_XGBoost 在5 個(gè)評(píng)價(jià)指標(biāo)上均有所提升，準(zhǔn)確率、精確率、召回率、F1 值、AUC 值分別為0.993 7、0.992 9、0.998 1、0.995 5、0.998 3，比采用默認(rèn)參數(shù)的XGBoost 性能提升約0.81%～2.97%，原因是尋找到的最優(yōu)超參數(shù)組合與本文的數(shù)據(jù)集更加匹配，降低了復(fù)雜性，可防止產(chǎn)生過(guò)擬合，從而提升了模型性能。調(diào)參后的模型與其他算法比較如表6所示。

Table 5 Hyperparameter selection表5 超參數(shù)選擇

3 基于 SHAP 的模型解釋性分析

利用SHAP 模型對(duì)基于TPE_XGBoost 的冠心病預(yù)測(cè)模型的實(shí)驗(yàn)結(jié)果進(jìn)行特征分析，圖5 為SHAP 摘要圖，該圖縱軸代表特征重要性排序，橫軸代表特征對(duì)模型的影響。由圖5 可知，AGE（年齡）、體重指數(shù)、低密度膽固醇、舒張壓、甘油三脂、高血壓等特征對(duì)模型的影響較大。SHAP 得出最重要的特征為年齡，隨著年齡的增大，患冠心病的風(fēng)險(xiǎn)也會(huì)增加；體重指數(shù)對(duì)患冠心病也有較大影響，體重指數(shù)越高，患冠心病的風(fēng)險(xiǎn)越大；舒張壓越高，患冠心病風(fēng)險(xiǎn)越大；若患有高血壓，則患冠心病的風(fēng)險(xiǎn)也較大；在相似的條件下，男性患冠心病的風(fēng)險(xiǎn)大于女性；尿酸越高，患冠心病的風(fēng)險(xiǎn)也越大。

利用SHAP 繪制前4 個(gè)重要特征的依賴(lài)圖，如圖6 所示。隨著年齡、體重指數(shù)、舒張壓的增加，SHAP 的值也增加，說(shuō)明這些特征的值越大，患冠心病的風(fēng)險(xiǎn)則越大；SHAP 的值隨著低密度膽固醇值的增大而減小，說(shuō)明該特征在正常范圍內(nèi)對(duì)冠心病具有反向影響。

利用SHAP 對(duì)某個(gè)預(yù)測(cè)為患冠心病和未患冠心病的個(gè)體進(jìn)行分析，分析結(jié)果分別如圖7、圖8 所示。紅色指將模型分?jǐn)?shù)變高的特征，藍(lán)色指將模型分?jǐn)?shù)變低的特征，箭頭長(zhǎng)度越長(zhǎng)，代表該特征對(duì)模型結(jié)果的影響越大。由圖7 可知，被預(yù)測(cè)為患冠心病的原因包括年齡較大、收縮壓與舒張壓較高、低密度膽固醇較低等。由圖8 可知，被預(yù)測(cè)為未患冠心病的原因包括年齡較小、未患高血壓、舒張壓正常以及體重指數(shù)、甘油三脂較低等。

Fig.4 Finding the optimal parameter result圖4 尋找最優(yōu)參數(shù)結(jié)果

Table 6 Comparison of model after parameter tuning with other algorithms表6 調(diào)參后的模型與其他算法比較

Fig.5 SHAP summary graph圖5 SHAP摘要圖

SHAP 解釋模型、XGBoost 模型的特征重要性排序如圖9、圖10 所示，可以看出，特征排名并不完全一樣，但這兩個(gè)模型都將年齡排在首位，故年齡是冠心病的重要風(fēng)險(xiǎn)因素，另外低密度膽固醇、舒張壓、體重指數(shù)是影響患病的關(guān)鍵因素。

4 結(jié)語(yǔ)

當(dāng)前冠心病的患病率逐年攀升，且年輕化趨勢(shì)明顯。為減少醫(yī)療診斷開(kāi)支，提高冠心病診斷的準(zhǔn)確率，輔助臨床決策，將機(jī)器學(xué)習(xí)算法運(yùn)用于冠心病風(fēng)險(xiǎn)評(píng)估中，對(duì)降低冠心病的患病概率有著重要意義。本文基于機(jī)器學(xué)習(xí)算法，使用醫(yī)院的體檢數(shù)據(jù)，首先對(duì)該數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建的XGBoost 模型比其他9 種模型更優(yōu)；然后經(jīng)過(guò)TPE 對(duì)XGBoost 預(yù)測(cè)模型的優(yōu)化，性能提升約0.81%～2.97%，準(zhǔn)確率達(dá)到0.993 7；最后通過(guò)SHAP 模型對(duì)各個(gè)特征的重要性進(jìn)行合理解釋?zhuān)贸瞿挲g、體重指數(shù)、低密度膽固醇、舒張壓等是影響冠心病患病的關(guān)鍵因素。

本文實(shí)驗(yàn)?zāi)Ｐ退捎玫臄?shù)據(jù)獲取更加方便，節(jié)約了大眾去醫(yī)院檢查的時(shí)間和費(fèi)用，便于其自行分析和調(diào)整身體狀態(tài)。此外，由于本文納入的特征較少，可能會(huì)忽略部分重要特征。在下一步研究中，將納入更全面的特征，如是否吸煙、飲食習(xí)慣、作息和運(yùn)動(dòng)規(guī)律等，進(jìn)一步分析相關(guān)特 征對(duì)冠心病的影響，指導(dǎo)大眾健康生活。

Fig.6 SHAP important features dependency diagram圖6 SHAP重要特征依賴(lài)圖

Fig.7 An analytical plot that predicts coronary heart disease圖7 預(yù)測(cè)為患冠心病的分析圖

Fig.9 SHAP feature importance ranking圖9 SHAP特征重要性排名

Fig.10 TPE_XGBoost model feature importance ranking圖10 TPE_XGBoost模型特征重要性排名