武文杰，宋文愛，高雪梅，楊吉江，王 青，黃麗萍，雷 毅

1.中北大學(xué) 軟件學(xué)院，太原030000

2.北京大學(xué)口腔醫(yī)院 正畸科，北京100089

3.清華大學(xué) 自動(dòng)化系，北京100089

阻塞性睡眠呼吸暫停綜合征是一種上呼吸道反復(fù)出現(xiàn)部分或完全衰竭的一類疾病，大多數(shù)的阻塞性睡眠呼吸暫停都與不同程度的頭顱骨骼變化有關(guān)，包括上頜骨和下頜骨之間的距離變化以及舌骨的尾側(cè)移位等[1-4]。夜間睡眠期間呼吸暫?；蛘吆粑鼤r(shí)較低的通氣量都會(huì)阻礙或減少流入體內(nèi)的空氣體積[5]，導(dǎo)致軀體缺氧。該疾病輕則影響患者的夜間睡眠質(zhì)量[6]，重則會(huì)誘發(fā)其他種類疾病，影響身體健康。阻塞性睡眠呼吸暫停的癥狀主要包括白天過度嗜睡[7]、出現(xiàn)神經(jīng)認(rèn)知障礙，以及導(dǎo)致糖尿病、高血壓、增加心血管疾病發(fā)病率，甚至出現(xiàn)全因死亡等[8-11]，部分患者還出現(xiàn)聽力下降或有中耳功能障礙等[12]。在30 歲至60 歲的中青年群體中，男性和女性的阻塞性睡眠呼吸暫停綜合征的患病率分別為4%和2%；隨著年齡的增長(zhǎng)，老年群體（大于60 歲）中的患病率也相應(yīng)地增加：其中男性為28%～67%，女性為20%～54%[13]。在兒童中的阻塞性睡眠呼吸暫停綜合征也不罕見，嚴(yán)重的阻塞性睡眠呼吸暫停綜合征與小孩的學(xué)習(xí)能力不足、注意力缺陷或多動(dòng)癥等問題明顯相關(guān)，也和小孩遺尿現(xiàn)象有著一定的關(guān)系[14]。由于阻塞性睡眠呼吸暫停綜合征居高不下的發(fā)病率，導(dǎo)致該疾病具有很大的潛在風(fēng)險(xiǎn)，而且發(fā)病緣由尚不明確，只能早發(fā)現(xiàn)早治療。因此，如何高效快捷地檢測(cè)診斷阻塞性睡眠呼吸暫停綜合征成為了目前學(xué)者研究的主要方向。

目前，阻塞性睡眠呼吸暫停的主要檢測(cè)手段是利用多導(dǎo)睡眠監(jiān)測(cè)和X 線片的顱骨測(cè)量等方法[15]。根據(jù)阻塞性睡眠呼吸暫停低通氣綜合征診治指南[16]，利用多導(dǎo)睡眠監(jiān)測(cè)法對(duì)阻塞性睡眠呼吸暫停綜合征進(jìn)行診斷評(píng)估，依據(jù)呼吸暫停-低通氣指數(shù)（Apnea-Hypopnea Index，AHI）可將OSA嚴(yán)重程度可以分為四類，如表1。多導(dǎo)睡眠監(jiān)測(cè)是目前診斷阻塞性睡眠呼吸暫停的唯一標(biāo)準(zhǔn)，因此，對(duì)OSA患者進(jìn)行多導(dǎo)睡眠監(jiān)測(cè)是絕對(duì)有必要的，但是它的實(shí)用性非常有限、成本高昂而且耗時(shí)長(zhǎng)，因此仍需尋找一種新的診斷方式來彌補(bǔ)多導(dǎo)睡眠監(jiān)測(cè)的不足。

表1 OSA嚴(yán)重程度與呼吸暫停次數(shù)關(guān)系表

利用X 射線技術(shù)診斷阻塞性睡眠呼吸暫停是目前臨床醫(yī)學(xué)檢查中的另一項(xiàng)重要的診斷方式，其主要是憑借X 線的強(qiáng)穿透性、攝影效應(yīng)、熒光效應(yīng)等特點(diǎn)。當(dāng)X射線穿過肌體之后，因?yàn)榧◇w內(nèi)的各器官組織對(duì)X射線的吸收存在著一定的差異，此外，人體各組織器官的密度及厚度也是存在差別的，所以它可以形成不同的對(duì)比度圖像。在過去的十年間，頭影側(cè)位測(cè)量片被用來評(píng)估OSA患者的骨骼，以及在較小的程度上評(píng)估面部和上氣道的軟組織解剖狀況。盡管顱面?zhèn)任籜 線片是在受試者日間清醒且直立的狀態(tài)下拍攝的，這相對(duì)于在夜間進(jìn)行診斷的多導(dǎo)睡眠監(jiān)測(cè)有明顯的局限性，但是基于顱面?zhèn)任籜 線片的診斷方式相對(duì)簡(jiǎn)單且成本較低，此外，側(cè)位頭影測(cè)量參數(shù)與阻塞性睡眠呼吸暫停診斷標(biāo)準(zhǔn)的相關(guān)性也在大量研究中得到了認(rèn)證[17-19]，因此X 射線成為了評(píng)估阻塞性睡眠呼吸暫停嚴(yán)重程度的有效工具。

