基于神經網絡的小細胞肺癌智能辨證研究

臧曉彤，張培彤

中國中醫科學院廣安門醫院腫瘤科，北京 100053

小細胞肺癌(small cell lung cancer，SCLC)是一種神經內分泌起源的高度侵襲性癌癥，與吸煙密切相關，有60%～65%的患者會伴有轉移性疾病[1]。SCLC占所有肺癌發病的15%，且目前治療方案有限，預后較差，無論在臨床試驗還是真實世界的研究中各類治療方案都未能取得顯著效果[2]。臨床研究顯示，中醫藥的介入能夠有效減輕SCLC放化療的不良反應、改善癥狀及生存質量、提高治療效果[3-6]。辨證論治是中醫臨床實踐的核心，而目前傳統的中醫辨證主觀性強，對比性及可重復性差，交流學習及經驗推廣難度大，因而借助現代信息技術進行準確的辨證對提升SCLC中醫辨證效率及精度具有重要意義。

近年來，信息技術尤其是人工智能在中醫智能辨證領域中已取得一定成果[7]。人工神經網絡是一種模擬大腦神經元細胞功能傳遞信息的模型，以網絡拓撲為理論基礎模擬人腦對復雜信息的處理模式，具有高容錯性、智能性等特征，已在肺癌的西醫基礎研究及臨床診治中發揮了重要作用[8]。因此，本研究采用人工神經網絡算法構建SCLC患者中醫智能辨證模型，以期為提高SCLC中醫臨床診斷效率及精度提供參考。

1 資料

1.1 一般資料納入病例為2020年9月1日至2021年2月28日期間中國中醫科學院廣安門醫院腫瘤科的105例病理確診為SCLC的患者?；颊咂骄挲g61歲，男性占比72%，女性占比28%，局限期占比45%，廣泛期占比55%。本研究經中國中醫科學院廣安門醫院倫理委員會審查批準(2020-071-KY-01)。

1.2 診斷標準西醫診斷標準：采用中華人民共和國衛健委醫政醫管局發布的《原發性肺癌診療規范(2018年版)》[9]中的SCLC診斷標準。

中醫證型診斷標準：參考中醫證候分層診斷標準[10-11]，將八綱辨證、臟腑辨證、氣血津液辨證相結合，借助證素理念，采用單證的研究方法，將證候分層至不能再進一步劃分。一級診斷：虛證、實證，是綱領性證候，區分出證候的虛實類別。二級診斷：根據病位的外內淺深區分表里，具體為表虛證、里虛證；表實證、里實證。三級診斷：在二級診斷的基礎上加氣、血、陰、陽、津、液、精等病性證素區分證候的基本類別，包括氣血津液辨證和寒熱辨證兩部分內容。四級診斷：在三級診斷的基礎上加上病位證素。

1.3 納入標準①符合上述SCLC診斷標準；②就診時無其他影響癥狀表現的疾病。

1.4 排除標準①有其他惡性疾??；②既往有其他惡性腫瘤病史；③認知障礙或依從性差，不能配合量表評價者。

2 方法

2.1 調查方法采用橫斷面調查法，由中醫腫瘤專業的碩士研究生對就診的研究對象進行現場調查，收集各病癥信息，根據上述中醫證型診斷標準判斷單證證型，一個患者可對應多個單證，并經腫瘤科專家導師修正。

2.2 癥狀術語規范方法病例中的中醫癥狀，采取黎敬波主編的《中醫臨床常見癥狀術語規范》[12]的癥狀描述，采用課題組時美伶[13]研究的相似癥狀歸類法進行整理，將病例涉及癥狀進行標準化后納入癥狀術語庫。

2.3 建模方法采用Excel 2016建立數據庫，將癥狀和單證分別整理為二分類變量，“有”賦值為“1”“無”賦值為“0”。利用SPSS 23.0軟件，建立基于人工神經網絡算法的SCLC患者中醫智能辨證模型。軟件按照73的比例自動隨機拆分數據為訓練集和驗證集，建立神經網絡模型，并計算模型受試者工作特征曲線(receiver operating curve，ROC)下面積(area under curve，AUC)以評估模型優劣。

