基于機器學(xué)習(xí)構(gòu)建江西地區(qū)缺血性腦卒中風(fēng)險預(yù)測模型

常懷文 姚音

(復(fù)旦大學(xué)生命科學(xué)學(xué)院計算生物學(xué)系，上海 200438)

腦卒中包括缺血性腦卒中和出血性缺血性腦卒中兩種，其中缺血性腦卒中占70%～80%,是我國成年人致死和致殘的首位原因[1-2]。缺血性腦卒中是由于腦供血動脈(頸動脈和椎動脈)狹窄或閉塞，腦供血不足而引起的腦組織壞死的總稱[3]。然而，許多患者無法從早期治療中獲益，大量的時間在院外丟失，這往往是因為缺乏對腦卒中癥狀的認知，缺乏快速尋求緊急救治的途徑，或?qū)ζ淙狈?yīng)急反應(yīng)[4]。據(jù)不完全統(tǒng)計，缺血性腦卒中多發(fā)生于中老年人，其主要原因是長期吸煙、酗酒、肥胖，以及長期控制不佳的高血壓、糖尿病、高脂血癥，使腦動脈粥樣硬化越來越嚴(yán)重[5]。由于病理特征復(fù)雜，且影響因素眾多，目前臨床上難以判定多種因素作用的程度會對缺血性腦卒中的發(fā)生產(chǎn)生何種影響，而其前期的預(yù)防干預(yù)優(yōu)勢又顯著大于后期治療[2-3,5]。如今，隨著大數(shù)據(jù)的深入應(yīng)用，機器學(xué)習(xí)已經(jīng)進入醫(yī)療領(lǐng)域，其卓越的算法特性能夠更好、更快地幫助我們找出發(fā)病源及關(guān)聯(lián)屬性，為后期精準(zhǔn)醫(yī)療提供幫助[6]。因此本研究以選取江西地區(qū)的樣本數(shù)據(jù)為例，利用多種機器學(xué)習(xí)方法構(gòu)建缺血性腦卒中風(fēng)險預(yù)測模型，以此挖掘缺血性腦卒中的發(fā)病機制，為缺血性腦卒中的提前干預(yù)與控制提供理論依據(jù)。

1 資料與方法

1.1 一般資料 研究使用的數(shù)據(jù)共745例，來自于2020年1月～2020年12月就診于江西省某三甲醫(yī)院的574例缺血性腦卒中患者及171例健康人群問卷調(diào)查數(shù)據(jù)。納入標(biāo)準(zhǔn)：①診斷為缺血性腦卒中成年患者。②具備基本的認知能力。③簽署知情同意書。其中，非腦卒中數(shù)據(jù)以問卷形式在江西地區(qū)發(fā)放，抽取無心腦血管疾病的健康人群問卷作為調(diào)查樣本；缺血性腦卒中患者均為首次就診，符合條件的參與者在癥狀出現(xiàn)后48 h內(nèi)通過CT或MRI證實為缺血性腦卒中，并且收縮壓升高在140～220 mmHg。該研究獲得了醫(yī)院機構(gòu)委員會的倫理批準(zhǔn)(CKLL-2018005)，所有研究活動均按照其指導(dǎo)方針進行。在詳細解釋本研究的性質(zhì)后，從所有研究參與者處獲得書面知情同意書。

1.2 方法

1.2.1 指標(biāo)選取 由于人群特征的不同，不同地區(qū)心血管疾病危險因素的選擇存在一些差異，但相關(guān)專業(yè)人士一致認為主要危險因素應(yīng)符合以下標(biāo)準(zhǔn)[7]：①于許多人群中的存在率很高。②對心血管疾病的風(fēng)險有重要的獨立影響。③經(jīng)過治療和控制，可以降低風(fēng)險?；诖?，本研究對用于調(diào)查的影響心血管疾病發(fā)生的重要生物學(xué)指標(biāo)進行介紹并對其進行數(shù)據(jù)編碼，見表1。