人工智能的問世，使得僅基于X線片數(shù)據(jù)進(jìn)行輔助診斷的系統(tǒng)有了實(shí)現(xiàn)的可能，患者僅需拍攝顱面?zhèn)任黄到y(tǒng)根據(jù)所得圖片即可對(duì)疾病做出診斷，這種診斷方式有著易推廣、易實(shí)施的特點(diǎn)，具有良好的應(yīng)用前景。該方式可以有效地推廣向基層，還可以進(jìn)一步提升診斷識(shí)別的能力，對(duì)緩解醫(yī)療資源不足的問題有著重要意義。

1 相關(guān)領(lǐng)域的研究現(xiàn)狀

阻塞性睡眠呼吸暫停綜合征（Obstructive Sleep Apnea Syndrome，OSAS）患者主要表現(xiàn)癥狀為夜間睡眠期間上呼吸道反復(fù)出現(xiàn)阻塞，若要對(duì)阻塞性睡眠呼吸暫停做出精確的診斷，首先需要制定一個(gè)嚴(yán)格的評(píng)估標(biāo)準(zhǔn)，Lee等人[20]研究發(fā)現(xiàn)，不同種族之間的平均年齡和身體質(zhì)量指數(shù)相似。但是中國(guó)患者的OSA 癥狀更為嚴(yán)重。因?yàn)橹袊?guó)人的頭顱骨骼局限性更大一些，其中包括較短的顱底、上頜骨和下頜骨長(zhǎng)度。由于種族之間存在著的差異，在研究中國(guó)OSA患者時(shí)，建立我國(guó)本民族本地區(qū)無鼾癥即正常人群的側(cè)位顱面X 線頭影測(cè)量參考值是非常有必要的。劉月華等人[21]通過選擇北京地區(qū)的100 名健康的在校大學(xué)生，對(duì)他們進(jìn)行了側(cè)位顱面X線數(shù)據(jù)測(cè)量和統(tǒng)計(jì)分析。Chang等人[15]對(duì)參與者進(jìn)行了多導(dǎo)睡眠檢測(cè)和頭部側(cè)位掃描，通過對(duì)顱面X 線片、年齡、身體質(zhì)量指數(shù)以及頸圍等數(shù)據(jù)記錄分析，發(fā)現(xiàn)顱面?zhèn)任籜線片測(cè)量是評(píng)價(jià)中國(guó)OSA患者的一種有效的臨床診斷工具，而且OSA 患者也需要同時(shí)測(cè)量骨骼結(jié)構(gòu)以及軟組織結(jié)構(gòu)，這樣才能得到最佳的診斷結(jié)果。

眾所周知，肥胖也是誘發(fā)阻塞性睡眠呼吸暫停綜合征中最常見的因素之一。它對(duì)睡眠呼吸障礙的影響似乎也超越了其他的已經(jīng)被確定的容易誘導(dǎo)睡眠呼吸障礙的因素，比如遺傳、上呼吸道異?；蛘呤秋B面表型。在Sutherland 等人[22]的研究中，他們證實(shí)對(duì)于比白種人的骨骼限制更大的亞洲人來說，肥胖是加劇阻塞性睡眠呼吸暫停病情的一個(gè)非常重要的原因。

隨著人工智能的發(fā)展，越來越多的機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)模型運(yùn)用在阻塞性睡眠呼吸暫停診療中，Marcos等人[23]對(duì)149 名參加測(cè)試的患者進(jìn)行了研究分析，通過對(duì)他們進(jìn)行夜間多導(dǎo)睡眠監(jiān)測(cè)和血氧飽和度檢測(cè)，得到對(duì)阻塞性睡眠呼吸暫停的首次分析結(jié)果。繼而對(duì)檢測(cè)結(jié)果進(jìn)行特征提取，并將提取的特征做歸一化處理。然后將所得數(shù)據(jù)傳入支持向量機(jī)（Support Vector Machine，SVM）中作為其輸入數(shù)據(jù)，最終得到OSA 的診斷結(jié)果。研究者發(fā)現(xiàn)該算法診斷阻塞性睡眠呼吸暫停的靈敏度為84.44%、特異性為93.33%。Ho[24]提出了一種全新的方法，其方法思想是利用卷積神經(jīng)網(wǎng)絡(luò)和單通道鼻壓力信號(hào)進(jìn)行實(shí)時(shí)呼吸暫停或呼吸不足事件的檢測(cè)。將179個(gè)多導(dǎo)睡眠監(jiān)測(cè)記錄作為研究的數(shù)據(jù)集，其中訓(xùn)練集數(shù)量為50，驗(yàn)證集數(shù)量為25，測(cè)試集數(shù)量為104。根據(jù)逐段的分析，該方法顯示的結(jié)果對(duì)診斷OSA有很大的幫助，其中靈敏度為81.1%，特異性為98.5%以及準(zhǔn)確度為96.6%，為診斷分析OSA 提出了一種有效的深度學(xué)習(xí)解決方案，并為深度學(xué)習(xí)應(yīng)用于診斷OSA打下了良好的基礎(chǔ)。

2 阻塞性睡眠呼吸暫停的輔助診斷

目前，阻塞性睡眠呼吸暫停的診斷主要是依靠醫(yī)生對(duì)受試者進(jìn)行人工的多導(dǎo)睡眠監(jiān)測(cè)，由于多導(dǎo)睡眠監(jiān)測(cè)的醫(yī)療費(fèi)用高昂、診斷分析耗時(shí)長(zhǎng)以及對(duì)醫(yī)師的專業(yè)水平要求較高等局限性，利用機(jī)器輔助診斷分析越來越受到人們的重視。阻塞性睡眠呼吸暫停人工智能輔助診斷的方式大致可以分為兩種：（1）基于傳統(tǒng)方式診斷；（2）基于深度學(xué)習(xí)方式診斷。

