基于RBF神经网络的脑卒中后吞咽障碍智能诊断建模应用研究

陈捷，宿翀，薛勇

1. 北京市中关村医院 针灸推拿科，北京 100190；2. 北京化工大学 信息科学与技术学院，北京 100029；3. 中日友好医院 康复科，北京 100029

引言

吞咽[1]是多种神经和肌肉共同协调运动的结果。根据其解剖的不同部位，将吞咽分为口腔、咽、喉和食管四个时期[2]。我们把不能安全顺利地把食团从口运送通过咽和喉，最终到胃，或途中有误吸等，称为吞咽障碍[3]。临床上，很多种疾病都会导致吞咽障碍。本文仅以脑卒中后吞咽功能障碍的患者为例进行论述。另据文献统计，患有脑卒中的人群中至少有三分之一的人会发生吞咽障碍[4-5]。很多患者的生存质量被吞咽障碍严重影响着。因此，让更多患者便捷地可以得到专家的诊断无疑是最有利的，可是专家的接诊量是有限的。因此，学习专家经验，辅助诊断将是应对医疗资源不足的可行性方法，也是对患者负责的可探索的医疗方式。故我们设计了本次试验，进行专家经验的学习并验证其有效性。

评估脑卒中后吞咽功能障碍的诊断离不开两种评估方法，一种是临床评估，一种是仪器评估。目前最权威的诊断吞咽障碍的金标准是电视透视吞咽功能检查。由于要求较高，对患者有一定的辐射，不能在短时间内重复检测。因此，临床评估还是首选。

临床评估主要由量表和床旁实验组成，这些都要求专业的人士进行测评，由于过程中主观因素较多，因此具有不确定性。其次，由于多中心临床研究的吞咽障碍评估量表尚无统一的标准。因此，既需要综合性、可行性，还要量度和较度均满意的统一的诊断方法，基于量表的吞咽障碍诊断研究一直是研究的热点和难点。

1 材料与方法

1.1 临床资料

本试验病例来源为2017年5月至2018年12月在北京市中关村医院针灸推拿科和卫健委中日友好医院康复科收集的病房或门诊病例，总共病例数为258名患者。本试验采用随机入组的方式，其中第一组选取患者129例，第二组选取患者129例。所有的患者均需要签署《患者知情同意书》 。

根据实际情况综合考虑卒中后吞咽障碍的诊断必须具备以下几个条件：① 符合脑卒中的临床诊断标准，可参照《中国脑血管病防治指南》[6]；② 确有吞咽障碍的表现；③ 排除其他疾病引起的吞咽障碍。

人口学资料分析如表1所示。结果两组患者人口学资料比较无统计学意义（P＞0.05）。

表1 第一组和第二组人口构成分析

1.2 诊断量表的数字化描述

本文研究中，北京市中关村医院针灸推拿科与卫健委中日友好医院康复科所共用的脑卒中后吞咽障碍筛查诊断量表为南曼彻斯特量表，如表2[7-9]所示。

传统的吞咽障碍诊断分型为四种基本情况，如表3[10]所示。通过临床总结，两个医疗机构的康复医师们又总结出由不同基本分型混合而成的复杂分型结果，例如：“Ⅰ/Ⅳ混合型”代表“口前期+喉期”，混合型吞咽障碍诊断结果，具体情况如表4所示。同时，表4也给出了由四种基本分型衍生出的15种混合分型及所对应的数字化描述。

1.3 基于RBF神经网络的吞咽障碍诊断分型

神经网络内部由多个神经元构成相互连接的复杂网络结构，用以构建非线性模型的一种常用方法，旨在提升神经网络的逼近复杂模型和进行泛化的能力。此外，神经网络建模方法作为人工智能领域的研究热点和难点，其挖掘隐含信息和获取知识的优势，一直是其受众多学者推崇的原因。本文的研究目的是旨在利用神经网络对机理未知、对应关系复杂的康复医学诊断问题进行建模，以期学习和模拟专家对脑卒中后吞咽障碍的诊断智慧。

