人工神经网络在预测输尿管结石自行排出中的应用研究

曾 凯，李应龙，钱 彪，李 强，倪 钊，王新敏，王文晓，任之尚，王勤章



·论著·

人工神经网络在预测输尿管结石自行排出中的应用研究

曾 凯，李应龙，钱 彪，李 强，倪 钊，王新敏，王文晓，任之尚，王勤章

832008新疆石河子市，石河子大学医学院第一附属医院泌尿外科

【摘要】目的运用人工神经网络建立输尿管结石自行排出的预测模型，并转化成临床应用。方法选取2013年1—8月在石河子大学医学院第一附属医院泌尿外科门诊就诊的输尿管结石患者225例。经保守排石治疗4周后，复查泌尿系B超或CT判断结石是否排出，并将患者分为排石组和未排石组。通过单因素分析筛选出影响结石排出的因素，将这些因素作为预测参数建立人工神经网络，并对68例测试集样本进行预测。绘制预测拟概率的ROC曲线，并计算ROC曲线下面积评价预测效能。结果排石组141例，未排石组84例。单因素分析结果显示两组患者性别、体质指数、膀胱刺激征、侧别、肾盂积水、尿pH值、血尿、淋巴细胞计数比较，差异均无统计学意义(P>0.05)；两组患者年龄、疼痛程度、结石直径、结石位置、血白细胞计数、中性粒细胞计数、中性粒细胞分数、淋巴细胞分数、C反应蛋白水平比较，差异均有统计学意义(P<0.05)。运行人工神经网络，输入层共建立9个神经元。系统自动体系构建两个隐含层，输出层有1个神经元。预测变量重要性前3位分别是：结石直径(0.20)、C反应蛋白(0.18)、年龄(0.12)。运用建立成功的人工神经网络对68例测试集样本进行预测，结果显示，测试集样本的灵敏度、特异度和总准确率分别为93.3%、60.9%和82.4%，ROC曲线下面积为0.868〔95%CI(0.774，0.962)〕。结论人工神经网络预测输尿管结石能否排出有较高的准确率，可辅助临床医师为患者制定安全、合理的治疗方案。

【关键词】输尿管结石；神经网络(计算机)；药物排石治疗；预测

曾凯，李应龙，钱彪，等.人工神经网络在预测输尿管结石自行排出中的应用研究[J].中国全科医学，2016，19(20)：2430-2434.[www.chinagp.net]

ZENG K，LI Y L，QIAN B，et al.Application of artificial neural network in the prediction of spontaneous ureteral calculus passage[J].Chinese General Practice，2016，19(20)：2430-2434.

输尿管结石致肾绞痛是泌尿外科的常见疾病，占尿路结石的20%，影响全球约12%的人口[1]，治愈后5～10年的复发率高达50%[2]。目前治疗输尿管结石的方法有药物保守排石、冲击波碎石、输尿管镜碎石术、经皮肾镜碎石取石术、腹腔镜下取石术及开放手术取石。对于直径较小的输尿管结石临床上多采用药物保守排石作为初选的治疗方案。药物保守排石作为传统的非创伤治疗手段广泛被患者接受，不过一旦排石受阻延误治疗，很可能会引起急性肾衰竭、阻塞性肾盂肾炎、尿源性脓毒血症等一系列问题。由于目前国内外尚无准确预测输尿管结石自行排出的规范化方法，加之微创碎石、取石技术的不断发展使输尿管结石的治疗趋于“泛手术化”，增加患者痛苦及经济负担的同时也无法避免各种手术并发症。因此对于泌尿外科医师来说，如何准确预测输尿管结石能否自行排出十分必要。

人工神经网络是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统[3]。因其具有较高的预测能力，已广泛应用于临床辅助诊断中[4-5]，但应用到预测输尿管结石自行排出的研究并不多。为此，本研究尝试借助人工神经网络建立输尿管结石自行排出预测模型，提高预测结石自行排出的准确性，进而为患者和临床医师提供最佳治疗方案决策支持。

