袁偉，侯文仲，王倩，莊堅(jiān)偉，謝國喜，陳向林*

（1.廣州醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院生物醫(yī)學(xué)工程系，廣東 廣州 511436；2.廣州醫(yī)科大學(xué)附屬第六醫(yī)院腦血管病科，廣東 清遠(yuǎn) 511518）

自發(fā)性腦出血是指非創(chuàng)傷性的腦實(shí)質(zhì)內(nèi)或非腦室系統(tǒng)局灶性的血液集聚并多伴隨快速進(jìn)展的神經(jīng)功能障礙[1-2]。其在腦卒中各亞型中的發(fā)病率僅次于缺血性腦卒中，位居第二，約占所有卒中的10%～15%，是一種高致死致殘的疾患[3]。在早期約有30%的患者會(huì)出現(xiàn)血腫增大，并且致死致殘率會(huì)有明顯的上升。盡管存在一些爭議[2]，但一般認(rèn)為血腫體積增大13%～32%會(huì)明顯引起預(yù)后向更差的方向發(fā)展[4]。同時(shí)有學(xué)者研究證實(shí)針對(duì)有血腫增大風(fēng)險(xiǎn)的患者進(jìn)行早期干預(yù)可以降低血腫增大的發(fā)生幾率[5-6]。

目前預(yù)測腦血腫擴(kuò)大概率的方法有“9 分評(píng)分”“BRAIN 評(píng)分”“BAT 評(píng)分”“NAG 評(píng)分”等多種評(píng)分模型。最為常用的BRAIN 評(píng)分是由學(xué)者Wang[7]在2014年提出，評(píng)分項(xiàng)包括基線腦出血量（B）、復(fù)發(fā)性腦出血（R）、使用華法林抗凝（A）、腦室出血（I）和從發(fā)病至CT 時(shí)間（N）5 項(xiàng)，總分最高24 分，如表1 所示。其基于一項(xiàng)前瞻性大樣本研究，隨著分?jǐn)?shù)的增加伴隨著腦血腫擴(kuò)大的可能性上升，0～24分的血腫擴(kuò)大概率為3.4%～85.8%。BRAIN 評(píng)分對(duì)腦出血患者血腫擴(kuò)大具有較好預(yù)測效能。

表1 BRAIN評(píng)分量表Table 1 BRAIN rating scale

但BRAIN 評(píng)分也存在一定的局限性。BRAIN評(píng)分標(biāo)準(zhǔn)提出者只是寬泛地給出了0～24 分的血腫擴(kuò)大概率范圍，而在實(shí)際應(yīng)用中，計(jì)算出某位病人BRAIN 評(píng)分后，參照這個(gè)結(jié)論也無法準(zhǔn)確地獲得血腫擴(kuò)大的具體概率值，臨床應(yīng)用具有局限性。而其他研究者，如王永平等[8]根據(jù)收集的111例病人數(shù)據(jù)進(jìn)行血腫擴(kuò)大概率計(jì)算，結(jié)果為0%～62.9%，與BRIAN 結(jié)論不同。學(xué)者Joshua[9]統(tǒng)計(jì)的122 位病人的BRAIN 血腫擴(kuò)大概率為11%～57%，也與其結(jié)論存在較大的差異?；谏鲜龅囊蓡枺芯繄F(tuán)隊(duì)對(duì)該中心部分病人使用金標(biāo)準(zhǔn)（即24 h 內(nèi)2 次CT 檢查，且血腫擴(kuò)大體積超過6 mL）確定血腫擴(kuò)大與否，得到的血腫擴(kuò)大概率為25.0%～72.8%，與BRAIN 評(píng)分結(jié)果差異性較大。因此，如果本研究采集的樣本數(shù)據(jù)直接采用BRAIN 作者的血腫擴(kuò)大概率結(jié)論來預(yù)測血腫擴(kuò)大發(fā)生的可能性，會(huì)產(chǎn)生較大的誤判，指導(dǎo)臨床診斷會(huì)有一定的錯(cuò)誤，不利于后續(xù)治療的進(jìn)行。此外，因?yàn)楹芏嗯R床醫(yī)生在實(shí)際使用時(shí)會(huì)將0～24 的評(píng)分劃分為0～5、6～9、10～11、12～244 個(gè)區(qū)間段，分別計(jì)算每個(gè)區(qū)間對(duì)應(yīng)的血腫擴(kuò)大概率，具體病人根據(jù)所屬區(qū)間段確定血腫擴(kuò)大的可能性[8-9]。但是因?yàn)闃颖究臻g的問題，不同單中心計(jì)算的區(qū)間血腫概率也存在很大的差異，直接參看相互結(jié)論會(huì)造成大概率的誤診。可見BRAIN 評(píng)分非常依賴研究對(duì)象本身的樣本特點(diǎn)，因此使用時(shí)不應(yīng)參照已有的研究結(jié)果，應(yīng)該根據(jù)本中心的數(shù)據(jù)，獨(dú)立地進(jìn)行0～24分的概率值或者概率區(qū)間的統(tǒng)計(jì)，同時(shí)應(yīng)留意樣本數(shù)據(jù)的增加，及時(shí)進(jìn)行重新統(tǒng)計(jì)，確保結(jié)論的準(zhǔn)確性。

