基于LSTM-SVM模型和SNP遗传信息的帕金森疾病识别问题研究

刘宝民，汪健冬，郭志佳，乔梦茹

(1.鲁东大学物理学院,山东烟台，264025;2.鲁东大学数学与统计科学学院,山东烟台，264025)

0 引言

帕金森病(Parkinson’s disease, PD)是继阿茨海默病之后的第二大类神经系统变性疾病, 常发于中老年人群。目前全球PD患病率约405/10万，预计至2030年我国患病人数将达到494万人[1]，因此准确诊断PD越具有重要意义。

国内对于深度学习与帕金森疾病诊断的研究，根据研究的内容，大致可分为两个方面：深度学习在医学影像上的应用，如王洋等人[2]，根据卷积神经网络对于MRI图像进行研究、并进行反卷积处理，张巧丽等人[3]使用深度学习方法实现对帕金森疾病、多系统萎缩症和健康人群的诊断；深度学习在患者行为表现方面的识别，如张颖等人[4]提取声纹特征、DNN识别并分类的方法用于区分PD患者和健康人，焦嘉烽[5]提出深度学习与声谱图的帕金森症检测方法，王金甲等人[6]基于卷积神经网络进行特征学习并识别出步态冻结，李彦琳等人[7]设计了一种基于DCNN的步态识别方法，用于PD患者的步态分类和严重程度等级评定。

尽管有了很多卓有成效的研究，但是结合深度学习，在遗传基因方面对于帕金森疾病的研究并不常见，缺乏遗传学角度对帕金森疾病成因的分析。因此，本文在使用LSTM网络提取SNP数据特征的基础上，使用不同的分类器，对于提取后的特征进一步分类，实现对于基因数据在帕金森疾病诊断上的应用。

1 基于LSTM-SVM的SNP数据诊断帕金森疾病模型

1.1 模型概述

首先对于SNP数据进行预处理：质量控制、独热编码、时间序列化处理。在对数据预处理之后，我们对于基因数据使用LSTM提取特征。对于LSTM提取出的特征分别使用LSTM（Linear Classifier）、XGBoost算法、LightGBM算法、SVM算法、随机森林分类器对结果进行对比，如图1所示。脚本使用Python编程语言开发，仿真在Intel Core i5 2.3 GHz处理器、12Gb随机存取存储器(RAM)和2核的机器上执行。

图1 LSTM-SVM算法流程图

1.2 LSTM原理

长短时记忆网络是改进后的循环神经网络，它在原有RNN的基础上，增加了三个门控单元，用于控制信息传递，有效解决了长序列在输入RNN后的梯度消失或爆照缺陷[8]。由于遗传基因具有一定的时序性，即前面的数据对后面的数据有影响，而LSTM利用专门进行记忆的存储单元，保存记忆的同时避免了梯度消失与爆炸的现象，较为适合时间序列化的基因数据的特征提取。

1.3 SVM原理

根据输入数据，将数据所在的特征空间的超平面作为决策边界，可以把学习目标分为两类，同时使任意样本点到超平面距离大于1[9]。通过求解最大边距超平面，结合约束条件，将硬边界SVM转化为二次凸优化问题求解。其中，LSTM提取出的特征，作为输入数据X，进行训练。

2 数据集与预处理

2.1 数据来源

本文中的SNP数据来自PPMI(Parkinson’s Progression Markers Initiative)数据库(ida.loni.usc.edu)，共选取了533个测试对象，包含167位正常人和366位患者。测试对象共有349位男性，184位女性，年龄分布为31岁至85岁，

2.2 数据预处理

基因数据预处理包括质量控制、独热编码与时间序列化处理。本文获取的SNP数据记录每个测试对象位于各条染色体上某一位点发生突变的情况。在对基因数据做相关分析时，需要对其进行质量控制：首先，统计533个测试对象发生变异的位点，对其计数共6851个位点；其次，进行纯杂合处理，对SNP数据重编码，记隐形纯合（即0/0）为1，杂合（即0/1）为 2，显性纯合（即 1/1）为 3，存在个别情况（即 1/2）记为4，染色体上出现位点信息缺失记为0；然后，对测试对象与SNP基因位点的检测和筛选，如果出现5%测试对象中同时缺失某个SNP位点，那么就去掉该SNP位点，如果某个测试对象缺失5% SNP位点，那么就去掉该测试对象；最终，保留533个样本对象，76个SNP位点。

由于后续处理使用LSTM网络提取特征，需要对独热编码后的基因数据进行时间序列化处理。对于j个特征的样本，这里将每一个样本的基因特征都转化为长为m的序列，序列中每一元素的特征维度是n，满足m*n=j。

3 实验与结果

3.1 设计LSTM-SVM结构与优化

由于预处理后的基因数据维度j=256，维度不大，设置hidden_size=256，num_layers=3。为了增强特征提取的可操作性，设置两层全连接层，第一层用于特征提取，第二层用于LSTM模型准确率判断。时间序列化的m切割份数与输出特征维度作为超参数进行调节。在使用SVM对提取的特征进行分类时，同样需要对超参数进行调节。这里使用网格搜索来确定最佳参数，以准确率作为参数调节依据。

3.2 实验与结果

本文使用十折交叉验证进行诊断任务的评估。其中，随机抽取10%的受试者作为测试样本，其余受试者作为训练样本。以平均准确率作为最终模型的表现结果。

为了评估模型性能，引入了多个经典分类器：XGBoost算法、LightGBM算法、随机森林算法，作为对比，构建LSTMXGBoost、LSTM-LightGBM、LSTM-RF三个模型。同时直接使用LSTM进行分类，作为对照组。我们还引入了PCA算法，作为特征处理的另一类方式，用于比较，对于该方法，我们对SNP基因数据进行质量控制与独热编码处理，跳过时间序列化处理，直接进行数据降维，与分类器结合，形成：PCA-XGBoost、PCA-LightGBM、PCA-SVM、PCA-RF四个模型。

根据图2可知，本文使用的模型方法表现最优，准确率达到了0.73。对于同一特征提取方法而言，SVM分类效果最好，这可能与SVM能够求解凸优化问题的全局最小值、是一个小样本学习方法有关；根据图2可知，对于同一方法而言，LSTM对基因数据特征提取比PCA特征降维的表现更好。

图2 不同模型准确率间的比较

4 结论

本文中我们设计了新的帕金森疾病诊断深度学习框架，该框架能够学习基因数据的潜在特征；潜在特征的提取后，SVM进行分类。基于PPMI数据的实验结果表明，LSTM-SVM算法诊断帕金森疾病的准确率高于使用PCA-SVM、LSTM-RF等方法。