1资料与方法

1.1纳入及排除标准纳入标准：泌尿系B超或CT明确诊断为单发输尿管结石；输尿管结石停留时间≤2周；输尿管结石最大横径≤1 cm；自愿接受药物保守排石治疗。排除标准：孤立肾、输尿管内多发结石、肾盂积水>2.5 cm、2周内曾使用抗菌药物者；合并有严重肾功能不全、肝脏疾病者或妊娠期妇女；要求行冲击波碎石或手术者。

1.2一般资料选取2013年1—8月在石河子大学医学院第一附属医院泌尿外科门诊就诊的输尿管结石患者225例。收集患者病例资料，包括性别、年龄、体质指数及疼痛程度(采用疼痛视觉模拟评分法评判患者疼痛程度，1～3分为轻度，4～6分为中度，7～9分为重度，10分为极重度)；有无膀胱刺激征；泌尿系B超和CT等影像学检查结石侧别、结石直径、结石位置、肾盂积水等；实验室检查指标包括：尿pH值、有无血尿、血白细胞计数、中性粒细胞计数、淋巴细胞计数、中性粒细胞分数、淋巴细胞分数及C反应蛋白水平。

1.3药物保守排石治疗方案患者均给予盐酸坦索罗辛胶囊(0.4 mg/次，3次/d)及必要时口服或外用止痛解痉药物标准治疗方案。保守排石治疗4周后，复查泌尿系B超或CT判断结石是否排出，并根据检查结果将患者分为排石组和未排石组。

2结果

2.1排石组与未排石组患者观察指标比较225例患者中男178例(79.1%)，女47例(20.9%)；年龄17～85岁，平均年龄(41.9±14.5)岁；左侧结石117例(52.0%)，右侧结石108例(48.0%)；总排石率为62.7%(141/225)。排石组141例，未排石组84例。两组患者性别、体质指数、膀胱刺激征、结石侧别、肾盂积水、尿pH值、血尿、淋巴细胞计数比较，差异均无统计学意义(P>0.05)；两组患者年龄、疼痛程度、结石直径、结石位置、血白细胞计数、中性粒细胞计数、中性粒细胞分数、淋巴细胞分数、C反应蛋白水平比较，差异均有统计学意义(P<0.05，见表1)。

2.2人工神经网络的建立运行人工神经网络，输入层共建立9个神经元。系统自动体系构建两个隐含层，隐含层一含有20个神经元，隐含层二含有15个神经元。输出层有1个神经元。模型训练时间为2 s，预测准确性为82.4%。得出预测变量的重要性由大到小依次为：结石直径(0.20)、C反应蛋白(0.18)、年龄(0.12)、血白细胞计数(0.11)、中性粒细胞分数(0.10)、中性粒细胞计数(0.08)、疼痛程度(0.08)、淋巴细胞分数(0.07)及结石位置(0.06)。

表1　排石组与未排石组患者观察指标比较

注：a为χ2值

2.3人工神经网络预测结果运用建立成功的人工神经网络对68例测试集样本进行预测，结果显示，测试集样本的灵敏度、特异度和总准确率分别为93.3%，60.9%和82.4%(见表2)。人工神经网络预测输尿管结石自行排出的ROC曲线下面积为0.868〔95%CI(0.774，0.962)〕，说明人工神经网络对预测输尿管结石排出有较好的诊断价值(见图1)。

图1　人工神经网络预测输尿管结石排出的ROC曲线

Figure 1ROC curve of artificial neural network for predicting spontaneous ureteral calculus passage

表2人工神经网络预测输尿管结石排出的价值(例)

Table 2Predictive value of artificial neural network model to spontaneous ureteral calculus passage

