基于人工神经网络的眼镜蛇咬伤辅助诊断研究

梁明贤，梁斌梅，梁 平，罗 威，黄柏霖，黄钰菲

（1.广西大学计算机与电子信息学院计算机系，南宁 530004；2.梧州市中医医院，广西梧州 543002）

0 引言

广西地处亚热带地区，属云贵高原向东南沿海丘陵过渡地带，具有山地多、平原少的特点，形成了气候温暖、降雨充沛、干湿分明、冬少夏多的自然条件，适宜蛇类生存[1]。广西蛇伤发病季节长、病例多，属于蛇伤高发地区，每年有3～4 万人被蛇咬伤[2]。广西境内毒蛇咬伤发病率最高为眼镜蛇[3]。眼镜蛇咬伤救治的总原则是迅速确诊为眼镜蛇咬伤，并尽快使用抗眼镜蛇毒血清[4]。目前，临床上对眼镜蛇咬伤的诊断主要依靠临床医师丰富的临床诊治经验，根据蛇咬伤病史、蛇的形态特征、蛇图谱、伤口周围局部症状和全身症状，并结合实验室检查数据，综合诊断为何种毒蛇咬伤，从而对症治疗[5-6]。但是大部分蛇伤患者无法准确描述蛇的形态特征，也不能准确辨认蛇图谱。

国务院2017 年颁布的《新一代人工智能发展规划》中，明确提出推广应用人工智能治疗的新模式新手段，建立快速精准的智能医疗体系[7]。如何利用人工智能技术对疾病进行智能辅助诊断，目前已有学者进行了大量研究[8-12]，提出了各种疾病的智能辅助诊断方法，但对毒蛇咬伤的智能辅助诊断方面的文献报道较少。人工神经网络是人工智能的一个重要分支。人工神经网络能够模拟人脑神经网络的结构和功能，通过对输入输出数据的学习训练，掌握输入输出的规律，形成记忆，并根据新的输入数据预测出正确的输出。因此，本研究基于眼镜蛇咬伤住院患者的局部和全身症状特征，利用概率神经网络（probabilistic neural network，PNN）、径向基函数（radial basis function，RBF）神经网络和反向传播（back propagation，BP）神经网络进行模型训练和测试，以实现眼镜蛇咬伤的识别。

1 数据集建立

1.1 数据收集

选取2017—2019 年梧州市中医医院蛇伤科专科医生明确诊断的101 例眼镜蛇咬伤住院患者的病例资料，同时选取同期101 例其他毒蛇咬伤住院患者的病例资料。根据2018 年中国蛇伤救治专家共识，并结合梧州市中医医院眼镜蛇咬伤诊疗方案，从病例资料中提取伤口及周围局部皮肤温度、皮肤色泽、肿胀、疼痛、麻木、压痛、触痛、瘀黑、瘀斑、血泡或水泡、伤口渗血或渗液、溃疡或溃烂共12 个局部症状特征，同时提取恶心、呕吐、头痛、头晕、眼睑下垂、胸闷或心悸、呼吸困难、寒颤、肌肉酸痛、全身乏力共10 个全身症状特征，通过规范化处理，建立眼镜蛇咬伤特征数据集。本研究取得了医院伦理委员会的批准。

1.2 数据描述

对12 个局部症状特征和10 个全身症状特征进行规范化描述，并转换为数值表示，作为输入特征向量X，其中X1～X12为局部症状特征，X13～X22为全身症状特征，详见表1。从选取的病例资料中提取202 组诊断特征数据和标签，建立眼镜蛇咬伤特征数据集。

表1 输入特征向量描述

眼镜蛇咬伤后，一般先出现疼痛，然后沿着伤口向四周出现肿胀，按压伤口周围或伤肢其他位置可有明显压痛感，牙痕伤口附近逐渐出现瘀黑或瘀斑，部分患者会出现血泡、溃烂及恶心、呕吐等其他症状特征。大多数眼镜蛇咬伤后伤口局部可见明显特征X8“瘀黑”。图1 显示眼镜蛇咬伤3 h 伤口出现特征X8“瘀黑”、伤口四周出现特征X9“瘀斑”，并有向四周蔓延趋势；图2 显示眼镜蛇咬伤后15 h 伤口四周出现特征X9“瘀斑”，并有多个不同大小的特征X10“血泡”。

