楊意豪 王梅 左銘

摘 要：針對(duì)甲亢疾病發(fā)展的階段性特點(diǎn)，建立LSTM深度學(xué)習(xí)模型，利用患者的前期關(guān)鍵血檢指標(biāo)，使用該模型對(duì)患者未來(lái)時(shí)刻指標(biāo)值進(jìn)行預(yù)測(cè)，從而獲得后期疾病發(fā)展預(yù)測(cè)情況。在此基礎(chǔ)上，基于Vue.js框架構(gòu)建了發(fā)展預(yù)測(cè)應(yīng)用原型系統(tǒng)，實(shí)現(xiàn)了指標(biāo)數(shù)據(jù)錄入、模型調(diào)用、預(yù)測(cè)結(jié)果展示等功能，為醫(yī)生當(dāng)前診療方案的制定和檢驗(yàn)提供有效幫助。

關(guān)鍵詞：甲亢;深度學(xué)習(xí)模型;血檢指標(biāo);Vue.js;原型系統(tǒng)

文章編號(hào)：2095-2163（2019）04-0128-04 中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著醫(yī)療信息化的快速發(fā)展，如何充分利用長(zhǎng)期積累的大量臨床醫(yī)療數(shù)據(jù)，進(jìn)行臨床醫(yī)療數(shù)據(jù)分析與挖掘，從而輔助醫(yī)生臨床決策，提高醫(yī)療服務(wù)的智能水平和醫(yī)院的就診效率，成為廣泛關(guān)注的熱點(diǎn)問(wèn)題。

甲亢疾病在內(nèi)分泌疾病中發(fā)病率較高，因內(nèi)分泌系統(tǒng)作用會(huì)對(duì)患者全身產(chǎn)生影響，其患病時(shí)間越長(zhǎng)，治愈也更困難[1]。因此，甲亢疾病的早期干預(yù)至關(guān)重要。若能在早期階段結(jié)合其臨床檢查數(shù)據(jù)對(duì)疾病未來(lái)發(fā)展情況進(jìn)行預(yù)測(cè)，不僅可以方便患者了解自身病情，同時(shí)還可輔助醫(yī)生評(píng)估和制定當(dāng)前診療方案。如用藥策略的選擇、是否進(jìn)行一些特殊和非常規(guī)的檢查，從而對(duì)病情進(jìn)行有指導(dǎo)的提前干預(yù)。因此，對(duì)甲亢病情預(yù)測(cè)的研究十分必要且具有重要的臨床意義。

本文基于甲亢疾病發(fā)展的階段性特點(diǎn)，建立LSTM深度學(xué)習(xí)模型，利用患者的前期關(guān)鍵血檢指標(biāo)，使用該模型對(duì)患者未來(lái)時(shí)刻指標(biāo)值進(jìn)行預(yù)測(cè)，從而獲得后期疾病發(fā)展預(yù)測(cè)情況。本文使用真實(shí)數(shù)據(jù)對(duì)模型的有效性進(jìn)行了驗(yàn)證。在此基礎(chǔ)上，基于Vue.js框架開(kāi)發(fā)了發(fā)展預(yù)測(cè)應(yīng)用原型系統(tǒng)，實(shí)現(xiàn)了學(xué)習(xí)模型與應(yīng)用系統(tǒng)的有效結(jié)合，從而為醫(yī)生當(dāng)前診療方案的制定和檢驗(yàn)提供幫助。

1 相關(guān)工作

甲狀腺疾病是內(nèi)分泌系統(tǒng)最常見(jiàn)和多發(fā)的疾病，常引起臨床各學(xué)科的關(guān)注，其中又以甲狀腺功能亢進(jìn)癥（甲亢）最多見(jiàn)。在前期研究中，Strieder等人[2]通過(guò)數(shù)據(jù)分析建立了簡(jiǎn)單的預(yù)測(cè)評(píng)分，用來(lái)評(píng)估自身免疫性甲狀腺?。ˋutoimmune Thyroid Disease，AITD）患者女性親屬患病的風(fēng)險(xiǎn)。Wang等人[3]采用YOLOv2神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)建立甲狀腺結(jié)節(jié)圖像自動(dòng)識(shí)別與診斷系統(tǒng)。Yen-kung等人[4]使用Cox比例風(fēng)險(xiǎn)模型評(píng)估Graves病患者發(fā)生癌癥的風(fēng)險(xiǎn)?，F(xiàn)有工作主要關(guān)注于甲亢疾病的相關(guān)性分析或自動(dòng)診斷，對(duì)疾病發(fā)展預(yù)測(cè)的相關(guān)工作較少。

