人工智能技术在脑出血相关肺炎诊断预测中的应用

李杰

（河南科技大学第一附属医院，河南 洛阳 471000）

根据最新全球疾病负担研究报告显示，卒中在全球死亡率中占据首位。卒中相关肺炎（strokeassociated pneumonia,SAP）是导致脑出血的常见诱因之一［1-3］。因此，脑出血相关肺炎诊断的研究成为近年来医疗工作者普遍关注的焦点［4-5］。从国内外研究现状分析，导致SAP 的主要影响因素包括患者的年龄、性别、糖尿病、吞咽困难、高血压、心力衰竭、心房颤动、慢性阻塞性肺疾病等。然而，将这些因素用于脑出血相关肺炎的诊断预测模型还鲜有报道。随着医疗信息化［6］和新一代人工智能（artificial intelligence,AI）技术［7-8］的飞速发展，为研究人员设计出更加高效的智能化诊断预测模型提供了新的契机。因此，通过将脑出血相关肺炎诊断与人工智能技术［9］相结合，构建一种智能高效的诊断预测模型，成为研究人员亟待解决的关键问题之一。本文创造性地采用基于人工智能技术中的卷积神经网络算法［10-11］和基于传统机器学习支持向量机算法，建立和评价高效智能化的脑出血相关肺炎诊断模型。

1 资料与方法

1.1 一般资料

选取连续发病7 d 范围内的急性脑出血住院患者作为研究对象。纳入患者的标准首先年龄大于18 周岁，依据世界卫生组织的诊断标准可诊断为脑出血，并由CT 或MRI 确诊；其次患者经过门诊或急诊住院，入院后经吞咽功能评价；最后患者或法定代表人需签署知情同意。在此过程中，将临床信息不完整的患者去除。

1.2 数据收集

采用病例报告表收集患者的基本数据信息：①患者的年龄、性别、吸烟、饮酒等人口统计学信息；②患者是否患有糖尿病、高血压、心房颤动、心力衰竭、心肌梗死、脑血管病、慢性阻塞性肺疾病等既往病史信息；③患者的白细胞计数、吞咽功能障碍、美国国立卫生院神经功能缺损评分（NIHSS）等入院后的临床检查数据信息。病例报告表中数据的真实性、准确性和完整性由权威的数据专家组进行核查，分析变量和赋值方法见表1。

表1 分析变量和赋值方法

1.3 模型构建

卷积神经网络（convolutional neural networks,CNN）是人工智能技术中一种重要的研究方法，它是一类包含卷积计算，并且具有深度结构的前馈神经网络。卷积神经网络主要由输入层、隐含层和输出层组成，其中输入层需要将脑出血相关肺炎患者的年龄、NIHSS 评分、白细胞计数和吞咽功能障碍等数据，输入到卷积神经网络，并运用（1）式对输入数据进行归一化，输入特征的标准化有利于提升卷积神经网络的学习效率和表现。

卷积神经网络中的隐含层主要由卷积层、池化层和全连接层构成，卷积层的功能是对样本数据进行特征提取，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤，全连接层是卷积神经网络隐含层的最后部分，用于向其它全连接层传递信号。输出层用于输出脑出血相关肺炎患者诊断结果。

支持向量机（support vector machine,SVM）是一种经典的传统机器学习方法［11］。该方法是一种按照有监督学习的方式对输入样本进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。SVM 的决策目标函数为

其中w表示分离最大超平面的法向量，φ(x)表示样本从输入空间到高维特征空间的特殊映射，b表示模型的偏置。

2 结果

纳入的2 303 例脑出血住院患者，其中男1 430 例，占比62.09%，女873 例，占比37.91%。通过将选取的样本数据集随机分为训练样本数据集和测试样本数据集，其中训练样本数据集占3/4、测试样本数据集占1/4，分别运用每位患者的年龄、NIHSS 评分、白细胞计数和吞咽功能障碍等4 种数值特征作为特征因子，利用卷积神经网络和支持向量机模型，验证脑出血相关肺炎诊断预测的效果。结果显示，运用上述两种模型的诊断准确率分别为72.6% 和69.1%，灵敏度分别为71.6% 和69.2%，特异度分别为63.7% 和62.8%，ROC 曲 线 下 的 面 积（AUC）分 别 为66.5% 和62.7%。

3 讨论

随着人工智能技术的快速发展，运用卷积神经网络方法，能够有效地辅助诊断预测脑出血相关肺炎患者，同时该方法也为一线医护人员早期诊断脑出血相关肺炎患者提供了高效智能的理论科学依据。通过分析临床上脑出血相关肺炎患者的相关特征，选择其中关键的变量来建立脑出血相关肺炎患者诊断模型。由于卷积神经网络方法在处理非线性变量时具有独特的优势，因此，本研究使用卷积神经网络模型的性能优势要优于传统的机器学习模型。综上所述，运用人工智能模型来辅助临床医生诊断和预测肺炎患者的发生，能够有效地提高诊断的准确率。

本研究提出的人工智能技术中的卷积神经网络模型与传统的支持向量机模型比较，在预测性能上具有更加明显的优势，因此更适合于诊断预测脑出血相关肺炎患者。随着新一代人工智能技术的快速发展，“人工智能+医疗”也越来越受到医疗研究人员的关注，通过互联网借助计算机，运用卷积神经网络方法，来构建智能化脑出血相关肺炎患者预测系统，有效地提高了医生临床诊断的质量和工作效率。