黃國(guó)榮,張 林,王慶華,向 穎,許 斌,熊鴻燕

(第三軍醫(yī)大學(xué)軍隊(duì)流行病學(xué)教研室,重慶 400038)

9.11事件后,生物恐怖的威脅被各國(guó)政府和軍隊(duì)高度重視,現(xiàn)場(chǎng)應(yīng)急隊(duì)伍的建設(shè)和防護(hù)技術(shù)的研究重新成為工作重點(diǎn),社會(huì)應(yīng)對(duì)突發(fā)公共衛(wèi)生事件的處置能力不斷增強(qiáng)。針對(duì)生物戰(zhàn)劑的高度危害效應(yīng),研究者們基本達(dá)成了共識(shí),認(rèn)為早期識(shí)別生物攻擊并采取準(zhǔn)確的應(yīng)對(duì)策略和方法是控制生物威脅的關(guān)鍵任務(wù)。基于這種思維,近年來(lái),國(guó)內(nèi)外研究者針對(duì)炭疽和天花,以回顧性的流行病學(xué)調(diào)查資料為依據(jù),以數(shù)學(xué)和計(jì)算機(jī)模型為平臺(tái)探索了不同的預(yù)測(cè)模型,就襲擊形式、規(guī)模以及反應(yīng)方式的不同,預(yù)測(cè)控制效果的可行性。這些研究主要涉及疫苗措施的預(yù)測(cè)效果,為現(xiàn)場(chǎng)實(shí)際應(yīng)用提供了科學(xué)依據(jù)[1-5]。生物恐怖襲擊的現(xiàn)場(chǎng)處置內(nèi)容除疫苗接種的措施外,現(xiàn)場(chǎng)的洗消處理更是一項(xiàng)艱巨的任務(wù)。其中,準(zhǔn)確預(yù)測(cè)戰(zhàn)劑的污染濃度和活力維持時(shí)間將為大規(guī)模的現(xiàn)場(chǎng)洗消任務(wù)提供重要依據(jù),有利于實(shí)現(xiàn)及時(shí)反應(yīng)、恰當(dāng)反應(yīng)和準(zhǔn)確防護(hù)的目標(biāo)。目前,傳統(tǒng)的現(xiàn)場(chǎng)處置方法以經(jīng)驗(yàn)性推論為依據(jù),一般是根據(jù)氣溶膠施放特點(diǎn)(點(diǎn)源或線源攻擊),以及氣溶膠持續(xù)作用時(shí)間、風(fēng)速、氣象轉(zhuǎn)換因子等綜合進(jìn)行考慮,確定疫源地封鎖和洗消的范圍。這種方法準(zhǔn)確度低,與實(shí)際狀況相距很大,雖然可以作為參考數(shù)據(jù),但也可能給具體措施的擬訂帶來(lái)不恰當(dāng)?shù)暮蠊?可能出現(xiàn)處置不力或過(guò)度反應(yīng)的現(xiàn)象。本研究以枯草桿菌為試驗(yàn)菌,在模擬的氣溶膠實(shí)驗(yàn)室進(jìn)行抗力分析,以表面環(huán)境條件下芽胞氣溶膠消長(zhǎng)規(guī)律為依據(jù),用計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)工具建立抗力預(yù)測(cè)模型,以期為防護(hù)技術(shù)的信息化探索可行的方法。

1 材料與方法

1.1 芽胞氣溶膠滯留的環(huán)境樣本制備

制備枯草芽胞桿菌(ATCC 9372)芽胞懸液,并進(jìn)行活菌計(jì)數(shù),4℃保存?zhèn)溆?在氣溶膠控制實(shí)驗(yàn)室控制箱內(nèi)放置布片、瓦片、樹(shù)葉、石片等材料樣本,進(jìn)行氣溶膠噴霧,微生物氣溶膠發(fā)生器(遼陽(yáng)市康潔儀器研究所產(chǎn)品)向氣溶膠柜(1 m3)中噴芽胞懸液(106～107cfu/mL)2 min,模擬氣溶膠污染的空氣環(huán)境。氣溶膠發(fā)生流量為0.05 L/h,壓力為0.03 MPa,溫度為15～30℃,相對(duì)濕度為50%～80%。模擬的氣溶滯留樣本在模擬環(huán)境暴露15 min后收集。

