郝曉碩,盧虹冰，劉 洋，杜 鵬，劉 健，李俊杰，王玉同，徐肖攀

(空軍軍醫(yī)大學(xué)：1軍事生物醫(yī)學(xué)工程學(xué)系軍事醫(yī)學(xué)信息技術(shù)教研室，2西京醫(yī)院急診科,陜西 西安 710032)

在衛(wèi)勤急救中，往往會出現(xiàn)大批量傷員需要緊急救治后送的情況。傷情分類作為傷員救治的重要組成部分，始終貫穿在救援的全過程之中。檢傷分類的意義在于依照傷員的實時傷情對其進行針對性的救護處置，這樣不僅可以提高傷員的生還率[1]，而且可以提升救治效率與衛(wèi)勤資源的利用率。國際上有許多檢傷分類的標(biāo)準(zhǔn)和方法，常用的方法有簡明檢傷分類法[2]、院前模糊定性法[1-2]、院前指數(shù)、創(chuàng)傷積分法以及格拉斯哥評分[3]等，其中，簡明檢傷分類法和格拉斯哥評分在國際上運用較為廣泛。目前，我國在傷情分類上依據(jù)的是新版《戰(zhàn)傷救治規(guī)則》中的“簡易戰(zhàn)傷計分對照表”。但不管是哪一種方法，都有自己的特色和弊端，其中一個共同的弊端就是仍然采用人工打分的方式，需要醫(yī)師進行一對一操作，效率低下，不利于滿足大規(guī)模傷員的快速檢傷分類需求。傷員的傷情分類通常分為四種，包括輕傷、中度傷、重傷、危重傷，分別對應(yīng)于衛(wèi)勤急救分類中的常規(guī)處置、優(yōu)先處置、緊急處置和期待處置。因此，檢傷分類屬于多分類問題。目前在檢傷分類這一方面，軍事科學(xué)院的王丹開發(fā)過一個檢傷分類系統(tǒng)[1]，采取對血壓、神志、呼吸打分的方式進行傷情判斷。隨著機器學(xué)習(xí)與人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用，如何利用機器學(xué)習(xí)方法實現(xiàn)智能檢傷分類，滿足大規(guī)模傷員快速精準(zhǔn)檢傷的需求，成為研究的重點。本項目旨在研發(fā)一款智能化傷情分類模型，實現(xiàn)大規(guī)模傷員快速、高效、精準(zhǔn)的檢傷分類，為傷情救治助力。

1 急救數(shù)據(jù)

選取西京醫(yī)院的2 666例患者數(shù)據(jù)，該數(shù)據(jù)包含輕傷、中度傷、重傷、危重傷四種傷情，其中241例為輕傷，2 231例為中度傷，183例為重傷，11例為危重傷。運用隨機劃分測試集和訓(xùn)練集的方法劃分測試集與訓(xùn)練集。由于數(shù)據(jù)樣本不均衡，先運用綜合采樣[4]的方法處理訓(xùn)練集數(shù)據(jù)。

綜合采樣是綜合過采樣和欠采樣兩種采樣方式，其中欠采樣是通過減少多數(shù)類樣本使之與少數(shù)類平衡，過采樣是增加少數(shù)類樣本使之與多數(shù)類平衡，而綜合采樣是減少多數(shù)樣本的同時增加少數(shù)樣本使之平衡，其性能更加優(yōu)于單個采樣方法。

2 多分類策略

2.1 基于“一對一”(one versus one，OVO)策略的多分類預(yù)測

圖1 一對一策略

2.2 基于“一對多”(one versus all，OVA)策略的多分類預(yù)測

基于OVA策略的多分類預(yù)測的基本原理，是指在n種類型的樣本進行分類時，分別取一種樣本作為一類，將剩余的所有類型的樣本看作另一類，這樣就形成了n個二分類問題。最后將待預(yù)測的樣本傳入這n個二分器中，最終得出的結(jié)果便是最終預(yù)測結(jié)果[4]。在本項目中該模型示意圖見圖2。

圖2 一對多策略

3 基于集成學(xué)習(xí)的預(yù)測模型構(gòu)建

3.1 基于OVO策略的集成學(xué)習(xí)預(yù)測模型

在本項目基于OVO策略模型構(gòu)建中，采用了集成學(xué)習(xí)的策略。集成學(xué)習(xí)與傳統(tǒng)學(xué)習(xí)方法訓(xùn)練的區(qū)別在于學(xué)習(xí)器數(shù)量的不同，集成學(xué)習(xí)采用多個學(xué)習(xí)器并且結(jié)合它們來解決一個問題，可以集成多種分類器的優(yōu)點，比基學(xué)習(xí)器具有更好的泛化能力。最終預(yù)測結(jié)果則采用相對多數(shù)投票的方式進行決策。在本模型中共設(shè)計三種模型——隨機森林多分類器[5-7]、K最近鄰算法[8-10]、支持向量機分類器[11-13]，綜合它們的最終預(yù)測結(jié)果，得出結(jié)論。

