劉麗蓉， 詹秀菊

（廣州中醫(yī)藥大學(xué)醫(yī)學(xué)信息工程學(xué)院，廣東廣州 510006）

蕁麻疹俗稱風(fēng)疹塊，是一種常見的過敏性疾病，是由于皮膚、黏膜小血管擴張及滲透性增加而出現(xiàn)的一種局限性水腫反應(yīng)[1]。皮損以風(fēng)團為主，大小不等，形態(tài)不一，色澤或鮮紅或濡白，分布或散在或融合成片，可發(fā)生于身體任何部位，伴有劇烈瘙癢，遷延數(shù)日至數(shù)月，且劃痕征陽性[2]。蕁麻疹癥狀嚴重者可影響患者正常生活以及工作。目前有關(guān)蕁麻疹用藥規(guī)律的研究較多[3-8]，但關(guān)于蕁麻疹癥狀與證候的研究鮮有報道。本研究基于文獻資料，利用BP神經(jīng)網(wǎng)絡(luò)和支持向量機（support vector machine，SVM）分別探討蕁麻疹證候分類模型，以期為蕁麻疹的中醫(yī)辨證論治提供一定參考。

1 資料與方法

1.1 文獻數(shù)據(jù)來源 收集維普數(shù)據(jù)庫（VIP）、萬方數(shù)字化期刊、中國知網(wǎng)（CNKI）等中文數(shù)據(jù)庫中發(fā)表的有關(guān)蕁麻疹臨床治療的文獻。檢索詞為“蕁麻疹”“風(fēng)疙瘩”“風(fēng)疹塊”“鬼風(fēng)疙瘩”“尋麻疹”“風(fēng)團”“癮疹”“臨床療效”“臨床效果”“經(jīng)驗”。采用主題詞、關(guān)鍵詞、文摘檢索，并聯(lián)合邏輯詞and、or組成邏輯式進行檢索，檢索式為：題名或關(guān)鍵詞為“蕁麻疹”O(jiān)R“風(fēng)疙瘩”O(jiān)R“風(fēng)疹塊”O(jiān)R“鬼風(fēng)疙瘩”O(jiān)R“尋麻疹”O(jiān)R“風(fēng)團”O(jiān)R“癮疹”，AND文摘為“臨床療效”O(jiān)R“臨床效果”O(jiān)R“經(jīng)驗”。其中題名或關(guān)鍵詞可換成主題詞。

1.2 文獻納入標準 （1）治療手段為中醫(yī)藥治療或中西醫(yī)結(jié)合治療的文獻；（2）中醫(yī)診斷標準參照國家中醫(yī)藥管理局1994年發(fā)布的《中醫(yī)病證診斷療效標準》之“隱疹”的診斷標準，西醫(yī)診斷標準參照《安德魯斯臨床皮膚病學(xué)》中有關(guān)蕁麻疹的診斷標準[9]；（3）治療有效的文獻；（4）病案資料完整，包含證候診斷、臨床表現(xiàn)、治療原則、藥方等。（5）文獻發(fā)表年限為1996年2月至2018年10月。

1.3 文獻排除標準 （1）文獻中未標明治療效果及明確標明治療效果不佳；（2）文獻數(shù)據(jù)中出現(xiàn)錯誤或者發(fā)表數(shù)據(jù)雷同的文獻；（3）動物實驗的文獻以及綜述類文獻。

1.4 文獻數(shù)據(jù)處理 由3名研究人員完成文獻篩選，其中兩人獨立按照文獻的納入標準和排除標準篩選文獻，如有爭議，由第三人做出判斷。篩選后的文獻由兩位研究人員將病例整理錄入Microsoft Excel 2010，錄入內(nèi)容包括文獻名稱、第一作者、臨床癥狀、證候，其中病例中相關(guān)術(shù)語的規(guī)范化參考《中醫(yī)癥狀鑒別診斷學(xué)》[10]、《中醫(yī)診斷學(xué)》[11]、《中醫(yī)證候鑒別診斷學(xué)》[12]。