1.2 芽胞抗力測(cè)定

在環(huán)境模擬箱中放置收集的氣溶膠滯留樣本,分別設(shè)定的不同環(huán)境條件(時(shí)間、溫度、濕度和UVC強(qiáng)度)進(jìn)行處理(見(jiàn)表1),完成暴露后收集樣本,表面(1 cm×1 cm面積)采樣后活菌計(jì)數(shù)。試驗(yàn)同時(shí)設(shè)置空白處理對(duì)照組,各試驗(yàn)點(diǎn)均重復(fù)3次。以上微生物試驗(yàn)操作均按照《消毒技術(shù)規(guī)范》[6]要求進(jìn)行。

1.3 芽胞抗力預(yù)測(cè)模型研究

1.3.1 BP網(wǎng)絡(luò)模型原理[7-9]在人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeural Net work,ANN)的平臺(tái)中,誤差反向傳播方法(Back Error Propagation,BP)是最穩(wěn)定、成熟的預(yù)測(cè)模型。其分為輸入層、隱層和輸出層,通過(guò)改變神經(jīng)元中的權(quán)值w和閾值b來(lái)不斷學(xué)習(xí)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)完成特定的功能。其學(xué)習(xí)和構(gòu)建機(jī)制如圖1,隱層傳遞函數(shù)取正切S型(tansig)函數(shù),輸出層為線性(purelin)函數(shù),則各層輸出的計(jì)算公式如下：隱層輸出：a1=tansig(w1 3 P+b1);網(wǎng)絡(luò)輸出：a2=purelin(w2 3 a1+b2)。

圖1 BP網(wǎng)絡(luò)計(jì)算模型Fig.1 Coputationalmodel ofBP artificial neural network

1.3.2 模型構(gòu)建 構(gòu)建程序：數(shù)據(jù)輸入及網(wǎng)絡(luò)初始化→神經(jīng)網(wǎng)絡(luò)訓(xùn)練→神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立。以芽胞抗力測(cè)定的275個(gè)數(shù)據(jù)為依據(jù),分層隨機(jī)選擇265個(gè)作為建模訓(xùn)練樣本,再隨機(jī)選擇其中55個(gè)作為回顧性驗(yàn)證樣本。另外10個(gè)作為前瞻性驗(yàn)證樣本。用Matlab6.1語(yǔ)言編程,數(shù)據(jù)輸入。輸入矩陣P表示如下：

輸出目標(biāo)向量T值表示如下：

A：UVC強(qiáng)度;B：溫度;C：濕度;D：表面材料;E：暴露時(shí)間;每個(gè)元素間用“;”隔開(kāi)。

T為目標(biāo)向量即消亡率賦值,與輸入元素一一對(duì)應(yīng)的芽胞存活情況相關(guān),即活菌數(shù)0,賦值為0;活菌數(shù)1～4,賦值為1;活菌數(shù)5～9賦值為2;活菌數(shù)10～49,賦值為3;活菌數(shù)50～99,賦值為4;活菌數(shù)100～149賦值為5;活菌數(shù)150～199,賦值為6;活菌數(shù)200～299,賦值為7;活菌數(shù)≧300賦值為8。

網(wǎng)絡(luò)初始化：

net=newff(PR[S1S2S3]{‘tansig’,‘tansig’,‘purelin’},‘train lm’),其中,PR為R×2維矩陣,表示R維輸入矢量中每維輸入的最小值與最大值之間的范圍,S1、S2、S3為輸入層、隱層、輸出層的神經(jīng)元數(shù)目;‘tansig’、‘purelin’為傳遞函數(shù),trainlm為訓(xùn)練函數(shù)?？沽δＰ椭蠸1為輸入層,S2為隱層,S3為輸出層。

設(shè)定網(wǎng)絡(luò)迭代次數(shù)：net.trainParam.epochs參數(shù)為網(wǎng)絡(luò)訓(xùn)練步數(shù),即迭代次數(shù),反復(fù)調(diào)整至訓(xùn)練誤差下降至最小時(shí)(目標(biāo)是0),其輸出值與實(shí)際值符合率高。

網(wǎng)絡(luò)訓(xùn)練：

通過(guò)建立的可訓(xùn)練BP網(wǎng)絡(luò)、輸入元素向量及目標(biāo)向量,網(wǎng)絡(luò)自適應(yīng)訓(xùn)練和學(xué)習(xí)。

