基于BP神经网络的肿瘤手术麻醉风险评估模型

朱丹红 郑辉哲 何斌杰

麻醉风险是指麻醉过程中所发生的患者生理功能遭受严重干扰而危及生命的事件，来自于麻醉并发症和麻醉意外。麻醉并发症是指由麻醉引起的、不希望发生的组织损伤或病态反应[1]。麻醉意外是难以预料的客观特殊情况，但麻醉并发症是能够预料的。如果发现及时且处理得当，可不发生严重后果，否则将造成功能障碍、残疾甚至死亡。目前麻醉风险主要由麻醉医师依据临床经验判断，受限于不同麻醉医师的工作年限、技术水平等主观因素，因此不同麻醉医师做出的麻醉风险评估不尽相同[2]，给患者的麻醉风险增加了一些不确定因素，例如：年轻且临床经验不足的麻醉医师可能对麻醉风险评估不够准确；省市级大医院的麻醉医师由于处理过的病例多，临床经验足，通常比县级医院的麻醉医师能够做出更为精确的麻醉风险评估。

由于肿瘤患者病情凶险，且术前合并症较多，因此麻醉和手术难度较大，麻醉风险较高[3]。为降低麻醉风险评估中的主观因素，提升麻醉并发症的预测准确度，本研究基于计算机智能辅助诊断技术，利用机器学习方法，提出基于BP神经网络的肿瘤手术麻醉风险评估模型。针对肿瘤手术中常见的10类麻醉并发症，设计包括输入层、隐藏层、输出层的三层BP神经网络，建立计算机辅助诊断与预测。通过收集整理350条临床麻醉患者数据，选取29个患病特征值，构建BP神经网络模型进行训练和测试，并对结果进行评价和讨论。

1 材料与方法

1.1 一般资料从2016～2017年福建省肿瘤医院的临床病例中筛选具有代表性的病例350例，其中正常病例（无麻醉并发症）140例，有麻醉并发症病例210例，比例为2∶3，分为训练组250例和测试组100例。其中，训练组数据用于确定BP神经网络的权重参数；测试组数据用于验证模型的准确率。

根据临床经验，在肿瘤手术中麻醉风险程度与患者年龄、肿瘤类型、病情严重程度、术前身体状况、潜在疾病等因素密切相关，其中，患者术前所患潜在疾病与术后产生的麻醉并发症相关性很强，在围术期死亡病例中大约有90%与患者的原有疾病和手术影响有直接关系[4]，例如：术前有肝胆病史的患者，术后患肝胆类麻醉并发症的机率远高于一般患者。因此，本研究的BP神经网络模型构建所需的数据主要包括：①年龄、术前身体状况评估（ASA分级）[5，6]、肿瘤类型、严重程度、潜在疾病作为模型的特征输入，共包括29个特征值，具体如下：年龄、ASA分级、肿瘤类型、严重程度、牙周炎、溃疡症、气道狭窄、气道高敏反应、慢性阻塞性肺病、先天性肺大泡、哮喘、外伤性肋骨骨折、支气管破裂、锁骨下挫、心肺疾病、发热、术前焦虑、甲亢、烧伤、低血压、窦性心动过速、高钾血症、心肌梗死病史、胃肠道疾病、胆管痉挛病史、1个月内实施过氟烷麻醉、肝细胞病理损害、病毒感染、肝毒性药物使用。②选取10个常见的麻醉并发症，包括：牙齿损伤、气管黏膜损伤、急性呼吸道梗阻、单肺通气、气胸、急性呼吸功能不全、心律失常、心肌缺血、胃肠道并发症、肝胆并发症，作为神经网络模型的病症预测目标输出。

1.2 方法BP神经网络是人工神经网络的一种类型，它的结构简单且易于实现[7]。在肿瘤手术的麻醉风险评估中，BP神经网络可被看成二分类器，用以预测患者是否患有某种麻醉并发症。

1.2.1 数据预处理 将350例临床数据进行预处理，针对29个术前特征数据与10个被预测的并发症进行离散化和归一化处理，见表1。其中年龄项分为低龄（＜60岁）和高龄（≥60岁），ASA1～2级都属于麻醉风险低的级别，因此归为同一类，ASA6级为脑死亡，通常用于器官移植，本研究不考虑在内。

