基于特征谱分析的哮喘诊断深度网络模型

阳振岳

摘 要：精准医疗时代的到来将为患者提供更精准、高效、安全的诊断及治疗。哮喘的精准诊疗是重点防治慢性呼吸道疾病亟待解决的问题之一。文章提出一种基于特征谱分析的哮喘诊断深度网络模型。首先利用特征谱分析临床获取的元数据和身体检查参数与哮喘的相关性。在此基础上，分离出有利于模型建立的亚组特征，利用这些特征训练深度神经网络模型，从而建立哮喘的精准诊疗模型。实验结果表明了该方法的有效性和可靠性。

关键词：哮喘诊断;特征谱分析;深度网络模型

0   引言

支气管哮喘是一种世界范围内发病率较高的疾病，据报道，近十年来全球哮喘发病率与死亡率均呈升高趋势，全球哮喘患者3亿人，中国就有3 000万哮喘患者。

本文将通过数据挖掘和数学建模解决以下问题：（1）哮喘与元数据的数学模型（哮喘与年龄，性别和肥胖的相关性等）。（2）哮喘与身体检查参数的数学模型（通气功能参数对哮喘预测价值的排序）。（3）联合元数据和身体检查参数建立数学模型并与前两个模型进行分析比较（联合模型能否提高预测价值）。

1   哮喘与元数据

元数据包括性别、年龄、身高和体重。陈秀香[1]研究结果显示，性别上男女患病率差异无统计学意义;年龄上老年人患病率略高。Barros[2]的研究结果表明，肥胖会增加哮喘的患病率和发病率。朱元素等[3]发现并不是所有的肥胖个体都会患哮喘，但肥胖程度越高，患哮喘的概率就可能越大。特征谱分析有利于独立考虑每个特征与哮喘之间的关联性[4]。

本文选择在病理分类方面表现突出的深度神经网络模型来进行数学建模[5]，模型构建过程采用交叉验证方法，随机使用80%的样本作为训练样本，20%的样本作为测试样本，进行100次运算得出模型的识别平均准确率。

2 哮喘与身体检查参数

2.1  临床常用指标概述

临床常用于哮喘诊断的身体检查参数主要包括潮气量、用力肺活量、FEV1/FVC、呼气流速等。

潮气量是指平静呼吸时每次吸入或呼出的气量。潮气量的设定并非恒定，应根据病人的血气分析进行调整。正常情况下：成人：8～10 mL/kg，小儿：6～10 mL/kg。

用力肺活量（Forced Vital Capacity，FVC）是指尽力最大吸气后，尽力尽快呼气所能呼出的最大气量。FEV1是最大深吸气后做最大呼气，第一秒呼出的气量的容积。临床上常以FEV1/FVC的比值做判定，正常值为83%。

呼气流速测定是主要反映大气道阻塞程度的一项指标。它比临床症状更为敏感及客观地反映哮喘患者的气道阻塞程度及病情变化。

2.2 建模与分析

图1给出了9种身体检查参数与哮喘患病情况特征谱分析结果。用力肺活量、外周气道参数C、外周气道参数D的特征谱线显示，这3个特征对于哮喘阴阳性判断无明显作用。

图1中，中心气道参数、FEV1/FVC、最高呼气流速、外周气道参数A、外周气道参数B的特征谱具有明显的错峰现象，当表示阳性的实线在表示阴性的虚线线段上方时，表示相应的参数指标哮喘患病率会很高。

3   联合元数据和身体检查参数

已知不同特征选取方式下深度网络模型的平均识别率。实验仅根据所選特征改变输入层的节点数量。由于深度网络模型本身具备一定的特征权重调整能力，平均准确率差别不是很大，但年龄、体重、FEV1/FVC、外周气道参数B、外周气道参数A、中心气道参数、最高呼气流速7个特征参数构造的深度网络模型具有最高的平均识别率。

4   结语

本文在利用特征谱分析题目所给数据参数的基础上，构建哮喘诊断深度网络模型，分别就哮喘与元数据之间的数学模型、哮喘与身体检查参数之间的数学模型、联合元数据和身体检查参数建立数学模型并与前两个模型进行分析比较，并进行了详细探讨。最终得出结论：利用年龄、体重、FEV1/FVC、外周气道参数B、外周气道参数A、中心气道参数、最高呼气流速7个特征参数构造的深度网络模型具有最佳的哮喘患病诊断效果。

[参考文献]

[1]陈秀香，赛俊婷，尧明慧，等.海南黎族人群支气管哮喘流行病学调查报告[J].中国医药导刊，2018（4）：235-240.

[2]BARROS R，MOREIRAS P，PADR P，et al.Obesity increases the prevalence and the incidence of asthma and worsens asthma severity[J].Clinical Nutrition，2017（4）：1068-1074.

[3]朱元素，唐华平，贾贝丽，等.肥胖哮喘的相关发病机制[J].青岛大学学报（医学版），2018（1）：111-114.

[4]LUO Y，GUAN Y.Adaptive skin detection using face location and facial structure estimation[J].IET Computer Vision，2017（7）：550-559.

[5]刘梓剑.基于转录组数据不平衡数据的乳腺癌分类预测模型[J].现代计算机，2020（10）：81-84.

（编辑 何 琳）