人工神經網絡在預測輸尿管結石自行排出中的應用研究

曾 凱，李應龍，錢 彪，李 強，倪 釗，王新敏，王文曉，任之尚，王勤章

?

·論著·

人工神經網絡在預測輸尿管結石自行排出中的應用研究

曾 凱，李應龍，錢 彪，李 強，倪 釗，王新敏，王文曉，任之尚，王勤章

832008新疆石河子市，石河子大學醫(yī)學院第一附屬醫(yī)院泌尿外科

【摘要】目的運用人工神經網絡建立輸尿管結石自行排出的預測模型，并轉化成臨床應用。方法選取2013年1—8月在石河子大學醫(yī)學院第一附屬醫(yī)院泌尿外科門診就診的輸尿管結石患者225例。經保守排石治療4周后，復查泌尿系B超或CT判斷結石是否排出，并將患者分為排石組和未排石組。通過單因素分析篩選出影響結石排出的因素，將這些因素作為預測參數建立人工神經網絡，并對68例測試集樣本進行預測。繪制預測擬概率的ROC曲線，并計算ROC曲線下面積評價預測效能。結果排石組141例，未排石組84例。單因素分析結果顯示兩組患者性別、體質指數、膀胱刺激征、側別、腎盂積水、尿pH值、血尿、淋巴細胞計數比較，差異均無統(tǒng)計學意義(P>0.05)；兩組患者年齡、疼痛程度、結石直徑、結石位置、血白細胞計數、中性粒細胞計數、中性粒細胞分數、淋巴細胞分數、C反應蛋白水平比較，差異均有統(tǒng)計學意義(P<0.05)。運行人工神經網絡，輸入層共建立9個神經元。系統(tǒng)自動體系構建兩個隱含層，輸出層有1個神經元。預測變量重要性前3位分別是：結石直徑(0.20)、C反應蛋白(0.18)、年齡(0.12)。運用建立成功的人工神經網絡對68例測試集樣本進行預測，結果顯示，測試集樣本的靈敏度、特異度和總準確率分別為93.3%、60.9%和82.4%，ROC曲線下面積為0.868〔95%CI(0.774，0.962)〕。結論人工神經網絡預測輸尿管結石能否排出有較高的準確率，可輔助臨床醫(yī)師為患者制定安全、合理的治療方案。

【關鍵詞】輸尿管結石；神經網絡(計算機)；藥物排石治療；預測

曾凱，李應龍，錢彪，等.人工神經網絡在預測輸尿管結石自行排出中的應用研究[J].中國全科醫(yī)學，2016，19(20)：2430-2434.[www.chinagp.net]

ZENG K，LI Y L，QIAN B，et al.Application of artificial neural network in the prediction of spontaneous ureteral calculus passage[J].Chinese General Practice，2016，19(20)：2430-2434.

輸尿管結石致腎絞痛是泌尿外科的常見疾病，占尿路結石的20%，影響全球約12%的人口[1]，治愈后5～10年的復發(fā)率高達50%[2]。目前治療輸尿管結石的方法有藥物保守排石、沖擊波碎石、輸尿管鏡碎石術、經皮腎鏡碎石取石術、腹腔鏡下取石術及開放手術取石。對于直徑較小的輸尿管結石臨床上多采用藥物保守排石作為初選的治療方案。藥物保守排石作為傳統(tǒng)的非創(chuàng)傷治療手段廣泛被患者接受，不過一旦排石受阻延誤治療，很可能會引起急性腎衰竭、阻塞性腎盂腎炎、尿源性膿毒血癥等一系列問題。由于目前國內外尚無準確預測輸尿管結石自行排出的規(guī)范化方法，加之微創(chuàng)碎石、取石技術的不斷發(fā)展使輸尿管結石的治療趨于“泛手術化”，增加患者痛苦及經濟負擔的同時也無法避免各種手術并發(fā)癥。因此對于泌尿外科醫(yī)師來說，如何準確預測輸尿管結石能否自行排出十分必要。

人工神經網絡是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統(tǒng)[3]。因其具有較高的預測能力，已廣泛應用于臨床輔助診斷中[4-5]，但應用到預測輸尿管結石自行排出的研究并不多。為此，本研究嘗試借助人工神經網絡建立輸尿管結石自行排出預測模型，提高預測結石自行排出的準確性，進而為患者和臨床醫(yī)師提供最佳治療方案決策支持。

