郭志恒 劉青萍，2 劉 芳 王成武 阮旭凌

（1.湖南中醫(yī)藥大學(xué)信息科學(xué)與工程學(xué)院 長沙410208）（2.湖南中醫(yī)藥大學(xué)中醫(yī)學(xué)國內(nèi)一流建設(shè)學(xué)科 長沙 410208）（3.湖南中醫(yī)藥大學(xué)藥學(xué)院 長沙 410208）

1 引言

腦卒中是由腦血管破裂出血或者血栓形成導(dǎo)致腦部出血性或缺血性損傷的一組疾?。?］。根據(jù)世界衛(wèi)生組織統(tǒng)計(jì)數(shù)據(jù)可知，腦卒中是全球第二大死亡疾病［2］，具有高發(fā)病率、高死亡率、高致殘率的特點(diǎn)［3］。臨床上針對不同類型腦卒中的治療方法存在差異，且一直缺乏有效的疾病治療手段，目前預(yù)防是延緩腦卒中發(fā)病的最好措施。

近些年，國內(nèi)外學(xué)者非常關(guān)注心腦血管疾病預(yù)測模型研究。具有代表性的模型包括美國Fram?ingham風(fēng)險(xiǎn)評估模型、歐洲冠心病風(fēng)險(xiǎn)評估計(jì)劃模型、上海市健康教育所與“101健康管理”共同研發(fā)的“預(yù)防腦卒中”APP。隨著大數(shù)據(jù)、人工智能等技術(shù)在醫(yī)學(xué)領(lǐng)域的廣泛應(yīng)用，最新研究側(cè)重于患者電子病歷數(shù)據(jù)的跟蹤和處理，以及采用機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等方法構(gòu)建較高精度的腦卒中風(fēng)險(xiǎn)預(yù)測模型［4～5］。目前臨床上用于腦卒中預(yù)測的方法較多，例如吳菊華等［6］運(yùn)用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了腦卒中預(yù)測模型，采用神經(jīng)網(wǎng)絡(luò)中多層感知機(jī)構(gòu)建模型，以Relu函數(shù)作為激活函數(shù)并取得較好的實(shí)驗(yàn)效果，完善了腦卒中的風(fēng)險(xiǎn)因素識別。邵澤國等［7］通過優(yōu)化決策樹方法對腦卒中日常生活習(xí)慣風(fēng)險(xiǎn)因素進(jìn)行分析，在C4.5基礎(chǔ)上將原始數(shù)據(jù)分為“有”“無”兩類并嵌套生成樹，依據(jù)知識規(guī)則得出風(fēng)險(xiǎn)因素的高低。李鵬等［8］基于邏輯回歸算法對缺血性腦卒中發(fā)病率進(jìn)行研究，通過邏輯回歸算法對缺血性腦卒中的10個(gè)風(fēng)險(xiǎn)因素構(gòu)建模型，以小批量梯度下降法求得模型解。

本研究采用支持向量機(jī)、邏輯回歸、隨機(jī)森林三種算法分別與SMOTE算法結(jié)合，構(gòu)建腦卒中預(yù)測模型，通過三種算法的對比研究，找到更加適合構(gòu)建腦卒中預(yù)測模型的算法，為腦卒中的預(yù)測和預(yù)防提供依據(jù)。

2 算法原理

2.1 SMOTE算法

SMOTE算法［9］是2002年Chawal等對數(shù)據(jù)分布不均衡提出的智能過采樣算法。該算法在隨機(jī)過采樣算法基礎(chǔ)上的通過對原有少數(shù)類樣本進(jìn)行分析并根據(jù)原有少數(shù)類樣本人工合成新樣本。對少數(shù)類中的每一個(gè)樣本，以歐氏距離計(jì)算到少數(shù)類樣本中所有樣本的距離并得到其K近鄰，再根據(jù)不平衡率確定采樣倍率，從K個(gè)近鄰中隨機(jī)選出若干樣本，原樣本與新樣本按照公式構(gòu)建新樣本。

2.2 支持向量機(jī)

SVM（Support Vector Machine，支持向量機(jī)）的基本思想是找出能將數(shù)據(jù)集劃分的幾何間隔最大的分離超平面，換言之，找到對分類結(jié)果的泛化能力最好、魯棒性最優(yōu)的線性方程。對待分類樣本可構(gòu)建的分離超平面為

其中，ω為垂直平面的法向量，b為偏移量。

下面是最大間隔分離超平面的獲得方法，可以表示為下面的約束最優(yōu)化問題：

即希望最大化超平面（ω，b）關(guān)于數(shù)據(jù)集的幾何間隔γ，約束條件表示的是超平面（ω，b）關(guān)于每個(gè)樣本點(diǎn)的幾何間隔至少是γ。