2.1 傳統(tǒng)方式

2.1.1 基于關(guān)鍵點(diǎn)

由于深度學(xué)習(xí)領(lǐng)域的發(fā)展，早期傳統(tǒng)診斷方法的使用已逐漸減少。由于基于關(guān)鍵點(diǎn)的傳統(tǒng)診斷方式主要是研究顱面骨骼或軟組織異常程度與阻塞性睡眠呼吸暫停之間的相關(guān)性，所以該診斷方式在醫(yī)學(xué)上的解釋性高，因此該診斷方式依舊具有很大的研究?jī)r(jià)值。

早在20 世紀(jì)80 年代末，研究者就開始利用顱面?zhèn)任黄嘘P(guān)鍵點(diǎn)之間的差異，來診斷阻塞性睡眠呼吸暫停綜合征。Deberry-Borowiecki等[25]分析了30位OSA患者和12個(gè)年齡及性別相似的健康受試者的顱面?zhèn)任籜線片。統(tǒng)計(jì)結(jié)果表明，OSA患者的測(cè)量數(shù)據(jù)在五個(gè)方面與健康組不同。這也證實(shí)了基于顱面關(guān)鍵點(diǎn)研究的可行性。

Banabilh等人[26]使用MorphoStudio軟件分析顱面?zhèn)任籜線片中的27個(gè)標(biāo)志點(diǎn)。計(jì)算平均阻塞性睡眠呼吸暫停和平均二維控制氣道構(gòu)型，并進(jìn)行t 檢驗(yàn)和有限元分析，其中通過有限元分析可以使兩組（OSA與非OSA組）間關(guān)鍵點(diǎn)測(cè)量數(shù)據(jù)的差異以圖形化展示，尺寸和形狀的變化使結(jié)果更明顯。研究結(jié)果顯示，OSA組的測(cè)量數(shù)據(jù)在多方面與健康組存在明顯差異。

Ryu等[27]利用Pearson二元相關(guān)分析、判別函數(shù)分析以及交叉驗(yàn)證等，對(duì)140名參與者進(jìn)行顱面?zhèn)任怀上窈投鄬?dǎo)睡眠監(jiān)測(cè)評(píng)估。在側(cè)位頭顱造影上總共進(jìn)行了29次測(cè)量（24 個(gè)距離和5 個(gè)角度）。對(duì)顱面測(cè)量和多導(dǎo)睡眠圖參數(shù)進(jìn)行分析，分離出9 個(gè)與OSA 相關(guān)的變量，結(jié)果表明：頭顱側(cè)位X射線可用于評(píng)估顱面及軟組織畸形與OSA嚴(yán)重程度的關(guān)系。

Gungor等[28]使用頭顱測(cè)量分析程序（Dolphin Imaging Cephalometric and Tracing Software）測(cè)量分析了16 名OSA患者和16名健康受試者的顱面情況，并通過Mann-Whitney U檢驗(yàn)分析了25個(gè)測(cè)量參數(shù)在OSA患者和健康受試者間的區(qū)別，發(fā)現(xiàn)兩組數(shù)據(jù)在幾個(gè)顱面測(cè)量參數(shù)中存在顯著差異。

Hoekema等[29]使用顱面?zhèn)任籜線片測(cè)量技術(shù)，對(duì)比分析了31 名男性O(shè)SA 患者與37 名健康男性受試者的顱面形態(tài)，并確定了16 個(gè)顱面測(cè)量數(shù)據(jù)，利用student t檢驗(yàn)分析了OSA 患者組與健康組測(cè)量數(shù)據(jù)之間的差異，通過多元回歸分析評(píng)估所選測(cè)量數(shù)據(jù)的預(yù)測(cè)值，得到了一個(gè)優(yōu)秀的篩選OSA的模型，如表2。

表2 關(guān)鍵點(diǎn)模型

綜上所述，容易發(fā)現(xiàn)，（如圖1）基于關(guān)鍵點(diǎn)診斷方式對(duì)阻塞性睡眠呼吸暫停診斷的步驟大致如下：

（1）對(duì)受試者做頭顱側(cè)位X 射線檢查，圖像主要區(qū)域包括顱面骨骼以及軟組織。

（2）設(shè)計(jì)算法，提取X 線片中的相關(guān)特征點(diǎn)并做記錄，測(cè)量計(jì)算相關(guān)特征點(diǎn)間的距離或角度。

（3）最終將提取數(shù)據(jù)與非OSA數(shù)據(jù)進(jìn)行對(duì)比分析，得出評(píng)估結(jié)果。

圖1 傳統(tǒng)方式對(duì)OSA診斷步驟

阻塞性睡眠呼吸暫?；陉P(guān)鍵點(diǎn)的診斷方式，需要對(duì)每一個(gè)受試者的顱面?zhèn)任籜線片進(jìn)行測(cè)量，為了提取更好的特征表示，其主要特點(diǎn)是使用的關(guān)鍵點(diǎn)都是專業(yè)醫(yī)師手工設(shè)計(jì)的，往往成本高且耗時(shí)長(zhǎng)，這也成為了該診斷方式的主要缺陷?；陉P(guān)鍵點(diǎn)的傳統(tǒng)診斷方法基本上還是利用的比較淺層的特征，然后使用設(shè)計(jì)好的算法對(duì)空間位置關(guān)系進(jìn)行建模，而深度學(xué)習(xí)方法將二者合為一體，這樣的優(yōu)勢(shì)是便于設(shè)計(jì)和優(yōu)化。