1資料與方法

1.1納入及排除標準納入標準：泌尿系B超或CT明確診斷為單發(fā)輸尿管結石；輸尿管結石停留時間≤2周；輸尿管結石最大橫徑≤1 cm；自愿接受藥物保守排石治療。排除標準：孤立腎、輸尿管內多發(fā)結石、腎盂積水>2.5 cm、2周內曾使用抗菌藥物者；合并有嚴重腎功能不全、肝臟疾病者或妊娠期婦女；要求行沖擊波碎石或手術者。

1.2一般資料選取2013年1—8月在石河子大學醫(yī)學院第一附屬醫(yī)院泌尿外科門診就診的輸尿管結石患者225例。收集患者病例資料，包括性別、年齡、體質指數及疼痛程度(采用疼痛視覺模擬評分法評判患者疼痛程度，1～3分為輕度，4～6分為中度，7～9分為重度，10分為極重度)；有無膀胱刺激征；泌尿系B超和CT等影像學檢查結石側別、結石直徑、結石位置、腎盂積水等；實驗室檢查指標包括：尿pH值、有無血尿、血白細胞計數、中性粒細胞計數、淋巴細胞計數、中性粒細胞分數、淋巴細胞分數及C反應蛋白水平。

1.3藥物保守排石治療方案患者均給予鹽酸坦索羅辛膠囊(0.4 mg/次，3次/d)及必要時口服或外用止痛解痙藥物標準治療方案。保守排石治療4周后，復查泌尿系B超或CT判斷結石是否排出，并根據檢查結果將患者分為排石組和未排石組。

2結果

2.1排石組與未排石組患者觀察指標比較225例患者中男178例(79.1%)，女47例(20.9%)；年齡17～85歲，平均年齡(41.9±14.5)歲；左側結石117例(52.0%)，右側結石108例(48.0%)；總排石率為62.7%(141/225)。排石組141例，未排石組84例。兩組患者性別、體質指數、膀胱刺激征、結石側別、腎盂積水、尿pH值、血尿、淋巴細胞計數比較，差異均無統(tǒng)計學意義(P>0.05)；兩組患者年齡、疼痛程度、結石直徑、結石位置、血白細胞計數、中性粒細胞計數、中性粒細胞分數、淋巴細胞分數、C反應蛋白水平比較，差異均有統(tǒng)計學意義(P<0.05，見表1)。

2.2人工神經網絡的建立運行人工神經網絡，輸入層共建立9個神經元。系統(tǒng)自動體系構建兩個隱含層，隱含層一含有20個神經元，隱含層二含有15個神經元。輸出層有1個神經元。模型訓練時間為2 s，預測準確性為82.4%。得出預測變量的重要性由大到小依次為：結石直徑(0.20)、C反應蛋白(0.18)、年齡(0.12)、血白細胞計數(0.11)、中性粒細胞分數(0.10)、中性粒細胞計數(0.08)、疼痛程度(0.08)、淋巴細胞分數(0.07)及結石位置(0.06)。

表1　排石組與未排石組患者觀察指標比較

注：a為χ2值

2.3人工神經網絡預測結果運用建立成功的人工神經網絡對68例測試集樣本進行預測，結果顯示，測試集樣本的靈敏度、特異度和總準確率分別為93.3%，60.9%和82.4%(見表2)。人工神經網絡預測輸尿管結石自行排出的ROC曲線下面積為0.868〔95%CI(0.774，0.962)〕，說明人工神經網絡對預測輸尿管結石排出有較好的診斷價值(見圖1)。

圖1　人工神經網絡預測輸尿管結石排出的ROC曲線

Figure 1ROC curve of artificial neural network for predicting spontaneous ureteral calculus passage

表2人工神經網絡預測輸尿管結石排出的價值(例)

Table 2Predictive value of artificial neural network model to spontaneous ureteral calculus passage