2.3 邏輯回歸

邏輯回歸屬于廣義線性回歸模型，與線性回歸類似，主要思想是通過已有數(shù)據(jù)擬合出一條直線，用擬合出的這條直線進(jìn)行預(yù)測。其公式如下：

通過邏輯回歸算法將線性函數(shù)得到的結(jié)果映射到sigmoid函數(shù)y=1/(1+e^(-x))中，通過極大似然估計(jì)來推導(dǎo)損失函數(shù)，再利用梯度下降法來求解參數(shù)來對數(shù)據(jù)進(jìn)行二分類。

2.4 隨機(jī)森林

隨機(jī)森林算法是Breiman［10］等提出，該算法實(shí)際上是一種特殊的bagging方法，用bootstrap方法生成訓(xùn)練集，在決策樹的基礎(chǔ)上以隨機(jī)的方式建立一個(gè)森林，森林里面有很多的根據(jù)訓(xùn)練集構(gòu)建的決策樹，各個(gè)決策樹之間沒有關(guān)聯(lián)，有新樣本輸入，就放入之前得到的森林，由森林內(nèi)的決策樹分別進(jìn)行判斷，被選擇較多的一類就為樣本的分類。隨機(jī)森林為了保證強(qiáng)大的抗過擬合和噪聲能力，在構(gòu)建每一棵CART決策樹是采用了行抽樣和列抽樣的隨機(jī)化方法。

3 對象和方法

3.1 研究對象

本文采用kaggle網(wǎng)站的healthcare-datas?et-stroke-data數(shù)據(jù)集。數(shù)據(jù)集樣本總數(shù)為5110，包括2994名男性、2115名女性和1名不知性別者。其中，4861例為非腦卒中患者，249例為腦卒中患者。

3.2 實(shí)驗(yàn)方法

3.2.1 數(shù)據(jù)處理

1）數(shù)據(jù)量化及缺失值處理

數(shù)據(jù)集中每個(gè)樣本具有11個(gè)特征屬性和1個(gè)類別標(biāo)簽屬性。其中，類別標(biāo)簽標(biāo)明患者是否患腦卒中，11個(gè)特征屬性分別記錄每位患者的編號（id）、性別（gender）、年齡（age）、高血壓病史（hyper?tension）、心臟病史（heart_disease）、婚姻史（ev?er_married）、工作類型（work_type）、居住類型（Resi?dence_type）、平均血糖水平（avg_glucose_level）、體重指數(shù)（bmi）和吸煙狀況（smoking_status）。其中bmi屬性中有201個(gè)缺失值，采用平均值法進(jìn)行數(shù)據(jù)填充。為進(jìn)一步提高模型的泛化能力以及方便對數(shù)據(jù)處理，本研究對性別、婚姻史、工作類型、居住類型和吸煙狀況的數(shù)據(jù)分別進(jìn)行量化。即性別（gender）中Female為1，Male為0；婚姻史（ev?er_married）中Yes為1，No為0；工 作 類 型（work_type）中Never_worked為0，Private為1，Self-employ為2，Govt_job為3，children為4；居住類型（residence_type）中Urban為1，Rural為0；吸煙狀況（smoking_status）中never smoked為0，F(xiàn)ormerly smoked為1，smokes為2，Unknown為-1。

2）數(shù)據(jù)不平衡處理

本文通過可視化發(fā)現(xiàn)卒中與非卒中患者分布差別明顯，并對其進(jìn)行不平衡率計(jì)算得出數(shù)據(jù)集不平衡率為5%，具體如圖1所示。

圖1 數(shù)據(jù)分布圖imbalanced_ratio=stroke/non-stroke=0.0512

對于數(shù)據(jù)不平衡處理方法分別采用ADASYN算法和SMOTE算法，經(jīng)對比發(fā)現(xiàn)SMOTE算法對數(shù)據(jù)處理效果更好。且考慮到ADASYN算法是根據(jù)分布來自動決定每個(gè)少數(shù)類樣本所需要合成的樣本數(shù)量，相當(dāng)于給每個(gè)少數(shù)類樣本施加了一個(gè)權(quán)重，周圍的多數(shù)類樣本越多則權(quán)重越高。由于卒中患者較少，使用ADASYN算法會使其權(quán)重變得相當(dāng)大，導(dǎo)致生成過多的卒中樣本。而SMOTE算法是對于少數(shù)類樣本以歐氏距離為標(biāo)準(zhǔn)計(jì)算其到少數(shù)類樣本集的距離，得到其近鄰，避免了權(quán)重過高問題。

