陳捷，宿翀，薛勇

1. 北京市中關(guān)村醫(yī)院 針灸推拿科，北京 100190；2. 北京化工大學(xué) 信息科學(xué)與技術(shù)學(xué)院，北京 100029；3. 中日友好醫(yī)院 康復(fù)科，北京 100029

引言

吞咽[1]是多種神經(jīng)和肌肉共同協(xié)調(diào)運動的結(jié)果。根據(jù)其解剖的不同部位，將吞咽分為口腔、咽、喉和食管四個時期[2]。我們把不能安全順利地把食團從口運送通過咽和喉，最終到胃，或途中有誤吸等，稱為吞咽障礙[3]。臨床上，很多種疾病都會導(dǎo)致吞咽障礙。本文僅以腦卒中后吞咽功能障礙的患者為例進行論述。另據(jù)文獻統(tǒng)計，患有腦卒中的人群中至少有三分之一的人會發(fā)生吞咽障礙[4-5]。很多患者的生存質(zhì)量被吞咽障礙嚴(yán)重影響著。因此，讓更多患者便捷地可以得到專家的診斷無疑是最有利的，可是專家的接診量是有限的。因此，學(xué)習(xí)專家經(jīng)驗，輔助診斷將是應(yīng)對醫(yī)療資源不足的可行性方法，也是對患者負(fù)責(zé)的可探索的醫(yī)療方式。故我們設(shè)計了本次試驗，進行專家經(jīng)驗的學(xué)習(xí)并驗證其有效性。

評估腦卒中后吞咽功能障礙的診斷離不開兩種評估方法，一種是臨床評估，一種是儀器評估。目前最權(quán)威的診斷吞咽障礙的金標(biāo)準(zhǔn)是電視透視吞咽功能檢查。由于要求較高，對患者有一定的輻射，不能在短時間內(nèi)重復(fù)檢測。因此，臨床評估還是首選。

臨床評估主要由量表和床旁實驗組成，這些都要求專業(yè)的人士進行測評，由于過程中主觀因素較多，因此具有不確定性。其次，由于多中心臨床研究的吞咽障礙評估量表尚無統(tǒng)一的標(biāo)準(zhǔn)。因此，既需要綜合性、可行性，還要量度和較度均滿意的統(tǒng)一的診斷方法，基于量表的吞咽障礙診斷研究一直是研究的熱點和難點。

1 材料與方法

1.1 臨床資料

本試驗病例來源為2017年5月至2018年12月在北京市中關(guān)村醫(yī)院針灸推拿科和衛(wèi)健委中日友好醫(yī)院康復(fù)科收集的病房或門診病例，總共病例數(shù)為258名患者。本試驗采用隨機入組的方式，其中第一組選取患者129例，第二組選取患者129例。所有的患者均需要簽署《患者知情同意書》 。

根據(jù)實際情況綜合考慮卒中后吞咽障礙的診斷必須具備以下幾個條件：① 符合腦卒中的臨床診斷標(biāo)準(zhǔn)，可參照《中國腦血管病防治指南》[6]；② 確有吞咽障礙的表現(xiàn)；③ 排除其他疾病引起的吞咽障礙。

人口學(xué)資料分析如表1所示。結(jié)果兩組患者人口學(xué)資料比較無統(tǒng)計學(xué)意義（P＞0.05）。

表1 第一組和第二組人口構(gòu)成分析

1.2 診斷量表的數(shù)字化描述

本文研究中，北京市中關(guān)村醫(yī)院針灸推拿科與衛(wèi)健委中日友好醫(yī)院康復(fù)科所共用的腦卒中后吞咽障礙篩查診斷量表為南曼徹斯特量表，如表2[7-9]所示。

傳統(tǒng)的吞咽障礙診斷分型為四種基本情況，如表3[10]所示。通過臨床總結(jié)，兩個醫(yī)療機構(gòu)的康復(fù)醫(yī)師們又總結(jié)出由不同基本分型混合而成的復(fù)雜分型結(jié)果，例如：“Ⅰ/Ⅳ混合型”代表“口前期+喉期”，混合型吞咽障礙診斷結(jié)果，具體情況如表4所示。同時，表4也給出了由四種基本分型衍生出的15種混合分型及所對應(yīng)的數(shù)字化描述。

