宗敏潔 吳愿交 盧秀青

1.黃河交通學(xué)院；2.西南交通大學(xué)希望學(xué)院；3.機械工業(yè)第六設(shè)計研究院有限公司

近幾年，隨著大數(shù)據(jù)概念的不斷升溫，學(xué)術(shù)界及產(chǎn)業(yè)界對不平衡數(shù)據(jù)處理問題的研究熱情仍未消退，且呈現(xiàn)逐漸升溫的趨勢，醫(yī)療數(shù)據(jù)成為其重要處理對象。醫(yī)療數(shù)據(jù)的特征是高度不平衡性、變量相關(guān)性程度高且維度高。該文首先對數(shù)據(jù)集進(jìn)行相關(guān)性分析，得出變量間存在嚴(yán)重的相關(guān)性，變量之間存在相關(guān)性會對分類結(jié)果產(chǎn)生影響。之后，分別采用LASSO和SPLS方法，對數(shù)據(jù)進(jìn)行變量選擇，選出8個最優(yōu)變量作為最優(yōu)子集，利用支持向量機分類器，對最優(yōu)子集進(jìn)行分類處理，提高了分類精度。同時，變量選擇降低了維度冗余與數(shù)據(jù)存儲問題，節(jié)約了時間與成本。研究表明：在高維不平衡數(shù)據(jù)分析中，變量選擇是行之有效的預(yù)處理策略。

1 研究背景

1.1 問題背景

自20世紀(jì)90年代末以來，不平衡數(shù)據(jù)處理一直是機器學(xué)習(xí)與數(shù)據(jù)挖掘領(lǐng)域的研究熱點與難點之一。近幾年，隨著大數(shù)據(jù)概念的不斷升溫，學(xué)術(shù)界及產(chǎn)業(yè)界對不平衡數(shù)據(jù)處理問題的研究熱情仍未消退且呈現(xiàn)逐漸升溫的趨勢。

在醫(yī)療診斷中如果把正常人（多數(shù)類）誤診為疾病患者（少數(shù)類）固然會給他帶來精神上的負(fù)擔(dān)，但如果把一個疾病患者（少數(shù)類）誤診為正常人（多數(shù)類），就可能會錯過最佳治療時期，從而造成嚴(yán)重的后果。此時，少數(shù)類樣例被誤分的代價要比多數(shù)類被誤分的代價大[1]。這樣的醫(yī)療不平衡數(shù)據(jù)是普遍存在的，因此，提高不平衡數(shù)據(jù)中少數(shù)類的分類精確度，從而應(yīng)用到實際例子中，比如軟件缺陷預(yù)測、網(wǎng)絡(luò)入侵檢測、石油泄漏檢測、信用卡欺詐等領(lǐng)域，以及在代謝組學(xué)中確定穩(wěn)健的生物標(biāo)志物可以幫助提供一種較好的疾病診斷方法。

冠狀動脈粥樣硬化性心臟病，是冠狀動脈血管發(fā)生動脈粥樣硬化病變而引起血管腔狹窄或阻塞，造成心肌缺血、缺氧或壞死而導(dǎo)致的心臟病[2]，常常被稱為“冠心病”。近幾年，隨著我國社會的快速發(fā)展和人們生活水平的提高，冠心病發(fā)病率呈現(xiàn)上升趨勢，該疾病已逐漸成為嚴(yán)重影響人們健康生活的主要疾病之一[3]。因此，對于冠心病及其并發(fā)癥數(shù)據(jù)的研究是非常重要的。

變量選擇是統(tǒng)計分析和推斷中的重要內(nèi)容，在建模過程中往往需要通過變量選擇方法，尋找對響應(yīng)變量最具有解釋性的自變量（協(xié)變量），以此來提高模型解釋性和預(yù)測準(zhǔn)確性，變量選擇結(jié)果的好壞影響著所建模型的質(zhì)量。變量選擇是為了減少數(shù)據(jù)集中的變量數(shù)量，它可以帶來許多好處，例如更快的模型訓(xùn)練，降低過度擬合的可接受性，抵消維度冗余的影響，以及減少數(shù)據(jù)分析期間的存儲、內(nèi)存和處理要求。在類不平衡數(shù)據(jù)中特別是高維數(shù)據(jù)中，變量選擇也極其重要。

1.2 國內(nèi)外研究情況

在不平衡學(xué)習(xí)問題中，研究了幾種變量選擇方法。對所提出的標(biāo)準(zhǔn)方法進(jìn)行分析，以檢驗這些方法是否有利于實現(xiàn)不平衡分類。Xiaojuan Zhang等人建立了一種基于偏最小二乘（PLS）判別分析（DA）結(jié)合可變迭代空間收縮法的石菖蒲與菖蒲鑒別模型。篩選出樟腦、長環(huán)烯和δ-cadinene 3種揮發(fā)物作為石菖蒲和菖蒲的關(guān)鍵鑒別因子。該方案可作為中草藥潛在生物活性成分的質(zhì)量控制和篩選的有效策略[4]。Zhongquan Xin等人建立了基于偏最小二乘（PLS）判別分析（DA）的高效判別模型，通過交叉驗證和置換檢驗對模型的可靠性和預(yù)測能力進(jìn)行了評價。結(jié)果表明，色譜指紋圖譜與化學(xué)計量學(xué)方法相結(jié)合為RP的質(zhì)量控制提供了一種有效、便捷的方法，有助于揭示復(fù)雜分析樣品的化學(xué)特征[5]。Robert等人提出了一種線性模型估計的新方法—LASSO，可以應(yīng)用于各種統(tǒng)計模型的變量選擇，對廣義回歸模型和基于樹的模型的擴展進(jìn)行了簡要描述[6]。

