徐學琴，張知鷙，王瑾瑾，閆國立，裴蘭英，孫春陽，劉曉蕙

（1.河南中醫(yī)藥大學 基礎(chǔ)醫(yī)學院，河南 鄭州 450046；2.鄭州大學第一附屬醫(yī)院 血液科，河南 鄭州 450052）

基于改進BP神經(jīng)網(wǎng)絡模型的肺結(jié)核發(fā)病率預測*

徐學琴1，張知鷙2，王瑾瑾1，閆國立1，裴蘭英1，孫春陽1，劉曉蕙1

（1.河南中醫(yī)藥大學 基礎(chǔ)醫(yī)學院，河南 鄭州 450046；2.鄭州大學第一附屬醫(yī)院 血液科，河南 鄭州 450052）

目的 建立用于肺結(jié)核發(fā)病率預測的人工神經(jīng)網(wǎng)絡模型，預測肺結(jié)核疫情發(fā)生發(fā)展趨勢，為肺結(jié)核的預防和控制提供理論依據(jù)。方法 選取肺結(jié)核2000～2014年發(fā)病率數(shù)據(jù)，采用改進的誤差反向傳播（BP）神經(jīng)網(wǎng)絡算法建立預測模型。其中以2000～2013年的發(fā)病率數(shù)據(jù)作為訓練樣本，以2014年的發(fā)病率數(shù)據(jù)來檢驗模型的有效性。并對2015～2019年肺結(jié)核的發(fā)病率進行預測。結(jié)果 采用單隱層神經(jīng)網(wǎng)絡模型，輸入層節(jié)點數(shù)為3，隱含層節(jié)點數(shù)為7，輸出層節(jié)點數(shù)為1。建立的肺結(jié)核發(fā)病率預測模型在仿真預測樣本處的平均相對誤差為0.7597%，在檢驗樣本處的相對誤差為0.2649%。經(jīng)預測，2015～2019年肺結(jié)核的發(fā)病率分別為69.33/10萬、71.16/10萬、64.49/10萬、62.41/10萬和72.78/10萬。結(jié)論 采用改進的BP神經(jīng)網(wǎng)絡算法建立的肺結(jié)核發(fā)病預測模型具有較高的預測精度及較低的預測相對誤差，為肺結(jié)核疫情預測提供一種新的預測模型。

肺結(jié)核；誤差反向傳播；神經(jīng)網(wǎng)絡；模型；預測

結(jié)核病是一種慢性傳染性疾病，由結(jié)核分枝桿菌感染引起，可侵害腦、腸、骨骼及淋巴結(jié)等，以肺部結(jié)核最為常見。我國是全球22個結(jié)核病高負擔國家之一，結(jié)核病人數(shù)量占全球12%，居世界第2位[1-2]。我國第五次結(jié)核病流行病學抽樣調(diào)查結(jié)果顯示，2010年全國15歲及以上人群中，活動性肺結(jié)核患病人數(shù)約499萬，患病率為459/10萬，涂陽患病率為66/10萬[3]。肺結(jié)核是我國傳染病防治法中規(guī)定的乙類傳染病，其發(fā)病數(shù)一直居于甲乙類法定報告?zhèn)魅静〉牡?、2位[4]。因此，肺結(jié)核的預防和控制是公共衛(wèi)生工作中非常重要的一部分。

在傳染病的預防控制工作中，疾病的預警、預測起著關(guān)鍵作用，能夠早期發(fā)現(xiàn)疾病的發(fā)生發(fā)展趨勢。通過建立肺結(jié)核疫情的預測模型，對其未來發(fā)生、發(fā)展趨勢進行科學的預測，將為制定肺結(jié)核的預防和控制的策略和措施，以及有效預防肺結(jié)核提供重要的參考依據(jù)。在眾多預測模型中，人工神經(jīng)網(wǎng)絡模型越來越多地用于傳染病的預測和監(jiān)測工作中，其中誤差反向傳播（back error propagation，BP）神經(jīng)網(wǎng)絡模型是應用最普遍、最成熟的人工神經(jīng)網(wǎng)絡模型之一[5-6]。本研究便采用誤差反向傳播神經(jīng)網(wǎng)絡模型建立肺結(jié)核年發(fā)病率預測模型，并對我國肺結(jié)核未來5年的發(fā)病率進行預測，為制定肺結(jié)核預防和控制措施提供理論依據(jù)。