相比于BRAIN評(píng)分，血腫擴(kuò)大的金標(biāo)準(zhǔn)雖然檢測手段單一，但是因?yàn)橘Y源的限制，并且2 次CT 檢查間隔需要一定的時(shí)間，期間病人的病情會(huì)發(fā)生劇烈的變化，因此，常常希望借助已有的常規(guī)檢查數(shù)據(jù)在第1 次CT 檢查后就能得出病人血腫擴(kuò)大的可能性，以為及時(shí)正確的治療方案提供幫助。但是BRAIN 評(píng)分又有一定的不足?；谏鲜龅膯栴}，本研究使用支持向量機(jī)、邏輯回歸、決策樹和極限學(xué)習(xí)機(jī)4 種自動(dòng)預(yù)測模型進(jìn)行血腫擴(kuò)大的分類，對(duì)比BRAIN 評(píng)分結(jié)果的優(yōu)劣，預(yù)期在訓(xùn)練精度、測試精度、敏感性、特異性、模型的實(shí)時(shí)訓(xùn)練提升等指標(biāo)上獲得提高，同時(shí)減輕醫(yī)生的計(jì)算負(fù)擔(dān)，更好地輔助臨床的診斷和治療。

1 對(duì)象與方法

1.1 對(duì)象

回顧性連續(xù)納入廣州醫(yī)科大學(xué)附屬第六醫(yī)院2015 年1月至2019 年12月期間腦科住院的自發(fā)性腦出血患者150例。其中男性98例，女性52例。本研究遵守赫爾辛基宣言，并獲得廣州醫(yī)科大學(xué)附屬第六醫(yī)院倫理委員會(huì)的批準(zhǔn)，每位參與研究的對(duì)象均簽署了知情同意書。

納入標(biāo)準(zhǔn)：（1）腦出血診斷符合2019 年中國腦出血診治指南修訂的腦出血診斷標(biāo)準(zhǔn)；（2）發(fā)病6 h內(nèi)首次行頭部CT；（3）發(fā)病24 h 內(nèi)完成頭部CT 復(fù)查。排除標(biāo)準(zhǔn)：（1）既往發(fā)生顱內(nèi)出血；（2）單純的腦室出血（不伴有明顯的腦實(shí)質(zhì)出血）、腦干出血、蛛網(wǎng)膜下腔出血、硬膜下血腫、硬膜外血腫及腦梗死后出血等；（3）因血液系統(tǒng)疾病導(dǎo)致的腦出血或其他原因不明的腦出血。

1.2 研究方法

1.2.1 資料收集 基線數(shù)據(jù)收集 患者的年齡、性別、居住地、種族、出生日期（可用身份證信息識(shí)別）。其他一般病史相關(guān)資料，包括既往有無高血壓史、糖尿病、吸煙、酗酒、相關(guān)其他遺傳病史及家族史、手術(shù)史、藥物治療史，過敏史以及其他特殊疾病史。

所有自發(fā)性腦出血患者入院的生命體征，包括體溫、血壓、脈搏及呼吸次數(shù)，其中血壓記錄最重要，包括收縮壓及舒張壓數(shù)值?；颊呷朐簳r(shí)的格拉斯哥昏迷量表評(píng)分（GCS）標(biāo)準(zhǔn)包括睜眼、語言、運(yùn)動(dòng)反應(yīng)，最高分為15分。目的是準(zhǔn)確判斷自發(fā)性腦出血患者入院時(shí)意識(shí)障礙程度，分?jǐn)?shù)越低意識(shí)障礙越重。

影像學(xué)資料收集:收集發(fā)病后6 h 內(nèi)的首次CT和發(fā)病后24 h內(nèi)2次復(fù)查CT資料，包括初始血腫體積、增大后血腫體積。血腫體積計(jì)算由廣州醫(yī)科大學(xué)附屬第六醫(yī)院2名影像科醫(yī)師獨(dú)立閱片并出具書面報(bào)告結(jié)果。計(jì)算方法是根據(jù)多田公式計(jì)算得出，公式為：V（出血量）=即血腫體積=(A×B×C)/2[10]，其中A:最大血腫面積層面血腫的最長徑，B:最大血腫面積層面上與最長徑垂直的橫徑，C:CT片中出現(xiàn)出血的厚度，長度計(jì)算方式為：層厚×層面數(shù)，實(shí)際應(yīng)用中組織層厚常設(shè)為5 mm。血腫擴(kuò)大定義為血腫體積較前增加超過6 mL，并將其作為血腫擴(kuò)大的金標(biāo)準(zhǔn)。所有患者的原始DICOM 圖像均由GE 公司的64排螺旋CT掃描完成，層厚為5 mm。

