機(jī)器學(xué)習(xí)在腦卒中預(yù)測(cè)中的研究進(jìn)展

李潔潔，張雁儒，李昊，楊越

(河南理工大學(xué) 醫(yī)學(xué)院，河南 焦作 454000)

腦卒中是一項(xiàng)影響國(guó)計(jì)民生的公共衛(wèi)生問(wèn)題，是全球第二大致死原因，每年約有660萬(wàn)人死于腦卒中，嚴(yán)重影響患者的生命和生活質(zhì)量[1]。近年來(lái)，機(jī)器學(xué)習(xí)作為一門(mén)交叉學(xué)科，被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域。利用機(jī)器學(xué)習(xí)對(duì)腦卒中進(jìn)行及時(shí)的預(yù)測(cè)，具有重要的臨床意義，可以幫助醫(yī)護(hù)人員做出臨床決策，優(yōu)化醫(yī)療資源配置，對(duì)患者危的險(xiǎn)因素及時(shí)干預(yù)，降低腦卒中的患病率和致死率。

因此，了解機(jī)器學(xué)習(xí)在腦卒中研究中的應(yīng)用進(jìn)展，可以為機(jī)器學(xué)習(xí)的進(jìn)一步應(yīng)用提供參考。本文重點(diǎn)對(duì)近年來(lái)機(jī)器學(xué)習(xí)在腦卒中復(fù)發(fā)、預(yù)后和恢復(fù)預(yù)測(cè)方面進(jìn)行綜述。

1 機(jī)器學(xué)習(xí)算法的應(yīng)用

機(jī)器學(xué)習(xí)是一門(mén)研究如何使用計(jì)算機(jī)程序模擬人類(lèi)學(xué)習(xí)活動(dòng)的學(xué)科[2]，是人工智能的一個(gè)重要子集，主要用于分析結(jié)構(gòu)化數(shù)據(jù)[3]。在大數(shù)據(jù)時(shí)代，機(jī)器學(xué)習(xí)算法的使用大大提高了分析海量臨床數(shù)據(jù)的能力，將醫(yī)生從大量信息中拯救出來(lái)，有助于快速做出臨床決策。它在生產(chǎn)率、效率和醫(yī)療服務(wù)的地域覆蓋范圍等方面的提升[4]，也是醫(yī)療人員研究機(jī)器學(xué)習(xí)的重要原因。

通過(guò)文獻(xiàn)檢索，發(fā)現(xiàn)將機(jī)器學(xué)習(xí)用于腦卒中研究始于2005年[5]。腦卒中研究中多是不平衡數(shù)據(jù)，而機(jī)器學(xué)習(xí)方法是預(yù)測(cè)不平衡數(shù)據(jù)的有效工具[6]，彌補(bǔ)了這種不對(duì)稱(chēng)。通過(guò)回顧性或前瞻性研究，將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，開(kāi)發(fā)出基于不同機(jī)器學(xué)習(xí)算法的預(yù)測(cè)模型。通過(guò)兩種方法對(duì)開(kāi)發(fā)出的預(yù)測(cè)模型的性能進(jìn)行評(píng)價(jià)：一種與傳統(tǒng)腦卒中預(yù)測(cè)評(píng)分相比較；另一種與不同機(jī)器學(xué)習(xí)算法所建立的預(yù)測(cè)模型比較。評(píng)價(jià)標(biāo)準(zhǔn)：受試者工作特征曲線(xiàn)下面積(area under the curve，AUC)、特異度、敏感度、準(zhǔn)確性、召回率、F1-score等。在評(píng)價(jià)結(jié)果上，利用機(jī)器學(xué)習(xí)算法開(kāi)發(fā)的預(yù)測(cè)模型的性能要優(yōu)于傳統(tǒng)預(yù)測(cè)模型[7-8]。在不同數(shù)據(jù)樣本下，同一機(jī)器學(xué)習(xí)算法會(huì)得到不同的預(yù)測(cè)效果，性能高低也不同。根據(jù)機(jī)器學(xué)習(xí)的常用算法，列出被比較算法，匯總關(guān)于腦卒中最優(yōu)機(jī)器學(xué)習(xí)算法的AUC值和樣本量大小，具體如表1所示。

