10.13201/j.issn.1001-1781.2018.15.001
基于深度学习方法的突发性聋预后分类研究
目的:运用深信度网络 (DBN) 构建突发性聋患者预后预测模型, 并探索不同听力结局分类标准对模型性能的影响.方法:回顾性分析1 220例突发性聋患者的临床特征、听力学数据和血清学指标, 从中提取并衍生出228个变量 (即潜在预测因子).突发性聋的听力结局按"中国标准"和"Siegel标准"进行四分类和二分类, 基于4种不同的结局分类法构建DBN预后预测模型, 运用受试者工作特征曲线下面积 (ROC-AUC) 、准确率来比较不同模型的预测性能.结果:以二分类结局构建的DBN模型预测性能均优于以四分类结局构建者.随着迭代次数的增加, DBN模型预测分类的准确率和AUC均有所上升.同样经过500次迭代运算, Siegel标准二分类结局构建的预测模型性能最佳, 其准确性为76.25%, AUC为0.81.无论疗效如何分类, DBN根据第1层神经网络权重系数排序得出的对预后有影响的特征主要集中于凝血指标、血液系统相关指标、一般人口学指标及治疗前听力状况4个子类.结论:DBN对于包含丰富、复杂变量特征的突发性聋数据集能提供强大的预后预测功能, 尤其是以Siegel标准做二分类结局预测时性能最为优越.这种先进的深度学习技术也可自动提取并排序有价值的预测因子, 与此前通过传统统计学方法得出的预后预测因素基本吻合.上述优势使得DBN有助于今后应用于耳科其他疾病的预后预测或疾病精细分类.
深度学习、听觉丧失、突发性、听力结局
32
R764.43(耳鼻咽喉科学)
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家重大科学研究计划;中国博士后科学基金
2018-10-12(万方平台首次上网日期,不代表论文的发表时间)
共5页
1125-1129