人工神經網絡結局結石排出 結石未排出合計陽性42951陰性31417合計452368

3討論

藥物保守排石作為一種傳統(tǒng)非侵襲性的治療輸尿管結石的方法，廣泛被患者接受。但因影響結石排出的因素復雜，對于直徑較大的輸尿管結石臨床醫(yī)師很難判斷結石能否自行排出，若保守排石治療一旦無效，很可能會引起上尿路梗阻、泌尿系統(tǒng)感染及腎衰竭等一系列嚴重并發(fā)癥。因此，對于臨床醫(yī)師而言如何準確預測結石能否排出顯得尤為重要，既可以避免不必要的“泛手術化”治療，又可在治療前告知患者結石排出概率，充分尊重患者的知情權和選擇權。雖然目前分析影響結石排出因素的研究[6-7]很多，但多為回顧性分析，僅能找出影響結石排出的因素，尚無一種前瞻性的能準確預測結石排出的模型或方法。近年來，人工神經網絡作為一種新型的分析和診斷工具逐漸應用于臨床醫(yī)學各個領域[8-9]。但其在預測輸尿管結石自行排出方面罕有報道，僅CUMMINGS等[10]應用人工神經網絡對55例輸尿管結石患者的自行排石結局進行了預測，結果顯示患者病程持續(xù)時間是影響結石排出最重要的因素，人工神經網絡預測準確率為76%。

在本研究中，通過單因素分析初步篩選出9項與輸尿管結石排出有關的影響因素，包括患者年齡、疼痛程度、結石直徑、結石位置、血白細胞計數、中性粒細胞計數、中性粒細胞分數、淋巴細胞分數及C反應蛋白。將這些參數納入人工神經網絡輸入層，以結石是否排出作為輸出變量。應用數據挖掘軟件Clementine運行神經網絡后得到預測參數重要性位于前3位依次是結石直徑、C反應蛋白和年齡。

結石直徑是目前公認的影響結石排出的重要危險因素?！吨袊谀蛲饪萍膊≡\斷治療指南(2014版)》強調輸尿管結石的大小是制定治療方案時的重要參考依據，并將輸尿管結石分為3類，即直徑<5 mm、直徑為5～10 mm以及直徑>10 mm的結石[11]。直徑<5 mm的結石98%可以自行排出，>10 mm的結石自行排出率較低，不推薦進行觀察自行排石或藥物排石治療，直徑5～10 mm的結石推薦使用藥物保守排石作為初選的治療方案。同時也有文獻報道結石直徑與排出率之間的關系。早在1977年，UENO等[12]發(fā)現直徑在1～4 mm的結石排出率分別為100%、93%、87%和78%，而直徑在5～8 mm的結石排出率分別為57%、35%、28%和14%。SENZ MEDINA等[13]研究報道直徑<5 mm的輸尿管結石排出率為76%～100%，≥5 mm的為0～60%?？梢婋S著直徑的增大，結石排出率也隨之降低。因此有必要分析直徑較大的結石在什么情況下可以自行排出，以便及早采取正確的治療措施，避免延誤病情。本研究患者結石直徑為0.4～1.0 cm，平均為0.7 cm，結石直徑是影響結石自行排出最重要的影響因素。

本研究發(fā)現，影響結石排出的次要因素為C反應蛋白。分析其原因可能是結石在自行排出過程中與輸尿管管壁間互相刮擦、出血引起局部發(fā)生炎性反應，因此造成C反應蛋白水平升高。C反應蛋白作為一種非特異性炎癥標志物，其水平改變可間接反映機體感染和炎癥強度。而在臨床上，常將血白細胞計數與C反應蛋白聯合檢測，作為早期判斷感染來源的首選指標。本研究結果顯示，血白細胞計數是第4位影響結石排出的重要因素。?ZCAN等[14]研究證實血白細胞計數和C反應蛋白是預測直徑為4～10 mm的輸尿管結石自行排出的獨立因素，并指出當C反應蛋白為0.506 mg/L時，可以作為預測結石排出的界值。同時ALDAQADOSSI[15]研究指出，當輸尿管下段結石患者C反應蛋白>21.9 mg/L時，可待炎癥控制后直接行沖擊波碎石術或輸尿管鏡碎石術。本研究通過人工神經網絡分析發(fā)現，C反應蛋白和血白細胞計數是除結石直徑及患者年齡外影響結石自行排出最重要的影響因素。

NG等[16]報道，年輕患者結石排出率高于老年患者。本研究結果顯示患者年齡是影響結石排出的第3位重要因素，筆者推測其原因可能是年輕人與老年人相比，具有較強的輸尿管蠕動功能和腎臟排空能力，排石過程中輸尿管平滑肌蠕動頻率和收縮力有助于結石的排出。

