吳燎 程小恩

摘要：目的：采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建中醫(yī)糖尿病診斷模型，利用真實(shí)的糖尿病中醫(yī)病案，實(shí)現(xiàn)糖尿病的診斷預(yù)測(cè)。方法：利用1288個(gè)糖尿病臨床電子病歷，通過(guò)數(shù)據(jù)清洗后得到質(zhì)量較高的電子病歷數(shù)據(jù)805個(gè)、對(duì)病案數(shù)據(jù)整理、編碼后，在MATLAB7.0環(huán)境下，利用BP神經(jīng)網(wǎng)絡(luò)算法，通過(guò)癥狀輸入，預(yù)測(cè)糖尿病疾病診斷。結(jié)果：通過(guò)數(shù)據(jù)分析臨床驗(yàn)證正確率達(dá)到95%以上，利用人工神經(jīng)網(wǎng)絡(luò)算法可以輔助糖尿病的診斷。結(jié)論：疾病的診斷準(zhǔn)確性是中醫(yī)臨床用藥的關(guān)鍵，利用神經(jīng)網(wǎng)絡(luò)診斷糖尿病為疾病診斷提供一種方法，有利于提高疾病診斷的準(zhǔn)確性。

關(guān)鍵詞：糖尿病; BP神經(jīng)網(wǎng)絡(luò);診斷;預(yù)測(cè)

中圖分類(lèi)號(hào)：G434? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）23-0218-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

1 概述

利用關(guān)鍵詞“BP神經(jīng)網(wǎng)絡(luò)”和“中醫(yī)診斷”檢索知網(wǎng)，萬(wàn)方，維普等數(shù)據(jù)庫(kù)，分析被引量大于40的相關(guān)論文，研究涵蓋了人體脈象、中醫(yī)證候分析、中醫(yī)診斷研究等。神經(jīng)網(wǎng)絡(luò)結(jié)合中醫(yī)中藥和模型準(zhǔn)確率的提高是未來(lái)發(fā)展的趨勢(shì)。其中關(guān)于疾病診斷的預(yù)測(cè)論文[1]-[20]，代表作者樊曉平提出了通過(guò)多層前饋型人工神經(jīng)網(wǎng)絡(luò)對(duì)中醫(yī)抑郁癥進(jìn)行分類(lèi)，代表作者曾子杰提出了基于關(guān)聯(lián)規(guī)則和人工神經(jīng)網(wǎng)絡(luò)的大腸癌中醫(yī)癥治規(guī)律研究，代表作者許朝霞提出了支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的心血管疾病中醫(yī)證候分類(lèi)識(shí)別研究。代表作者秦中廣提出了粗超神經(jīng)網(wǎng)絡(luò)在中醫(yī)智能診斷系統(tǒng)中的應(yīng)用，利用Rough Set技術(shù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)處理，求取核屬性，構(gòu)造粗糙人工神經(jīng)網(wǎng)絡(luò)， 并應(yīng)用到中醫(yī)類(lèi)風(fēng)濕病分型診斷建模。代表作者孫貴香采用一種基于共軛梯度算法的 BP 神經(jīng)網(wǎng)絡(luò)，構(gòu)建冠心病中醫(yī)證候 BP 神經(jīng)網(wǎng)絡(luò)模型，并運(yùn)用檢測(cè)樣本對(duì)該模型的性能作出評(píng)價(jià)，準(zhǔn)確率達(dá)到90.5%。針對(duì)糖尿病的疾病預(yù)測(cè)，李建生等提出徑向基神經(jīng)網(wǎng)絡(luò)，并利用聚類(lèi)分析確定RBF神經(jīng)網(wǎng)絡(luò)隱層的參數(shù)，運(yùn)用最小二乘確定RBF神經(jīng)網(wǎng)絡(luò)輸出層的參數(shù).并通過(guò)模型檢驗(yàn)，驗(yàn)證了基于200個(gè)訓(xùn)練數(shù)據(jù)聚類(lèi)分析的RBF神經(jīng)網(wǎng)絡(luò)用于中醫(yī)證候診斷的有效性、準(zhǔn)確率達(dá)到94.4%。