1 資料與方法

1.1 BP神經(jīng)網(wǎng)絡模型的基本原理

BP神經(jīng)網(wǎng)絡模型是多層前饋網(wǎng)絡，它包括1個輸入層、1個或多個中間層和1個輸出層，每層包含若干個節(jié)點。該模型的特點是相鄰層節(jié)點之間為完全連接方式，同層節(jié)點之間卻彼此獨立。訓練過程為：輸入層接收外源性樣本信號，然后傳遞到中間層，經(jīng)中間層逐層處理之后由輸出層輸出信號，此即信正向傳播；若輸出信號與期望值之間存在誤差，則該誤差進入反向傳播，并通過調(diào)整各單元的權(quán)重，使誤差逐漸下降，此即誤差的反向傳播。即在模型訓練過程中，最終的目標是通過反復地調(diào)整權(quán)重和偏差，最終使網(wǎng)絡的輸出值和實際值之間的整體誤差降到期望精度[7]。

因常規(guī)的BP神經(jīng)網(wǎng)絡算法存在收斂速度較慢、易陷入極端最小值的缺陷，人們在傳統(tǒng)算法的基礎(chǔ)上做改進來解決該問題。本研究采用Levenberg-Marquardt數(shù)值優(yōu)化算法來改進網(wǎng)絡模型，該算法能夠加快收斂的速度、提高訓練的效率及預測的精確性[8-9]。

1.2 數(shù)據(jù)收集

我國2000～2014年肺結(jié)核發(fā)病率數(shù)據(jù)來自于國家衛(wèi)生和計劃生育委員會發(fā)布的歷年衛(wèi)生統(tǒng)計年鑒及我國法定報告?zhèn)魅静”O(jiān)測系統(tǒng)，人口資料來自于國家統(tǒng)計局。

1.3 樣本數(shù)據(jù)的準備

由于原始發(fā)病率數(shù)據(jù)大小不一，不利于模型的建立及訓練。為了提高網(wǎng)絡模型的效率和泛化能力，需要將歷年發(fā)病率數(shù)據(jù)進行處理。歸一化處理可防止較大的輸入值覆蓋較小的輸入值、降低網(wǎng)絡誤差及加快訓練速度[10]。歸一化方法有多種，本研究采用的是用每個發(fā)病率除以某個數(shù)值，能使該發(fā)病率變?yōu)?～1之間的數(shù)據(jù)，本研究中將該數(shù)值定為120/10萬。

1.4 BP神經(jīng)網(wǎng)絡模型的基本參數(shù)

建立BP神經(jīng)網(wǎng)絡模型需先確定基本參數(shù)，即輸入層節(jié)點的數(shù)目、中間層的層數(shù)及其節(jié)點數(shù)、各層節(jié)點的傳遞函數(shù)。根據(jù)BP神經(jīng)網(wǎng)絡的定理，對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用單隱層（1個中間層）的BP神經(jīng)網(wǎng)絡逼近，因此1個3層BP網(wǎng)絡已具有很強的非線性映射能力[11]。本研究便采用3層網(wǎng)絡模型，其中包括3個輸入層節(jié)點數(shù)，1個輸出層節(jié)點數(shù)，輸出層傳遞函數(shù)采用對數(shù)型Sigmoid函數(shù)。根據(jù)Kolmogorov定理，中間層節(jié)點數(shù)應為2×3+1=7，中間層傳遞函數(shù)采用正切型Sigmoid函數(shù)。本研究將預測的期望精度定為0.0001。

1.5 BP神經(jīng)網(wǎng)絡模型的訓練及檢驗

若采用神經(jīng)網(wǎng)絡模型進行肺結(jié)核發(fā)病率的預測，需先利用已有樣本數(shù)據(jù)對模型進行訓練。訓練過程中，通過不斷調(diào)整各單元的權(quán)重，使誤差逐漸減小，當減小到預先設定的期望精度時，訓練便完成。此時，實際發(fā)病率和預測發(fā)病率的值非常接近。