本研究應用人工神經網絡對68例患者即測試集樣本進行了預測，結果顯示靈敏度、特異度和總準確率分別為93.3%、60.9%和82.4%。人工神經網絡預測模型的ROC曲線下面積為0.868，說明該模型對判斷結石自行排出結局具有較高的準確度。

綜上所述，人工神經網絡可準確預測結石能否排出，可輔助臨床醫(yī)師為輸尿管結石患者選擇合理、安全的治療方案。

作者貢獻：曾凱、李應龍、錢彪、倪釗、王勤章進行試驗設計與實施；王文曉、任之尚進行資料收集整理、后續(xù)隨訪工作；曾凱撰寫論文、成文并對文章負責；李強、王新敏、王勤章進行質量控制及審校。

本文無利益沖突。

本文鏈接：

人工神經網絡：人工神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的數學算法模型。這種網絡通過調整內部大量節(jié)點之間相互連接關系，從而達到信息處理的目的。人工神經網絡的基本結構包括網絡的輸入層、隱含層及輸出層。其信息傳遞過程按照輸入層到輸出層單向傳遞，并按照信息的復雜程度調整內部大量節(jié)點之間的相互連接關系。網絡通過對已有的數據即輸入變量和輸出變量之間的關系進行學習，可形成網絡自有的邏輯關系。這種訓練好的網絡即可對未知數據即測試樣本進行結果預測，實現其預測功能。

優(yōu)點：(1)可以充分逼近任意復雜的非線性關系；(2)所有定量或定性的信息均能等勢分布于網絡內的各個神經元；(3)能夠同時處理定量、定性的信息；(4)具有自學習功能；(5)采用并行分布處理的方法，使得快速進行大量運算成為可能。目前能實現人工神經網絡技術的軟件有SPSS Clementine、Matlab等。

參考文獻

[1]MASARANI M，DINNEEN M.Ureteric colic：new trends in diagnosis and treatment[J].Postgrad Med J，2007，83(981)：469-472.

[2]JOHRI N，COOPER B，ROBERTSON W，et al.An update and practical guide to renal stone management[J].Nephron Clin Pract，2010，116(3)：c159-171.

[3]毛健，趙紅東，姚婧婧.人工神經網絡的發(fā)展及應用[J].電子設計工程，2011，19(24)：62-65.

MAO J，ZHAO H D，YAO J J.Application and prospect of artificial neural network[J].Electronic Design Engineering，2011，19(24)：62-65.

[4]ZHAO K，WANG C，HU J，et al.Prostate cancer identification：quantitative analysis of T2-weighted MR images based on a back propagation artificial neural network model[J].Sci China Life Sci，2015，58(7)：666-673.

[5]邱志磊，徐立柱，賈魁，等.前列腺癌人工神經網絡診斷模型的應用研究[J].臨床泌尿外科雜志，2015，30(10)：906-909.

QIU Z L，XU L Z，JIA K，et al.Study on application of artificial neural network in the diagnosis model of prostate cancer[J].Journal of Clinical Urology，2015，30(10)：906-909.

[6]李文峰，潘惟昕，厲建，等.腎絞痛后輸尿管結石自行排出的預測性研究[J].臨床泌尿外科雜志，2011，26(11)：806-807，811.

LI W F，PAN W X，LI J，et al.The forecasting research for the ureteral calculi spontaneous passage after renal colic[J].Journal of Clinical Urology，2011，26(11)：806-807，811.

[7]CHOI T，YOO K H，CHOI S K，et al.Analysis of factors affecting spontaneous expulsion of ureteral stones that may predict unfavorable outcomes during watchful waiting periods：what is the influence of diabetes mellitus on the ureter？[J].Korean J Urol，2015，56(6)：455-460.

[8]吳君，楊太珠，林江莉，等.基于人工神經網絡的足月胎兒體重預測方法[J].生物醫(yī)學工程學雜志，2005，22(5)：922-925.

WU J，YANG T Z，LIN J L，et al.Estimation of fetal weight on the basis of neural network[J].Journal of Biomedical Engineering，2005，22(5)：922-925.