實(shí)驗(yàn)利用現(xiàn)有的中醫(yī)大數(shù)據(jù)平臺(tái)，采集98家醫(yī)院的真實(shí)電子病歷數(shù)據(jù)，利用真實(shí)病案數(shù)據(jù)，通過(guò)BP神經(jīng)網(wǎng)絡(luò)建模，預(yù)測(cè)糖尿病的診斷，準(zhǔn)確率達(dá)到95%以上。

2 數(shù)據(jù)來(lái)源

2.1資料來(lái)源

BP神經(jīng)網(wǎng)絡(luò)的模型的建立需要正確可靠的數(shù)據(jù)。研究利用四川省中醫(yī)大數(shù)據(jù)平臺(tái)中的真實(shí)臨床數(shù)據(jù)作為數(shù)據(jù)源。篩選較為完整，復(fù)診率較高的結(jié)構(gòu)化電子病歷數(shù)據(jù)：糖尿病500例、高血壓300例、咳嗽200例、冠心病200例，共1288例。 數(shù)據(jù)病例包括乏力、便秘、心悸等285個(gè)癥狀，選擇26個(gè)頻率高的癥狀構(gòu)建輸入層（圖1 癥狀分布圖），利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行糖尿病預(yù)測(cè)。

3 方法

3.1數(shù)據(jù)清洗規(guī)則

數(shù)據(jù)預(yù)處理：刪除錯(cuò)誤和空白的數(shù)據(jù)[21]，保證數(shù)據(jù)的正確性。替換不規(guī)范的數(shù)據(jù)[22]，保證數(shù)規(guī)范統(tǒng)一，通過(guò)預(yù)處理后得到805例正確數(shù)據(jù)。對(duì)處理后的電子病歷進(jìn)行數(shù)字化編碼處理。數(shù)字化編碼處理的標(biāo)準(zhǔn)按照計(jì)算機(jī)二進(jìn)制編碼[23]，0代表不存在，1代表存在。癥狀數(shù)字化標(biāo)準(zhǔn)：癥狀不出現(xiàn)（0）、癥狀出現(xiàn)（1）。診斷疾病（1），未診斷疾?。?）。最終得到全部為0，1的矩陣實(shí)驗(yàn)數(shù)據(jù)（圖2 病歷數(shù)字化處理編碼圖）。

主成分分析：將所有的癥狀選擇主要成分作為神經(jīng)網(wǎng)絡(luò)的輸入向量。對(duì)數(shù)據(jù)進(jìn)行主要成分分析，主要成分的選擇范圍為所有癥狀數(shù)據(jù)采集率75%的數(shù)據(jù)。再經(jīng)過(guò)主成分分析，前26個(gè)主要癥狀涵蓋了總共285個(gè)癥狀的74.2%的信息。主要癥狀見(jiàn)表1 。取前26個(gè)。 主成分作為進(jìn)一步分析的指標(biāo)。通過(guò)主成分分析， 輸入向量為提煉至26個(gè)。

病例分組：用交叉驗(yàn)證檢驗(yàn)?zāi)Ｐ蚚25]的預(yù)測(cè)效果。將805例樣本分為A、B、C三組，A組260個(gè)數(shù)據(jù)，B組260，C組285個(gè)數(shù)據(jù)，第一次選擇A、B作為訓(xùn)練集，C作為測(cè)試集;第二次選擇A、C作為訓(xùn)練集，B作為測(cè)試集;第三次選擇C、B作為訓(xùn)練集，A作為測(cè)試集。最后綜合三個(gè)模型的訓(xùn)練效果，取平均值。

4 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)流程（圖3 基于共軛梯度下降算法的BP網(wǎng)絡(luò)構(gòu)建）