目前，機(jī)器學(xué)習(xí)在腦卒中的研究頗多，也被證明對(duì)腦卒中研究有重大價(jià)值[14-16]。如預(yù)測(cè)藥物治療效果[17-18]、腦卒中后肺炎[19]、預(yù)測(cè)腦卒中最終病變[20]、辨別缺血性腦卒中亞型[21]、對(duì)腦卒中患者進(jìn)行焦慮分析[22]等。機(jī)器學(xué)習(xí)的主要任務(wù)是預(yù)測(cè)，因此，本文重點(diǎn)探討腦卒中復(fù)發(fā)、預(yù)后及恢復(fù)預(yù)測(cè)。

表1 腦卒中最優(yōu)機(jī)器學(xué)習(xí)算法

2 腦卒中患者復(fù)發(fā)預(yù)測(cè)研究

有研究證明，至少1/6的腦卒中患者會(huì)在5 a內(nèi)復(fù)發(fā)[23]。腦卒中一旦復(fù)發(fā)，就意味著神經(jīng)功能受損更加嚴(yán)重、家庭負(fù)擔(dān)更加巨大。控制高血壓、糖尿病、脂質(zhì)代謝、抽煙、喝酒等[24-26]危險(xiǎn)因素一直是臨床常用的降低復(fù)發(fā)率的方法，因此有必要根據(jù)患者的一般資料進(jìn)行危險(xiǎn)因素預(yù)測(cè)。一般情況下，1～2個(gè)危險(xiǎn)因素可誘導(dǎo)腦卒中患者復(fù)發(fā)，而大數(shù)據(jù)下的機(jī)器學(xué)習(xí)可以處理危險(xiǎn)因素間的復(fù)雜關(guān)系，處理分析能力更加優(yōu)異。

利用機(jī)器學(xué)習(xí)算法對(duì)患者進(jìn)行30 d、90 d、1 a以及更長(zhǎng)期腦卒中復(fù)發(fā)預(yù)測(cè)，結(jié)果顯示，在不同的數(shù)據(jù)和時(shí)間長(zhǎng)度下，相同的機(jī)器學(xué)習(xí)算法可有不同的性能表現(xiàn)。有研究發(fā)現(xiàn)，使用隨機(jī)森林、梯度增強(qiáng)機(jī)、極端梯度提升、支持向量機(jī)和邏輯回歸5種機(jī)器學(xué)習(xí)算法對(duì)電子健康記錄的患者數(shù)據(jù)進(jìn)行30 d模型開(kāi)發(fā)。結(jié)果顯示，采用rose采樣的極端梯度提升在AUC方面性能最好，AUC為0.74(95% CI為0.64～0.78)[27]。Xu等[28]對(duì)腦卒中患者進(jìn)行了90 d再入院風(fēng)險(xiǎn)預(yù)測(cè)，極端梯度提升預(yù)測(cè)能力高于隨機(jī)森林模型，預(yù)測(cè)模型的AUC為0.782。Hung等[29]預(yù)測(cè)90 d最優(yōu)模型時(shí)，使用了8種機(jī)器學(xué)習(xí)算法，包括C4.5、分類(lèi)和回歸樹(shù)、K近鄰、邏輯回歸、多層感知器、Na?ve Bayes、隨機(jī)森林和支持向量機(jī)，最終認(rèn)為最優(yōu)模型是Na?ve Bayes模型，其AUC為0.661。但Chan[30]通過(guò)交叉驗(yàn)證，人工神經(jīng)網(wǎng)絡(luò)型預(yù)測(cè)1 a卒中復(fù)發(fā)的中位敏感度、特異度、準(zhǔn)確性和AUC分別為75%、75%、75%和77%，其預(yù)測(cè)性能優(yōu)于支持向量機(jī)和Na?ve Bayes分類(lèi)器。Abedi等[31]進(jìn)行了一項(xiàng)預(yù)測(cè)5 a卒中復(fù)發(fā)研究，使用6種算法(logistic回歸、極端梯度提升、梯度增強(qiáng)機(jī)、隨機(jī)森林、支持向量機(jī)、決策樹(shù))預(yù)測(cè)卒中復(fù)發(fā)情況。結(jié)果顯示，6種模型均可應(yīng)用于長(zhǎng)期卒中復(fù)發(fā)的預(yù)測(cè)，但預(yù)測(cè)時(shí)間越長(zhǎng)，性能越低。如1 a預(yù)測(cè)窗口的最佳AUC為0.79，2、3、4、5a預(yù)測(cè)窗口的最佳AUC分別為0.70、0.73、0.73、0.69，呈下降趨勢(shì)。