1.5 數(shù)據(jù)分析 利用Matlab R2013a軟件，建立基于BP神經(jīng)網(wǎng)絡(luò)和SVM的蕁麻疹證候分類模型。BP神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層、輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，相鄰層之間各神經(jīng)元進行全連接，而每層各神經(jīng)元之間無連接，其權(quán)值的調(diào)整采用反向傳播的學(xué)習(xí)算法[13]。本研究采用3層BP神經(jīng)網(wǎng)絡(luò)建模，建立存在于數(shù)據(jù)間的函數(shù)關(guān)系。如圖1所示，輸入層為17個中醫(yī)癥狀向量，隱含層公式計算為7，輸出層對應(yīng)風(fēng)寒束表、風(fēng)熱犯表、臟腑濕熱和其他證型共4類。

圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 1 Three-layer BP neural network structure

支持向量機（SVM）是將所研究的問題向真實模型的一種逼近，將原始特征用核函數(shù)進行特定變換映射到高維空間，進而分解其特征矩陣，最終把待解決的問題轉(zhuǎn)化為一個對凸二次規(guī)劃問題求解的過程[14]。SVM最優(yōu)超平面決策示意圖如圖2所示。

圖2 SVM超平面決策面示意圖Figure 2 Schematic diagram of support vector machine hyperplane decision surface

2 結(jié)果

2.1 文獻檢索結(jié)果 根據(jù)“1.1項下”的檢索式，從中國知網(wǎng)共檢索到1 130篇文獻，維普1 010篇文獻，萬方813篇文獻，剔除重復(fù)文獻后共獲取文獻2 632篇。通過閱讀文獻題目，按照納入標準和排除標準刪除文獻1 952篇，剩余文獻680篇。再經(jīng)通篇閱讀全文后，篩選符合納入標準的文獻共458篇，從中提取完整的信息，具備完整信息的病例共397例。

2.2 BP神經(jīng)網(wǎng)絡(luò)證候模型的建立

2.2.1 訓(xùn)練樣本選擇 按納入標準和排除標準共篩選出符合標準的蕁麻疹病例數(shù)據(jù)為397例，每個樣本包含蕁麻疹常見的17個癥狀以及舌苔和脈象，癥狀按有無分別設(shè)置為1、0，中醫(yī)證型4類證型輸出形式設(shè)置為（0，0，0，1），（0，0，1，0），（0，1，0，0），（1，0，0，0）。從上述的蕁麻疹數(shù)據(jù)中抽取中醫(yī)癥狀及中醫(yī)證型構(gòu)成樣本集合，作為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和測試樣本。

2.2.2 網(wǎng)絡(luò)模型訓(xùn)練與分類 將397個樣本存儲于數(shù)據(jù)項data中，將皮疹、瘙癢、皮疹色紅、失眠、紅舌、淡舌、淡紅舌、薄苔、白苔、黃苔、膩苔、細脈、數(shù)脈、弦脈、浮脈、沉脈、滑脈等17個癥狀作為網(wǎng)絡(luò)模型的輸入變量，輸出層對應(yīng)風(fēng)寒束表、風(fēng)熱犯表、臟腑濕熱和其他證型，為體現(xiàn)模型的優(yōu)良性，訓(xùn)練樣本的選擇采用隨機抽取方法，從397個樣本中隨機抽取357個樣本作為訓(xùn)練樣本，隨機抽取40個樣本數(shù)據(jù)為測試樣本。采用Matlab R2013a編程，確定BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為17-7-4，設(shè)定訓(xùn)練函數(shù)為trainbfg函數(shù)，設(shè)定最大訓(xùn)練步數(shù)為100次，學(xué)習(xí)率為0.01。以風(fēng)寒束表證為例，風(fēng)寒束表證BP神經(jīng)網(wǎng)絡(luò)的測試過程如圖3所示，其測試樣本的預(yù)測準確率為72.50%（29/40），BP神經(jīng)網(wǎng)絡(luò)分類誤差如圖4所示。利用同樣的方法與拓撲結(jié)構(gòu)進行風(fēng)熱犯表證、臟腑濕熱證與其他證型的分類器建立。風(fēng)熱犯表證分類模型測準確率90.00%（36/40），臟腑濕熱分類器準確率為87.50%（35/40），其他證型分類器模型準確率為82.50%（33/40）。