2.1.2 基于傳統(tǒng)機(jī)器學(xué)習(xí)

近幾年，深度學(xué)習(xí)掩蓋了經(jīng)典機(jī)器學(xué)習(xí)的風(fēng)采，成為了解決人工智能類型問題的首選技術(shù)，原因是深度學(xué)習(xí)在各方面任務(wù)中出色的表現(xiàn)，其中包括但不限于自然語言和視覺處理等。然而，傳統(tǒng)的機(jī)器學(xué)習(xí)與高性能的深度學(xué)習(xí)相比并不是一無是處的，例如使用線性回歸和支持向量機(jī)同樣可以得出好結(jié)果。

Marcos 等人[23]對(duì)149 名參加測(cè)試的患者進(jìn)行了研究，由于血氧測(cè)量數(shù)據(jù)存在不準(zhǔn)確性，因此對(duì)患者進(jìn)行夜間多導(dǎo)睡眠監(jiān)測(cè)以及對(duì)患者血氧飽和度（SaO2）檢測(cè)記錄做了光譜分析，以量化健康組與OSA 組之間的差異。繼而對(duì)檢測(cè)結(jié)果特征提取及歸一化處理。將所得數(shù)據(jù)傳入給予優(yōu)化的支持向量機(jī)中作為其輸入數(shù)據(jù)，最終得到很好的OSA檢測(cè)結(jié)果。但是其研究也存在著一些局限性，首先Marcos的研究數(shù)據(jù)集規(guī)模很小，對(duì)測(cè)試集的優(yōu)化需要更大的數(shù)據(jù)集作為支撐；其次對(duì)血氧飽和度信號(hào)做光譜分析，雖然OSA 組和非OSA 組的血氧飽和度信號(hào)有著明顯區(qū)別，但是SaO2 信號(hào)可能受到噪聲的干擾。

由于多導(dǎo)睡眠監(jiān)測(cè)需要受試者進(jìn)行整夜的睡眠檢測(cè)，這意味著耗時(shí)長(zhǎng)且成本相對(duì)較高，而且與白種人相比，在年齡和身體質(zhì)量指數(shù)相似時(shí)，中國(guó)OSA患者的癥狀更為嚴(yán)重，Ting等[30]驗(yàn)證了一個(gè)基于專家的特征提取與自動(dòng)特征選擇決策樹相結(jié)合的診斷系統(tǒng)，用于診斷中國(guó)臺(tái)灣地區(qū)的中度及重度阻塞性睡眠呼吸暫停綜合征患者。并與反向逐步多變量邏輯回歸模型、決策樹等算法進(jìn)行了比較，發(fā)現(xiàn)其提出的算法診斷準(zhǔn)確率為96.9%，是所有評(píng)估比較的算法里效果最好的。但研究數(shù)據(jù)集是由診所患者組成的，使其診斷OSA 的患病率高達(dá)73%，這與中國(guó)人的OSA患病率嚴(yán)重不符，因此該研究的結(jié)果并不能代表全體中國(guó)人。

Hajipour等[31]研究人員利用受試者白天清醒時(shí)的氣管呼吸音以及夜間多導(dǎo)睡眠檢查數(shù)據(jù)，利用不同的特征提取方式提取特征，評(píng)估比較了隨機(jī)森林（Random Forest，RF）和正則化邏輯回歸（Logistic Regression，LR）兩種機(jī)器學(xué)習(xí)算法對(duì)阻塞性睡眠呼吸暫停的診斷結(jié)果。研究表明，在診斷阻塞性睡眠呼吸暫停綜合征時(shí)這兩種機(jī)器學(xué)習(xí)算法都各有優(yōu)勢(shì)，隨機(jī)森林方法精度較高，因此是醫(yī)學(xué)診斷的首選方式；但如果數(shù)據(jù)集過大時(shí)，正則化邏輯回歸方式可以更快地得出診斷結(jié)果，并且準(zhǔn)確性也滿足診斷需求。

Lee 等[32]為了尋找耗時(shí)較短的算法，分析比較了支持向量機(jī)和模糊支持向量機(jī)（Fuzzy Support Vector Machine，F(xiàn)SVM）兩種算法的性能。數(shù)據(jù)集為32例睡眠呼吸暫?；颊叩亩鄬?dǎo)睡眠監(jiān)測(cè)記錄以及使用Pan 和Tompkins算法提取的心跳信號(hào)，通過將模糊支持向量機(jī)的模糊隸屬函數(shù)參數(shù)n由1 上調(diào)為500，雖然最大分類準(zhǔn)確率與支持向量機(jī)同為93.23%，但FSVM 的學(xué)習(xí)時(shí)間較SVM 減少了一萬余倍，為篩選OSA 開創(chuàng)了一個(gè)高效的模糊支持向量機(jī)算法。如表3。

表3 傳統(tǒng)機(jī)器學(xué)習(xí)模型

在基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法中，使用的分類器主要是SVM、決策樹或隨機(jī)森林等，相對(duì)深度學(xué)習(xí)方法，傳統(tǒng)機(jī)器學(xué)習(xí)方式的可解釋性更強(qiáng)，在理論分析上更有優(yōu)勢(shì)。