表2 南曼彻斯特吞咽障碍诊断量表

表3 面向康复医学吞咽功能障碍的基本诊断分型

表4 吞咽障碍混合分型诊断结果的量化

不同的神经元连接方式构成不同的人工神经网络模型。径向基函数（Radial Basis Function，RBF）神经网络[11-12]是从多变量函数插值发展起来的。RBF神经网络是一种常见的，有三层结构的前馈网络，其输入层到隐藏层之间不是通过权值和阈值进行连接的，而是通过输入样本与隐藏层点之间的距离（与中心点的距离）连接的，是一种优秀的局部逼近神经网络。此外，RBF神经网络结构简单，模型逼近能力强，已被证明在诸如收敛速率、泛化性能、鲁棒性能等方面具有很好的建模性能，被广泛应用于气象预测、语义挖掘、图像处理等方面。

因此，本文尝试构建基于RBF神经网络的脑卒中后吞咽障碍智能诊断模型，并基于专家诊断的历史数据，学习模拟专家进行诊断这一过程。而且通过已有病例样本训练和验证模型，以期使计算机诊断结果和专家诊断结论相近，达到学习专家诊断智慧的目的，帮助患者就地诊断。

RBF网络结构的基本框架如图1所示。

图1 RBF神经网络结构图

其中，RBF神经网络的输出模型为：

在本文所构造的吞咽障碍诊断RBF神经网络结构中，输入节点为15个（代表南曼彻斯特量表中的15个诊断测试项），隐含层节点为18个，输出节点为1个（代表诊断结论）。该RBF网络需要学习的参数有两个：① 隐含层基函数的中心与方差；② 隐含层到输出层之间的连接权值。

具体的实验步骤如下：

（1）选取第一组129例患者分别交给卫健委及中日友好医院专家，治疗师通过量表进行评估，不足的量表测试项目由专家补足并进行诊断。

（2）将第一组患者数据（量表和诊断）量化后输入计算机，使计算机进行学习专家的诊断经验。

（3）再由北京市中关村医院治疗师将第二组患者的量表，输入计算机，给出计算机诊断；将第二组患者评估量表的数据交给卫健委及中日友好医院的专家，给出诊断结果。

（4）将第二组计算机输出结果与卫健委及中日友好医院专家针对第二组患者给出的诊断所得数据进行检验比对。

具体实验流程如图2所示。

实验所用到的吞咽障碍患者诊断样本数有129×2=258个。其中，第一组129个患者与第二组129个患者之间均无人口统计学差异，且两组患者均由专家医师根据南曼彻斯特量表给定了诊断分型结论。在构建RBF神经网络的过程中，以第一组129个患者的诊断数据作为训练样本，以获得RBF神经网络模型，以第二组129个患者的诊断数据作为测试样本。

图2 实验流程图

2 结果

本研究中，基于北京市中关村医院针灸推拿科与卫健委中日友好医院康复科交流平台获取的有关脑卒中后吞咽障碍诊断的优质量表共258份。实验通过MATLAB成功构建基于南曼彻斯特诊断量表的RBF神经网络模型，并通过129个样本数据学习训练，RBF神经网络建模精度为100%。然后，对另外129个样本进行测试，诊断分型准确率为99.225%。此外，为验证RBF神经网络在学习专家对脑卒中后吞咽障碍诊断经验中的优势，本文还以同样的训练数据构建基于误差反向传播（Back Propagation，BP）神经网络和基于支持向量机（Support Vector Machine，SVM）的诊断模型，随后以同样的测试集来计算预测精度，以验证本研究方法的有效性与必要性。图3给出了基于三种建模方法的测试样本预测效果图。表5给出了几种基于典型机器学习方法的测试样本预测结果对比表。