图2 眼镜蛇咬伤伤口图片（患者2）

1.3 数据分析

对12 个局部症状特征数据和10 个全身症状特征数据进行相关度分析，计算每个特征和标签的相关系数。其中肿胀、疼痛、压痛和瘀黑4 个特征的相关系数r>0.5，皮肤温度、皮肤色泽、麻木、伤口渗血或渗液、溃疡或溃烂、恶心、呕吐、头晕、胸闷或心悸共9 个特征的相关系数r 为0.2～0.5，触痛、瘀斑、血泡或水泡、头痛、眼睑下垂、呼吸困难、寒颤、肌肉酸痛、全身乏力共9 个特征的相关系数r<0.2。

眼镜蛇毒属于混合毒，既有神经蛇毒素，也有血循毒素，特别含有细胞毒素。因此被眼镜蛇咬伤后，肿胀、疼痛、压痛和瘀黑是常见的特征，与眼镜蛇咬伤的相关度较高，符合临床结论。随着发病至就诊的时间、患者年龄以及眼镜蛇毒量的不同，容易出现病情进展的不同，从而出现皮肤温度、色泽的不同，同时会伴随恶心、呕吐、头晕、胸闷或心悸等不适。

2 模型设计

2.1 PNN 模型设计

在模式分类问题中，PNN 得到了广泛应用，其以贝叶斯最小风险准则为基本原理。PNN 共分为4 层，第1 层为输入层，用于接收来自样本的值，主要是把毒蛇咬伤后的22 个临床症状特征经过规范化处理后得到输入特征向量X 输入到神经网络中，输入层神经元个数与输入特征向量X 的维度相同。第2 层为模式层，通过加权系数wi（i 为训练样本数，取值为1，2，...，182）与输入层相连接，计算输入特征向量与训练集中各个模式的匹配程度，也就是相似度，将其距离送入高斯函数得到模式层的输出。模式层的神经元个数与训练样本总数相同，182 组训练样本输入对应182 个神经元Φ={Φ1，Φ2，...，Φ182}。PNN 模型对标准化后的输入特征向量X 进行径向基计算，传递函数为

其中，分布密度∂决定了样本归类的灵敏度，这是PNN性能的核心量。第3 层为求和层，其神经元只与模式层中对应类别的神经元有连接，对同一类的模式层神经元的输出进行加权平均，神经元数和类别数相同，判别是否为眼镜蛇咬伤需要2 个神经元S={S1，S2}。第4 层为输出层，通过简单的阈值判别，输出求和层中得分最高的类别。建立的PNN 模型拓扑结构如图3 所示。

图3 PNN 模型拓扑结构

2.2 RBF 神经网络模型设计

RBF 神经网络输入至输出的变换是非线性的，而隐含空间至输出层空间的变换是线性的，且其学习速度快，能够避免局部极小现象。RBF 神经网络的拓扑结构包括输入层、隐含层和输出层。建立的RBF神经网络模型拓扑结构如图4 所示。

图4 RBF 神经网络模型拓扑结构

2.3 BP 神经网络模型设计

BP 神经网络是一种采用BP 学习算法训练的多层感知机模型，能在不确定映射关系的情况下，通过进行大量输入-输出模式的学习和记忆，找到输入和输出之间的映射关系。BP 神经网络的拓扑结构由输入层、隐含层和输出层组成，层间神经元采用全连接方式，层内神经元之间无连接。建立的BP 神经网络模型拓扑结构如图5 所示。