本論文以不平衡冠心病數(shù)據(jù)為研究目的對象，對不平衡數(shù)據(jù)進(jìn)行相關(guān)性分析和變量選擇處理，選出最優(yōu)子集，降低維度冗余和數(shù)據(jù)存儲，以此來改善不平衡數(shù)據(jù)的分類效果，提高少數(shù)類的分類準(zhǔn)確率。從中探討不平衡數(shù)據(jù)處理在冠心病數(shù)據(jù)分析中的應(yīng)用價值，為冠心病防治工作提供理論依據(jù)，使其能采取有效的防治措施，從整體上降低冠狀動脈粥樣硬化性心臟病的發(fā)病率。

2 數(shù)據(jù)來源

數(shù)據(jù)集包括21例冠心病（CHD）患者和51例健康志愿者。所有患者均來自中國云南省第一人民醫(yī)院。另外，健康對照組51例健康成人均來自同一城市，無血緣關(guān)系。采用超高效液相色譜－高分辨質(zhì)譜（UPLC-HRMS）聯(lián)用技術(shù)檢測了50種代謝產(chǎn)物。臨床特征包括年齡、收縮壓、舒張壓、空腹血糖等。一般情況下，健康人樣本比冠心病患者的樣本更容易獲得，所以這里的健康人樣本類代表的是多數(shù)類，冠心病患者樣本類代表的是少數(shù)類。本數(shù)據(jù)集無缺失數(shù)據(jù)。

3 方案設(shè)計

高維不平衡數(shù)據(jù)的主要特征是：變量維度高、樣本少、數(shù)據(jù)共線性嚴(yán)重、數(shù)據(jù)的不平衡度高。本文從算法層面和評價標(biāo)準(zhǔn)兩個不同層面對高維不平衡數(shù)據(jù)進(jìn)行變量選擇處理。從算法層面上，采用支持向量機算法[7]；評價標(biāo)準(zhǔn)使用了預(yù)測精度(Accuracy，ACC)，ROC曲線及其下的面積AUROC和PRC曲線及其下的面積AUPRC來度量不平衡數(shù)據(jù)的分類性能[8]。

本論文針對不平衡冠心病及其并發(fā)癥數(shù)據(jù)，從兩個層面進(jìn)行分析，并對數(shù)據(jù)進(jìn)行變量選擇，以提高分類精度。具體流程如圖1所示。

圖1 方案設(shè)計流程圖Fig.1 Plan design flowchart

4 變量選擇對于分類的影響

以下以冠心病數(shù)據(jù)為例，從算法和評價準(zhǔn)則的角度，按照圖1的實驗設(shè)計方案，對高維類不平衡醫(yī)療數(shù)據(jù)進(jìn)行分析。

4.1 變量間的相關(guān)性分析

在高維不平衡數(shù)據(jù)集中，變量之間的相關(guān)性對數(shù)據(jù)的分類效果有所影響，變量之間的相關(guān)系數(shù)越大對于數(shù)據(jù)的分類效果影響越大，尤其對于正類的分類效果產(chǎn)生很大的影響。

本文所使用的冠心病不平衡數(shù)據(jù)集中各變量之間也存在一定的相關(guān)性。如圖2所示，顏色越深，表明兩變量之間相關(guān)性越強。中間一塊顏色最深，表明變量間存在嚴(yán)重的相關(guān)性，變量之間存在相關(guān)性會對分類結(jié)果產(chǎn)生影響，所以需要對數(shù)據(jù)集進(jìn)行變量選擇。

圖2 變量間相關(guān)系數(shù)矩陣熱圖Fig.2 Claolic coefficient matrix hot map

4.2 變量選擇對于分類的影響

變量選擇的目的就是剔除相關(guān)性較大的變量，醫(yī)療不平數(shù)據(jù)不僅維度高，數(shù)據(jù)間的相關(guān)性也很強，因此醫(yī)療數(shù)據(jù)的研究都離不開用變量選擇方法來提取最優(yōu)變量，以此達(dá)到降維的目的。變量選擇的過程在于去掉相關(guān)性不大的變量，把更少的變量應(yīng)用于算法研究，目的是從原始數(shù)據(jù)中選擇使得某種評估標(biāo)準(zhǔn)最優(yōu)的子集。在分類問題中，變量選擇目標(biāo)是提取使分類器準(zhǔn)確度最大化的最優(yōu)子集，僅使用一小部分變量捕獲數(shù)據(jù)集中固有的大多數(shù)信息。stabilityLASSO方法和stabilitySPLS方法都是變量選擇較為常用的方法。