高血壓病定義為：既往確診高血壓病史，或收縮壓≥140 mmHg，或舒張壓≥90 mmHg，或使用降壓藥物。吸煙的定義為：吸煙≥1 支/天。飲酒的定義為：任意的酒精攝入≥1 次/周[11]。

最終確定納入數(shù)據(jù)分析的檢測項(xiàng)目包括：性別、吸煙史、飲酒史、使用華法林抗凝、抗血小板、破入腦室、年齡、GCS、入院收縮壓、入院舒張壓、急診血壓、急舒張壓、血糖（Glu）、總膽固醇（TC）、三酰甘油（TG）、高密度脂蛋白膽固醇（HDL-C）、低密度脂蛋白膽固醇（LDL-C）、活化部分凝血活酶時(shí)間（APTT）、凝血酶原時(shí)間（PT）、國際標(biāo)準(zhǔn)化比值（INR）、血紅蛋白（Hb）、血小板計(jì)數(shù)（PLT）、血鈣（Ca）、初始血腫體積、發(fā)病至首次CT 檢查時(shí)間?？偣?5項(xiàng)。

1.3 自動(dòng)預(yù)測模型簡介

1.3.1 支持向量機(jī) 支持向量機(jī)由Cortes和Vapnik[12]于1995年提出，是一種二分類模型。它的基本思想是求解特征空間上正確劃分訓(xùn)練數(shù)據(jù)集的唯一分離超平面，并且使得距離超平面最近的異類樣本之間的間隔最大化。可形式化為一個(gè)求解凸二次規(guī)劃問題[13-14]。一般分離超平面被定義為：

對(duì)于給定的超平面樣本點(diǎn)(xi，yi)來說，只需根據(jù)公式（2）,（3）計(jì)算得到w和b的值，超平面即可確定:

其中:λi為拉格朗日乘子，S為假設(shè)的支持向量個(gè)數(shù)[15]。

支持向量機(jī)是在包括醫(yī)療領(lǐng)域在內(nèi)，廣泛使用的數(shù)據(jù)分類方法[16-17]。根據(jù)本研究的數(shù)據(jù)特點(diǎn)，參數(shù)設(shè)置時(shí)懲罰系數(shù)的取值為0.1；核函數(shù)選取為線性（linear）；正則化時(shí)采用L2 正則化，即直接在原來的損失函數(shù)基礎(chǔ)上加上權(quán)重參數(shù)的平方和；誤差項(xiàng)達(dá)到指定值時(shí)則停止訓(xùn)練參數(shù)為0.001；默認(rèn)所有類權(quán)重值相同。

1.3.2 邏輯回歸 邏輯回歸又稱為邏輯回歸分析，是一種廣義線性回歸分類模型，目標(biāo)是通過一組變量的組合使得預(yù)測結(jié)果的概率最大化[18]。

邏輯回歸采用對(duì)數(shù)似然損失函數(shù)(代價(jià)函數(shù))[19]：

預(yù)測函數(shù)為：

使用梯度下降算法進(jìn)行邏輯回歸模型參數(shù)的更新：

其中:α為懲罰系數(shù)，調(diào)節(jié)懲罰項(xiàng)的大小。

邏輯回歸具有簡單高效、并行性、解釋性好以及方便擴(kuò)展等優(yōu)點(diǎn)，被廣泛地應(yīng)用于醫(yī)學(xué)數(shù)據(jù)分類任務(wù)[20-23]。本研究中正則化系數(shù)取值為0.00001；正則化時(shí)采用L1正則化，即直接在原來的損失函數(shù)基礎(chǔ)上加上權(quán)重參數(shù)的絕對(duì)值；誤差項(xiàng)達(dá)到指定值時(shí)則停止訓(xùn)練參數(shù)大小為0.0001；最大迭代次數(shù)為1000。

1.3.3 決策樹 決策樹是一種基于if-then-else 規(guī)則的有監(jiān)督分類學(xué)習(xí)算法，采用樹形結(jié)構(gòu)，使用層層推理來實(shí)現(xiàn)最終的分類。一般由根節(jié)點(diǎn)（包含樣本的全集）、內(nèi)部節(jié)點(diǎn)（對(duì)應(yīng)特征屬性測試）和葉節(jié)點(diǎn)（代表決策的結(jié)果）3 個(gè)元素構(gòu)成。決策樹的生成通常有3 個(gè)步驟：特征選擇、決策樹的生成、決策樹的修剪。