3 結果

3.1 頻率分析對105例患者的1 729條癥狀表現進行整理，對標準化后的77個中醫癥狀進行頻率分析，頻率大于20%的26個典型癥狀見表1。

表1 SCLC患者典型癥狀分布表

對按照分層診斷辨證方式得出的47個單證進行頻數統計，結果見表2。

表2 SCLC患者單證分布表

出現頻數最高的前五種單證診斷的關鍵癥狀分布，見表3。

表3 SCLC患者高頻單證關鍵癥狀分布表

3.2 智能辨證模型對47個單證構建神經網絡模型(圖1)，隱藏層有18個神經元節點。

圖1 神經網絡模型示意圖

訓練集總準確率達91%，驗證集總準確率均達92.6%，模型平均AUC為0.842，見表4。

表4 SCLC患者智能辨證模型結果

4 討論

SCLC可歸于中醫學“咳嗽”“胸痛”“咯血”“肺積”等范疇，其病因病機復雜，在進行中醫臨床辨證之前需要了解其中醫證型分布特點。研究表明，SCLC中醫證候以虛證為主，兼以虛實夾雜，痰、氣、血的異常在SCLC疾病發展過程中有重要意義[14]。證候是疾病發展過程中某一階段的病理概括，準確的辨證是中醫臨床診斷的核心。證素[15]是構成中醫證候的基本要素，它包含病位證素、病性證素，病位和病性證素組合成單證，臨床上患者常表現為多個單證的復雜組合。因此，本研究以單證的組合作為診斷結果，能夠全面反映患者病情，且為進一步的量化診斷研究工作奠定了基礎。

人工神經網絡[16]是在模擬人腦的信息處理機制的基礎上建立起來的一種非線性動力系統，具有快速的數據處理能力，且能夠通過對樣本的學習，自動提取隱藏規律，并根據這些規律，對新樣本進行自動歸類。中醫臨床辨證是通過大量癥狀表現來判斷一種或幾種證候，臨床經驗的積累某種程度上等同于在人腦中建立起癥狀與證候之間的非線性映射關系，因此，人工神經網絡的數據處理方式十分適用于復雜的中醫辨證邏輯。

本研究收集的SCLC患者病歷信息中，出現頻次排名前10位的癥狀依次是脈沉、舌紫暗、咳嗽、面色少華、咳痰、干咳少痰、唇甲紫暗、脈細、痰白、痰黏稠，其中脈沉主里證，是所有SCLC患者的共性特征。舌紫暗、唇甲紫暗說明有瘀血內結，咳嗽、咳痰等癥狀是痰飲阻滯而肺氣上逆的表現，面色少華、脈細則意味著患者氣血不足。結合單證的分布特征來看，SCLC患者表現出虛實夾雜以實證為主的臨床表現，這同多數患者無法手術而荷瘤生存的狀態有關，病灶的存在導致肺部局部癥狀嚴重，痰瘀久結無法消除，然而細究其疾病的本質還是正虛，在臨床治療時不可一味祛瘀化痰而忽略了補虛的重要性。從出現頻率最高的5個單證中各核心癥狀的占比統計可以看出，核心癥狀也有主次差異，如果能對每個單證對應的核心癥狀賦予權重，并由此計算單證得分，可以為未來量化的智能辨證提供依據。

本研究通過人工神經網絡構建出了整體準確率較高的SCLC中醫智能辨證模型，但對于具體單證，則有部分準確率不高，這是由于樣本量小以及所涉及單證較多但分布不平衡造成的。目前該模型只是根據患者各項癥狀的有無來推斷單證組合，還無法對癥狀主次、嚴重程度進行量化，故而也無法衡量各單證所占的比重，尚不能夠反映疾病的全貌，筆者將在后續研究中繼續探索改進。

綜上所述，通過人工神經網絡算法，能夠形成準確率較高的中醫智能辨證模型，為SCLC中醫臨床診斷提供參考依據。今后可通過大樣本、多中心的研究，納入足夠多的樣本數據，優化算法，進一步完善模型，為其在臨床上的實際應用奠定基礎。未來通過規范的癥狀量表的研究，可對本研究的各單證進一步量化賦予權重，使中醫臨床辨證更加精準客觀，從而實現針對性處方施治及療效評價，如此，SCLC的精準中醫診療未來可期。