基于支持向量机的类风湿关节炎早期诊断模型构建及其效果评价

何蛟，贾治林

(大连医科大学附属第一医院，辽宁大连116011)

类风湿关节炎(RA)是一种以关节滑膜炎症为特征的慢性自身免疫性疾病，其可造成骨侵蚀和关节破坏，最终导致关节畸形［1］。该病目前诊断基于关节病变、血清抗体检测、滑膜炎及急性期反应物等指标，不利于疾病的早期诊断。支持向量机(SVM)是由Vapnik提出的一种基于统计学习理论和线性分类思想的学习方法［2］，该方法已经在图像识别、信息处理和基因图谱识别等方面［3，4］显示了其良好的应用效果。近年来，SVM已经开始应用于临床预测诊断方面的研究。例如，在胎儿体质量的预测［5］、鼻咽癌患者生存状态的预测［6］、乳腺癌预后的预测［7］、人体血液微量元素含量辅助癌症诊断［8］、脑梗死的预测［9］、非小细胞肺癌［10］以及肝细胞癌诊断中的研究［11］。本研究构建基于SVM的RA早期诊断模型，并对其预测效果进行评价。

1 资料与方法

1.1 研究对象 收集2011年12月～2013年4月住院的RA患者240例(RA组)、其他风湿免疫病患者180例(非RA组)作为研究对象。RA组男94例、女146例，年龄(54.8±14.6)岁，均符合1987年美国风湿协会(ACR)修订的RA诊断标准。非RA组男89例、女91例，年龄(49.2±11.8)岁。

1.2 方法

1.2.1 早期诊断模型构建方法 采用ELISA法测定抗环瓜氨酸多肽(CCP)抗体，采用免疫比浊法测定类风湿因子(RF)。支持向量机采用不同的内积核函数将形成不同的算法，核函数主要有线性核函数、多项式核函数、高斯径向基核函数、Sigmoid核函数等，本研究采用高斯径向基核函数，其形式为K (‖x－xc‖)=exp{－‖x－xc‖2/(2×σ)2)}，其中xc为核函数中心，σ为函数的宽度参数。根据以上原理，采用SVM对RA进行分类预测，分别将训练集和测试集中患者的RF和抗CCP抗体值及其所属类别输入LIBSVM(http://www.csie.ntu.edu.tw/～cjlin/)，对训练集训练并构造决策平面，对每个患者进行判别归类。

1.2.2 诊断模型效果检验方法 采用五次交叉验证法。将420个样本数据，随机分为5组，每次取出1组作为预测样本，其余的作为训练样本。采用灵敏度(Sen)、特异度(Spe)和总准确率(Q)来评价分类器的性能，其计算公式分别为Sen=TP/(TP+ FN)、Spe=TN/(TN+FP)、Q=(TP+TN)/(TP+ FN+TN+FP)。式中，TP表示在测试集中被正确判断的患者个数，FN表示在测试集中被错判为非患者的患者个数，TN表示在测试集中被正确判断的非患者个数，FP表示在测试集中被错判为患者的非患者个数。Sen越大，表明对患者的识别能力越强;Spe越大，则表明其对非患者的判别效果越好。采用Matthews相关系数(MCC)来评价此分类器模型的平衡性能。MCC公式:

其范围为［－1，1］，值越大，则分类器模型的性能越好。采用SPSS17.0统计软件。RF、抗CCP抗体和SVM的Q、Sen、Spe比较，采用χ2检验。P≤0.05为差异具有统计学意义。

2 结果

SVM仿真诊断Q为85.48%，高于RF(70.71%)和抗CCP抗体(84.05%)。

五次交叉验证结果显示，SVM仿真诊断实验的Sen为88.33%、Spe为81.67%，MCC值为0.702 65，说明模型性能较好。RF诊断结果显示其Sen为74.17%、Spe为66.11%，抗CCP抗体诊断结果显示其Sen为78.75%、Spe为91.11%。三者Sen、Spe比较，P均＜0.01。见表1。

表1 SVM五次交叉验证结果及RF、抗CCP抗体诊断结果

3 讨论

3.1 SVM算法原理 SVM建立在统计学习理论的VC维理论以及结构风险最小原理基础之上，针对模式识别中的两类线性可分问题，即几条分割线都能正确地将两类样本分开，都能保证使经验风险为最小，这样的分割线有无限多条。为使统计学习理论得出的置信范围最小，就必须找到一条最优分类线使两类样本的间隙最大，在更高维的空间中称为最优分类平面(见图1)，其中H1、H2分别为各类中离分类线(平面)最近的样本且平行于分类线(平面)的直线(平面)，它们之间的距离叫做分类间隔(Margin)。