人工神经网络结局结石排出 结石未排出合计阳性42951阴性31417合计452368

3讨论

药物保守排石作为一种传统非侵袭性的治疗输尿管结石的方法，广泛被患者接受。但因影响结石排出的因素复杂，对于直径较大的输尿管结石临床医师很难判断结石能否自行排出，若保守排石治疗一旦无效，很可能会引起上尿路梗阻、泌尿系统感染及肾衰竭等一系列严重并发症。因此，对于临床医师而言如何准确预测结石能否排出显得尤为重要，既可以避免不必要的“泛手术化”治疗，又可在治疗前告知患者结石排出概率，充分尊重患者的知情权和选择权。虽然目前分析影响结石排出因素的研究[6-7]很多，但多为回顾性分析，仅能找出影响结石排出的因素，尚无一种前瞻性的能准确预测结石排出的模型或方法。近年来，人工神经网络作为一种新型的分析和诊断工具逐渐应用于临床医学各个领域[8-9]。但其在预测输尿管结石自行排出方面罕有报道，仅CUMMINGS等[10]应用人工神经网络对55例输尿管结石患者的自行排石结局进行了预测，结果显示患者病程持续时间是影响结石排出最重要的因素，人工神经网络预测准确率为76%。

在本研究中，通过单因素分析初步筛选出9项与输尿管结石排出有关的影响因素，包括患者年龄、疼痛程度、结石直径、结石位置、血白细胞计数、中性粒细胞计数、中性粒细胞分数、淋巴细胞分数及C反应蛋白。将这些参数纳入人工神经网络输入层，以结石是否排出作为输出变量。应用数据挖掘软件Clementine运行神经网络后得到预测参数重要性位于前3位依次是结石直径、C反应蛋白和年龄。

结石直径是目前公认的影响结石排出的重要危险因素。《中国泌尿外科疾病诊断治疗指南(2014版)》强调输尿管结石的大小是制定治疗方案时的重要参考依据，并将输尿管结石分为3类，即直径<5 mm、直径为5～10 mm以及直径>10 mm的结石[11]。直径<5 mm的结石98%可以自行排出，>10 mm的结石自行排出率较低，不推荐进行观察自行排石或药物排石治疗，直径5～10 mm的结石推荐使用药物保守排石作为初选的治疗方案。同时也有文献报道结石直径与排出率之间的关系。早在1977年，UENO等[12]发现直径在1～4 mm的结石排出率分别为100%、93%、87%和78%，而直径在5～8 mm的结石排出率分别为57%、35%、28%和14%。SENZ MEDINA等[13]研究报道直径<5 mm的输尿管结石排出率为76%～100%，≥5 mm的为0～60%。可见随着直径的增大，结石排出率也随之降低。因此有必要分析直径较大的结石在什么情况下可以自行排出，以便及早采取正确的治疗措施，避免延误病情。本研究患者结石直径为0.4～1.0 cm，平均为0.7 cm，结石直径是影响结石自行排出最重要的影响因素。

本研究发现，影响结石排出的次要因素为C反应蛋白。分析其原因可能是结石在自行排出过程中与输尿管管壁间互相刮擦、出血引起局部发生炎性反应，因此造成C反应蛋白水平升高。C反应蛋白作为一种非特异性炎症标志物，其水平改变可间接反映机体感染和炎症强度。而在临床上，常将血白细胞计数与C反应蛋白联合检测，作为早期判断感染来源的首选指标。本研究结果显示，血白细胞计数是第4位影响结石排出的重要因素。ÖZCAN等[14]研究证实血白细胞计数和C反应蛋白是预测直径为4～10 mm的输尿管结石自行排出的独立因素，并指出当C反应蛋白为0.506 mg/L时，可以作为预测结石排出的界值。同时ALDAQADOSSI[15]研究指出，当输尿管下段结石患者C反应蛋白>21.9 mg/L时，可待炎症控制后直接行冲击波碎石术或输尿管镜碎石术。本研究通过人工神经网络分析发现，C反应蛋白和血白细胞计数是除结石直径及患者年龄外影响结石自行排出最重要的影响因素。

NG等[16]报道，年轻患者结石排出率高于老年患者。本研究结果显示患者年龄是影响结石排出的第3位重要因素，笔者推测其原因可能是年轻人与老年人相比，具有较强的输尿管蠕动功能和肾脏排空能力，排石过程中输尿管平滑肌蠕动频率和收缩力有助于结石的排出。