图5 BP 神经网络模型拓扑结构

3 实验过程

3.1 实验环境

本实验采用Windows10 操作系统，使用MATLAB R2019a 仿真平台对眼镜蛇咬伤特征数据集进行仿真分析。

3.2 实验步骤

具体实验步骤如下：

第一步，使用load()函数导入数据集；

第二步，使用mapmimax()函数对输入数据进行归一化；

第三步，使用cvpartition()函数划分训练集和测试集；

第四步，使用newpnn()、newrbf()、newff()函数分别建立PNN 模型、RBF 神经网络模型、BP 神经网络模型；

第五步，输入训练集数据对模型进行训练，其中PNN 模型和RBF 神经网络模型的建立过程即训练过程，BP 神经网络模型使用train()函数进行训练；

第六步，使用sim()函数对测试集输入数据进行分类，得到模型预测结果；

第七步，计算预测准确率。

通过实验，PNN 模型扩展速度spread=1.8，RBF神经网络模型扩展速度spread=3，BP 神经网络模型训练次数epochs=20、学习率lr=0.01、训练精度goal=0.001。

4 实验结果与分析

实验结果显示，PNN 模型预测准确率为87.14%，RBF 神经网络模型预测准确率为82.67%，BP 神经网络模型预测准确率为86.02%。由此可见，PNN 模型预测准确率最高、泛化能力最好，更适用于眼镜蛇咬伤的预测诊断。

在实验过程中发现，3 个模型均存在一定的过拟合，即出现了预测准确率比训练准确率低的现象，主要原因是训练数据少，只有202 个样本。减小过拟合的方法：选取合适的停止训练标准，在目标函数后面加上正则项或迭代过程使用权值衰减的方法等。在本实验中，为了减少过拟合、提高模型的泛化能力，采用K 折（本文选用十折）交叉验证评估模型的预测性能，同时通过实验选取合适的停止训练标准，都取得了较好的效果。其中PNN 模型和RBF 神经网络模型通过实验选取合适的扩展系数来减少过拟合，BP 神经网络模型通过实验选取合适的学习率和训练精度来减少过拟合。

PNN 模型假阴性对象平均2.2 个，假阳性对象平均0.7 个。将假阴性对象的特征与真阳性对象的特征进行对比分析，发现在特征X8“瘀黑”上差异很大，表现不敏感，具体表示为假阴性对象的特征X8“瘀黑”是0，即没有出现局部瘀黑。可能原因有以下3 个方面：一是被眼镜蛇咬伤而注入患者体内的蛇毒量少，导致瘀黑不明显或只有少量瘀斑；二是被眼镜蛇咬伤后到医院就诊前已对伤口进行切开、排毒等破坏处理，导致毒素少，扩散不明显；三是眼镜蛇咬伤数据量偏少。将假阳性对象的特征与真阳性的特征进行对比分析，没有特别不敏感的特征，可能原因是数据量偏少。

5 结语

眼镜蛇咬伤主要发生在广大农村和偏远山区，但我国多数基层医疗机构缺少蛇伤专科医生，蛇伤救治方面的专业培训也比较少，目前仍没有一种眼镜蛇咬伤快速准确诊断的方法在临床上成功推广应用，眼镜蛇咬伤防治形势严峻。本研究尝试通过提取眼镜蛇咬伤病例中与诊断相关的临床特征数据，利用人工神经网络构建眼镜蛇咬伤辅助诊断仿真模型并进行测试，结果发现PNN 模型预测准确率达到87.14%，BP 神经网络模型预测准确率为86.02%，RBF 神经网络模型预测准确率为82.67%，PNN 模型预测准确率高于BP 神经网络模型和RBF 神经网络模型。

本研究主要针对患者无法准确辨认眼镜蛇的形态特征的情况下，利用人工神经网络构建眼镜蛇咬伤辅助诊断模型，基于患者局部和全身症状特征数据对眼镜蛇咬伤进行识别。本研究的局限性在于，仅仅根据202 例毒蛇咬伤的局部和全身症状特征数据进行模型训练和测试，并不能代表全部病例，今后需加大样本量，做出更准确、全面的诊断结果。

综上，本研究提出了一种简单、低成本的眼镜蛇咬伤快速诊断方法，不仅能辅助临床诊断决策，还能提高眼镜蛇咬伤联防联治水平。