基于深度LSTM的甲亢疾病发展预测及应用系统

杨意豪 王梅 左铭

摘 要：针对甲亢疾病发展的阶段性特点，建立LSTM深度学习模型，利用患者的前期关键血检指标，使用该模型对患者未来时刻指标值进行预测，从而获得后期疾病发展预测情况。在此基础上，基于Vue.js框架构建了发展预测应用原型系统，实现了指标数据录入、模型调用、预测结果展示等功能，为医生当前诊疗方案的制定和检验提供有效帮助。

关键词：甲亢;深度学习模型;血检指标;Vue.js;原型系统

文章编号：2095-2163（2019）04-0128-04 中图分类号：TP181 文献标志码：A

0 引 言

随着医疗信息化的快速发展，如何充分利用长期积累的大量临床医疗数据，进行临床医疗数据分析与挖掘，从而辅助医生临床决策，提高医疗服务的智能水平和医院的就诊效率，成为广泛关注的热点问题。

甲亢疾病在内分泌疾病中发病率较高，因内分泌系统作用会对患者全身产生影响，其患病时间越长，治愈也更困难[1]。因此，甲亢疾病的早期干预至关重要。若能在早期阶段结合其临床检查数据对疾病未来发展情况进行预测，不仅可以方便患者了解自身病情，同时还可辅助医生评估和制定当前诊疗方案。如用药策略的选择、是否进行一些特殊和非常规的检查，从而对病情进行有指导的提前干预。因此，对甲亢病情预测的研究十分必要且具有重要的临床意义。

本文基于甲亢疾病发展的阶段性特点，建立LSTM深度学习模型，利用患者的前期关键血检指标，使用该模型对患者未来时刻指标值进行预测，从而获得后期疾病发展预测情况。本文使用真实数据对模型的有效性进行了验证。在此基础上，基于Vue.js框架开发了发展预测应用原型系统，实现了学习模型与应用系统的有效结合，从而为医生当前诊疗方案的制定和检验提供帮助。

1 相关工作

甲状腺疾病是内分泌系统最常见和多发的疾病，常引起临床各学科的关注，其中又以甲状腺功能亢进症（甲亢）最多见。在前期研究中，Strieder等人[2]通过数据分析建立了简单的预测评分，用来评估自身免疫性甲状腺病（Autoimmune Thyroid Disease，AITD）患者女性亲属患病的风险。Wang等人[3]采用YOLOv2神经网络深度学习建立甲状腺结节图像自动识别与诊断系统。Yen-kung等人[4]使用Cox比例风险模型评估Graves病患者发生癌症的风险。现有工作主要关注于甲亢疾病的相关性分析或自动诊断，对疾病发展预测的相关工作较少。

LSTM（长短时记忆网络）作为一种深度神经网络，可通过隐层节点循环连接和具有门结构的神经元捕捉长期时序依赖关系[5]，被广泛用来处理具有时间顺序发展特点的数据，获得了良好的效果。本文基于甲亢疾病发展的阶段性特点，构建LSTM深度学习模型，并基于该模型进行甲亢指标值的预测。

在系统实现上，本文使用Vue.js框架，该框架是一种轻量的渐进式框架。一方面，其核心库只关注视图层，易于上手，且便于与第三方库或其它项目整合;另一方面，当与单文件组件以及其它所支持的各类库结合使用时，也能够为复杂的应用程序提供驱动[6]。

2 甲亢病情预测模型

经甲状腺医学临床研究表明，甲状腺疾病的临床诊疗与4项脱敏血检指标密切相关，分别为游离三碘甲腺原氨酸FT3、游离甲状腺素FT4、促甲状腺素TSH和促甲状腺素受体抗体TRAb[7]。当FT3、FT4水平升高，同时TSH水平降低，即可诊断患有甲状腺功能亢进症。TRAb水平作为检测由淋巴细胞产生并刺激甲状腺的免疫球蛋白-TSI的标准，与甲亢的痊愈有着重要的关系。因此，该模型通过4项指标水平的变化规律预测未来的病情发展状况。

模型首先通过前若干个月的上述4个血检指标值预测未来某时刻的指标值，然后由该时刻的指标正常、异常判断，汇总得到病情发展状况预测。根据相关医学研究成果以及医生临床经验所知，患者在患病前六个月内的指标变化与病情未来发展有重大联系，患病后两年左右时间点的病情状况具有一定的代表意义。因此，该模型根据前六个月的FT3、 FT4、 TSH、 TRAb 4项指标值预测2年时刻的指标值。

4项指标的异常范围见表1。依据表1可以发现FT3、FT4、TSH及TRAb指标具有不同的量纲和单位，数据范围各有差异，这会很大程度地影响模型的训练效果。因此，应当对每个指标统一范围、规范数据。标准化处理能够消除指标之间的量纲影响，使指标之间具有可比性，更适合模型训练，还可以减小指标缺失的影响。本文采用0均值标准化（zero_score）对每位患者的每项指标做标准化处理，该方式的计算公式如下：

由于患者前六个月的指标检查记录按诊断时间先后形成了一种序列数据，为了沿着时序探索指标的变化规律，本文使用LSTM算法分析数据。LSTM神经元结构如图1所示。

将患者前六个月及2年时间点的指标值作为训練数据输入模型进行参数学习，完成模型训练后，可进行预测。基于该模型的甲亢病情预测算法如下：

Input：data

Output：result

set model = restore（LSTM_model）

standard_data = zero_score（data）

output = model.predict（standard_data）

result = inverse_zero_score（output）

return result

其中，data表示待预测的数据，LSTM_model为已经训练好的模型。首先从模型中读取已训练的参数，其次将标准化后的数据输入模型并预测，最后还原标准化得到预测结果。