1、特征選擇

“佳禾農(nóng)資不管發(fā)展到多大規(guī)模，永遠(yuǎn)不離開農(nóng)業(yè)，離不開農(nóng)村。我們種地就是為農(nóng)民打工。”他表示，作為一個(gè)負(fù)責(zé)任的化肥貿(mào)易商、生產(chǎn)商，通過整合農(nóng)業(yè)生產(chǎn)各要素，輸出種植模式，才能更好地為農(nóng)業(yè)服務(wù)，使自身的經(jīng)營工作更接地氣、更加穩(wěn)健，從而才能把佳禾打造成一個(gè)基業(yè)長青的“百年老店”。

在訓(xùn)練數(shù)據(jù)集中，每個(gè)樣本的屬性可能有很多個(gè)，不同屬性的作用大小不同。通常使用“信息增益”篩選出與分類結(jié)果相關(guān)性較高的特征，也就是分類能力較強(qiáng)的特征，公式（7）。

其中，pk為當(dāng)前樣本集D中第k類樣本所占的比例。K為類別的總數(shù)。

2、決策樹生成

特征選定，就可以從根節(jié)點(diǎn)觸發(fā)，計(jì)算所有節(jié)點(diǎn)特征的信息增益，選擇信息增益最大的特征作為節(jié)點(diǎn)特征，再根據(jù)該特征的不同取值建立子節(jié)點(diǎn)，并對(duì)每個(gè)子節(jié)點(diǎn)使用相同的方式生成新的子節(jié)點(diǎn)，直到信息增益很小或者沒有特征可以選擇為止。

3、決策樹剪枝

防止算法過擬合，去掉部分分支來降低過擬合的風(fēng)險(xiǎn)。

決策樹是最簡單的機(jī)器學(xué)習(xí)算法，它易于實(shí)現(xiàn)，可解釋性強(qiáng)，完全符合人類的直觀思維，在金融決策、醫(yī)療診斷領(lǐng)域有著廣泛的應(yīng)用[24-25]。

1.3.4 極限學(xué)習(xí)機(jī) 極限學(xué)習(xí)機(jī)是一種用來訓(xùn)練單隱藏層前饋神經(jīng)網(wǎng)絡(luò)算法[26]。根據(jù)插值定理和普通極限定理推導(dǎo)可知，只要激活函數(shù)無限可微，當(dāng)隱含層神經(jīng)元數(shù)等于訓(xùn)練樣本數(shù)時(shí)，單隱藏層前饋神經(jīng)網(wǎng)絡(luò)可以零誤差逼近訓(xùn)練樣本，且與隱含層輸入權(quán)值wi和閾值bi的選取無關(guān)[27]。

極限學(xué)習(xí)機(jī)的輸入層權(quán)值和閾值采用隨機(jī)選取方式產(chǎn)生，并且不需要人為設(shè)置網(wǎng)絡(luò)初始權(quán)值和初始閾值等參數(shù)，大大提高了訓(xùn)練速度，同時(shí)克服了過擬合問題。

“廣義”的單隱藏層前饋神經(jīng)網(wǎng)絡(luò)極限學(xué)習(xí)機(jī)的輸出表示為[28]：

其中：L為節(jié)點(diǎn)數(shù)目，β是隱藏層與輸出層之間的輸出權(quán)重，hi(x)是第i個(gè)隱藏層節(jié)點(diǎn)的輸出，H(x)是隱藏層輸出矩陣。在實(shí)驗(yàn)中設(shè)置的神經(jīng)元數(shù)為120，與訓(xùn)練樣本數(shù)相同。

近些年極限學(xué)習(xí)機(jī)在醫(yī)學(xué)領(lǐng)域得到廣泛的使用，Hu 等[29]使用深度CNN 和極限學(xué)習(xí)機(jī)器從X 射線圖像中進(jìn)行實(shí)時(shí)COVID-19 的診斷，徐丹使用極限學(xué)習(xí)機(jī)進(jìn)行乳腺腫瘤識(shí)別和診斷[30]，王之瓊等[31]利用基于極限學(xué)習(xí)機(jī)算法進(jìn)行輕度認(rèn)知障礙的輔助診斷，都取得了比較好的效果。

1.4 統(tǒng)計(jì)學(xué)分析

應(yīng)用SPSS 26 軟件對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，采用多因素logistic 回歸統(tǒng)計(jì)樣本的基本數(shù)據(jù)，并進(jìn)行血腫擴(kuò)大的影響因素及其共線性分析，見表2。其中性別使用女性作為統(tǒng)計(jì)參考類別；吸煙史、飲酒史、抗凝、抗血小板、破入腦室使用陰性作為統(tǒng)計(jì)參考類別。根據(jù)BRAIN 評(píng)分標(biāo)準(zhǔn)（24 分制，見表1），統(tǒng)計(jì)每位病人包括基線腦出血量（B）、復(fù)發(fā)性腦出血（R）、使用華法林抗凝（A）、腦室出血（I）和從發(fā)病至CT 時(shí)間（N）在內(nèi)的5 個(gè)指標(biāo)，給出BRAIN 評(píng)分結(jié)果。將0～24 的評(píng)分劃分為0～5、6～9、10～11、12～244 個(gè)區(qū)間段，對(duì)應(yīng)CT 檢測金標(biāo)準(zhǔn)分別計(jì)算每個(gè)區(qū)間對(duì)應(yīng)的血腫擴(kuò)大、非血腫擴(kuò)大以及血腫擴(kuò)大的概率。應(yīng)用受試者工作特征曲線（receiver operating characteristic curve, ROC）評(píng)估BRAIN 評(píng)分對(duì)血腫擴(kuò)大的預(yù)測結(jié)果，計(jì)算其敏感度、特異度，以及曲線下面積（area under the curve,AUC）數(shù)值，以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