3.2.2 模型構(gòu)建

在Windows10平臺python3.8環(huán)境下構(gòu)建SVM、LR、RF分類預(yù)測模型。對數(shù)據(jù)集做預(yù)處理并計(jì)算不平衡性，對不平衡數(shù)據(jù)中的少數(shù)類用SMOTE算法經(jīng)行處理，然后與均衡數(shù)據(jù)構(gòu)成新的“人工”數(shù)據(jù)集，再通過算法模型對數(shù)據(jù)集進(jìn)行分類預(yù)測。具體流程如圖2所示。

圖2 模型構(gòu)建流程圖

3.2.3 性能指標(biāo)

在醫(yī)學(xué)診斷中，評價(jià)分類器的優(yōu)劣通常采用準(zhǔn)確率、召回率和精確度等指標(biāo)。準(zhǔn)確率（accuracy）表示對給定的是測試數(shù)據(jù)集，正確分類的樣本數(shù)與總數(shù)的比值［11］；召回率（recall）表示預(yù)測為正例的樣本與實(shí)際為正例的樣本的比值。精確度（preci?sion）表示實(shí)際為正例與預(yù)測為正例的比值。F1Score表示精確度和召回率兩者之間的調(diào)和平均值?；煜仃嚤硎痉诸惼髟跍y試集上的預(yù)測是否為正確，如表1所示。

表1 混淆矩陣

其中，P為正類樣本的數(shù)目，N為負(fù)類樣本的數(shù)目。關(guān)于四個(gè)評價(jià)指標(biāo)的公式：

ROC曲線是真正例（True Positive Rate）為縱坐標(biāo)，假正例（False Positive Rate）為橫坐標(biāo)所繪制的曲線，能反映不同的分類算法性能。ROC曲線越靠近縱軸，則模型預(yù)測效果越好。ROC曲線下面的面積為AUC，面積值越大，則算法性能越好。

4 結(jié)果與討論

實(shí)驗(yàn)以healthcare-dataset-stroke-data數(shù)據(jù)集的70%為訓(xùn)練集，30%為測試集分別構(gòu)建SVM、LR和RF算法預(yù)測模型。結(jié)果如下所示。

從表2與表3可以看出，數(shù)據(jù)集經(jīng)過SMOTE算法處理，支持向量機(jī)、隨機(jī)森林、邏輯回歸預(yù)測模型在各項(xiàng)指標(biāo)都有很大程度提高。支持向量機(jī)在Ac?curacy、Reacll、Precision、F1Score、ROC_AUC分別提高4%、34%、65%、63%、21%；邏輯回歸在Accura?cy、Reacll、Precision、F1Score、ROC_AUC分別提高5%、12%、64%、59%、13%；隨機(jī)森林提升不明顯。為了更好的對比各個(gè)算法的性能，對SMOTE算法處理后的數(shù)據(jù)模型進(jìn)行ROC曲線的繪制。從圖可以看出，RF算法的ROC曲線最靠近縱軸，即AUC值最大，值為0.98，其可以更好地?cái)M合數(shù)據(jù)，反映數(shù)據(jù)的真實(shí)性。

表2 算法對腦卒中測試集預(yù)測指標(biāo)

圖3 不同分類算法的ROC曲線

經(jīng)實(shí)驗(yàn)結(jié)果對比發(fā)現(xiàn)，隨機(jī)森林算法在準(zhǔn)確率、召回率、AUC值等都優(yōu)于其他機(jī)器學(xué)習(xí)算法，可以作為輔助診斷工具應(yīng)用到實(shí)際醫(yī)療診斷中，為腦卒中的早期預(yù)防提供科學(xué)依據(jù)。

通過實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，隨機(jī)森林算法能較好地平衡不均衡數(shù)據(jù)集，對數(shù)據(jù)集的適應(yīng)能力強(qiáng)，減小實(shí)驗(yàn)誤差。隨機(jī)森林屬于集成分類算法，相對于單一分類算法性能更優(yōu)，泛化能力更強(qiáng)。

5 結(jié)語

如今，腦卒中已成為全球第二大死亡疾病，且發(fā)病有年輕化趨勢［12］，目前預(yù)防是延緩腦卒中發(fā)病的最好措施。而急性缺血性卒中的快速識別與診治對預(yù)后的影響至關(guān)重要［13～14］，因此提高腦卒中的診斷效率，提高醫(yī)生和患者的風(fēng)險(xiǎn)意識，對腦卒中的防治具有重要意義［15］。本研究通過SMOTE算法處理數(shù)據(jù)集的不平衡，選用機(jī)器學(xué)習(xí)算法中支持向量機(jī)、隨機(jī)森林、邏輯回歸算法構(gòu)建預(yù)測模型。實(shí)驗(yàn)結(jié)果顯示隨機(jī)森林和SMOTE算法構(gòu)建的腦卒中預(yù)測模型具有更好的預(yù)測效果，可以輔助醫(yī)生提高腦卒中的診斷效率，為我國的在腦卒中診斷方面提供技術(shù)手段。