2.2 深度學(xué)習(xí)方式

基于深度學(xué)習(xí)的診斷方式自2012 年Krizhevsky[33]提出后，便成為了研究的熱門，Ibragimov[34]首次研究了深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolution Neural Network，DCNN）在全自動(dòng)定量顱骨測(cè)量中的應(yīng)用。深度卷積神經(jīng)網(wǎng)絡(luò)是人工智能機(jī)器學(xué)習(xí)中的一部分，它是一種深度學(xué)習(xí)體系結(jié)構(gòu)，用于自主學(xué)習(xí)圖像的局部特征，并進(jìn)行分類[35-36]。因此，利用深度學(xué)習(xí)來分析診斷OSA將會(huì)漸漸取代原始的機(jī)器學(xué)習(xí)以及特征點(diǎn)提取方式。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋式神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)代表算法之一，經(jīng)常被用來處理圖像。卷積神經(jīng)網(wǎng)絡(luò)通常由幾種不同類型的層組合而成，其中有數(shù)據(jù)輸入層、卷積層、激活函數(shù)、池化層、全連接層等。卷積神經(jīng)網(wǎng)絡(luò)通過卷積層中的卷積核進(jìn)行特征提??；經(jīng)過池化層省略掉圖像中相鄰像素間的相似值，其原理是減少待處理的數(shù)據(jù)量，得以提高計(jì)算效率；其次利用激活函數(shù)實(shí)現(xiàn)梯度下降；最后通過全連接層實(shí)現(xiàn)結(jié)果的輸出。另一方面，卷積神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)能力，并且在訓(xùn)練和優(yōu)化方面也有很大的優(yōu)勢(shì)。

2.2.1 診斷成人OSA的深度學(xué)習(xí)方案

目前，診斷分析阻塞性睡眠呼吸暫停綜合征的深度學(xué)習(xí)方式大部分是以血氧飽和度信號(hào)、多導(dǎo)睡眠圖作為研究數(shù)據(jù)集，基于顱面?zhèn)任籜射線診斷阻塞性睡眠呼吸暫停綜合征的深度學(xué)習(xí)診斷還很少見。Ho[24]使用多導(dǎo)睡眠監(jiān)測(cè)記錄及預(yù)處理后的鼻壓力傳感器信號(hào)作為數(shù)據(jù)集，多導(dǎo)睡眠監(jiān)測(cè)記錄分為訓(xùn)練集、模型驗(yàn)證集、獨(dú)立測(cè)試集。根據(jù)驗(yàn)證集測(cè)試得到最優(yōu)參數(shù)組合，將測(cè)試集傳入CNN 模型進(jìn)行分類，取得了很好的篩選結(jié)果。值得一提的是，CNN模型是全自動(dòng)的，并沒有手動(dòng)設(shè)計(jì)特征提??；并且可以進(jìn)行實(shí)時(shí)監(jiān)測(cè)。另一方面，該研究并不支持睡眠呼吸暫停的多分類，只能精確地檢測(cè)到呼吸暫停低通氣事件；此外由于鼻壓力信號(hào)較為微弱的特殊性，這將影響到后期的檢測(cè)結(jié)果，這些問題使得該研究也存在著一些局限性。

Vaquerizo-Villar等[37]將746位受試者經(jīng)過預(yù)處理的夜間血氧飽和度信號(hào)作為數(shù)據(jù)集，利用卷積神經(jīng)網(wǎng)絡(luò)來自動(dòng)估計(jì)小孩睡眠呼吸暫停低通氣綜合征（Sleep Apnea-Hypopnea Syndrome，SAHS）的嚴(yán)重程度，其使用的卷積神經(jīng)網(wǎng)絡(luò)模型由λ個(gè)CNN 塊組成，每塊又由包含16 個(gè)濾波器及內(nèi)核為6 的卷積層、整流線性單元（ReLU）層及系數(shù)為2的池化層合并組成。最終通過深度學(xué)習(xí)技術(shù)證明了從血氧飽和度信號(hào)中提取的信息有助于評(píng)估兒童SAHS 的嚴(yán)重程度。雖然該研究在敏感性、特異性等方面有卓越的表現(xiàn)，但是數(shù)據(jù)集中非SAHS 的受試者數(shù)量居多，這將影響到CNN 評(píng)估結(jié)果；另一方面，并沒有利用常規(guī)的血氧飽和度信號(hào)作為數(shù)據(jù)集與該研究診斷結(jié)果進(jìn)行比較。

Kim[38]對(duì)測(cè)試者進(jìn)行了整夜的多導(dǎo)睡眠監(jiān)測(cè)，在受試者睡眠期間記錄他們的呼吸聲，通過頻譜減法、濾波法進(jìn)行信號(hào)預(yù)處理并提取出音頻特征，使用了三種分類模型來執(zhí)行篩選OSA的任務(wù)。其中Simple Logistics模型的性能表現(xiàn)最好，深度神經(jīng)網(wǎng)絡(luò)模型由于數(shù)據(jù)集小而表現(xiàn)欠佳。在之前的許多研究中都只是將診斷結(jié)果進(jìn)行二分類，而該研究實(shí)現(xiàn)了OSA 的四分類，這是少見的；而樣本數(shù)量與特征提取方面限制了深度神經(jīng)網(wǎng)絡(luò)模型的性能，因此擁有大規(guī)模數(shù)據(jù)集將會(huì)使得深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型表現(xiàn)更好。