1） 確定網(wǎng)絡(luò)層數(shù)。樣本數(shù)據(jù)輸入層有26個(gè)輸入節(jié)點(diǎn)，采用2個(gè)隱藏層，通過(guò)反復(fù)驗(yàn)證，這種設(shè)計(jì)可以有效地減少網(wǎng)絡(luò)規(guī)模。

2） 確定輸入層節(jié)點(diǎn)數(shù)。輸入層節(jié)點(diǎn)數(shù)取決于輸入向量的維數(shù)。此研究有26個(gè)癥狀作為輸入，所以對(duì)應(yīng)有26個(gè)輸入節(jié)點(diǎn)。

3） 確定隱含層節(jié)點(diǎn)數(shù)。隱含層和節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)的性能影響很大。較多的隱含層節(jié)點(diǎn)數(shù)可以帶來(lái)更好的性能。隱含層節(jié)點(diǎn)數(shù)由公式求得。

[M=m+n+a]，

m和n分別為輸入層和輸出層的神經(jīng)元個(gè)數(shù)，a是[0，10]之間的常數(shù)。

[M=log2N]， N為輸入層神經(jīng)元個(gè)數(shù)。

經(jīng)過(guò)多次實(shí)驗(yàn)，最終確定了隱含層M分別為8、4的訓(xùn)練的時(shí)間最短，網(wǎng)絡(luò)模型收斂最快，最后的準(zhǔn)確率也較高。

4） 輸出層神經(jīng)元個(gè)數(shù)。輸出層神經(jīng)元個(gè)數(shù)由輸出結(jié)果確定。本次的診斷只有一個(gè)為糖尿病，所以對(duì)應(yīng)有一個(gè)輸出節(jié)點(diǎn)，節(jié)點(diǎn)對(duì)應(yīng)的輸出期望為（1，0）。

5 BP網(wǎng)絡(luò)的結(jié)構(gòu)

BP網(wǎng)絡(luò)的輸出方式：糖尿病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為診斷不成立，≤0.5為診斷成立。

BP網(wǎng)絡(luò)的測(cè)試：網(wǎng)絡(luò)的權(quán)值趨穩(wěn)，訓(xùn)練結(jié)束后，用驗(yàn)證數(shù)據(jù)對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)做檢驗(yàn)。并重復(fù)第二組實(shí)驗(yàn)，測(cè)試結(jié)果，保證訓(xùn)練方法的正確性。

6 結(jié)果

測(cè)試結(jié)果顯示：2次測(cè)試的平均總的識(shí)別率是 96.774%，第一個(gè)糖尿病的識(shí)別率是 98.065%，第二個(gè)是98.065%，第三次是96%，從結(jié)果中可以看到，該網(wǎng)絡(luò)模型對(duì)于糖尿病，具有較高的辨識(shí)率。正確率均達(dá)到了95%以上。說(shuō)明模型具有良好的診斷和預(yù)測(cè)能力。

7 討論

此實(shí)驗(yàn)利用真實(shí)的電子臨床數(shù)據(jù)，通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建診斷預(yù)測(cè)模型，可以輔助預(yù)測(cè)糖尿病診斷。但本次實(shí)驗(yàn)還有以下幾點(diǎn)需要改進(jìn)。第一數(shù)據(jù)量可以適當(dāng)增加，提高預(yù)測(cè)模型的準(zhǔn)確性。第二數(shù)據(jù)編碼可以不斷優(yōu)化，本次處理數(shù)據(jù)采用二進(jìn)制編碼對(duì)癥狀編碼。每一個(gè)癥狀只有0，1兩種輸入選項(xiàng)，可以通過(guò)對(duì)癥狀的輕重設(shè)置編碼的權(quán)重級(jí)別改進(jìn)編碼的準(zhǔn)確性。

8 結(jié)語(yǔ)