訓練完成的模型便可用來進行發(fā)病率的預測。通常采用新陳代謝預測法，即按照事先設定的參數(shù)，以連續(xù)3年的肺結(jié)核發(fā)病率數(shù)據(jù)組成輸入序列，輸出第4年的發(fā)病率預測值。輸入序列中每加入新的1個發(fā)病率數(shù)據(jù)，將舍棄最前面的1個數(shù)據(jù)。本研究中，以2000～2002年的數(shù)據(jù)預測2003年數(shù)據(jù)，以2001～2003年數(shù)據(jù)預測2004年數(shù)據(jù)，依次進行。2014年發(fā)病率數(shù)據(jù)用來檢驗模型，若檢驗合格，即可用來預測未來5年（2015年～2019年）肺結(jié)核的發(fā)病率。預測所得的數(shù)據(jù)還需反歸一化處理，即各預測值乘以120/10萬。以上工作均在Matlab 7.0軟件中實現(xiàn)。

2 結(jié)果

2.1 仿真預測及模型的檢驗情況

經(jīng)計算，在仿真預測樣本處的平均相對誤差為0.7597%。用2014年數(shù)據(jù)檢驗該模型，結(jié)果顯示：2014年肺結(jié)核的預測發(fā)病率為64.85/10萬，而實際發(fā)病率為65.02/10萬，其相對誤差為0.2649%，實際值與預測值吻合度較高。各年發(fā)病率的真實值和預測值均非常接近。見附表和附圖。

附圖 肺結(jié)核發(fā)病率的真實值與預測值的曲線比較

附表 肺結(jié)核實際發(fā)病率、預測發(fā)病率（反歸一化值）及相對誤差

2.2 對未來5年肺結(jié)核發(fā)病率的預測

利用該模型，通過新陳代謝法預測，得到我國肺結(jié)核2015～2019年發(fā)病率（反歸一化值）分別為69.33/10萬、71.16/10萬、64.49/10萬、62.41/10萬及72.78/10萬。

3 討論

肺結(jié)核病是長期危害人類健康的慢性傳染性疾病，因此，肺結(jié)核的監(jiān)測與預測有著非常重要的流行病學意義[12]。在肺結(jié)核發(fā)病率的預測中，目前常用的模型有灰色模型、自回歸積分移動平均模型、馬爾科夫鏈模型及BP神經(jīng)網(wǎng)絡模型等。灰色動態(tài)模型對樣本容量和概率分布沒有嚴格要求，模型簡單，預測效果好，適合于樣本量較小、流行因素較穩(wěn)定的疾病的短期預測[13]。馬爾科夫鏈模型可進行隨機波動較強序列的預測，揭示序列在不同狀態(tài)間轉(zhuǎn)移的內(nèi)在規(guī)律，但預測結(jié)果的準確性會受到不同狀態(tài)劃分的影響[14]。相比之下，BP神經(jīng)網(wǎng)絡模型因其能應對復雜的大規(guī)模數(shù)據(jù)資料而被廣泛應用于傳染病的預測。該模型的應用無需具備先驗知識，也無需資料滿足正態(tài)性、線性及獨立性等條件。它能學習和存貯大量的輸入-輸出模式映射關(guān)系，通過數(shù)據(jù)訓練、人工智能、機器學習能描述許多復雜的非線性相關(guān)性[15]。

肺結(jié)核發(fā)生及流行的影響因素很多，如肺結(jié)核接觸史、吸煙、頻繁的人際交往、粉塵環(huán)境暴露、疫苗免疫、溫度及濕度等[16-17]。該因素和結(jié)核病的發(fā)生與流行之間往往是一種非常復雜的非線性關(guān)系。而BP神經(jīng)網(wǎng)絡模型恰好具有很強的解決非線性問題的能力，能根據(jù)已學會的知識和處理問題的經(jīng)驗對復雜問題做出合理的判斷，對未來疾病的發(fā)生做出較為精確的預測[18]。因此，BP神經(jīng)網(wǎng)絡模型很適合于肺結(jié)核發(fā)病率的預測。因常規(guī)的BP神經(jīng)網(wǎng)絡模型存在訓練時間長、易陷入局部極端最小值的缺點，為克服該缺點，本文所采用Levenberg-Marquardt算法來改進BP神經(jīng)網(wǎng)絡算法。

本研究以我國歷年肺結(jié)核發(fā)病率作為樣本數(shù)據(jù)，應用改進的BP神經(jīng)網(wǎng)絡算法建立肺結(jié)核的預測模型。該模型在仿真預測樣本處的平均相對誤差為0.7597%，在檢驗樣本點的相對誤差為0.2649%，真實值和預測值吻合度非常高，具有良好的預測精度，適于進行肺結(jié)核發(fā)病率的預測。