图1 SVM最优分类平面模式图

在低维的空间里(如二维空间)无法将各数据进行先行分类，如将其映射到更高维的空间(如三维空间)，就可以找到一个分类面，实现线性可分。SVM的核心思想是通过一个非线性映射，将一个线性不可分的空间映射到一个高维的线性可分的空间。通过内积核函数定义的非线性变换，将输入空间变换到一个高维空间，并在这个空间中求最优分类超平面，形成样本分类的决策规则，如图2。

图2 SVM的基本原理

3.2 基于VSM的RA早期诊断模型的构建 本研究结果显示，SVM仿真诊断实验的Q为85.48%，Sen为88.33%，Spe为81.67%，整体预测准确程度较单独测定RF和抗CCP抗体时高，且差异具有统计学意义。目前，RA的诊断采用1987年或2009年ACR修订的诊断标准，并不利于疾病的早期诊断。本研究结果显示，单独测定 RA诊断的 Q为70.71%，这与夏文娟等［12］的研究相近。但由于其他风湿病也可检测出RA阳性，导致其Spe较差。抗CCP抗体诊断的Q为84.05%，高于RF，且其Spe明显高于RF，这与Sun等［13］的结果一致。目前，临床上常采用联合检测RF和抗CCP抗体的方法提高早期诊断准确率，多项研究［12～15］都表明该方法具有较好的敏感度和特异度，对降低漏诊率和改善预后具有较高价值。

郭宙等［9］采用了7种常用的模式分类器预测脑梗死的结果显示，SVM分类器的效果较人工神经网络(ANN)、贝叶斯(Bays)和K邻近法(K-NN)等其他分类器稳定，模型推广能力较强。本研究显示，VSM仿真诊断实验的预测正确率较高，且MCC值较大，说明模型推广效果较好，具有一定的使用价值。但是，还需要进一步增加特征属性(如家族史、不良生活习惯和潮湿环境等常见危险因素)，逐步完善RA早期诊断模型，提高其预测能力。

［1］Schneider M，Krüger K.Rheumatoid arthritis--early diagnosis and disease management［J］.Dtsch Arztebl Int，2013，110(27): 477-484.

［2］Vapnik VN.Statistical Learning Theroy［M］.New York:Wiley interscience，1998:70-80.

［3］Rezatofighi SH，Soltanian-Zadeh H.Automatic recognition of five types of white blood cells in peripheral blood［J］.Comput Med Imaging Graph，2011，35(4):333-343.

［4］Zhou B，Cheema AK，Ressom HW.SVM-based spectral matching for metabolite identification［J］.Conf Proc IEEE Eng Med Biol Soc，2012，8(13):756-759.

［5］宋晓峰，韩平，邹丽等.基于支持向量机的足月胎儿体重预测新方法［J］.中国生物医学工程学报，2004，23(6):516-522.

［6］Hua YJ，Yu S，Hong MH，et al.Application of support vector machine to predict 5-year survivial status of patients with nasopharyngeal carcinoma after treatment［J］.Chine Ger J Clin Oncol，2006，5(1):8-12.

［7］袁前飞，蔡从中，肖汉光，等.基于支持向量机的乳腺癌预后状态预测和疗效评估［J］.北京生物医学工程，2007，26(4): 372-376.

［8］袁前飞，蔡从中，肖汉光，等.基于人体血液常/微量元素含量的SVM癌症辅助诊断［J］.生物医学工程学杂志，2007，24(3): 513-518.

［9］郭宙，杨学智，司银楚，等.常用分类算法在脑梗死预测中的比较研究［J］.世界科学技术，2010，112(2):185-187.

［10］Zhu ZH，Sun BY，Ma Y，et al.Three Immunomarker support vector machines-based prognostic classifiers for stage ib non-small-cell lung cancer［J］.J Clin Oncol，2009，27(7):1091-1099.

［11］付婷婷，刘毅慧，刘强，等.基于支持向量机的31P磁共振波谱肝细胞癌诊断［J］.生物信息学，2010，8(1):20-22.

［12］夏文娟，刘月秋，丛玲，等.抗环瓜氨酸肽抗体(Anti-CCP)与类风湿因子(RF)在类风湿性关节炎诊断中的探讨［J］.中外医疗，2010(4):9-10.

［13］Sun J，Zhang Y，Liu L，et al.Diagnostic accuracy of combined tests of anti cyclic citrullinated peptide antibody and rheumatoid factor for rheumatoid arthritis:a meta-analysis［J］.Clin Exp Rheumatol，2014，32(1):11-21.

［14］张秀莲，江峰.抗CCP抗体和RF的联合检测在类风湿性关节炎诊断中的应用［J］.北方药学，2013，10(11):76.

［15］张园，崔丽艳，张捷.类风湿关节炎早期诊断指标的研究进展［J］.山东医药，2014，54(19):91-94.