實(shí)驗(yàn)利用癥狀之間的聯(lián)系和差別診斷出糖尿病疾病，正確率達(dá)到95%以上，成功地模擬了臨床的診斷。說(shuō)明人工神經(jīng)網(wǎng)絡(luò)，人工智能在未來(lái)醫(yī)療行業(yè)的應(yīng)用，在醫(yī)學(xué)診療中的應(yīng)用大有可為。未來(lái)，隨著醫(yī)院信息化的深入，電子病歷數(shù)據(jù)會(huì)越來(lái)越多，數(shù)據(jù)越來(lái)越規(guī)范，可研究的資料數(shù)據(jù)也會(huì)越來(lái)越大。利用人工神經(jīng)網(wǎng)絡(luò)算法診斷疾病，將會(huì)越來(lái)越成熟。

參考文獻(xiàn)：

[1] 樊曉平， 彭展， 楊勝躍， 等. 基于多層前饋型人工神經(jīng)網(wǎng)絡(luò)的抑郁癥分類(lèi)系統(tǒng)研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2004， 40（13）.

[2] 曾子杰. 基于關(guān)聯(lián)規(guī)則和人工神經(jīng)網(wǎng)絡(luò)的大腸癌中醫(yī)證治規(guī)律研究[D]. 2017.

[3] 許朝霞， 王憶勤， 顏建軍， 等. 基于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的心血管疾病中醫(yī)證候分類(lèi)識(shí)別研究[J]. 北京中醫(yī)藥大學(xué)學(xué)報(bào)， 2011， 34（8）：539-543.

[4] 秦中廣， 毛宗源. 粗糙神經(jīng)網(wǎng)絡(luò)及其在中醫(yī)智能診斷系統(tǒng)中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用， 2001， 37（18）：34-35.

[5] 溫宗良， 岳桂華， 楊靖， 等. 基于共軛梯度算法的BP神經(jīng)網(wǎng)絡(luò)在高血壓證候診斷中的應(yīng)用[J]. 山東中醫(yī)藥大學(xué)學(xué)報(bào)， 2012（3）：183-184.

[6] 孫貴香， 廖常艷， 袁肇凱， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的冠心病中醫(yī)證候神經(jīng)網(wǎng)絡(luò)模型研究[C]// 全國(guó)中西醫(yī)結(jié)合診斷學(xué)術(shù)研討會(huì). 2008.

[7] 李建生， 胡金亮， 余學(xué)慶， 等. 基于聚類(lèi)分析的徑向基神經(jīng)網(wǎng)絡(luò)用于2型糖尿病證候診斷[C]// 第八次全國(guó)中醫(yī)糖尿病學(xué)術(shù)大會(huì)論文匯編. 2005.

[8] 白云靜， 孟慶剛， 申洪波， 等. 基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的糖尿病腎病中醫(yī)證候非線性建模研究[J]. 北京中醫(yī)藥大學(xué)學(xué)報(bào)， 2008， 31（5）：308-311.

[9] 李建生， 胡金亮， 王永炎. 基于2型糖尿病數(shù)據(jù)挖掘的中醫(yī)證候診斷標(biāo)準(zhǔn)模型建立研究[J]. 中國(guó)中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志， 2008， 14（5）：367-370.

[10] 佚名. 基于K-Nearest Neighbor和神經(jīng)網(wǎng)絡(luò)的糖尿病分類(lèi)研究[J]. 中國(guó)醫(yī)學(xué)物理學(xué)雜志， 2018， 35（10）：110-114.

[11] 黃仕鑫， 羅佳婧， 羅亞玲， 等. 基于BP神經(jīng)網(wǎng)絡(luò)模型鑒別2型糖尿病腎病的認(rèn)知圖研究[J]. 中華內(nèi)分泌代謝雜志， 2017（33）：949.

[12] 李攀. 基于神經(jīng)網(wǎng)絡(luò)的2型糖尿病并發(fā)癥預(yù)測(cè)模型的研究[D]. 2016.