經(jīng)該模型對我國2015～2019年肺結(jié)核發(fā)病率進行預測，結(jié)果顯示，我國肺結(jié)核的發(fā)病率在經(jīng)歷連續(xù)8年（2007～2014年）的持續(xù)下降后，將在2015年及2016年呈現(xiàn)連續(xù)上升趨勢，2017～2018年發(fā)病率將有所下降，但2019年發(fā)病率將會再次升高。因此，對肺結(jié)核的預防和監(jiān)測工作還需進一步加強。

[1] 山珂.肺結(jié)核發(fā)病空間聚集分布及影響因素研究[D].濟南:山東大學,2014.

[2] 汪學智,王琳,夏凡,等.軍隊“三位一體”結(jié)核病防治模式成效初探[J].中華疾病控制雜志,2013,6:545-547.

[3] 王黎霞,成詩明,陳明亭,等.2010年全國第五次結(jié)核病流行病學抽樣調(diào)查報告[J].中國防癆雜志,2012,8:485-508.

[4] 金瑾,景睿.山東省2013年學生肺結(jié)核疫情特征分析[J].中華流行病學雜志,2015,36(8):871-874.

[5] 董選軍,賈偉娜.ARIMA時間序列和BP神經(jīng)網(wǎng)絡在傳染病預測中的比較[J].現(xiàn)代實用醫(yī)學,2010,22(2):142-143.

[6] 嚴文娟,張晶,胡廣芹,等.BP神經(jīng)網(wǎng)絡用于肝炎患者舌診近紅外光譜的研究[J].光譜學與光譜分析,2010,30(10):2628-2631.

[7] WANG Y M,LI J,GU J Z,et al.Artificial neural networks for infectious diarrhea prediction using meteorologicalfactors in Shanghai[J].Applied Soft Computing,2015,35:280-290.

[8] SHAHROKH A,JAMAL S,PEYMAN A,et al.A new hybrid artificial neural networks for rainfall-runoff process modeling[J].Neurocomputing,2013,121:470-480.

[9] HUANG H X,LI J C,XIAO C L.A proposed iteration optimization approach integrating backpropagation neuralnetwork with genetic algorithm[J].Expert Systems with Applications,2015,42(1):146-155.

[10] PHOSSEINZADEH T.Multilayer perceptron with different training algorithms for stream flow forecasting[J].Neural Comput,2014,24(3-4):695-703.

[11] 鄭立華,李民贊,潘孌,等.基于近紅外光譜技術(shù)的土壤參數(shù)BP神經(jīng)網(wǎng)絡預測[J].光譜學與光譜分析,2008,28(5):1160-1164.

[12] 李云,穆衛(wèi)明,陸建方.肺結(jié)核發(fā)病率的灰色模型預測及時間趨勢分析[J].中華疾病控制雜志,2011,15(1):87-88.

[13] 尹志英,方春福.傳染病預警預測方法探討[J].中國衛(wèi)生統(tǒng)計,2010,27(2):218-220.

[14] 易靜,胡代玉,楊德香,等.三種預測模型在肺結(jié)核發(fā)病預測中的應用[J].中國全科醫(yī)學,2012,15(13):1495-1497.

[15] ALMEIDA J S.Predictive non-linear modeling of complex data by artificial neural networks[J].Current Opinion in Biotechnology,2002,13(1):72-76.

[16] 靳成娟,杜建,楊懷盛,等.中國人群肺結(jié)核發(fā)病危險因素的薈萃分析[J].軍事醫(yī)學,2014,38(5):355-359.

[17] 胡婧媛,蔣夢姣,景元書,等.基于神經(jīng)網(wǎng)絡的氣象條件對瀘州市肺結(jié)核發(fā)病率預測[J].科技通報,2013,5:19-23.

[18] 李異凡,彭健,張陽德.神經(jīng)網(wǎng)絡方法在醫(yī)學中的應用[J].中國現(xiàn)代醫(yī)學雜志,2003,13(13):8-11.

（李科 編輯）

R181.2

B

10.3969/j.issn.1005-8982.2017.23.026

1005-8982（2017）23-0124-03

2016-06-06

河南省軟科學研究重點項目（No：102400440002）；河南中醫(yī)學院科研苗圃工程項目（No：MP2014-07）