結(jié)果模擬：

T1′=sim(net,P);

T1′為模擬輸出值：用模擬函數(shù)sim接收網(wǎng)絡(luò)輸入P,網(wǎng)絡(luò)對(duì)象net,返回網(wǎng)絡(luò)輸出T1′。

預(yù)測(cè)模型建立：

計(jì)算網(wǎng)絡(luò)模擬輸出值T1與實(shí)際值T平均符合率,根據(jù)模型成立條件,若平均符合率＞80%,則預(yù)測(cè)模型成立。

預(yù)測(cè)模型驗(yàn)正：

用上述構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型對(duì)55個(gè)試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè),程序如下：

輸入新變量,其中A1,n+1;B2,n+1;C3,n+1;…;LE,n+1為待預(yù)測(cè)案例的變量值。

網(wǎng)絡(luò)預(yù)測(cè)：

T1=sim(net,P1);

T1為網(wǎng)絡(luò)預(yù)測(cè)函數(shù)：通過(guò)建立起的網(wǎng)絡(luò),利用sim函數(shù)對(duì)未來(lái)進(jìn)行預(yù)測(cè)。

計(jì)算預(yù)測(cè)結(jié)果：

將網(wǎng)絡(luò)輸出的平均預(yù)測(cè)值T1與已知真實(shí)值T進(jìn)行比較,以求出預(yù)測(cè)平均符合率。

預(yù)測(cè)有兩種方法,一種直接用T1′=sim(net,P)進(jìn)行成批預(yù)測(cè),另一種用T1=sim(net,P1)進(jìn)行逐個(gè)預(yù)測(cè),目的是檢測(cè)神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性和可靠性。

2 結(jié) 果

2.1 表面滯留氣溶膠芽胞抗力

模擬樣本中芽胞活力的結(jié)果顯示,環(huán)境溫度在15～30℃,濕度50%～80%,UVC照射強(qiáng)度20～45μW/cm2,作用時(shí)間0.5～5 h的暴露條件下,枯草芽胞的生長(zhǎng)規(guī)律發(fā)生了明顯的變化,氣溶膠滯留抗力的變化隨著溫度、濕度、UVC照射強(qiáng)度和暴露時(shí)間的變化呈現(xiàn)明顯的消亡趨勢(shì),其中UVC的暴露對(duì)芽胞抗力的弱化最明顯,葉片中芽胞氣溶膠滯留抗力約強(qiáng)于其他表面。其規(guī)律見(jiàn)表1。

表1 實(shí)驗(yàn)組與對(duì)照組的菌落數(shù)Table 1 Colony numbers of experimental group and control group

2.2 芽胞氣溶膠表面滯留抗力預(yù)測(cè)模型

2.2.1 模型設(shè)計(jì)及建立 模型輸入層、隱層和輸出層的節(jié)點(diǎn)設(shè)計(jì)直接影響模型的應(yīng)用效果。根據(jù)芽胞抗力的影響因素及實(shí)驗(yàn)室研究數(shù)據(jù)的綜合考慮,對(duì)輸入層設(shè)立了5個(gè)節(jié)點(diǎn);根據(jù)題的目標(biāo),即確定芽胞抗力,設(shè)立了1個(gè)輸出節(jié)點(diǎn);神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)的設(shè)立相對(duì)復(fù)雜。由于目前還沒(méi)有統(tǒng)一標(biāo)準(zhǔn),一般以仿真效果的不斷調(diào)整,直至滿意為依據(jù)。根據(jù)陳作炳等和尹念東的方法,隱層節(jié)點(diǎn)數(shù)(n1)與輸入節(jié)點(diǎn)數(shù)(n)和輸出節(jié)點(diǎn)數(shù)(m)相關(guān),即n1=n+m+a(a為1～10之間的常數(shù)),或n1=mn。根據(jù)公式,本模型的隱層節(jié)點(diǎn)理論值為2～12。預(yù)備訓(xùn)練結(jié)果在隱層節(jié)點(diǎn)為8時(shí),出現(xiàn)訓(xùn)練平滑曲線(見(jiàn)圖2)。

圖2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖形Fig.2 Traning flow-sheet of neural network

