Wolfram机器学习构建心猝死风险模式

在像心脏学这样的医学领域中，Wolfram 语言在持续帮助研究者进行更多的发现和预测。我最近和别人合著了一项研究，该研究使用Wolfram语言的机器学习功能对心力衰竭中的死亡风险进行预测。在研究中，我们想建立一个可以分辨由晚期心力衰竭（HFD）和严重心律不齐的事件/猝死（ArE）引发的心脏死亡概率的分类符。接下来就是我们在今年早些时候发表的这篇论文（https://doi.org/10.1007/s12350-020-02173-6）的一个总结。

可靠的风险分层模型希望可以针对慢性心力衰竭选择合适的治疗方法，因为这在如今的老龄化社会中是个严重的健康问题。尽管在药物治疗和各种仪器上都有明显的进步，但死亡率依然很高。高危病人的治疗管理又难又贵，包括埋入式心脏除颤器（https://en.wikipedia.org/wiki/Implantable_cardioverter-defibrillator）和心脏再同步化治疗（https://en.wikipedia.org/wiki/Cardiac_resynchronization_therapy）。有了这些关注点，我们在Wolfram语言的帮助下开始研究机器学习技术的应用，帮助了解我们对于慢性心力衰竭的病人而言，如何分辨HFD和ArE的风险。

每个结果和重要参数的意义

在我们已经实现的监管学习中，输入由13个临床变量组成，如年龄、性别、心力衰竭的严重程度（由纽约心脏协会定义的功能性分类）等，而输出有三个类别，即：（1）心力衰竭死亡（HFD）；（2）致命心律不齐事件（ArE）；和（3）在一个两年的期间内和之后时间段内的存活率。

当患有慢性晚期心率衰竭的病人死亡时，会被诊断为HFD。对于这种通常是因为年老或患有心脏疾病的病人，其泵血功能通常在退化，且其心室博血分数较低。ArE导致的死亡由突然心跳停止和死亡组成，也包括除颤器针对威胁到生命的一些心律失常事件产生的功能性问题，因为如果没有除颤器治疗的话就会不可避免地发生无法治愈的结果。

我们现在来简单讨论一下123 碘-间碘苄胍（123I-MIBG）闪烁录像术和一个在显示结果前可从其中获得的指数。这是诊断检查之一，在检查中，把放射性同位素标记到会在特定器官处累积的物质上，且检测到的伽马射线放射的分布也会形成一个图像，即闪烁扫描图。除此之外，还发现从123I-MIBG计算而来的（心脏纵隔壁）HMR指数在与其他临床参数相结合时是计算心脏死亡风险的一个有用的指数。所以，我们希望这个分类符可以以123I-MIBG HMR作为变量的函数形式展示三个类别——HFD、ArE和存活——的不同概率。然而，对我们而言，如果仅有HMR的话倒不是非常有用，所以预测变量组中还需要加入12个别的参数。

HMR的计算方法是计算Ch/Cm的指数，其中Ch和Cm是该地区分别对应123I-MIBG图中心脏和上部纵隔腔平均像素值。简单来讲，纵隔腔是两个肺包围住的这块区域。由于闪烁扫描图中器官的边缘很模糊，基本上很难选择相关区域并系统性地计算像素值。以下是一个Wolfram应用可以快速帮助选定区域并自动计算HMR和其他指数。这个小程序在进一步升级，如支持自动区域选择等功能后，应该会大受欢迎。

这个样本应用提供了一个GUI（图形用户界面），用这个GUI可以在给定的DICOM图像中选择对应心脏（圆）和纵隔腔（矩形），使用像素值进行计算的结果会同时显示出来：

应用机器学习

我们已经做了观测者操作特性（ROC）分析来甄选最适合为心脏病风险计算建模的方法。通过ROC曲线下方面积大小（AUC）的分析，使用75%的数据用于训练，25%的数据用于验证，我们发现逻辑回归可以最好地达到我们的目的。

既然我们选择了逻辑回归作为方法，剩下来就仅仅是在Wolfram语言中用Classify生成一个分类符函数。要传送的数据是这个形式的一个列表组：

比如：

在这个研究中，我们已经使用了从日本一群CHF病人中抽取的105个HFD病例和37个ArE病例中获取的数据。随机选取75%的数据作为训练组（也就是下面的trainingSet），训练由下列方式自动完成：

其中testSet是检验组，也就是数据余下那25%的内容。（注意由于不能披露训练和检验的数据，所以在这里我们只展示研究的方法。）

详细信息，即损失函数和“学习曲线”的最终值，可用下面方法检查：

现在我们可以用检验组计算分类符的准确性和其他指标了：

当对训练组应用函数ClassifierMeasurements，会返回：

这说明过拟合的程度还很低，且检验组0.827的精确性非常高。不仅是对值本身，风险计算的量化性也是重点。我们现在还在依赖个人的人眼判断，所以判断标准的偏离无可避免，但是我们可能可以在越来越多临床数据累积的基础上期待对病人的情况判断有一个更量化的诊断。

下图是一个123I-MIBG HMR的函数为每类结果计算出的概率绘图，还包其他显示在左边按钮处的离散参数。分类符函数是之前已经获得的函数，下面展示的绘图是输出的一个截图：

这里值得指出的观察是，ArE的曲线在HMR处于中间水平的时候处于峰值。这本只是一个经验上的变化趋势，但是我们的数据验证了这一观察结果。而且，虽然想要实现的这个铃形分布的情况一直是未知的，但是我们的分析用量化方法为这一方面做出了贡献。比如，这种分布有可能出现在NYHA（纽约心脏病协会）的心功能分级中等水平的病人身上，这也与用NYHA（4个等级中）2级和3级的数据进行的多场所研究的结果相符。

下一步

随着技术发展，不仅是Wolfram语言做数据处理更加方便，而且机器学习和对结果可视化也更加便捷，我们有能力获取一个风险评估模型用于计算心脏衰竭和严重心律不齐事件的死亡概率。严重心律不齐事件的概率第一次被分离出来，尤其是在临床变量中针对123I‑MIBG HMR的概率。

由于得到的模型可以很容易导出成为一个应用，我们期待这样的以Wolfram语言为基础的应用可以被那些真正做诊断和后期治疗选择决策的人使用。

想要了解更多和更深入的关于数据和发现的分析，可以在我们发表的文章（https://doi.org/10.1007/s12350-020-02173-6）中读到更多信息。

原文地址：https://blog.wolfram.com/2020/11/20/distinguishing-risks-of-modes-of-cardiac-death-in-heart-failure-with-machine-learning/