[13] 劉飛， 張俊然， 楊豪. 基于深度學(xué)習(xí)的糖尿病患者的分類(lèi)識(shí)別[J]. 計(jì)算機(jī)應(yīng)用， 2018（A01）：39-43.

[14] 洪燁. 基于機(jī)器學(xué)習(xí)算法的糖尿病預(yù)測(cè)模型研究[D].

[15] 王炳和， 相敬林. 基于神經(jīng)網(wǎng)絡(luò)方法的人體脈象識(shí)別研究[J]. 西北工業(yè)大學(xué)學(xué)報(bào)， 2002， 20（3）.

[16] 李建生， 胡金亮， 余學(xué)慶， 等. 基于聚類(lèi)分析的徑向基神經(jīng)網(wǎng)絡(luò)用于證候診斷的研究[J]. 中國(guó)中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志， 2005， 11（9）.

[17] 樊曉平， 彭展， 楊勝躍， 等. 基于多層前饋型人工神經(jīng)網(wǎng)絡(luò)的抑郁癥分類(lèi)系統(tǒng)研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2004， 40（13）.

[18] Lai Y H ， Ni Y N ， Kokot S . Authentication of Cassia seeds on the basis of two-wavelength HPLC fingerprinting with the use of chemometrics[J]. Chinese Chemical Letters， 2010， 21（2）：213-216.

[19] Xuesong L . A Fast Method for Identifying the Quality of Chinese Medicine Injections Based on Self-organizing Maps Neural Network[J]. Chinese Journal of Analytical Chemistry， 2007， 35（10）：1483-1486.

[20] aafar S F B， Ali D M. Diabetes mellitus forecast using artificial neural network （ANN）[C]// Asian Conference on Sensors & the International Conference on New Techniques in Pharmaceutical & Biomedical Research. 2005.

[21] 覃華， 蘇一丹， 李陶深. 基于遺傳神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)清洗方法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2004， 40（3）：45-46.

[22] 孟祥逢， 魯漢榕， 郭玲. 基于遺傳神經(jīng)網(wǎng)絡(luò)的相似重復(fù)記錄檢測(cè)方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2010， 31（7）：1550-1553.

[23] 宋擒豹， 沈鈞毅. 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法中的數(shù)據(jù)準(zhǔn)備問(wèn)題[J]. 計(jì)算機(jī)工程與應(yīng)用， 2000， 36（12）：102-104.

[24] 賀昌政， 俞海. BP人工神經(jīng)網(wǎng)絡(luò)主成分分析預(yù)測(cè)模型及應(yīng)用[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2001， 18（9）：104-106.

[25] 邱龍金， 賀昌政. 神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的交叉驗(yàn)證模型[J]. 計(jì)算機(jī)工程與應(yīng)用， 2010， 46（34）：43-45.

[26] 陳朝陽(yáng)， 行小帥， 李玥. 共軛梯度BP算法在Matlab 7.0中的實(shí)現(xiàn)[J]. 現(xiàn)代電子技術(shù)， 2009， 32（18）：125-127.

[27] 沈花玉， 王兆霞， 高成耀，等. BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J]. 天津理工大學(xué)學(xué)報(bào)， 2008， 24（5）：13-15.

[28] 楊偉斌， 吳光強(qiáng)， 秦大同， 等. 人工神經(jīng)網(wǎng)絡(luò)的各參數(shù)對(duì)系統(tǒng)辨識(shí)精度的影響分析及各參數(shù)的確定方法[J]. 機(jī)械工程學(xué)報(bào)， 2006， 42（7）：217-221.

[29] 焦斌， 葉明星. BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)確定方法[J]. 上海電機(jī)學(xué)院學(xué)報(bào)， 2013（3）：113-116.

[30] 孔德坤， 張曉斌. 糖尿病與高血壓[J]. 中華內(nèi)分泌代謝雜志， 2005，21（5）：68-70.

【通聯(lián)編輯：王力】