模型訓(xùn)練結(jié)果提示，風(fēng)熱犯表證在BP神經(jīng)網(wǎng)絡(luò)模型中擬合度最高，其次臟腑濕熱證，風(fēng)寒束表證最次。分析其原因，可能是由于風(fēng)寒束表證候樣本偏少，導(dǎo)致其訓(xùn)練不夠；或是針對風(fēng)寒束表證，其模型選擇的輸入因子和輸出因子不夠緊密，以至于出現(xiàn)這種現(xiàn)象。但模型訓(xùn)練結(jié)果較為理想，說明BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性和可靠性，且模型具有較強的魯棒性（robustness，反映控制系統(tǒng)抗干擾能力的參數(shù)，即系統(tǒng)的健壯性，是在異常和危險情況下系統(tǒng)生存的關(guān)鍵），提示基于BP神經(jīng)網(wǎng)絡(luò)機分類器在蕁麻疹模型應(yīng)用中具有一定的可行性。

圖3 風(fēng)寒束表證分類器分類輸出Figure 3 Classification output for wind-cold attacking exterior syndrome classifier

圖4 風(fēng)寒束表證分類器分類誤差Figure 4 Classification error of wind-cold attacking exterior syndrome classifier

2.3 SVM證候模型的建立

2.3.1 選定訓(xùn)練集與測試集 選取蕁麻疹數(shù)據(jù)397例，將癥狀設(shè)置為輸入變量，風(fēng)寒束表證、風(fēng)熱犯表證、臟腑濕熱證和其他證型分別設(shè)置為1、2、3、4，并作為輸出變量。選取357例數(shù)據(jù)作為訓(xùn)練樣本，其余每類證型提取10例數(shù)據(jù)為測試樣本。

2.3.2 SVM模型的訓(xùn)練與預(yù)測 參數(shù)懲罰因子C、核函數(shù)以及其參數(shù)的選定可影響SVM模型的性能。C越大則對數(shù)據(jù)的擬合程度越高，容易出現(xiàn)“過學(xué)習(xí)”的現(xiàn)象；當C取值過小時，則對經(jīng)驗誤差懲罰過小，就會出現(xiàn)“欠學(xué)習(xí)”的現(xiàn)象[15]。為了解決該現(xiàn)象，本研究SVM模型采用的是RBF徑向基核函數(shù)，設(shè)置核函數(shù)參數(shù)t=2。利用K-CV（K-folder cross-validation，K折交叉驗證）法對SVM模型的參數(shù)c（懲罰系數(shù)）和g（RBF核函數(shù)的系數(shù)）計算和選取，初設(shè)置懲罰函數(shù)參數(shù)c與gamma參數(shù)g的取值范圍為[2-10，210]。利用svmcgForClass函數(shù)進行計算，得出對應(yīng)參數(shù)c和參數(shù)g模型的分類結(jié)果和準確率，通過K-CV驗證比較不同參數(shù)c和參數(shù)g的分類準確率，選擇最佳參數(shù)c和參數(shù)g。經(jīng)計算，SVM模型的最佳參數(shù)c設(shè)置為0.574 35，g設(shè)置為0.108 82。其模型測試樣本的預(yù)測正確率為92.50%（37/40）。如圖5所示。

圖5 SVM模型的實際測試集分類和預(yù)測測試集分類Figure 5 Practical test set classification and predicted test set classification in SVM model