表1 定性指標(biāo)的選取及變量定義

1.2.1.1 性別和年齡 影響心血管疾病的不可控制的危險因素之中主要包含性別和年齡。一般而言，心血管疾病的風(fēng)險隨著年齡的增長而增加[2-3,6]。研究表明，男性心血管疾病的風(fēng)險高于女性，同時，隨著年齡的增長，心血管疾病復(fù)發(fā)率的性別差異呈現(xiàn)逐漸減弱的跡象[5,7]。

1.2.1.2 高血壓 根據(jù)JNC-VII，年齡在40～70歲且血壓為(115～185)/(75～115) mmHg的個體，收縮壓(SBP)每增加20 mmHg和舒張壓(DBP)每增加10 mmHg，患心血管疾病的危險性將以倍數(shù)的形式提升[8]。高血壓最終會導(dǎo)致心臟、大腦、腎臟和外周血管發(fā)生病理變化，從而導(dǎo)致一系列并發(fā)癥，例如充血性心力衰竭、左心室肥大、冠心病及腦血管疾病等并發(fā)癥[9]。

2 結(jié)果

2.1 指標(biāo)分布差異性分析及可視化 本研究考慮在患缺血性腦卒中與健康兩種情況下對比上述所選指標(biāo)間是否存在顯著差異性。對于參數(shù)檢驗，其假定數(shù)據(jù)可以由一個或多個參數(shù)定義的分布很好地描述，且在大多數(shù)情況下是通過正態(tài)分布來描述的[10]。如果樣本數(shù)據(jù)集無法被選擇的分布近似的時候，參數(shù)檢驗的結(jié)果會存在極大的誤差，此時應(yīng)當(dāng)考慮非參數(shù)檢驗[11]。因此，本研究對所選指標(biāo)繪制概率密度函數(shù)圖，發(fā)現(xiàn)收縮壓的分布不具有正態(tài)性，呈現(xiàn)偏態(tài)分布，見圖1。

圖1 所選指標(biāo)的概率密度函數(shù)圖

2.2 差異性檢驗

2.2.1 參數(shù)檢驗 本研究對患缺血性腦卒中與健康兩種情況下服從正態(tài)分布的指標(biāo)進行獨立組別之間的t檢驗。顯著性水平為α=0.05，檢驗統(tǒng)計量為

(1)

表2 正態(tài)性指標(biāo)獨立組別之間的t檢驗結(jié)果

2.2.2 非參數(shù)檢驗 本研究對患缺血性腦卒中與健康兩種情況下不服從正態(tài)分布的收縮壓指標(biāo)進行Mann-Whitney檢驗。顯著性水平為α=0.05，檢驗假設(shè)為

H0:F(x)=G(y);H1:F(x)≠G(y)

(2)

H0的拒絕域為

(3)

其中r1與r2由下式算出：

(4)

2.3 基于樸素貝葉斯的缺血性腦卒中風(fēng)險預(yù)測模型構(gòu)建

2.3.1 基本模型 樸素貝葉斯法對條件概率分布的條件獨立性假設(shè)為

P(X=x|Y=ck)=

P(X(1)=x(1),…,X(n)=x(n)|Y=ck)

(5)

針對所得輸入x，后驗概率分布P(Y=ck|X=x)可由學(xué)習(xí)模型計算所得。與此同時，x的類輸出可由后驗概率最大的類所得。根據(jù)貝葉斯定理計算后驗概率：

P(Y=ck|X=x)=

(6)

式(5)代入式(6)，有

P(Y=ck|X=x)=

(7)

也即樸素貝葉斯分類公式。

2.3.2 模型構(gòu)建 基于樸素貝葉斯分類器的高效性，其通過單獨查看每個特征來學(xué)習(xí)參數(shù)，并從每個特征中收集簡單的類別統(tǒng)計數(shù)據(jù)，且本研究所選指標(biāo)數(shù)據(jù)大多為二分類數(shù)據(jù)，考慮使用BernoulliNB進行機器學(xué)習(xí)，其假設(shè)缺血性腦卒中特征的先驗概率為多項式分布，即為