3 应用系统框架实现

系统采用基于Vue.js框架的B/S架构。在成功启动系统并正常运行后，可通过浏览器输入IP地址和端口号进行访问。本系统分为患者端和医生端，患者端主要有用户信息管理、查看检查记录、查看诊断数据等功能;医生端主要有用户信息管理、诊断患者病情等功能。查看诊断数据时，患者的病情预测结果是使用基于LSTM算法的甲亢病情预测模型所得。该系统使用MySQL数据库存储用户信息和检查记录等数据。系统功能设计介绍如下：

（1）用户管理。该功能主要是注册新用户或是修改用户名和密码，用户分为患者和医生。

（2）查看与增加患者检查记录。该功能主要是在患者进入系统后，通过在线问诊上传自己的检查报告，然后从数据库中读取该患者的血检记录，显示到界面中供患者查看。此外，患者还可以增加自己的血检记录，添加成功的数据会保存到数据库中，同时会显示到界面中。

（3）查看患者诊断数据。该功能是在患者添加了检查记录和基本信息之后，提交个人数据进行病情诊断，系统读取并显示该患者的个人信息、检查报告。同时，系统会调用保存并训练好的模型程序使用算法进行病情预测，最后将模型自动预测结果及医生评估结果和治疗建议等显示到界面中供患者查看。

（4）医生诊断。该功能主要是在医生进入系统后，查看患者的检查记录并操作，通过智能诊断，系统便会将该患者的特征数据做相应的预处理，然后调用模型使用算法进行预测，并将预测结果反馈给医生。辅助医生对患者病情进行准确诊断，并给出安全性评价和治疗建议，诊断内容自动保存到数据库中，以便患者查看。

图2为该原型系统的总体框架设计图，该原型系统是基于MVVM体系结构的Vue项目，MVVM体系结构具体指View、Model和ViewModel。

View 层是用户界面，包括登录界面、注册界面和诊断界面等。当用户在界面中进行登录、注册、添加数据和病情诊断等操作时，会将控制命令传递给ViewModel层。ViewModel层将按用户的操作处理相应的数据并将结果反馈给View 层，待操作的数据由Model层从数据库中存取。整个系统通过数据层与Model 层、Model 层与ViewModel层和ViewModel层与View层间的互相通信传递信息与请求。

4 应用系统有效性评估

本文所用真实数据（仅含指标数据，无患者个人信息）共包含2 460位患者的临床诊断数据，将其随机划分为2部分，1 960位患者作为训练数据用于训练模型。余下500位患者数据输入应用系统用于系统评测。依次将500位患者的前六个月数据输入应用系统，调用算法，得到2年预测输出，根据表1计算其正常、异常判断，并与其2年附近的真实的正常、异常值判断作对比，评估模型与系统实用性。这里偏低、正常、偏高可视为类标签，则评估标准采用分类评价指标，评价指标计算如下：

其中，TP表示为正例且预测为正例的数量;FP表示为负例且预测为正例的数量;FN表示为正例且预测为负例的数量;TN表示为负例且预测为负例的数量。例如对于异常偏低的指标，其正例为指标异常偏低，负例为指标正常或指标异常偏高。评估结果见表2。

表2所示的评测结果中，4项指标的平均正确率达到90.84%。其中，FT4指标的预测正确率达到94.62%。由表1可知，与TRAb的整个数值分布范围相比，其正常范围较小，因此TRAb的预测正确率在4个指标中相对较低，但也达到了89.23%。上述实验结果表明本文学习模型具有较高的预测准确率，本文应用系统具有一定的实际临床意义。

5 结束语

本文提出了一种基于LSTM算法的甲亢血检指标预测模型，并开发了模型应用原型系统，实现了基于模型的病情预测功能。目前，本文实现的原型系统还存在一些不足，如尚未根据预测结果为患者推荐合适的医疗资源和诊疗策略。接下来的研究中，将会关注用药分析及推荐，进一步优化系统的功能与性能。

参考文献

[1]WANG Y ， SUN X L ， WANG C L ， et al. Influence of screening and intervention of hyperthyroidism on pregnancy outcome[J]. European Review for Medical & Pharmacological Sciences， 2017， 21（8）：1932-1937.

[2]STRIEDER T G A， TIJSSSEN J G P， WENZEL B E， et al. Prediction of progression to overt hypothyroidism or hyperthyroidism in female relatives of patients with autoimmune thyroid disease using the Thyroid Events Amsterdam （THEA） Score[J]. Archives of Internal Medicine， 2008， 168（15）：1657-1663.

[3]WANG Lei ， YANG Shujian， YANG Shan ， et al. Automatic thyroid nodule recognition and diagnosis in ultrasound imaging with the YOLOv2 neural network[J]. World Journal of Surgical Oncology， 2019， 17（1）：12.

[4]CHEN Y K， LIN Chengli， CHANG Y J， et al. Cancer risk in patients with graves disease：A nationwide cohort study[J]. Thyroid， 2013， 23（7）：879-884.

[5]SARRAF S. French word recognition through a quick survey on recurrent neural networks using long-short term memory RNN-LSTM[J]. American Scientic Research Journal for Engineering Technology & Sciences， 2018， 39（1）：250-267.

[6]王志任. 基于Vue.js的開发平台的设计与实现[D]. 广州：广东工业大学，2018.

[7]张红菊，秦东平. 甲巯咪唑治疗甲状腺功能亢进症的效果及对FT3、FT4、TSH水平的影响[J]. 临床医学研究与实践，2019，4（9）：42-44.