支持向量機(jī)、邏輯回歸、決策樹與極限學(xué)習(xí)機(jī)4種算法是在基于python3.6，tensorflow1.2.0 版本Pycharm 軟件下編程實(shí)現(xiàn)的。電腦配置為Intel（R）Xeon（R）CPU E3-1225 v6@3.30GHz，RAM 12.0GB。隨機(jī)抽取80%（120 個(gè)樣本）形成訓(xùn)練集，剩余20%（30 個(gè)樣本）為測試集。算法訓(xùn)練時(shí)采用10 折交叉驗(yàn)證，取平均值作為結(jié)果。最后統(tǒng)計(jì)4 種算法的訓(xùn)練精度和測試精度、敏感度、特異性和ROC 曲線以及AUC值。

2 結(jié)果

2.1 腦出血血腫擴(kuò)大的危險(xiǎn)因素分析

根據(jù)統(tǒng)計(jì)結(jié)果（P<0.05），150 例腦出血患者中65例（43.33%）出現(xiàn)血腫擴(kuò)大，85例（56.67%）未出現(xiàn)血腫擴(kuò)大。吸煙史、使用華法林抗凝、抗血小板、GCS 評(píng)分、均有統(tǒng)計(jì)學(xué)意義，為血腫擴(kuò)大的獨(dú)立影響因素。其中吸煙的患者比不吸煙的患者血腫擴(kuò)大概率增加1.925 倍；使用了華法林抗凝比未使用的情況血腫擴(kuò)大概率增加14.50 倍；使用抗血小板后血腫擴(kuò)大的概率會(huì)比未使用的情況增加9.97 倍；GCS 評(píng)分增加一個(gè)級(jí)別，血腫擴(kuò)大概率下降為73.1%，即較低的GCS 評(píng)分與血腫擴(kuò)大顯著相關(guān)。對(duì)上述因素進(jìn)行共線性分析，吸煙史、使用華法林抗凝、抗血小板、GCS 評(píng)分的方差膨脹因子（VIF）分別為1.695、1.373、1.785 和1.710，容差分別為0.590、0.729、0.560 和0.585。膨脹因子均小于10，同時(shí)容差均大于0.1，各因素之間無共線，均為獨(dú)立危險(xiǎn)因素，見表2。

表2 患者臨床資料統(tǒng)計(jì)結(jié)果Table 2 Statistical results of clinical data of patients

剩余的因素均無顯著性（P>0.05），是血腫擴(kuò)大的非獨(dú)立因素。其中與血腫擴(kuò)大概率增大正相關(guān)的因素為“性別”“破入腦室”“年齡”“入院舒張壓”“急舒張壓”“血糖”“總膽固醇”“三酰甘油”“國際標(biāo)準(zhǔn)化比值INR”“血小板計(jì)數(shù)”。與血腫擴(kuò)大概率增大負(fù)相關(guān)的因素為“飲酒史”“入院收縮壓”“急診血壓”“高密度脂蛋白膽固醇”“低密度脂蛋白膽固醇”“活化部分凝血活酶時(shí)間”“凝血酶原時(shí)間”“血紅蛋白”“血鈣”“初始血腫體積”和“發(fā)病至首次CT 檢查時(shí)間”。共線性分析顯示，所有因素的膨脹因子也均小于10，且容差均大于0.1，各因素之間無共線，是影響血腫擴(kuò)大的必要因素。

2.2 自動(dòng)預(yù)測模型與BRAIN評(píng)分對(duì)比

單獨(dú)對(duì)BRAIN 評(píng)分進(jìn)行分析，所有樣本的BRAIN 評(píng)分平均值為8.65（標(biāo)準(zhǔn)誤差0.041），顯著性小于0.01，且評(píng)分值增加一個(gè)等級(jí)血腫擴(kuò)大概率增加1.18倍。ROC曲線結(jié)果顯示，BRAIN評(píng)分預(yù)測血腫擴(kuò)大的敏感度為56.9%，特異性為74.1%，曲線下面積為0.706，95%CI 為: 0.62～0.79，見表3、圖1。根據(jù)BRAIN 評(píng)分標(biāo)準(zhǔn)，0～5、6～9、10～11、12～244 個(gè)區(qū)間的實(shí)際血腫擴(kuò)大概率分別為25%（11/44）、36.2%（17/47）、45.5%（10/22）、72.8%（27/37），見表4。結(jié)果顯示隨著BRAIN 的評(píng)分增加血腫擴(kuò)大率有明顯的上升趨勢，但是較低分?jǐn)?shù)段的血腫擴(kuò)大概率高于以往研究結(jié)論（0～24 分的血腫擴(kuò)大概率為3.4%～85.8%）[7]。