(8)

其中，P(Xj=xjl|Y=ck)為第k個類別的第j維特征的取值條件概率，mk為訓(xùn)練集中第k類輸出的樣本數(shù)量，λ為大于0的常數(shù)，通常等于1，即拉普拉斯平滑[12]。

由于BernoulliNB含有一個參數(shù)α(即上述拉普拉斯平滑參數(shù)λ)，用于控制模型復(fù)雜度。α的工作原理是，算法向數(shù)據(jù)中添加α這么多的虛擬數(shù)據(jù)點，這些點對所有特征都取正值。這可以將統(tǒng)計數(shù)據(jù)“平滑化”。α越大，平滑化越強，模型復(fù)雜度就越低。另一方面，算法的性能對α值的魯棒性相對較好。需要強調(diào)的是，調(diào)整α將會使得精度略有提高。本研究分別選取α=1，α=10，α=100構(gòu)建伯努利樸素貝葉斯分類器，其中模型精度見表3。

表3 對于不同的α值的伯努利樸素貝葉斯分類器在缺血性腦卒中數(shù)據(jù)集上的模型精度

由于α=1時模型精度最高，故本研究最終選取考慮先驗概率且α=1的伯努利樸素貝葉斯分類器。

2.4 基于支持向量機的的缺血性腦卒中風(fēng)險預(yù)測模型構(gòu)建

2.4.1 基本模型 本文給出線性可分支持向量機學(xué)習(xí)算法步驟：輸入：線性可分訓(xùn)練集T={(x1,y1),(x2,y2),…,(xN,yN)}，其中xi∈X=Rn，yi∈Y={-1,+1},i=1,2,…,N。

輸出：分類決策函數(shù)以及分離超平面。

(1)構(gòu)造并求解約束最優(yōu)化問題

(9)

(2)計算

(3)求得分離超平面

w*·x+b*=0

(12)

分類決策函數(shù)：

f(x)=sign(w*·x+b*)

(13)

2.4.2 模型構(gòu)建 對于所得樣本數(shù)據(jù)集，由于樣本在不同特征上的維度不同，將會使得距離計算存在問題，則考慮先進行標(biāo)準(zhǔn)化[13]。同時考慮其具有較強的線性可分性，故使用線性支持向量機。要注意的是，對于線性支持向量機，與Logistic回歸類似，具有決定正則化強度的權(quán)衡參數(shù)C[11,14]。本研究分別選取C值0.001、1.000和100.000構(gòu)建線性支持向量機，模型精度見表4。

表4 對于不同的C值，線性支持向量機在缺血性腦卒中數(shù)據(jù)集上的模型精度

由于C=1.000時模型精度最高，故本研究最終選取C=1.000的線性軟間隔支持向量機，其分類決策函數(shù)見式(14)，其中xj，j=1,…,5為缺血性腦卒中數(shù)據(jù)集輸入變量。

f(x)=sign(0.06x1+0.54x2+1.42x3-0.14x4+

0.63x5+1.60)

(14)

2.5 基于ROC與AUC的模型選擇ROC曲線考慮給定分類器的所有可能閾值，并顯示假正例率和真正例率，而不是報告準(zhǔn)確率和召回率[15-16]。對于ROC曲線，理想曲線應(yīng)接近左上角。本研究希望分類器的召回率很高，同時使假正例率很低。利用AUC分數(shù)來比較樸素貝葉斯模型及支持向量機，本研究發(fā)現(xiàn)支持向量機的表現(xiàn)比樸素貝葉斯模型要略好一些，見表5。綜上所述，本研究最終選取支持向量機模型(C=1.000)作為缺血性腦卒中風(fēng)險預(yù)測模型。