1.3 基于RBF神經(jīng)網(wǎng)絡(luò)的吞咽障礙診斷分型

神經(jīng)網(wǎng)絡(luò)內(nèi)部由多個神經(jīng)元構(gòu)成相互連接的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，用以構(gòu)建非線性模型的一種常用方法，旨在提升神經(jīng)網(wǎng)絡(luò)的逼近復(fù)雜模型和進行泛化的能力。此外，神經(jīng)網(wǎng)絡(luò)建模方法作為人工智能領(lǐng)域的研究熱點和難點，其挖掘隱含信息和獲取知識的優(yōu)勢，一直是其受眾多學(xué)者推崇的原因。本文的研究目的是旨在利用神經(jīng)網(wǎng)絡(luò)對機理未知、對應(yīng)關(guān)系復(fù)雜的康復(fù)醫(yī)學(xué)診斷問題進行建模，以期學(xué)習(xí)和模擬專家對腦卒中后吞咽障礙的診斷智慧。

表2 南曼徹斯特吞咽障礙診斷量表

表3 面向康復(fù)醫(yī)學(xué)吞咽功能障礙的基本診斷分型

表4 吞咽障礙混合分型診斷結(jié)果的量化

不同的神經(jīng)元連接方式構(gòu)成不同的人工神經(jīng)網(wǎng)絡(luò)模型。徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)[11-12]是從多變量函數(shù)插值發(fā)展起來的。RBF神經(jīng)網(wǎng)絡(luò)是一種常見的，有三層結(jié)構(gòu)的前饋網(wǎng)絡(luò)，其輸入層到隱藏層之間不是通過權(quán)值和閾值進行連接的，而是通過輸入樣本與隱藏層點之間的距離（與中心點的距離）連接的，是一種優(yōu)秀的局部逼近神經(jīng)網(wǎng)絡(luò)。此外，RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，模型逼近能力強，已被證明在諸如收斂速率、泛化性能、魯棒性能等方面具有很好的建模性能，被廣泛應(yīng)用于氣象預(yù)測、語義挖掘、圖像處理等方面。

因此，本文嘗試構(gòu)建基于RBF神經(jīng)網(wǎng)絡(luò)的腦卒中后吞咽障礙智能診斷模型，并基于專家診斷的歷史數(shù)據(jù)，學(xué)習(xí)模擬專家進行診斷這一過程。而且通過已有病例樣本訓(xùn)練和驗證模型，以期使計算機診斷結(jié)果和專家診斷結(jié)論相近，達到學(xué)習(xí)專家診斷智慧的目的，幫助患者就地診斷。

RBF網(wǎng)絡(luò)結(jié)構(gòu)的基本框架如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

其中，RBF神經(jīng)網(wǎng)絡(luò)的輸出模型為：

在本文所構(gòu)造的吞咽障礙診斷RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，輸入節(jié)點為15個（代表南曼徹斯特量表中的15個診斷測試項），隱含層節(jié)點為18個，輸出節(jié)點為1個（代表診斷結(jié)論）。該RBF網(wǎng)絡(luò)需要學(xué)習(xí)的參數(shù)有兩個：① 隱含層基函數(shù)的中心與方差；② 隱含層到輸出層之間的連接權(quán)值。

具體的實驗步驟如下：

（1）選取第一組129例患者分別交給衛(wèi)健委及中日友好醫(yī)院專家，治療師通過量表進行評估，不足的量表測試項目由專家補足并進行診斷。

（2）將第一組患者數(shù)據(jù)（量表和診斷）量化后輸入計算機，使計算機進行學(xué)習(xí)專家的診斷經(jīng)驗。

（3）再由北京市中關(guān)村醫(yī)院治療師將第二組患者的量表，輸入計算機，給出計算機診斷；將第二組患者評估量表的數(shù)據(jù)交給衛(wèi)健委及中日友好醫(yī)院的專家，給出診斷結(jié)果。