Haidar[39]的研究從100名受試者的鼻氣流信號(hào)中提取了24 480 個(gè)樣本作為數(shù)據(jù)集，提出了一種基于CNN的解決方案，使用Back Propagation 算法和Adam 優(yōu)化器對(duì)模型優(yōu)化訓(xùn)練，與有優(yōu)秀表現(xiàn)的SVM 模型進(jìn)行了比較。結(jié)果顯示，卷積神經(jīng)網(wǎng)絡(luò)模型不僅不需要人工設(shè)計(jì)特征提取，而且測(cè)試精確率等數(shù)據(jù)也優(yōu)于SVM。但該研究也存在著一些局限性，新設(shè)計(jì)的CNN 模型只能對(duì)睡眠呼吸暫停和呼吸不足事件做二分類，并不能做到呼吸不足嚴(yán)重程度的細(xì)分類；另外樣本數(shù)量較少的問題也影響到該模型的表現(xiàn)。

為了提高分類器的性能，Li[40]在研究中，提出了一種使用單導(dǎo)聯(lián)心電圖信號(hào)作為數(shù)據(jù)集的基于深度神經(jīng)網(wǎng)絡(luò)（DNN）和隱馬爾可夫模型（HMM）的OSA 檢測(cè)方法，使用邏輯回歸層的監(jiān)督模式和newton 方法對(duì)模型進(jìn)行了優(yōu)化，利用無監(jiān)督機(jī)器學(xué)習(xí)算法通過稀疏自動(dòng)編碼器對(duì)DNN 模型進(jìn)行建模，并將HMM 與DNN 相融合以至于提高模型的性能。結(jié)果表明，該模型的敏感性為88.9%，在不漏診方面相對(duì)之前的研究表現(xiàn)十分出色，這在臨床實(shí)踐中尤為重要；但遺憾的是，雖然該研究篩選OSA 患者的準(zhǔn)確率很高，但也沒有實(shí)現(xiàn)OSA 嚴(yán)重程度的多分類。

2.2.2 基于X線片診斷其他疾病

現(xiàn)階段，基于X線片的診斷技術(shù)大多被運(yùn)用在胸肺等部位疾病中，2019年底出現(xiàn)的一種新型冠狀病毒疾?。–OVID-19）在全世界蔓延，Al-antari[41]提出一種基于YOLO預(yù)測(cè)器的深度學(xué)習(xí)診斷系統(tǒng)，通過數(shù)據(jù)的平衡與隨機(jī)縮放擴(kuò)充策略來微調(diào)優(yōu)化深度學(xué)習(xí)模型。YOLO預(yù)測(cè)器有著可以同時(shí)檢索潛在疾病并預(yù)測(cè)患病概率的優(yōu)勢(shì)，這較其他方法有著顯著的優(yōu)勢(shì)。雖然COVID-19與其他肺部疾病有較高的相似度，極易造成誤診，但是通過五次測(cè)試結(jié)果分析發(fā)現(xiàn)，該輔助診斷系統(tǒng)正確篩選COVID-19的準(zhǔn)確率為96.31%，有效地從其他肺部疾病中篩選出了COVID-19。

Chen[42]為了使用X 射線診斷兒童急性下呼吸道感染，提出了一種深度學(xué)習(xí)方案。其訓(xùn)練了基于YOLOv3架構(gòu)的模型以自動(dòng)切分肺部視野，并分析比較了一對(duì)一、一對(duì)多以及基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)三種方案，在CNN模型中，利用基于殘差學(xué)習(xí)ResNet方案解決了降級(jí)問題，并使用逐個(gè)元素添加連接前層的手段，使得模型更薄且更為緊密，但是由于樣本數(shù)量較少的問題，研究者只能通過五次重復(fù)交叉的方式對(duì)模型進(jìn)行訓(xùn)練。然而最終得出的最優(yōu)方案為一對(duì)一模型，其準(zhǔn)確率為92.47%。雖然CNN 模型的表現(xiàn)欠佳，但也為診斷兒童急性下呼吸道感染疾病提出了一個(gè)可行的深度學(xué)習(xí)方案。

為了建立一種基于深度學(xué)習(xí)的檢測(cè)心力衰竭的研究方案，Matsumoto[43]使用美國(guó)國(guó)立衛(wèi)生研究院的638例胸部X線片作為數(shù)據(jù)集，建立深度學(xué)習(xí)模型得到74%的診斷準(zhǔn)確率。為了提高準(zhǔn)確率，研究者將數(shù)據(jù)重新標(biāo)記去除噪聲，利用數(shù)據(jù)擴(kuò)充與遷移學(xué)習(xí)技術(shù)彌補(bǔ)數(shù)據(jù)集小的缺陷，并且避免了由數(shù)據(jù)集小造成過擬合的現(xiàn)象，最終得出診斷心力衰竭準(zhǔn)確率為82%的優(yōu)秀結(jié)果。但另一方面，該研究數(shù)據(jù)集較小的問題還是對(duì)診斷準(zhǔn)確率造成了不小的影響，提升樣本數(shù)量會(huì)使得研究結(jié)果更佳；并且該研究只能通過識(shí)別由心力衰竭造成的“心臟肥大或充血”來篩選該疾病，而除了心力衰竭也有別的疾病癥狀與之相似，所以這也是該研究的一個(gè)局限性。