3 腦卒中患者預(yù)后預(yù)測(cè)研究

對(duì)腦卒中患者進(jìn)行預(yù)后是困難的，但同時(shí)又很必要。利用機(jī)器學(xué)習(xí)對(duì)腦卒中患者進(jìn)行預(yù)后預(yù)測(cè)在長(zhǎng)期決策、患者治療、醫(yī)療資源等方面起著重要作用。醫(yī)護(hù)決策者在機(jī)器學(xué)習(xí)制定計(jì)劃的基礎(chǔ)上，更好地預(yù)測(cè)每個(gè)患者的患病程度，將患者家庭情況和經(jīng)濟(jì)條件考慮在內(nèi)，與患者、親屬和醫(yī)院共同作出和護(hù)理決策，制定個(gè)性化干預(yù)，改善預(yù)后。

利用5種算法[12](正則化邏輯回歸、支持向量機(jī)、隨機(jī)森林、極端梯度提升、K近鄰)預(yù)測(cè)預(yù)后的研究中，正則化邏輯回歸的效能最好，AUC為0.86，支持向量機(jī)的AUC排第2名，為0.85，所有機(jī)器學(xué)習(xí)模型的AUC均達(dá)到0.8以上，比傳統(tǒng)評(píng)分預(yù)測(cè)模型準(zhǔn)確性高。例如，在Chiu等[32]和Heo等[11]的研究中，將機(jī)器學(xué)習(xí)預(yù)測(cè)模型分別與DRAGON評(píng)分和ASTRAL評(píng)分相比，結(jié)果顯示機(jī)器學(xué)習(xí)預(yù)測(cè)模型的性能優(yōu)于后者。Li等[33]的研究發(fā)現(xiàn)5個(gè)機(jī)器學(xué)習(xí)模型(邏輯回歸、支持向量機(jī)、隨機(jī)森林分類(lèi)器、極端梯度提升和全連接深度神經(jīng)網(wǎng)絡(luò))的性能差別不大，驗(yàn)證了機(jī)器學(xué)習(xí)算法優(yōu)于血管事件總健康風(fēng)險(xiǎn)評(píng)分和NADE列線(xiàn)圖。Abedi等[34]利用電子健康記錄的數(shù)據(jù)，基于logistic回歸、極端梯度提升和隨機(jī)森林3種機(jī)器學(xué)習(xí)模型預(yù)測(cè)缺血性腦卒中后的短期和長(zhǎng)期病死率。結(jié)果顯示，3種模型的AUC在0.76～0.81之間，隨機(jī)森林模型在1個(gè)月時(shí)表現(xiàn)最佳，AUC為0.82。開(kāi)發(fā)的機(jī)器學(xué)習(xí)模型的性能可以通過(guò)數(shù)據(jù)的繼續(xù)訓(xùn)練而不斷提高。有研究使用3種機(jī)器學(xué)習(xí)模型(支持向量機(jī)、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò))和混合人工神經(jīng)網(wǎng)絡(luò)，進(jìn)行10次重復(fù)保留和10次交叉驗(yàn)證進(jìn)行評(píng)估，開(kāi)發(fā)的機(jī)器學(xué)習(xí)模型的AUC均超過(guò)0.94。再通過(guò)增加后續(xù)數(shù)據(jù)，預(yù)測(cè)能力提高到0.97[35]。

4 腦卒中患者恢復(fù)預(yù)測(cè)研究

卒中后出院的患者需要長(zhǎng)期鍛煉以恢復(fù)肢體功能。出院后的護(hù)理若不成系統(tǒng)，會(huì)導(dǎo)致醫(yī)療費(fèi)用增加以及面臨再次入院的風(fēng)險(xiǎn)。機(jī)器學(xué)習(xí)算法可以幫助患者預(yù)測(cè)醫(yī)療資源需求，幫助護(hù)理人員做出匹配的康復(fù)計(jì)劃，使有限的醫(yī)療資源達(dá)到最佳配置。