圖1 BRAIN 評(píng)分預(yù)測血腫擴(kuò)大的受試者工作特征曲線Figure 1 ROC curve of BRAIN score prediction model

表3 BRAIN 評(píng)分的logistic回歸分析Table 3 Logistic regression analysis of BRAIN score

表4 BRAIN評(píng)分區(qū)間實(shí)際血腫擴(kuò)大和非血腫擴(kuò)大的統(tǒng)計(jì)結(jié)果Table 4 Statistical results of actual hematoma enlargement and non-hematoma enlargement in BRAIN score range

從4 種算法之間的對(duì)比來看，決策樹模型雖然在訓(xùn)練精度和敏感度上分別達(dá)到了93.33% 和80.00%，高于支持向量機(jī)和邏輯回歸模型，但是在測 試 精 測（66.67%）、特 異 性（53.33%）和AUC（0.667）3 個(gè)指標(biāo)中都是4 種算法最差的。支持向量機(jī)與邏輯回歸模型的5項(xiàng)指標(biāo)非常接近。最好的模型為極限學(xué)習(xí)機(jī)，它的訓(xùn)練精度為99.25%，測試精度為93.33%，敏感度為98.50%，特異性為85.90%，AUC為0.926，所有指標(biāo)都是4種算法中最優(yōu)的?？梢娔壳白鳛橹髁鞯纳窠?jīng)網(wǎng)絡(luò)方法優(yōu)于傳統(tǒng)的統(tǒng)計(jì)學(xué)分類方法，能夠?qū)W習(xí)更為復(fù)雜的樣本數(shù)據(jù)，也說明其廣泛應(yīng)用于醫(yī)學(xué)數(shù)據(jù)分類任務(wù)的合理性，見表5。圖2可以直觀看到4種算法的ROC對(duì)比圖。

表5 4種自動(dòng)預(yù)測模型間的指標(biāo)對(duì)比Table 5 Index comparison among four automatic prediction models

圖2 4種自動(dòng)預(yù)測模型血腫擴(kuò)大的受試者工作特征曲線Figure 2 ROC curve of four automatic prediction models

將4 種算法與BRAIN 評(píng)分進(jìn)行對(duì)比，決策樹在特異性、AUC 兩個(gè)指標(biāo)以及邏輯回歸模型的特異性一個(gè)指標(biāo)比BRAIN 評(píng)分稍差，其他結(jié)果都高于BRAIN 評(píng)分?？傮w而言，支持向量機(jī)、邏輯回歸和極限學(xué)習(xí)機(jī)都優(yōu)于BRAIN評(píng)分，尤其是極限學(xué)習(xí)機(jī)模型，敏感度、特異性、AUC 3項(xiàng)指標(biāo)都遠(yuǎn)超BRAIN評(píng)分。這也說明按照金標(biāo)準(zhǔn)統(tǒng)計(jì)出的BRAIN 0～24分血腫擴(kuò)大概率值，用來評(píng)判新的數(shù)據(jù)，在準(zhǔn)確度上遜色于機(jī)器學(xué)習(xí)算法，反映出BRAIN評(píng)分標(biāo)準(zhǔn)設(shè)計(jì)合理性欠缺。