表1 特征数据量化表

1.2.2 构建BP神经网络模型 本研究选取包括输入层、隐藏层、输出层的三层BP神经网络模型来实现麻醉并发症预测的二分类器。其中，隐藏层的节点决定了神经网络的效能，隐藏层节点数目选择取决于经验公式代表隐藏层节点数，m和n分别代表输入层节点数和输出层节点数，a表示1～10之间的调节常数[8]。神经网络的构建流程见图1。

图1 神经网络构建流程图

由此，本研究利用10个BP神经网络分别用以预测10个麻醉并发症，每个网络的输入节点个数m=29，表示术前特征取值，输出节点个数为n=2，代表是否患有该并发症的术后结果。

经过实验，得到的神经网络参数设置为神经网络层数：3层，输入层节点数：29个，隐藏层节点数：6个，输出层节点数：2个（不患病或者患病），输出层激活函数：Sigmoid，损失函数：计算交叉熵损失，反馈方法：梯度下降算法，学习率：0.05。结合神经网络的相关参数，构建的神经网络结构见图2。w为各个节点的权值，b为各节点的偏置量，f（x）为输出层激活函数Sigmoid。

图2 麻醉风险评估的BP神经网络模型

1.2.3 实验开发环境 本研究采用Docker[9]与TensorFlow[10]搭建BP神经网络麻醉风险评估模型的运行环境。Docker是一种开源的应用容器引擎，开发者可以将所开发的应用打包成Docker镜像，Docker镜像可以直接运行在装有Docker虚拟环境的任意主机，而无需关心环境配置和依赖性问题。TensorFlow是一个基于数据流编程的符号数学系统，它提供了许多机器学习的相关函数接口（API），能够高效实现和运行机器学习相关项目，目前被广泛应用于各类机器学习算法的编程实现。在Docker平台中运行TensorFlow的原始镜像，并利用TensorFlow的相关神经网络函数接口实现麻醉并发症的预测模型，最后将程序打包成Docker镜像，发布在云服务器上，可以被用户直接下载运行使用。

2 结果

针对临床采集的350条病例数据，选用250条训练数据对神经网络预测模型进行训练，用100条测试数据对训练好的模型进行测试。其中，每一组的正常病例个数与患有麻醉并发症的病例个数的比例均为2∶3，神经网络训练步数为10000。

神经网络中的Sigmoid函数可以把神经网络的输出转化为概率值，因此模型的输出结果为是否患上麻醉并发症的概率。为了便于统计，设定患病概率大于50%则标记患病，不患病概率大于50%则标记为不患病。该BP神经网络对麻醉并发症的平均预测准确率达89.8%，准确率较高，其中牙齿损伤预测准确率为88%，气管黏膜损伤为89%，急性呼吸道梗阻为83%，单肺通气为93%，气胸为87%，急性呼吸功能不全为88%，心律失常为89%，心肌缺血为95%，胃肠道并发症为91%，肝胆并发症为95%。除此之外，该BP神经网络在实际应用过程中，可以给出患者患上某种麻醉并发症的概率，有助于医生判断患者的麻醉风险程度。

3 讨论

本研究提出了一种面向肿瘤手术麻醉风险评估的麻醉并发症计算机智能预测模型。通过分析手术麻醉风险的相关因素，结合人工神经网络相关知识，构建BP神经网络模型，再利用Docker和TensorFlow平台编程部署实现。通过实验可以得出该模型对肿瘤手术麻醉风险预测的准确率达89.8%，并且可以给出患者患某种麻醉并发症的风险概率。该模型能够较好地为临床麻醉医师对麻醉风险评估提供客观指导，减少因为医院医疗水平、麻醉医师医技水平不足等主观因素而产生的麻醉风险误判的可能性。此外，该模型通过Docker镜像发布，用户可以直接下载Docker镜像，便于模型应用。今后将收集更多、更丰富的病例数据，用以提升模型性能，为临床治疗提供更为准确的计算机智能辅助诊断与预测。