分別運用stabilityLASSO方法和stabilitySPLS方法對不平衡比為51:21的數(shù)據(jù)集進(jìn)行變量選擇，根據(jù)被選擇頻次排序選出8個變量（如圖3所示）。對不平衡比為51:10的數(shù)據(jù)集進(jìn)行變量選擇，根據(jù)被選擇頻次排序選出8個變量（如圖4所示）。

圖3 不平衡比為51:21的數(shù)據(jù)集，根據(jù)被選擇頻次排序選出8個變量Fig.3 In the data set with an imbalance ratio of 51:21, 8 variables were selected according to the selected frequency

圖4 不平衡比為51:10的數(shù)據(jù)集，根據(jù)被選擇頻次排序選出8個變量Fig.4 In the data set with an imbalance ratio of 51:10, 8 variables were selected according to the selected frequency

根據(jù)stabilityLASSO方法和stabilitySPLS方法對不平衡數(shù)據(jù)集進(jìn)行變量選擇得出的8個變量，使用支持向量機（SVW）對變量選擇后的數(shù)據(jù)集進(jìn)行分類處理，結(jié)果如表1所示。

表1 兩種方法變量選擇表Tab.1 Two methods variable selection table

由表1得出，對數(shù)據(jù)進(jìn)行變量選擇后在使用支持向量機（SVW）進(jìn)行分類，AUROC、AUPRC和ACC的值均有所提高。為了能直觀的比較數(shù)據(jù)集變量選擇前后使用支持向量機（SVW）進(jìn)行分類結(jié)果的變化情況，對變量選擇前后的結(jié)果進(jìn)行可視化（如圖5所示）。

圖5 不平衡比為51:10和51:21的數(shù)據(jù)集變量選擇前后在SVW分類器的結(jié)果Fig.5 Unbalance ratios of 51:10 and 51:21 data sets were selected before and after the results of the classifier

5 結(jié)論

不平衡數(shù)據(jù)廣泛存在于許多科學(xué)領(lǐng)域，如醫(yī)學(xué)。變量選擇也是醫(yī)學(xué)數(shù)據(jù)研究中很重要的一項問題，因此如何使用變量選擇方法很重要。本文采用LASSO和SPLS方法，對數(shù)據(jù)進(jìn)行變量選擇，選出8個最優(yōu)變量作為最優(yōu)特征子集，結(jié)合支持向量機算法，提高了分類精度。同時，變量選擇降低了維度災(zāi)難與數(shù)據(jù)需求問題，節(jié)約了時間與成本。

本文的實際應(yīng)用意義在于：首先為醫(yī)療不平衡數(shù)據(jù)提供了一種可行的處理手段；其次，一些重要變量，通過變量選擇篩選出來，可以作為冠心病數(shù)據(jù)收集的重要指標(biāo)進(jìn)行分析；最后，體現(xiàn)了不平衡數(shù)據(jù)對醫(yī)療數(shù)據(jù)分類的重要性。同時，也為其他領(lǐng)域不平衡數(shù)據(jù)處理理論增加一種可能的實現(xiàn)依據(jù)。

引用

[1] 李勇,劉戰(zhàn)東,張海軍.不平衡數(shù)據(jù)的集成分類算法綜述[J].計算機應(yīng)用研究,2014,31(5):1287-1291.

[2] 徐玲,尹婷婷,俞吉,等.冠心病冠狀動脈粥樣硬化發(fā)生的危險因素多因素Logistic分析[J].臨床和實驗醫(yī)學(xué)雜志,2019,18(6):626-629.

[3] 路航.早發(fā)冠心病的危險因素及冠脈病變特點分析[J].中國療養(yǎng)醫(yī)學(xué),2019,28(4):348-351.

[4] ZHANG Xiao-juan,YI Lun-zhao,DENG Bai-chuan,et al. Discrimination of Acori Tatarinowii Rhizoma and Acori Calami Rhizoma Based on Quantitative Gas Chromatographic Fingerprints and Chemometric Methods[J].Journal of Separation Science,2015, 38(23):4078-4085.

[5] XIN Zhong-quan,REN Da-bing-,ZHANG Xiao-juan,et al. Chromatographic Fingerprints Combined with Chemometric Methods Reveal the Chemical Features of Authentic Radix Polygalae[J].Journal of Aoac International, 2017,100(01):30-37.

[6] Robert Tibshirani.Regression Shrinkage and Selection Via the Lasso [J].Journal of the Royal Statistical Society.Series B (Methodological), 1996,58(01):267-288.

[7] FU Guang-hui,ZHANG Bing-yang,KOU He-dan,et al.Stable Biomarker Screening and Classification by Subsampling-based Sparse Regularization Coupled with Support Vector Machines in Metabolomics[J].Chemometrics and Intelligent Laboratory Systems, 2017(160):22-31.

[8] YANG Ri-dong,LI Lin,CHEN Qiu-yuan,et al.Prediction of Disease-free Survival in Patients with Hepatocellular Carcinoma Based on Imbalance Classification[J].Journal of Biomedical Engineering Research,2019,38(1):27-31.