在另一項(xiàng)判斷骨骼生長(zhǎng)潛力的研究中，Chen[44]提出了一種基于X 射線的深度學(xué)習(xí)解決方案。該方法首先利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)手骨X 線片進(jìn)行自動(dòng)特征提取，利用支持向量機(jī)對(duì)所提取的特征再次進(jìn)行分類，并評(píng)測(cè)了該模型與傳統(tǒng)特征提取再分類的性能，發(fā)現(xiàn)該系統(tǒng)具有更高的準(zhǔn)確率。因此基于深度神經(jīng)網(wǎng)絡(luò)的特征提取方式較傳統(tǒng)的人工特征提取方式有很大的優(yōu)勢(shì)，可以提取到更多有用的特征。另一方面，雖然該方法擁有更好的性能，但是人們只能關(guān)注到系統(tǒng)的輸入以及輸出，至于內(nèi)部過程及原理是完全不了解的。

通過總結(jié)X 射線以及阻塞性睡眠呼吸暫停的深度學(xué)習(xí)相關(guān)研究，基于顱面?zhèn)任黄腛SA 診斷系統(tǒng)的分析檢測(cè)過程大致分為以下四個(gè)步驟：

（1）對(duì)所有測(cè)試者（其中包括非OSA 群體）進(jìn)行側(cè)位頭顱X線檢查，并通過多導(dǎo)睡眠監(jiān)測(cè)記錄所有測(cè)試者的呼吸暫停低通氣指數(shù)（非OSA、輕度、中度、重度）。

（2）保留屬于重度OSA 的患者信息和非OSA 者的信息，并將數(shù)據(jù)集中的部分無用數(shù)據(jù)清除，如年齡小于20歲的測(cè)試者還處在生長(zhǎng)發(fā)育階段，其骨骼尚未發(fā)育完全，考慮其骨骼可能會(huì)繼續(xù)生長(zhǎng)發(fā)育的因素，將其信息清除，不做考慮。

（3）為了減少后期的訓(xùn)練時(shí)間，考慮將數(shù)據(jù)集中的X 線片進(jìn)行裁剪，來減小X 線片的大小，以至縮短計(jì)算機(jī)的訓(xùn)練時(shí)長(zhǎng)。分組大致為：A組原始圖像；B組將原始的X線片進(jìn)行裁剪。

（4）最后，將數(shù)據(jù)集中75%的數(shù)據(jù)設(shè)為訓(xùn)練集；25%的數(shù)據(jù)設(shè)為測(cè)試集。通過對(duì)不同組進(jìn)行訓(xùn)練、測(cè)試，繼而對(duì)比A、B兩組，分析不同組之間在耗時(shí)長(zhǎng)短、準(zhǔn)確度等方面的優(yōu)勢(shì)與劣勢(shì)，如圖2所示。

圖2 深度學(xué)習(xí)診斷步驟

2.3 小結(jié)

關(guān)鍵點(diǎn)診斷方式是傳統(tǒng)診斷方式中的一種，通過分析顱面?zhèn)任籜線片中相關(guān)的特征點(diǎn)來診斷阻塞性睡眠呼吸暫停綜合征，其有著價(jià)格低廉、解釋性較高等優(yōu)點(diǎn)。但是關(guān)鍵點(diǎn)的提取十分依賴專業(yè)知識(shí)以及特定的分類器，而特定的分類算法又依賴于大量的訓(xùn)練以及調(diào)試工作，因此基于關(guān)鍵點(diǎn)的診斷方式泛化能力及魯棒性較差。

而基于機(jī)器學(xué)習(xí)的傳統(tǒng)診斷方式，技術(shù)相對(duì)成熟，效率高，但是任意一種機(jī)器學(xué)習(xí)算法都有各自的優(yōu)缺點(diǎn)，比如決策樹由于無約束，可能出現(xiàn)過擬合的現(xiàn)象；支持向量機(jī)在圖像處理中又不利于處理較大的數(shù)據(jù)集。

對(duì)于深度學(xué)習(xí)方式，該方式主要是依靠大量的數(shù)據(jù)樣本作為基礎(chǔ)，雖然對(duì)數(shù)據(jù)的準(zhǔn)確度要求很高，但是對(duì)數(shù)據(jù)的測(cè)試結(jié)果更準(zhǔn)確、更高效，并且由于深度學(xué)習(xí)獨(dú)特的特征提取技術(shù)，使得其泛化能力極高。但是也不能忽視深度學(xué)習(xí)對(duì)數(shù)據(jù)集和計(jì)算機(jī)設(shè)備的嚴(yán)苛要求，以及訓(xùn)練所需的時(shí)間更長(zhǎng)等缺點(diǎn)，如表4。

3 存在的挑戰(zhàn)

回顧之前的相關(guān)研究，Bhatt[45]發(fā)現(xiàn)深度學(xué)習(xí)雖然可以為不同的醫(yī)學(xué)研究（如圖像分類、組織分類、癌細(xì)胞特征、檢測(cè)和分割）得出樂觀的結(jié)果。但深度學(xué)習(xí)模型主要取決于系統(tǒng)的功能和針對(duì)研究課題的數(shù)據(jù)獲取，這將會(huì)使系統(tǒng)變得更為復(fù)雜，對(duì)研究所需數(shù)據(jù)的準(zhǔn)確性要求也非常高[46]，而且標(biāo)記過程仍然需要專業(yè)的知識(shí)作為基礎(chǔ)?；陲B面?zhèn)任黄某扇薕SA深度學(xué)習(xí)輔助診斷系統(tǒng)，訓(xùn)練模型的數(shù)據(jù)集不僅需要大量的顱面?zhèn)任籜 線片，同時(shí)需要與之一一對(duì)應(yīng)的AHI 診斷結(jié)果，以明確OSA 嚴(yán)重程度。而AHI 診斷結(jié)果又將依賴于多導(dǎo)睡眠監(jiān)測(cè)，實(shí)現(xiàn)基于深度學(xué)習(xí)方法的系統(tǒng)成本將會(huì)很高，所以成本因素仍然是面臨的一個(gè)不可忽視的挑戰(zhàn)。模型如何利用較少的樣本進(jìn)行有效的學(xué)習(xí)是十分重要的，比如利用少量的邏輯知識(shí)替代大規(guī)模的數(shù)據(jù)堆積，將深度學(xué)習(xí)與知識(shí)圖譜、邏輯推理等理論相互結(jié)合，以至在有限的數(shù)據(jù)集中訓(xùn)練出優(yōu)秀的深度學(xué)習(xí)模型。