本研究应用人工神经网络对68例患者即测试集样本进行了预测，结果显示灵敏度、特异度和总准确率分别为93.3%、60.9%和82.4%。人工神经网络预测模型的ROC曲线下面积为0.868，说明该模型对判断结石自行排出结局具有较高的准确度。

综上所述，人工神经网络可准确预测结石能否排出，可辅助临床医师为输尿管结石患者选择合理、安全的治疗方案。

作者贡献：曾凯、李应龙、钱彪、倪钊、王勤章进行试验设计与实施；王文晓、任之尚进行资料收集整理、后续随访工作；曾凯撰写论文、成文并对文章负责；李强、王新敏、王勤章进行质量控制及审校。

本文无利益冲突。

本文链接：

人工神经网络：人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学算法模型。这种网络通过调整内部大量节点之间相互连接关系，从而达到信息处理的目的。人工神经网络的基本结构包括网络的输入层、隐含层及输出层。其信息传递过程按照输入层到输出层单向传递，并按照信息的复杂程度调整内部大量节点之间的相互连接关系。网络通过对已有的数据即输入变量和输出变量之间的关系进行学习，可形成网络自有的逻辑关系。这种训练好的网络即可对未知数据即测试样本进行结果预测，实现其预测功能。

优点：(1)可以充分逼近任意复杂的非线性关系；(2)所有定量或定性的信息均能等势分布于网络内的各个神经元；(3)能够同时处理定量、定性的信息；(4)具有自学习功能；(5)采用并行分布处理的方法，使得快速进行大量运算成为可能。目前能实现人工神经网络技术的软件有SPSS Clementine、Matlab等。

参考文献

[1]MASARANI M，DINNEEN M.Ureteric colic：new trends in diagnosis and treatment[J].Postgrad Med J，2007，83(981)：469-472.

[2]JOHRI N，COOPER B，ROBERTSON W，et al.An update and practical guide to renal stone management[J].Nephron Clin Pract，2010，116(3)：c159-171.

[3]毛健，赵红东，姚婧婧.人工神经网络的发展及应用[J].电子设计工程，2011，19(24)：62-65.

MAO J，ZHAO H D，YAO J J.Application and prospect of artificial neural network[J].Electronic Design Engineering，2011，19(24)：62-65.

[4]ZHAO K，WANG C，HU J，et al.Prostate cancer identification：quantitative analysis of T2-weighted MR images based on a back propagation artificial neural network model[J].Sci China Life Sci，2015，58(7)：666-673.

[5]邱志磊，徐立柱，贾魁，等.前列腺癌人工神经网络诊断模型的应用研究[J].临床泌尿外科杂志，2015，30(10)：906-909.

QIU Z L，XU L Z，JIA K，et al.Study on application of artificial neural network in the diagnosis model of prostate cancer[J].Journal of Clinical Urology，2015，30(10)：906-909.

[6]李文峰，潘惟昕，厉建，等.肾绞痛后输尿管结石自行排出的预测性研究[J].临床泌尿外科杂志，2011，26(11)：806-807，811.

LI W F，PAN W X，LI J，et al.The forecasting research for the ureteral calculi spontaneous passage after renal colic[J].Journal of Clinical Urology，2011，26(11)：806-807，811.

[7]CHOI T，YOO K H，CHOI S K，et al.Analysis of factors affecting spontaneous expulsion of ureteral stones that may predict unfavorable outcomes during watchful waiting periods：what is the influence of diabetes mellitus on the ureter？[J].Korean J Urol，2015，56(6)：455-460.

[8]吴君，杨太珠，林江莉，等.基于人工神经网络的足月胎儿体重预测方法[J].生物医学工程学杂志，2005，22(5)：922-925.

WU J，YANG T Z，LIN J L，et al.Estimation of fetal weight on the basis of neural network[J].Journal of Biomedical Engineering，2005，22(5)：922-925.

[9]YEH B C，LIN W P.Using a calculated pulse rate with an artificial neural network to detect irregular interbeats[J].J Med Syst，2016，40(3)：48.