2.2.2 模型驗(yàn)證 網(wǎng)絡(luò)構(gòu)建完成后,在程序窗口用建模的55個(gè)數(shù)據(jù)樣本,進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練,得出預(yù)測(cè)數(shù)值,預(yù)測(cè)結(jié)果見(jiàn)圖3。其r值均在0.9以上,顯示預(yù)測(cè)的效率高。55個(gè)試驗(yàn)數(shù)據(jù)一次批預(yù)測(cè)準(zhǔn)確度達(dá)到100%。進(jìn)一步用前瞻性樣本進(jìn)行驗(yàn)證,有效率達(dá)到91%(見(jiàn)表2)。

圖3 數(shù)據(jù)與預(yù)測(cè)回歸相關(guān)分析Fig.3 Association analysis of data and forecast results

表2 神經(jīng)網(wǎng)絡(luò)模擬預(yù)測(cè)結(jié)果Table 2 The predicted results of neural network

3 討 論

利用計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)模型工具箱構(gòu)建微生物氣溶膠抗力預(yù)測(cè)模型是創(chuàng)新性方法。近年來(lái),隨著生物信息學(xué)的發(fā)展,醫(yī)學(xué)與計(jì)算機(jī)技術(shù)的聯(lián)合應(yīng)用技術(shù)展示出無(wú)限魅力,為疾病的預(yù)測(cè)和防治開(kāi)辟了嶄新的途徑。Wein等[10]利用人群、環(huán)境、醫(yī)療資源、事件危害程度等因素的變化規(guī)律建立的吸入炭疽事件最佳應(yīng)對(duì)決策數(shù)學(xué)模型;Fine等[11]利用決策分析數(shù)學(xué)模型評(píng)價(jià)并確立了針對(duì)人群中出現(xiàn)炭疽和疑似炭疽病人的診斷和治療最佳方法。這些數(shù)學(xué)模型雖然具有典型的以數(shù)學(xué)理論為依據(jù)的設(shè)計(jì)和構(gòu)思特點(diǎn),與實(shí)際事件和相關(guān)量化數(shù)據(jù)有一定距離,但為疾病預(yù)測(cè)的理論研究奠定了基礎(chǔ)。本研究以計(jì)算機(jī)軟件Matlab6.1的神經(jīng)網(wǎng)絡(luò)工具箱為平臺(tái),以實(shí)際實(shí)驗(yàn)數(shù)據(jù)為模型輸入資源。利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大綜合智能分析,將溫度、濕度、UVC照射強(qiáng)度和作用時(shí)間等環(huán)境相關(guān)特征的多重資料進(jìn)行系統(tǒng)分析,建立芽胞抗力預(yù)測(cè)模型,從實(shí)用性和準(zhǔn)確性方面具有明顯的創(chuàng)新特色。為進(jìn)一步將此模型擴(kuò)展到多種病原體抗力預(yù)測(cè)應(yīng)用建立了平臺(tái)。

在研究中,實(shí)驗(yàn)室數(shù)據(jù)的質(zhì)量直接影響到模型構(gòu)建及其可靠性。因此,在實(shí)驗(yàn)條件的設(shè)計(jì)中根據(jù)生物襲擊的一般條件要求,并反復(fù)與實(shí)際環(huán)境條件進(jìn)行比對(duì)和驗(yàn)證,設(shè)定了相應(yīng)的溫度、濕度、UVC照射指標(biāo),使數(shù)據(jù)所建模型得以實(shí)用。

建模過(guò)程中材料選用、各層節(jié)點(diǎn)的設(shè)計(jì)和仿真效果調(diào)整是模型構(gòu)建的關(guān)鍵步驟之一。除訓(xùn)練模型的材料外,模型輸入層、隱層和輸出層的節(jié)點(diǎn)設(shè)計(jì)直接影響模型的應(yīng)用效果。本研究根據(jù)實(shí)驗(yàn)數(shù)據(jù)特征,輸入層設(shè)立了5個(gè)節(jié)點(diǎn);根據(jù)課題的目標(biāo),即確定消亡率,設(shè)立了1個(gè)輸出節(jié)點(diǎn);神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)的設(shè)立相對(duì)復(fù)雜。由于目前還沒(méi)有統(tǒng)一標(biāo)準(zhǔn),一般以仿真效果的不斷調(diào)整,直至滿意為依據(jù)。根據(jù)陳作炳等[12]和尹念東[13]的方法,隱層節(jié)點(diǎn)數(shù)(n1)與輸入節(jié)點(diǎn)數(shù)(n)和輸出節(jié)點(diǎn)數(shù)(m)相關(guān),即(a為1～10之間的常數(shù)),或根據(jù)公式,本模型的隱層節(jié)點(diǎn)理論值為3或4。在模型訓(xùn)練時(shí)分別設(shè)立了2～12個(gè)隱層節(jié)點(diǎn),根據(jù)模型仿真效果,最后定為8個(gè)節(jié)點(diǎn)。此時(shí)模型的穩(wěn)定性和準(zhǔn)確性最佳。對(duì)于建模過(guò)程中訓(xùn)練樣本,一般要求大樣本較好。從神經(jīng)網(wǎng)絡(luò)模型應(yīng)用的角度,一般認(rèn)為其樣本量為其全部節(jié)點(diǎn)的2～10倍。根據(jù)本研究實(shí)際,樣本應(yīng)當(dāng)在28～140個(gè)。本研究用160個(gè)樣本進(jìn)行建模訓(xùn)練,其數(shù)量符合要求。