此外，深度學(xué)習(xí)主要依靠隨機(jī)梯度法來訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，該方式不能同時(shí)運(yùn)行在多個(gè)計(jì)算機(jī)之間。而且利用CPU 來訓(xùn)練傳統(tǒng)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，將面臨著耗時(shí)長(zhǎng)的問題，用單個(gè)處理器訓(xùn)練如此大的數(shù)據(jù)集也是一項(xiàng)非常有挑戰(zhàn)性的任務(wù)。因此，需要使用Adam 等自適應(yīng)優(yōu)化算法來對(duì)深度學(xué)習(xí)模型進(jìn)行優(yōu)化，以至提高學(xué)習(xí)效率減少訓(xùn)練時(shí)間，另一方面，計(jì)算機(jī)硬件與軟件的設(shè)計(jì)都是必須的，只有性能更好的硬、軟件設(shè)備和優(yōu)秀的算法，才能使得訓(xùn)練耗時(shí)長(zhǎng)的問題得以解決。

深度學(xué)習(xí)雖然可以發(fā)現(xiàn)事物之間存在的關(guān)聯(lián)性，并建立起來一一對(duì)應(yīng)的映射關(guān)系，但是深度學(xué)習(xí)并不能解釋其中的因果關(guān)系，即與醫(yī)師進(jìn)行分析診斷不同的是，雖然它的篩選結(jié)果十分優(yōu)秀，但沒有辦法為已處理圖像做出有利的醫(yī)學(xué)解釋，這也是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。因此在未來的工作中，對(duì)模型內(nèi)部事務(wù)運(yùn)作原理的探究是非常有必要的。并改進(jìn)模型算法，在系統(tǒng)給出輔助診斷結(jié)果的同時(shí)，也給出相應(yīng)的醫(yī)學(xué)解釋。

表4 不同診斷方式的優(yōu)缺點(diǎn)

4 結(jié)論

本文的研究中，主要分析了傳統(tǒng)方式和深度學(xué)習(xí)方式在診斷阻塞性睡眠呼吸暫停中的應(yīng)用。也是阻塞性睡眠呼吸暫停綜合征人工智能診斷系統(tǒng)實(shí)現(xiàn)的重點(diǎn)研究方向。傳統(tǒng)方式主要分為兩類，一類為基于關(guān)鍵點(diǎn)的傳統(tǒng)方式來OSA，關(guān)鍵點(diǎn)分析診斷主要是人工設(shè)計(jì)特征提取器進(jìn)行特征提取，進(jìn)而通過和標(biāo)準(zhǔn)值對(duì)比得出最終的診斷結(jié)果；另一類為機(jī)器學(xué)習(xí)方式主要是利用傳統(tǒng)的機(jī)器學(xué)習(xí)算法如：支持向量機(jī)、決策樹等，與多導(dǎo)睡眠監(jiān)測(cè)結(jié)果相結(jié)合，再對(duì)阻塞性睡眠呼吸暫停做出最終診斷結(jié)果。

深度學(xué)習(xí)使用神經(jīng)網(wǎng)絡(luò)技術(shù)來生成“程序”，這種技術(shù)只會(huì)將結(jié)果與圖像之間建立一個(gè)一對(duì)一的映射關(guān)系，它對(duì)執(zhí)行任務(wù)的底層原理是不知所以然的。雖然深度學(xué)習(xí)已經(jīng)成為圖像分析處理領(lǐng)域的一個(gè)重要的組成部分。但傳統(tǒng)的機(jī)器學(xué)習(xí)方法并沒有完全被深度學(xué)習(xí)所取代，而且傳統(tǒng)的機(jī)器學(xué)習(xí)仍然可以對(duì)一些特定的問題作出很好的分析。雖然人們?cè)O(shè)計(jì)的基于傳統(tǒng)機(jī)器學(xué)習(xí)的分類器在處理相關(guān)問題時(shí)沒有深度學(xué)習(xí)那么優(yōu)秀，但是它可以保證很好的可理解性。深度學(xué)習(xí)可以通過強(qiáng)大的處理能力給出很好的結(jié)果，但仍然需要大量的絕對(duì)準(zhǔn)確的數(shù)據(jù)集作為基礎(chǔ)，并且對(duì)硬件的要求遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的機(jī)器學(xué)習(xí)。

阻塞性睡眠呼吸暫停綜合征人工智能診斷系統(tǒng)的開發(fā)還面臨著諸多的難點(diǎn)和挑戰(zhàn)，深度學(xué)習(xí)自動(dòng)化診斷必然是目前研究的主要方向之一，深度學(xué)習(xí)技術(shù)的客觀性，以及更少的勞動(dòng)力需求，更快的效率和更高的準(zhǔn)確率等優(yōu)勢(shì)，必將為診斷阻塞性睡眠呼吸暫停綜合征帶來更好的前景和未來。