（4）將第二組計算機輸出結(jié)果與衛(wèi)健委及中日友好醫(yī)院專家針對第二組患者給出的診斷所得數(shù)據(jù)進行檢驗比對。

具體實驗流程如圖2所示。

實驗所用到的吞咽障礙患者診斷樣本數(shù)有129×2=258個。其中，第一組129個患者與第二組129個患者之間均無人口統(tǒng)計學(xué)差異，且兩組患者均由專家醫(yī)師根據(jù)南曼徹斯特量表給定了診斷分型結(jié)論。在構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)的過程中，以第一組129個患者的診斷數(shù)據(jù)作為訓(xùn)練樣本，以獲得RBF神經(jīng)網(wǎng)絡(luò)模型，以第二組129個患者的診斷數(shù)據(jù)作為測試樣本。

圖2 實驗流程圖

2 結(jié)果

本研究中，基于北京市中關(guān)村醫(yī)院針灸推拿科與衛(wèi)健委中日友好醫(yī)院康復(fù)科交流平臺獲取的有關(guān)腦卒中后吞咽障礙診斷的優(yōu)質(zhì)量表共258份。實驗通過MATLAB成功構(gòu)建基于南曼徹斯特診斷量表的RBF神經(jīng)網(wǎng)絡(luò)模型，并通過129個樣本數(shù)據(jù)學(xué)習(xí)訓(xùn)練，RBF神經(jīng)網(wǎng)絡(luò)建模精度為100%。然后，對另外129個樣本進行測試，診斷分型準(zhǔn)確率為99.225%。此外，為驗證RBF神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)專家對腦卒中后吞咽障礙診斷經(jīng)驗中的優(yōu)勢，本文還以同樣的訓(xùn)練數(shù)據(jù)構(gòu)建基于誤差反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)和基于支持向量機（Support Vector Machine，SVM）的診斷模型，隨后以同樣的測試集來計算預(yù)測精度，以驗證本研究方法的有效性與必要性。圖3給出了基于三種建模方法的測試樣本預(yù)測效果圖。表5給出了幾種基于典型機器學(xué)習(xí)方法的測試樣本預(yù)測結(jié)果對比表。

圖3 基于典型機器學(xué)習(xí)方法的診斷模型準(zhǔn)確率對比圖

表5 基于典型機器學(xué)習(xí)方法的測試樣本預(yù)測結(jié)果對比表

此外，經(jīng)統(tǒng)計分析，證明了基于RBF神經(jīng)網(wǎng)絡(luò)診斷模型的輸出結(jié)果與專家診斷結(jié)果間無統(tǒng)計學(xué)差異（P＞0.05）。

3 討論

目前腦卒中后吞咽障礙診斷中的難點在于：① 量表的非統(tǒng)一性，各個醫(yī)院專家使用不同量表，且量表打分項目繁多，很多項目依靠專家經(jīng)驗評估，而每個項目的權(quán)重也是依靠專家經(jīng)驗，因此嚴(yán)重影響診斷和評估，至今依然有很多專家研究量表與吞咽障礙分期與表現(xiàn)的相關(guān)性[13-14]，此外即使采用南曼徹斯特量表進行診斷評估，由于量表中有些測試選項無法進行（重癥腦卒中患者，無法進行飲水試驗），該項測試值也需要專家根據(jù)經(jīng)驗來補充，最終得到整體量表打分，致使專家經(jīng)驗難以數(shù)字化和傳播；② 類似MRI影像和吞咽造影儀器的檢查由于部分患者難以配合，或者因為副作用，不能進行多次測試，因此，也會對診斷結(jié)果進行影響[15-16]，使得專家在影像方面也在不斷精細(xì)化，不斷提高精準(zhǔn)度；③ 最重要的是，不是所有患者有機會接觸到專家，在社區(qū)我們的年輕醫(yī)師通過學(xué)習(xí)專家經(jīng)驗，讓廣大患者在家門口得到相同方便的診斷也是很有價值的，所以有效學(xué)習(xí)專家經(jīng)驗參數(shù)就為準(zhǔn)確診斷提供一種可能；④ 在現(xiàn)有的基于人工智能診斷建模方面，機器學(xué)習(xí)方法被廣泛使用[17-20]，然而在面向吞咽障礙量表診斷的問題中，還缺乏統(tǒng)一的結(jié)論。因此，本文工作則是通過對比常見機器學(xué)習(xí)方法，確定一種在線訓(xùn)練性能優(yōu)異、診斷準(zhǔn)確率高的機器學(xué)習(xí)方法，為后續(xù)基于人工智能吞咽障礙診斷工作奠定堅實的理論方法基礎(chǔ)。