此外，本研究也對(duì)比了不同研究者BRAIN區(qū)間概率統(tǒng)計(jì)結(jié)果的差異性。表6 提供了學(xué)者王永平[8]和Joshua[9]各自給出的BRAIN 區(qū)間血腫擴(kuò)大概率值，同時(shí)也計(jì)算了本研究150 例病人在金標(biāo)準(zhǔn)下實(shí)際的區(qū)間血腫概率擴(kuò)大值，并且對(duì)比了4 種算法按照BRAIN 評(píng)分區(qū)間各自預(yù)測的血腫擴(kuò)大概率結(jié)果（樣本數(shù)據(jù)中每個(gè)區(qū)間隨機(jī)抽取20%樣本數(shù)據(jù)進(jìn)行預(yù)測）。從中可以看出，兩位學(xué)者統(tǒng)計(jì)的BRAIN 4個(gè)區(qū)間的血腫擴(kuò)大概率值與本中心實(shí)際血腫擴(kuò)大的概率值差距較遠(yuǎn)，也與BRAIN評(píng)分提出者給的結(jié)論不同，說明4個(gè)研究中的數(shù)據(jù)差異較大，無法直接作為結(jié)論相互參看。而如果使用4種血腫擴(kuò)大的自動(dòng)預(yù)測模型進(jìn)行BRAIN 區(qū)間的血腫擴(kuò)大概率計(jì)算會(huì)發(fā)現(xiàn)，支持向量機(jī)、邏輯回歸和決策樹3種模型只是在0～5 范圍預(yù)測血腫擴(kuò)大概率相對(duì)誤差稍大（其中邏輯回歸模型預(yù)測概率相對(duì)較好，為18.2%，實(shí)際血腫擴(kuò)大概率為25.0%）。隨著BRAIN 評(píng)分區(qū)間的提高，3 種算法的預(yù)測血腫擴(kuò)大概率都與實(shí)際金標(biāo)準(zhǔn)值逐漸接近。當(dāng)為最大值區(qū)間12～24 時(shí)，基本和實(shí)際血腫擴(kuò)大概率值相同，其中支持向量機(jī)模型預(yù)測結(jié)果與實(shí)際血腫擴(kuò)大概率完全吻合（實(shí)際血腫擴(kuò)大概率為72.8%），而決策樹相對(duì)差一些。單獨(dú)分析極限學(xué)習(xí)機(jī)模型，其在BRAIN 評(píng)分的4 個(gè)區(qū)間內(nèi)，都可以準(zhǔn)確地預(yù)測血腫擴(kuò)大的概率，與實(shí)際金標(biāo)準(zhǔn)統(tǒng)計(jì)結(jié)論的情況非常接近。相比BRAIN模型，預(yù)測血腫發(fā)生概率更符合樣本采集醫(yī)院的實(shí)際情況，預(yù)測的結(jié)果也更加準(zhǔn)確，屬于4種模型中最好的。

表6 4種自動(dòng)預(yù)測模型在BRAIN評(píng)分區(qū)間預(yù)測血腫擴(kuò)大概率的對(duì)比結(jié)果Table 6 Comparison results of four automatic prediction models in predicting hematoma expansion probability in BRAIN score interval %

另外，4 種算法都可以保存以往的訓(xùn)練模型，當(dāng)新的樣本數(shù)據(jù)加入，可以自動(dòng)地進(jìn)行血腫擴(kuò)大的判定，減輕了醫(yī)護(hù)人員的負(fù)擔(dān)。表7 列舉了支持向量機(jī)、邏輯回歸、決策樹和極限學(xué)習(xí)機(jī)在進(jìn)行模型訓(xùn)練和測試新增單一數(shù)據(jù)時(shí)的運(yùn)行時(shí)間。不同于BRAIN 評(píng)分標(biāo)準(zhǔn)的較長計(jì)算時(shí)間，只有極限學(xué)習(xí)機(jī)的訓(xùn)練時(shí)間為18.902 s，其余時(shí)間均在1 s 以下。日后當(dāng)病例數(shù)據(jù)增加時(shí)動(dòng)態(tài)地進(jìn)行模型的重新訓(xùn)練也非常的省時(shí)，也能使得模型更為貼合研究所在醫(yī)院的實(shí)際血腫擴(kuò)大概率分布特點(diǎn)。

表7 4種自動(dòng)預(yù)測模型的模型訓(xùn)練與新樣本血腫擴(kuò)大概率判別時(shí)間對(duì)比Table 7 Comparison between model training time of four automatic prediction models and evaluating time of hematoma enlarge‐ment probability of new samples

3 討論

腦出血具有較高發(fā)病率、病死率、致殘率的特點(diǎn)。血腫擴(kuò)大是腦出血急性期較為常見現(xiàn)象，也是不良預(yù)后的重要危險(xiǎn)因素。因此，發(fā)現(xiàn)靈敏準(zhǔn)確的血腫擴(kuò)大概率的預(yù)測模型，盡早識(shí)別腦出血患者中血腫擴(kuò)大的高危人群，成為目前該領(lǐng)域研究的重點(diǎn)問題。

本研究根據(jù)多因素logistic 回歸統(tǒng)計(jì)分析，得出吸煙史、使用華法林抗凝、抗血小板、GCS 評(píng)分為血腫擴(kuò)大的獨(dú)立因素，在血腫擴(kuò)大概率評(píng)判時(shí)應(yīng)該作為重點(diǎn)因素考慮。同時(shí)本研究對(duì)比了BRAIN 評(píng)分模型與支持向量機(jī)、邏輯回歸、決策樹和極限學(xué)習(xí)機(jī)這4 種自動(dòng)預(yù)測模型的優(yōu)缺點(diǎn)。測試結(jié)果也顯示，無論從訓(xùn)練精度、測試精度、到敏感性、特異性和ROC 曲線下面積，支持向量機(jī)、邏輯回歸和極限學(xué)習(xí)機(jī)3 種算法都優(yōu)于BRAIN 評(píng)分標(biāo)準(zhǔn)，尤其是極限學(xué)習(xí)機(jī)模型，各項(xiàng)結(jié)果都非常的優(yōu)異。并且當(dāng)數(shù)據(jù)量增加時(shí)，極短的運(yùn)行時(shí)間，自動(dòng)地進(jìn)行模型的訓(xùn)練，都使得模型的調(diào)整成為可能，而傳統(tǒng)的BRAIN 評(píng)分的區(qū)間統(tǒng)計(jì)方式是不具備這樣的優(yōu)勢的。