图3 基于典型机器学习方法的诊断模型准确率对比图

表5 基于典型机器学习方法的测试样本预测结果对比表

此外，经统计分析，证明了基于RBF神经网络诊断模型的输出结果与专家诊断结果间无统计学差异（P＞0.05）。

3 讨论

目前脑卒中后吞咽障碍诊断中的难点在于：① 量表的非统一性，各个医院专家使用不同量表，且量表打分项目繁多，很多项目依靠专家经验评估，而每个项目的权重也是依靠专家经验，因此严重影响诊断和评估，至今依然有很多专家研究量表与吞咽障碍分期与表现的相关性[13-14]，此外即使采用南曼彻斯特量表进行诊断评估，由于量表中有些测试选项无法进行（重症脑卒中患者，无法进行饮水试验），该项测试值也需要专家根据经验来补充，最终得到整体量表打分，致使专家经验难以数字化和传播；② 类似MRI影像和吞咽造影仪器的检查由于部分患者难以配合，或者因为副作用，不能进行多次测试，因此，也会对诊断结果进行影响[15-16]，使得专家在影像方面也在不断精细化，不断提高精准度；③ 最重要的是，不是所有患者有机会接触到专家，在社区我们的年轻医师通过学习专家经验，让广大患者在家门口得到相同方便的诊断也是很有价值的，所以有效学习专家经验参数就为准确诊断提供一种可能；④ 在现有的基于人工智能诊断建模方面，机器学习方法被广泛使用[17-20]，然而在面向吞咽障碍量表诊断的问题中，还缺乏统一的结论。因此，本文工作则是通过对比常见机器学习方法，确定一种在线训练性能优异、诊断准确率高的机器学习方法，为后续基于人工智能吞咽障碍诊断工作奠定坚实的理论方法基础。

需要说明的是，本文构建了基于RBF神经网络的脑卒中后吞咽障碍智能诊断模型，并能够学习专家诊断经验，最后与几种典型机器学习方法进行了对比，验证了所建神经网络模型的准确性和优势。首先，通过量表和诊断结果的映射关系，我们用计算机的方式学习和记录了专家经验。其次，本文尝试了几种典型的机器学习方法进行诊断模型构建，如：BP神经网络、RBF神经网络、SVM，并进行了性能比对。值得一提的是：BP神经网络是基于误差反馈思想的全局网络，收敛慢，不利于在线建模和应用；而SVM适合二分类问题，而设计诊断分型结果多样的复杂分类问题时，需要训练多个SVM分类器，此时，样本规模大小决定了建模精度的高低，同时也存在样本不对称等问题，导致分类精度不高。因此，对比了几种典型机器学习方法后，RBF神经网络以其局部网络的结构优势、收敛性和泛化能力强的建模优势，得到了优异的结果。

本文不足之处：① 本文研究仅使用了一类吞咽障碍诊断量表（南曼彻斯特量表），而临床应用中多量表，多诊断手段共同发挥作用的案例也有许多，如何构建多方式、多结果，综合进行诊断并学习，也是未来所思考的问题；②本文所使用的建模数据与测试集数据规模比较小，未来将扩充试验数据，以便在大规模数据情况下测试径向基神经网络的在线诊断模型的建模性能；③ 本文所使用样本都是基于南曼彻斯特量表评价后的完整样本。未来，将引入含缺失测试项的不完整样本进行诊断模型的构建，以考察径向基神经网络框架下的样本重构与建模精度。

4 结语

医学人工智能已经飞速发展的今天，它已经渗入到医学的各个领域[21]，从医疗过程，到诊断、治疗、疗效随访等等方面。我们也将人工智能理论和技术运用在脑卒中后吞咽障碍康复诊断方面，使其更加高效，更加合理。

本文着力解决的是诊断量表的数字化建模与专家诊断智慧建模问题。量表评估是康复专业诊断，治疗和评定重要的组成部分。量表的研究也是随时代变迁，更加深入和细致的，本文首先设计了临床随机对照实验，将患者进行统计学对比，用统计学方法证明了诊断模型构建中的训练样本和测试样本的无差异性，为模型构建典型基础。其次，针对南曼彻斯特量表，本文运用RBF神经网络构建诊断模型，有效学习专家诊断的经验，能够实现近似专家的诊断，既解决了患者对精确诊断的需求，也解决了医师学习经验的方法，可谓一举两得。在模型构建方法的选择上，我们运用多种机器学习方法并进行了有效对比，探讨了RBF神经网络在建模性能方面的优越性。因此，在解决量表数字化、专家经验提取、智能建模三个方面，我们进行了有效的结合。