圖5 顯示，藍色圓圈為實際輸出分類，紅色星號為期望輸出分類；分類輸出結(jié)果在很大程度上與期望結(jié)果相重合，僅有3例樣本與期望輸出不相符合。說明本研究所架構(gòu)的SVM分類器應(yīng)用于蕁麻疹證型分類科學(xué)可行，結(jié)果較好，準確率較高。

基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的分類器的平均準確率為81.13%，SVM分類模型準確率為92.50%。結(jié)果表明，在蕁麻疹中醫(yī)證型分類應(yīng)用，SVM分類模型與BP神經(jīng)網(wǎng)絡(luò)模型均具有較好的魯棒性和穩(wěn)定性，但SVM分類模型優(yōu)于BP神經(jīng)網(wǎng)絡(luò)分類模型。

3 討論

本研究利用BP神經(jīng)網(wǎng)絡(luò)與SVM分類器對蕁麻疹證候進行分類，建立以蕁麻疹17種常見的癥狀為輸入變量，以風(fēng)寒束表證、風(fēng)熱犯表證、臟腑濕熱證、其他證型共4種證型為輸出變量的證候分類模型。其模型擬合效果較好，精確度良好，SVM模型擬合效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

BP算法已經(jīng)被證實具有實現(xiàn)任何復(fù)雜非線性映射的功能，適合用于求解內(nèi)部機制復(fù)雜的問題，因此使用BP人工神經(jīng)網(wǎng)絡(luò)解決中醫(yī)證型問題是可行而科學(xué)的。但BP算法本質(zhì)上是梯度下降算法，所要優(yōu)化的目標函數(shù)又非常復(fù)雜，容易出現(xiàn)“鋸齒形現(xiàn)象”，令BP算法學(xué)習(xí)速度緩慢。本課題訓(xùn)練樣本量少，因此建模迭代次數(shù)較少，導(dǎo)致算法效率低下的弊端并不明顯，與SVM分類器無太大差異。更多的訓(xùn)練樣本能在一定程度上提升BP算法擬合結(jié)果的準確度，而本研究所收集的樣本數(shù)量難以支撐BP算法取得更高的準確度。SVM是一種小樣本學(xué)習(xí)方法，龐大的訓(xùn)練樣本規(guī)模反而不利于SVM的學(xué)習(xí)。因此在樣本量較少的情況下，使用SVM構(gòu)建分類器將比使用BP算法更合適。

本研究利用BP神經(jīng)網(wǎng)絡(luò)與SVM分類器可取得較好的擬合結(jié)果，提示人工神經(jīng)網(wǎng)絡(luò)技術(shù)可能適合中醫(yī)研究的需求。本研究把人工神經(jīng)網(wǎng)絡(luò)技術(shù)與蕁麻疹證型研究相結(jié)合，但因限于一些客觀條件，無法在結(jié)果數(shù)據(jù)的準確度上更進一步。就目前來看，不論是蕁麻疹證型預(yù)測模型還是SVM分類器都還只屬于理論的模型，尚在起步階段，需要進一步完善。蕁麻疹領(lǐng)域的人工神經(jīng)網(wǎng)絡(luò)研究，也需要更進一步的發(fā)展，今后需從以下方面進一步深入：第一，更大的樣本量才能實現(xiàn)更加深入的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，更加廣泛的涵蓋度及更加科學(xué)合理的研究結(jié)果。故在未來的研究中，應(yīng)該廣泛收集蕁麻疹臨床數(shù)據(jù)，增加樣本數(shù)據(jù)量以增強訓(xùn)練效果，建立基于海量數(shù)據(jù)的、具有實用意義的蕁麻疹證型預(yù)測模型和分類器。第二，利用智能優(yōu)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，提高其模型分類器的精確度。第三，針對數(shù)據(jù)采集過程中可能出現(xiàn)誤差或者噪音等現(xiàn)象，可利用機器算法篩選SVM懲罰參數(shù)，進而優(yōu)化SVM分類器模型。