Thakkar等[13]利用K近鄰和人工神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)腦卒中患者恢復(fù)功能，K近鄰模型的預(yù)測(cè)精度為85.42%，AUC為0.89，人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度為81.25%，AUC為0.77，證明K近鄰模型性能優(yōu)于人工神經(jīng)網(wǎng)絡(luò)。有研究采用決策樹(shù)、Na?ve Bayes、K近鄰、線(xiàn)性判別分析、AdaBoost、支持向量機(jī)、logistic回歸和隨機(jī)森林8種機(jī)器學(xué)習(xí)方法，8種機(jī)器學(xué)習(xí)模型的AUC在0.830～0.887之間，其中隨機(jī)森林表現(xiàn)最好，AUC為0.887[36]。在識(shí)別腦卒中患者的日常生活依賴(lài)性時(shí)，分類(lèi)回歸樹(shù)模型的準(zhǔn)確率為0.830，可以作為預(yù)測(cè)模型[37]。開(kāi)發(fā)深度神經(jīng)網(wǎng)絡(luò)、邏輯回歸和隨機(jī)森林的3種預(yù)測(cè)模型中，深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)上下肢功能的AUC分別為0.906和0.822，高于其他模型的AUC值[38]。對(duì)腦卒中患者回家可能性的分析中，機(jī)器學(xué)習(xí)算法建立了決策樹(shù)、線(xiàn)性判別分析、K近鄰、支持向量機(jī)和隨機(jī)森林5種模型，基于同一數(shù)據(jù)集構(gòu)建分類(lèi)系統(tǒng)進(jìn)行準(zhǔn)確率、AUC值、F1評(píng)分以及敏感度等比較，結(jié)果顯示，就模型性能而言，支持向量機(jī)(AUC為0.91)和K近鄰(AUC為0.88)為優(yōu)異的候選算法[9]。綜上，在進(jìn)行恢復(fù)預(yù)測(cè)研究時(shí)，可以使用K近鄰、深度神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等算法。

5 總結(jié)和展望

先進(jìn)的機(jī)器學(xué)習(xí)算法有潛力改善醫(yī)療保健的獲取和公平，降低醫(yī)療成本，降低診斷錯(cuò)誤或差異，提高效率，改善醫(yī)療服務(wù)。機(jī)器學(xué)習(xí)在預(yù)測(cè)方面發(fā)揮越來(lái)越重要的積極作用，但也要正視其自身固有的弊端。利用機(jī)器學(xué)習(xí)背后可能引起某些群體的歧視及偏見(jiàn)[39]，引發(fā)倫理問(wèn)題，要求醫(yī)生具備相關(guān)技能和倫理方面的知識(shí)。另外，機(jī)器學(xué)習(xí)性能高低取決于輸入數(shù)據(jù)是否適合。不同數(shù)據(jù)集下的模型的性能不同，有時(shí)這些驗(yàn)證研究會(huì)產(chǎn)生相互矛盾的結(jié)果。數(shù)據(jù)量的大小影響算法的性能，通常情況下，數(shù)據(jù)量越多，模型算法的性能越好。大數(shù)據(jù)環(huán)境下，電子健康記錄可以提供海量的數(shù)據(jù)，機(jī)器學(xué)習(xí)算法與電子健康記錄相結(jié)合可為機(jī)器學(xué)習(xí)預(yù)測(cè)工具的開(kāi)發(fā)提供平臺(tái)。應(yīng)根據(jù)數(shù)據(jù)集的特點(diǎn)選擇最優(yōu)的機(jī)器學(xué)習(xí)算法，在提升預(yù)測(cè)模型性能的同時(shí)可適當(dāng)增加數(shù)據(jù)訓(xùn)練和交叉驗(yàn)證。機(jī)器學(xué)習(xí)正不斷以一種潛在的革命方式，為醫(yī)患帶來(lái)新的體驗(yàn)。