以Matlab6.1為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)為技術(shù)平臺(tái)進(jìn)行芽胞氣溶膠滯抗力預(yù)測(cè)模型研究。根據(jù)研究目的、模擬環(huán)境條件和數(shù)據(jù)訓(xùn)練的平滑曲線等特征,設(shè)定了5個(gè)輸入神經(jīng)元,8個(gè)隱層節(jié)點(diǎn)和1個(gè)輸出神經(jīng)元?！畉ansig’、‘purelin’為傳遞函數(shù),train lm為訓(xùn)練函數(shù),網(wǎng)絡(luò)迭代100次。研究結(jié)果顯示,此時(shí)模型的回顧預(yù)測(cè)效率達(dá)到100%,前瞻預(yù)測(cè)效率達(dá)到91%,具有良好的應(yīng)用前景。當(dāng)然其實(shí)際效果還有待在現(xiàn)場(chǎng)應(yīng)用中予以評(píng)價(jià)。

[1] Bozzette SA,Boer R,Bhatnagar V,et al.A model for a smallpox-vaccination policy[J].N Engl J Med,2003,348(5)：416-425.

[2] Diane C.Jamrog,Michael P,et al.Modeling Responses to Anthrax and Smallpox Attacks[J].Lincoln Laboratory Journal,2007,17(1)：122-129.

[3] MeltzerM I,Damon I,LeDuc W,et al.Modeling Potential Responses to Smallpox as a BioterroristWeapon[J].Emerg Infect Dis,2001,7(6)：959-969.

[4] Nishiura H and Tang IM.Modeling for a Smallpox-vaccination Policy against Possible Bioterrorism in Japan：The Impact of Long-lasting Vaccinal Immunity[J].Journal of Epidemiology,2004,14(2)：41-50.

[5] 韓家信,熊鴻燕,張廷惠.炭疽病的診斷及危險(xiǎn)度預(yù)測(cè)智能模型研究[J].中華流行病學(xué)雜志,2006,27(10)：875-879.

[6] 中華人民共和國(guó)衛(wèi)生部.消毒技術(shù)規(guī)范[S].2002：15-19.

[7] 許東,吳錚主編.基于MATLAB6.X的系統(tǒng)分析與設(shè)計(jì)—神經(jīng)網(wǎng)絡(luò)(第2版)[M].西安：西安電子科技出版社,2002：4-194.

[8] Kara S,Güven A and Oner A?.Utilization of artificial neural networks in the diagnosis of optic nerve diseases[J].Comput BiolMed,2006,36：428-437.

[9] Silva A,Cortez P,SantosMF,et al.Mortality assessment in intensive care units via adverse events using artificial neural networks[J].Artif IntellMed,2006,36：223-234.

[10] Wein LM,Craft DL and Kaplan EH.Emergency response to an anthrax attack[J].Proc Natl Acad Sci USA,2003,100：4346-4351.

[11] Fine AM,Wong JB,Fraser HS,et al.Is it influenza or anthrax?A decision analytic approach to the treatment of patients with influenza-like illnesses[J].Ann Emerg Med,2004,43：318-328.

[12] 陳作炳,艾春庭,夏雪峰.BP神經(jīng)網(wǎng)絡(luò)仿真軟件[J].計(jì)算機(jī)仿真,2001,18：23-24.

[13] 尹念東.BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用設(shè)計(jì)[J].信息技術(shù),2003,27：18-20.