表5 兩種自動化模型的AUC

3 討論

3.1 缺血性腦卒中的現(xiàn)狀分析 本研究的研究重點在于缺血性腦卒中前期風(fēng)險預(yù)測及干預(yù)。基于745例樣本數(shù)據(jù)，借助t檢驗及Mann-Whitney檢驗發(fā)現(xiàn)，在患缺血性腦卒中與健康兩種情況下年齡(P=0.000)、頸動脈狹窄或閉塞是否有癥狀(P=0.000)及收縮壓(u=14539.500，P=0.000)間存在顯著差異，在后續(xù)缺血性腦卒中的預(yù)防干預(yù)以及精準(zhǔn)醫(yī)療過程中應(yīng)當(dāng)重點關(guān)注。

3.2 缺血性腦卒中風(fēng)險預(yù)測模型 缺血性腦卒中具有發(fā)病率高、致殘率高、死亡率高和復(fù)發(fā)率高的特點。因此，在源頭控制缺血性腦卒中發(fā)病率及風(fēng)險干預(yù)尤為重要[17]。因此，本研究對所得樣本數(shù)據(jù)進行全方位、多角度的挖掘分析，利用機器學(xué)習(xí)方法構(gòu)建風(fēng)險預(yù)測模型并進行嚴(yán)格的模型選擇力求獲得最優(yōu)的缺血性腦卒中風(fēng)險預(yù)測模型。

在缺血性腦卒中的預(yù)測研究中，許多已構(gòu)建的穩(wěn)定的評分方法與預(yù)測模型普遍建議選擇改良的弗明漢缺血性腦卒中量表、匯集隊列方程、缺血性腦卒中風(fēng)險計算器等工具進行缺血性腦卒中風(fēng)險評估，但是這些模型主要針對歐美人群，對我國人群的缺血性腦卒中風(fēng)險評估預(yù)測效果不佳[18-20]。同時需要注意的是，上述模型雖然容易被理解，但準(zhǔn)確性不高、誤差較大。本研究以江西地區(qū)的案例為基礎(chǔ)，從中國缺血性腦卒中實際病理情況出發(fā)，通過數(shù)據(jù)挖掘的方式揭示影響缺血性腦卒中的危險因素，同時探討各因素之間的分布特征及相關(guān)性，并選取少數(shù)典型指標(biāo)用于后續(xù)建模，這極大降低了計算復(fù)雜度與算法迭代次數(shù)，同時使得模型更準(zhǔn)確、誤差小且區(qū)分度高，更容易被理解[19,21-23]。

另一方面，憑借機器學(xué)習(xí)的卓越特性，本研究還利用ROC與AUC進行模型篩選。需要強調(diào)的是，由于本研究所得到的為不平衡數(shù)據(jù)，認為AUC是一個比精度好得多的指標(biāo)。AUC等價于從正類樣本(患有缺血性腦卒中)中隨機挑選一個點，由分類器給出的分數(shù)比從反類樣本(健康)中隨機挑選一個點的分數(shù)更高的概率[21-24]；可以被解釋為評估正例樣本的排名[25]。本研究所訓(xùn)練支持向量機模型的AUC為1.000，說明所有正類點的分數(shù)高于所有反類點。基于此，本研究認為對于所得不平衡的缺血性腦卒中數(shù)據(jù)集，使用AUC進行模型選擇比使用精度更有意義。本研究最終從數(shù)理方向論證支持向量機為最優(yōu)缺血性腦卒中風(fēng)險預(yù)測模型，所構(gòu)建模型具有較高的準(zhǔn)確性，在一定程度上極大地確保了本研究的完備性及可靠性，提高了最初無癥狀人群中缺血性腦卒中預(yù)測干預(yù)的準(zhǔn)確性。

4 結(jié)論

本研究所構(gòu)建的基于現(xiàn)階段的符合我國國情的缺血性腦卒中風(fēng)險預(yù)測模型可在源頭上控制缺血性腦卒中發(fā)病率，并通過采取及時且準(zhǔn)確的干預(yù)措施，極大程度地確保國民的健康。