LSTM（長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)）作為一種深度神經(jīng)網(wǎng)絡(luò)，可通過(guò)隱層節(jié)點(diǎn)循環(huán)連接和具有門結(jié)構(gòu)的神經(jīng)元捕捉長(zhǎng)期時(shí)序依賴關(guān)系[5]，被廣泛用來(lái)處理具有時(shí)間順序發(fā)展特點(diǎn)的數(shù)據(jù)，獲得了良好的效果。本文基于甲亢疾病發(fā)展的階段性特點(diǎn)，構(gòu)建LSTM深度學(xué)習(xí)模型，并基于該模型進(jìn)行甲亢指標(biāo)值的預(yù)測(cè)。

在系統(tǒng)實(shí)現(xiàn)上，本文使用Vue.js框架，該框架是一種輕量的漸進(jìn)式框架。一方面，其核心庫(kù)只關(guān)注視圖層，易于上手，且便于與第三方庫(kù)或其它項(xiàng)目整合;另一方面，當(dāng)與單文件組件以及其它所支持的各類庫(kù)結(jié)合使用時(shí)，也能夠?yàn)閺?fù)雜的應(yīng)用程序提供驅(qū)動(dòng)[6]。

2 甲亢病情預(yù)測(cè)模型

經(jīng)甲狀腺醫(yī)學(xué)臨床研究表明，甲狀腺疾病的臨床診療與4項(xiàng)脫敏血檢指標(biāo)密切相關(guān)，分別為游離三碘甲腺原氨酸FT3、游離甲狀腺素FT4、促甲狀腺素TSH和促甲狀腺素受體抗體TRAb[7]。當(dāng)FT3、FT4水平升高，同時(shí)TSH水平降低，即可診斷患有甲狀腺功能亢進(jìn)癥。TRAb水平作為檢測(cè)由淋巴細(xì)胞產(chǎn)生并刺激甲狀腺的免疫球蛋白-TSI的標(biāo)準(zhǔn)，與甲亢的痊愈有著重要的關(guān)系。因此，該模型通過(guò)4項(xiàng)指標(biāo)水平的變化規(guī)律預(yù)測(cè)未來(lái)的病情發(fā)展?fàn)顩r。

模型首先通過(guò)前若干個(gè)月的上述4個(gè)血檢指標(biāo)值預(yù)測(cè)未來(lái)某時(shí)刻的指標(biāo)值，然后由該時(shí)刻的指標(biāo)正常、異常判斷，匯總得到病情發(fā)展?fàn)顩r預(yù)測(cè)。根據(jù)相關(guān)醫(yī)學(xué)研究成果以及醫(yī)生臨床經(jīng)驗(yàn)所知，患者在患病前六個(gè)月內(nèi)的指標(biāo)變化與病情未來(lái)發(fā)展有重大聯(lián)系，患病后兩年左右時(shí)間點(diǎn)的病情狀況具有一定的代表意義。因此，該模型根據(jù)前六個(gè)月的FT3、 FT4、 TSH、 TRAb 4項(xiàng)指標(biāo)值預(yù)測(cè)2年時(shí)刻的指標(biāo)值。

4項(xiàng)指標(biāo)的異常范圍見(jiàn)表1。依據(jù)表1可以發(fā)現(xiàn)FT3、FT4、TSH及TRAb指標(biāo)具有不同的量綱和單位，數(shù)據(jù)范圍各有差異，這會(huì)很大程度地影響模型的訓(xùn)練效果。因此，應(yīng)當(dāng)對(duì)每個(gè)指標(biāo)統(tǒng)一范圍、規(guī)范數(shù)據(jù)。標(biāo)準(zhǔn)化處理能夠消除指標(biāo)之間的量綱影響，使指標(biāo)之間具有可比性，更適合模型訓(xùn)練，還可以減小指標(biāo)缺失的影響。本文采用0均值標(biāo)準(zhǔn)化（zero_score）對(duì)每位患者的每項(xiàng)指標(biāo)做標(biāo)準(zhǔn)化處理，該方式的計(jì)算公式如下：

由于患者前六個(gè)月的指標(biāo)檢查記錄按診斷時(shí)間先后形成了一種序列數(shù)據(jù)，為了沿著時(shí)序探索指標(biāo)的變化規(guī)律，本文使用LSTM算法分析數(shù)據(jù)。LSTM神經(jīng)元結(jié)構(gòu)如圖1所示。

將患者前六個(gè)月及2年時(shí)間點(diǎn)的指標(biāo)值作為訓(xùn)練數(shù)據(jù)輸入模型進(jìn)行參數(shù)學(xué)習(xí)，完成模型訓(xùn)練后，可進(jìn)行預(yù)測(cè)?；谠撃Ｐ偷募卓翰∏轭A(yù)測(cè)算法如下：