隨機森林是一個用隨機方式建立的，包含多個決策樹的分類器。其輸出的類別是由各個樹輸出的類別的眾數(shù)而定。它訓(xùn)練速度快，實現(xiàn)比較簡單，并且對于不平衡的數(shù)據(jù)集來說，它還可以平衡誤差。K最近鄰算法是采用測量不同特征值之間的距離方法進行分類，該算法精度高、對異常值不敏感、無數(shù)據(jù)輸入假定，易于理解和實現(xiàn)。支持向量機分類器是根據(jù)訓(xùn)練樣本的分布，搜索所有可能的線性分類器中最佳的那個。該算法分類思想很簡單，分類效果較好。

根據(jù)OVO模型基本原理可知，傷情類別有4種，每種獨立分類器共需要6個二分類器，而scikit-learn單獨封裝了實現(xiàn) OVO的類，使得任意二分類算法都可以通過使用這個類解決多分類問題。再運用各種分類器的分類函數(shù)，得到每種分類器的預(yù)測結(jié)果，并進行多分類轉(zhuǎn)換，最后運用相對多數(shù)投票法來進行最終結(jié)果的決策。

在測試過程中，對于某一傷員的輸入數(shù)據(jù)，分別通過構(gòu)建的所有分類器進行預(yù)測，得到預(yù)測結(jié)果。最后，再將集成分類器中所有機器學(xué)習(xí)算法所構(gòu)建的分類器的預(yù)測結(jié)果利用投票機制進行決策，形成最終預(yù)測結(jié)果。其模型原理見圖3。

圖3 一對一模型示意圖

其中投票機制采用相對多數(shù)投票法。相對多數(shù)投票法的原理在于獲勝方獲取票數(shù)最多即可，而平局則隨機選一個。因此，可集成多分類器優(yōu)勢有效選出最終預(yù)測結(jié)果。

3.2 基于OVA策略的集成學(xué)習(xí)預(yù)測模型

在本項目基于OVA策略模型構(gòu)建中，同樣采用了集成學(xué)習(xí)的策略。在本模型中共設(shè)計三種模型——隨機森林多分類器、K最近鄰算法、支持向量機分類器，綜合他們的最終預(yù)測結(jié)果，得出結(jié)論。

根據(jù)OVA模型基本構(gòu)建原理與分類任務(wù)可知，每種分類器需要四個二分類器，而OVA與OVO一樣由scikit-learn單獨封裝了實現(xiàn)OVA的類，使得任意二分類算法同樣都可以通過使用這個類解決多分類問題。再運用現(xiàn)有的各種分類器的分類函數(shù)，得到每種分類器的預(yù)測結(jié)果，并進行多分類轉(zhuǎn)換，最后運用相對多數(shù)投票法來進行最終結(jié)果的決策。

其預(yù)測過程與OVO策略相似，在測試過程中，對于某一傷員的輸入數(shù)據(jù)，分別通過構(gòu)建的所有分類器進行預(yù)測，得到預(yù)測結(jié)果。最后，再將集成分類器中所有機器學(xué)習(xí)算法所構(gòu)建的分類器的預(yù)測結(jié)果利用投票機制進行決策，形成最終預(yù)測結(jié)果。其模型示意圖見圖4。

圖4 一對多模型示意圖

4 結(jié)果

運用測試集測試OVO與OVA 模型，選取敏感度、特異度與準(zhǔn)確率三個數(shù)值來評估模型性能，分別計算模型對于輕傷與其他傷情、中度傷與其他傷情、重傷與其他傷情、危重傷與其他傷情以及四種傷情之間的識別能力(表1)。

表1 基于OVO與OVA策略模型測試結(jié)果 (%)

5 討論

通過對兩種模型進行對比，我們可以看出OVO模型測試結(jié)果評估比較好，但OVO模型在分類類別過多時需要過多的分類器，訓(xùn)練時間長。OVA模型相對于OVO模型分類器數(shù)目不多，但是在樣本不均衡的情況下，會造成類別偏差。在傷員救治情況下，準(zhǔn)確率是首要的，因此OVO模型更具有實戰(zhàn)化優(yōu)勢。

綜上所述，智能檢傷分類模型可以在大規(guī)模傷員急需救治的情況下，實現(xiàn)快速有效的傷員分類，在早期傷員治療中發(fā)揮重要的作用。軍事科學(xué)院王丹團隊的檢傷分類技術(shù)采用了簡易戰(zhàn)傷計數(shù)法直接打分判定[14]，而本研究采用了機器學(xué)習(xí)集成分類的方法，設(shè)計多個模型，實現(xiàn)傷情檢測分類，并且在簡易戰(zhàn)傷計分對照表的基礎(chǔ)上加了體溫、脈搏兩個體征參數(shù)，其具有非常高的準(zhǔn)確率、敏感度和特異度。在下一步工作中，將根據(jù)更多數(shù)據(jù)訓(xùn)練模型，進一步完善研究，使之盡快有效提升大規(guī)模傷員急救能力，力爭為傷員急救貢獻(xiàn)綿薄之力。