分析上述預(yù)測模型優(yōu)略的原因，主要的因素在于BRAIN評(píng)分的分?jǐn)?shù)取值為離散值，并且各個(gè)因素的取值大小也是作者的經(jīng)驗(yàn)考慮，沒有能夠進(jìn)行精確的數(shù)學(xué)建模和計(jì)算，自然精準(zhǔn)性就差一些，同時(shí)該模型也只是考慮了血腫擴(kuò)大的5個(gè)因素，而廣泛的研究顯示影響血腫擴(kuò)大的因素并非只有這5個(gè)指標(biāo)，因此該評(píng)分標(biāo)準(zhǔn)與血腫擴(kuò)大的關(guān)聯(lián)性就不夠全面。

而4種自動(dòng)預(yù)測模型將與血腫擴(kuò)大相關(guān)的獨(dú)立和非獨(dú)立因素全部納入到預(yù)測模型的輸入變量中，根據(jù)數(shù)學(xué)的統(tǒng)計(jì)算法和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)制，客觀的進(jìn)行血腫擴(kuò)大概率的學(xué)習(xí)和識(shí)別，自然可以得到相對(duì)較好的判別結(jié)果。支持向量機(jī)、邏輯回歸、決策樹屬于傳統(tǒng)的機(jī)器學(xué)習(xí)模型，它們是根據(jù)具體的算法規(guī)則進(jìn)行血腫擴(kuò)大的預(yù)測，一些特異性的數(shù)據(jù)在“規(guī)則”下是無法正確地評(píng)判的。而極限學(xué)習(xí)機(jī)算法屬于神經(jīng)網(wǎng)絡(luò)模型的一種，具備處理線性不可分的問題，并且更精準(zhǔn)，容錯(cuò)性更好。在學(xué)習(xí)過程中，神經(jīng)網(wǎng)絡(luò)能夠從輸入數(shù)據(jù)中挖掘更多的信息，完成更復(fù)雜的任務(wù)。因此非常適合學(xué)習(xí)非線性、高緯度、復(fù)雜的樣本數(shù)據(jù)，掌握區(qū)分是否血腫擴(kuò)大的特征，得到了最優(yōu)的結(jié)果。這也是目前在醫(yī)學(xué)數(shù)據(jù)分析中大量引入神經(jīng)網(wǎng)絡(luò)的原因。因此根據(jù)腦血腫擴(kuò)大預(yù)測指標(biāo)的特點(diǎn)，建議臨床醫(yī)生在選擇自動(dòng)預(yù)測模型時(shí)使用極限學(xué)習(xí)機(jī)模型。

本研究也具有一定的局限性，如所有模型的測試精度都稍差于訓(xùn)練精度，造成的原因是樣本量太少，測試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)不完全一致，模型訓(xùn)練后始終無法對(duì)少量測試數(shù)據(jù)進(jìn)行識(shí)別。應(yīng)該在今后的研究中不斷的加大樣本數(shù)據(jù)量。此外，樣本量的不足也造成了采用多因素logistic 回歸進(jìn)行數(shù)據(jù)統(tǒng)計(jì)時(shí)，飲酒史對(duì)于血腫擴(kuò)大的影響并沒有正確的體現(xiàn)出來，而在很多研究中這個(gè)因素都被認(rèn)定為影響血腫擴(kuò)大的獨(dú)立影響因素。

4 結(jié)論

綜上所述，本研究引入支持向量機(jī)、邏輯回歸、決策樹和極限學(xué)習(xí)機(jī)這4種自動(dòng)預(yù)測模型來進(jìn)行血腫擴(kuò)大概率的預(yù)測分析，在多個(gè)指標(biāo)對(duì)比中都優(yōu)于傳統(tǒng)的BRAIN 評(píng)分標(biāo)準(zhǔn)，尤其是極限學(xué)習(xí)機(jī)模型，各項(xiàng)結(jié)果都非常的優(yōu)異。并且模型可以動(dòng)態(tài)地學(xué)習(xí)和調(diào)整樣本數(shù)據(jù)，進(jìn)一步提高了預(yù)測準(zhǔn)確性，能夠得出更為準(zhǔn)確的血腫擴(kuò)大預(yù)測結(jié)果，為臨床醫(yī)生的后續(xù)診斷和治療提供幫助。