Input：data

Output：result

set model = restore（LSTM_model）

standard_data = zero_score（data）

output = model.predict（standard_data）

result = inverse_zero_score（output）

return result

其中，data表示待預(yù)測(cè)的數(shù)據(jù)，LSTM_model為已經(jīng)訓(xùn)練好的模型。首先從模型中讀取已訓(xùn)練的參數(shù)，其次將標(biāo)準(zhǔn)化后的數(shù)據(jù)輸入模型并預(yù)測(cè)，最后還原標(biāo)準(zhǔn)化得到預(yù)測(cè)結(jié)果。

3 應(yīng)用系統(tǒng)框架實(shí)現(xiàn)

系統(tǒng)采用基于Vue.js框架的B/S架構(gòu)。在成功啟動(dòng)系統(tǒng)并正常運(yùn)行后，可通過(guò)瀏覽器輸入IP地址和端口號(hào)進(jìn)行訪問(wèn)。本系統(tǒng)分為患者端和醫(yī)生端，患者端主要有用戶信息管理、查看檢查記錄、查看診斷數(shù)據(jù)等功能;醫(yī)生端主要有用戶信息管理、診斷患者病情等功能。查看診斷數(shù)據(jù)時(shí)，患者的病情預(yù)測(cè)結(jié)果是使用基于LSTM算法的甲亢病情預(yù)測(cè)模型所得。該系統(tǒng)使用MySQL數(shù)據(jù)庫(kù)存儲(chǔ)用戶信息和檢查記錄等數(shù)據(jù)。系統(tǒng)功能設(shè)計(jì)介紹如下：

（1）用戶管理。該功能主要是注冊(cè)新用戶或是修改用戶名和密碼，用戶分為患者和醫(yī)生。

（2）查看與增加患者檢查記錄。該功能主要是在患者進(jìn)入系統(tǒng)后，通過(guò)在線問(wèn)診上傳自己的檢查報(bào)告，然后從數(shù)據(jù)庫(kù)中讀取該患者的血檢記錄，顯示到界面中供患者查看。此外，患者還可以增加自己的血檢記錄，添加成功的數(shù)據(jù)會(huì)保存到數(shù)據(jù)庫(kù)中，同時(shí)會(huì)顯示到界面中。

（3）查看患者診斷數(shù)據(jù)。該功能是在患者添加了檢查記錄和基本信息之后，提交個(gè)人數(shù)據(jù)進(jìn)行病情診斷，系統(tǒng)讀取并顯示該患者的個(gè)人信息、檢查報(bào)告。同時(shí)，系統(tǒng)會(huì)調(diào)用保存并訓(xùn)練好的模型程序使用算法進(jìn)行病情預(yù)測(cè)，最后將模型自動(dòng)預(yù)測(cè)結(jié)果及醫(yī)生評(píng)估結(jié)果和治療建議等顯示到界面中供患者查看。

（4）醫(yī)生診斷。該功能主要是在醫(yī)生進(jìn)入系統(tǒng)后，查看患者的檢查記錄并操作，通過(guò)智能診斷，系統(tǒng)便會(huì)將該患者的特征數(shù)據(jù)做相應(yīng)的預(yù)處理，然后調(diào)用模型使用算法進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果反饋給醫(yī)生。輔助醫(yī)生對(duì)患者病情進(jìn)行準(zhǔn)確診斷，并給出安全性評(píng)價(jià)和治療建議，診斷內(nèi)容自動(dòng)保存到數(shù)據(jù)庫(kù)中，以便患者查看。

圖2為該原型系統(tǒng)的總體框架設(shè)計(jì)圖，該原型系統(tǒng)是基于MVVM體系結(jié)構(gòu)的Vue項(xiàng)目，MVVM體系結(jié)構(gòu)具體指View、Model和ViewModel。

View 層是用戶界面，包括登錄界面、注冊(cè)界面和診斷界面等。當(dāng)用戶在界面中進(jìn)行登錄、注冊(cè)、添加數(shù)據(jù)和病情診斷等操作時(shí)，會(huì)將控制命令傳遞給ViewModel層。ViewModel層將按用戶的操作處理相應(yīng)的數(shù)據(jù)并將結(jié)果反饋給View 層，待操作的數(shù)據(jù)由Model層從數(shù)據(jù)庫(kù)中存取。整個(gè)系統(tǒng)通過(guò)數(shù)據(jù)層與Model 層、Model 層與ViewModel層和ViewModel層與View層間的互相通信傳遞信息與請(qǐng)求。