[9]YEH B C，LIN W P.Using a calculated pulse rate with an artificial neural network to detect irregular interbeats[J].J Med Syst，2016，40(3)：48.

[10]CUMMINGS J M，BOULLIER J A，IZENBERG S D，et al.Prediction of spontaneous ureteral calculous passage by an artificial neural network[J].J Urol，2000，164(2)：326-328.

[11]那彥群，葉章群，孫穎浩，等.中國泌尿外科疾病診斷治療指南(2014版)[M].北京：人民衛(wèi)生出版社，2014：187-189.

[12]UENO A，KAWAMURA T，OGAWA A，et al.Relation of spontaneous passage of ureteral calculi to size[J].Urology，1977，10(6)：544-546.

[14]?ZCAN C，AYDOGDU O，SENOCAK C，et al.Predictive factors for spontaneous stone passage and the potential role of serum C-reactive protein in patients with 4 to 10 mm distal ureteral stones：a prospective clinical study[J].J Urol，2015，194(4)：1009-1013.

[15]ALDAQADOSSI H A.Stone expulsion rate of small distal ureteric calculi could be predicted with plasma C-reactive protein[J].Urolithiasis，2013，41(3)：235-239.

[16]NG C F，WONG A，TOLLEY D.Is extracorporeal shock wave lithotripsy the preferred treatment option for elderly patients with urinary stone？A multivariate analysis of the effect of patient age on treatment outcome[J].BJU Int，2007，100(2)：392-395.

(本文編輯：賈萌萌)

Application of Artificial Neural Network in the Prediction of Spontaneous Ureteral Calculus Passage

ZENGKai，LIYing-long，QIANBiao，etal.

DepartmentofUrology，theFirstAffiliatedHospitalofMedicalCollege,ShiheziUniversity，Shihezi832008，China

【Abstract】ObjectiveTo establish the prediction model of the spontaneous ureteral calculus passage by applying artificial neural network and put it into clinical application.MethodsFrom January to August in 2013，we enrolled 225 patients with ureteral calculus who received treatment in the Department of Urology，the First Affiliated Hospital of Medical College,Shihezi University.After 4-week medical expulsive treatment，the status of calculus was examined by urinary tract ultrasound or CT，and patients were divided into two groups：calculus removed group and non calculus removed group.By univariate analysis，influencing factors for removing calculus were selected and were applied as predictive parameters in the establishment of artificial neural network prediction model，and the model was used to make prediction on 68 testing samples.ROC curve was made to predict quasi-probability，and the AUC was calculated to predict efficacy.ResultsThere were 141 patients in calculus removed group and 84 patients in non calculus removed group.Univariate analysis showed that the two groups were not significantly different in gender，BMI，bladder irritation symptoms，lesion side，hydronephrosis，urine pH value，hematuresis and lymphocyte count(P>0.05)；the two groups were significantly different in age，pain degree，calculus size，position of calculus，leucocyte count，neutrophil count，neutrophil percentage，lymphocyte percentage and C-reactive protein level (P<0.05).Artificial neural network was operated with all together 9 neurons in the input layer.Two hidden layers were established in the automatic system，and there was one neuron in the output layer.The first three predictive variables in importance were calculus size(0.20)，C-reactive protein level(0.18)and age(0.12).The neural network models that were successfully built were applied in the prediction of 68 testing samples，and the results showed that the sensitivity，specificity and total accuracy rate of artificial neural network model were 93.3%，60.9% and 82.4% respectively，and the AUC was 0.868〔95%CI(0.774，0.962)〕.ConclusionArtificial neural network model can accurately predict spontaneous ureteral calculus passage and can assist clinicians choose safe and reasonable treatment plan for ureteral calculus patients.

【Key words】Ureteral calculi；Neural networks(computer)；Medical expulsive therapy；Prediction

基金項目：國家科技支撐計劃子課題(2013BAI05B05)；新疆生產建設兵團醫(yī)藥衛(wèi)生重點項目科技援疆專項(2014AB052)

通信作者：王勤章，832008新疆石河子市，石河子大學醫(yī)學院第一附屬醫(yī)院泌尿外科；E-mail：wqz1969@sina.com

【中圖分類號】R 693.4 R 319

【文獻標識碼】A

DOI：10.3969/j.issn.1007-9572.2016.20.015

(收稿日期：2016-01-22；修回日期：2016-03-14)