需要說明的是，本文構(gòu)建了基于RBF神經(jīng)網(wǎng)絡(luò)的腦卒中后吞咽障礙智能診斷模型，并能夠?qū)W習(xí)專家診斷經(jīng)驗，最后與幾種典型機器學(xué)習(xí)方法進行了對比，驗證了所建神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性和優(yōu)勢。首先，通過量表和診斷結(jié)果的映射關(guān)系，我們用計算機的方式學(xué)習(xí)和記錄了專家經(jīng)驗。其次，本文嘗試了幾種典型的機器學(xué)習(xí)方法進行診斷模型構(gòu)建，如：BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、SVM，并進行了性能比對。值得一提的是：BP神經(jīng)網(wǎng)絡(luò)是基于誤差反饋思想的全局網(wǎng)絡(luò)，收斂慢，不利于在線建模和應(yīng)用；而SVM適合二分類問題，而設(shè)計診斷分型結(jié)果多樣的復(fù)雜分類問題時，需要訓(xùn)練多個SVM分類器，此時，樣本規(guī)模大小決定了建模精度的高低，同時也存在樣本不對稱等問題，導(dǎo)致分類精度不高。因此，對比了幾種典型機器學(xué)習(xí)方法后，RBF神經(jīng)網(wǎng)絡(luò)以其局部網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)勢、收斂性和泛化能力強的建模優(yōu)勢，得到了優(yōu)異的結(jié)果。

本文不足之處：① 本文研究僅使用了一類吞咽障礙診斷量表（南曼徹斯特量表），而臨床應(yīng)用中多量表，多診斷手段共同發(fā)揮作用的案例也有許多，如何構(gòu)建多方式、多結(jié)果，綜合進行診斷并學(xué)習(xí)，也是未來所思考的問題；②本文所使用的建模數(shù)據(jù)與測試集數(shù)據(jù)規(guī)模比較小，未來將擴充試驗數(shù)據(jù)，以便在大規(guī)模數(shù)據(jù)情況下測試徑向基神經(jīng)網(wǎng)絡(luò)的在線診斷模型的建模性能；③ 本文所使用樣本都是基于南曼徹斯特量表評價后的完整樣本。未來，將引入含缺失測試項的不完整樣本進行診斷模型的構(gòu)建，以考察徑向基神經(jīng)網(wǎng)絡(luò)框架下的樣本重構(gòu)與建模精度。

4 結(jié)語

醫(yī)學(xué)人工智能已經(jīng)飛速發(fā)展的今天，它已經(jīng)滲入到醫(yī)學(xué)的各個領(lǐng)域[21]，從醫(yī)療過程，到診斷、治療、療效隨訪等等方面。我們也將人工智能理論和技術(shù)運用在腦卒中后吞咽障礙康復(fù)診斷方面，使其更加高效，更加合理。

本文著力解決的是診斷量表的數(shù)字化建模與專家診斷智慧建模問題。量表評估是康復(fù)專業(yè)診斷，治療和評定重要的組成部分。量表的研究也是隨時代變遷，更加深入和細(xì)致的，本文首先設(shè)計了臨床隨機對照實驗，將患者進行統(tǒng)計學(xué)對比，用統(tǒng)計學(xué)方法證明了診斷模型構(gòu)建中的訓(xùn)練樣本和測試樣本的無差異性，為模型構(gòu)建典型基礎(chǔ)。其次，針對南曼徹斯特量表，本文運用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建診斷模型，有效學(xué)習(xí)專家診斷的經(jīng)驗，能夠?qū)崿F(xiàn)近似專家的診斷，既解決了患者對精確診斷的需求，也解決了醫(yī)師學(xué)習(xí)經(jīng)驗的方法，可謂一舉兩得。在模型構(gòu)建方法的選擇上，我們運用多種機器學(xué)習(xí)方法并進行了有效對比，探討了RBF神經(jīng)網(wǎng)絡(luò)在建模性能方面的優(yōu)越性。因此，在解決量表數(shù)字化、專家經(jīng)驗提取、智能建模三個方面，我們進行了有效的結(jié)合。