4 應(yīng)用系統(tǒng)有效性評(píng)估

本文所用真實(shí)數(shù)據(jù)（僅含指標(biāo)數(shù)據(jù)，無(wú)患者個(gè)人信息）共包含2 460位患者的臨床診斷數(shù)據(jù)，將其隨機(jī)劃分為2部分，1 960位患者作為訓(xùn)練數(shù)據(jù)用于訓(xùn)練模型。余下500位患者數(shù)據(jù)輸入應(yīng)用系統(tǒng)用于系統(tǒng)評(píng)測(cè)。依次將500位患者的前六個(gè)月數(shù)據(jù)輸入應(yīng)用系統(tǒng)，調(diào)用算法，得到2年預(yù)測(cè)輸出，根據(jù)表1計(jì)算其正常、異常判斷，并與其2年附近的真實(shí)的正常、異常值判斷作對(duì)比，評(píng)估模型與系統(tǒng)實(shí)用性。這里偏低、正常、偏高可視為類標(biāo)簽，則評(píng)估標(biāo)準(zhǔn)采用分類評(píng)價(jià)指標(biāo)，評(píng)價(jià)指標(biāo)計(jì)算如下：

其中，TP表示為正例且預(yù)測(cè)為正例的數(shù)量;FP表示為負(fù)例且預(yù)測(cè)為正例的數(shù)量;FN表示為正例且預(yù)測(cè)為負(fù)例的數(shù)量;TN表示為負(fù)例且預(yù)測(cè)為負(fù)例的數(shù)量。例如對(duì)于異常偏低的指標(biāo)，其正例為指標(biāo)異常偏低，負(fù)例為指標(biāo)正常或指標(biāo)異常偏高。評(píng)估結(jié)果見(jiàn)表2。

表2所示的評(píng)測(cè)結(jié)果中，4項(xiàng)指標(biāo)的平均正確率達(dá)到90.84%。其中，F(xiàn)T4指標(biāo)的預(yù)測(cè)正確率達(dá)到94.62%。由表1可知，與TRAb的整個(gè)數(shù)值分布范圍相比，其正常范圍較小，因此TRAb的預(yù)測(cè)正確率在4個(gè)指標(biāo)中相對(duì)較低，但也達(dá)到了89.23%。上述實(shí)驗(yàn)結(jié)果表明本文學(xué)習(xí)模型具有較高的預(yù)測(cè)準(zhǔn)確率，本文應(yīng)用系統(tǒng)具有一定的實(shí)際臨床意義。

5 結(jié)束語(yǔ)

本文提出了一種基于LSTM算法的甲亢血檢指標(biāo)預(yù)測(cè)模型，并開(kāi)發(fā)了模型應(yīng)用原型系統(tǒng)，實(shí)現(xiàn)了基于模型的病情預(yù)測(cè)功能。目前，本文實(shí)現(xiàn)的原型系統(tǒng)還存在一些不足，如尚未根據(jù)預(yù)測(cè)結(jié)果為患者推薦合適的醫(yī)療資源和診療策略。接下來(lái)的研究中，將會(huì)關(guān)注用藥分析及推薦，進(jìn)一步優(yōu)化系統(tǒng)的功能與性能。

參考文獻(xiàn)

[1]WANG Y ， SUN X L ， WANG C L ， et al. Influence of screening and intervention of hyperthyroidism on pregnancy outcome[J]. European Review for Medical & Pharmacological Sciences， 2017， 21（8）：1932-1937.

[2]STRIEDER T G A， TIJSSSEN J G P， WENZEL B E， et al. Prediction of progression to overt hypothyroidism or hyperthyroidism in female relatives of patients with autoimmune thyroid disease using the Thyroid Events Amsterdam （THEA） Score[J]. Archives of Internal Medicine， 2008， 168（15）：1657-1663.

[3]WANG Lei ， YANG Shujian， YANG Shan ， et al. Automatic thyroid nodule recognition and diagnosis in ultrasound imaging with the YOLOv2 neural network[J]. World Journal of Surgical Oncology， 2019， 17（1）：12.

[4]CHEN Y K， LIN Chengli， CHANG Y J， et al. Cancer risk in patients with graves disease：A nationwide cohort study[J]. Thyroid， 2013， 23（7）：879-884.

[5]SARRAF S. French word recognition through a quick survey on recurrent neural networks using long-short term memory RNN-LSTM[J]. American Scientic Research Journal for Engineering Technology & Sciences， 2018， 39（1）：250-267.

[6]王志任. 基于Vue.js的開(kāi)發(fā)平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 廣州：廣東工業(yè)大學(xué)，2018.

[7]張紅菊，秦東平. 甲巰咪唑治療甲狀腺功能亢進(jìn)癥的效果及對(duì)FT3、FT4、TSH水平的影響[J]. 臨床醫(yī)學(xué)研究與實(shí)踐，2019，4（9）：42-44.