[10]CUMMINGS J M，BOULLIER J A，IZENBERG S D，et al.Prediction of spontaneous ureteral calculous passage by an artificial neural network[J].J Urol，2000，164(2)：326-328.

[11]那彦群，叶章群，孙颖浩，等.中国泌尿外科疾病诊断治疗指南(2014版)[M].北京：人民卫生出版社，2014：187-189.

[12]UENO A，KAWAMURA T，OGAWA A，et al.Relation of spontaneous passage of ureteral calculi to size[J].Urology，1977，10(6)：544-546.

[14]ÖZCAN C，AYDOGDU O，SENOCAK C，et al.Predictive factors for spontaneous stone passage and the potential role of serum C-reactive protein in patients with 4 to 10 mm distal ureteral stones：a prospective clinical study[J].J Urol，2015，194(4)：1009-1013.

[15]ALDAQADOSSI H A.Stone expulsion rate of small distal ureteric calculi could be predicted with plasma C-reactive protein[J].Urolithiasis，2013，41(3)：235-239.

[16]NG C F，WONG A，TOLLEY D.Is extracorporeal shock wave lithotripsy the preferred treatment option for elderly patients with urinary stone？A multivariate analysis of the effect of patient age on treatment outcome[J].BJU Int，2007，100(2)：392-395.

(本文编辑：贾萌萌)

Application of Artificial Neural Network in the Prediction of Spontaneous Ureteral Calculus Passage

ZENGKai，LIYing-long，QIANBiao，etal.

DepartmentofUrology，theFirstAffiliatedHospitalofMedicalCollege,ShiheziUniversity，Shihezi832008，China

【Abstract】ObjectiveTo establish the prediction model of the spontaneous ureteral calculus passage by applying artificial neural network and put it into clinical application.MethodsFrom January to August in 2013，we enrolled 225 patients with ureteral calculus who received treatment in the Department of Urology，the First Affiliated Hospital of Medical College,Shihezi University.After 4-week medical expulsive treatment，the status of calculus was examined by urinary tract ultrasound or CT，and patients were divided into two groups：calculus removed group and non calculus removed group.By univariate analysis，influencing factors for removing calculus were selected and were applied as predictive parameters in the establishment of artificial neural network prediction model，and the model was used to make prediction on 68 testing samples.ROC curve was made to predict quasi-probability，and the AUC was calculated to predict efficacy.ResultsThere were 141 patients in calculus removed group and 84 patients in non calculus removed group.Univariate analysis showed that the two groups were not significantly different in gender，BMI，bladder irritation symptoms，lesion side，hydronephrosis，urine pH value，hematuresis and lymphocyte count(P>0.05)；the two groups were significantly different in age，pain degree，calculus size，position of calculus，leucocyte count，neutrophil count，neutrophil percentage，lymphocyte percentage and C-reactive protein level (P<0.05).Artificial neural network was operated with all together 9 neurons in the input layer.Two hidden layers were established in the automatic system，and there was one neuron in the output layer.The first three predictive variables in importance were calculus size(0.20)，C-reactive protein level(0.18)and age(0.12).The neural network models that were successfully built were applied in the prediction of 68 testing samples，and the results showed that the sensitivity，specificity and total accuracy rate of artificial neural network model were 93.3%，60.9% and 82.4% respectively，and the AUC was 0.868〔95%CI(0.774，0.962)〕.ConclusionArtificial neural network model can accurately predict spontaneous ureteral calculus passage and can assist clinicians choose safe and reasonable treatment plan for ureteral calculus patients.

【Key words】Ureteral calculi；Neural networks(computer)；Medical expulsive therapy；Prediction

基金项目：国家科技支撑计划子课题(2013BAI05B05)；新疆生产建设兵团医药卫生重点项目科技援疆专项(2014AB052)

通信作者：王勤章，832008新疆石河子市，石河子大学医学院第一附属医院泌尿外科；E-mail：wqz1969@sina.com

【中图分类号】R 693.4 R 319

【文献标识码】A

DOI：10.3969/j.issn.1007-9572.2016.20.015

(收稿日期：2016-01-22；修回日期：2016-03-14)