基于BP神经网络的骨质疏松预测模型构建及效果评价

发布时间：2020-06-07 13:11

【摘要】：目的:本研究基于骨质疏松(Osteoporosis,OP)现场调查数据,利用BP神经网络(Back Propagation Neural Network,BPNN)技术,对骨密度有影响的相关因素进行建模,对BPNN预测模型的筛选效果进行分析比较,旨在探讨人工神经网络技术在中老年人骨质疏松症筛选中的应用,为建立一种快速、经济、精度高和可接受度高的骨质疏松症的早期筛查方法提供参考依据。方法:1.通过医院招募和社区抽样的方法,纳入年龄超过40岁的789人(女性599人,男性190人)。应用双能X射线骨密度仪检查腰椎L1-L4和髋部骨密度,按“金标准”分为正常、骨量减少和骨质疏松三组。检测结果结合排除条件,最终纳入598人,女性472人(57.59±8.52周岁),男性126人(59.88±11.10周岁)。利用《骨质疏调查表》搜集相关信息,骨密度影响因素采用卡方检验和方差分析。2.设计BPNN的网络结构,利用python语言在pycharm软件构建模型,选取有统计学意义的变量加入BP神经网络建模过程,对变量进行编码赋值和归一化处理,采用交叉熵作为损失函数,训练网络并调试优化条件参数,并对训练后的网络模型进行验证。3.研究对象随机分为训练组和验证组,利用BPNN模型分别进行筛查预测,得到预测患病概率。选用亚洲人骨质疏松自评工具(Osteoporosis Self-Assessment Tool for Asians,OSTA)、骨质疏松风险评估工具(Osteoporosis Risk Assessment Instrument,ORAI)、骨质疏松风险简易评估(Simple Calculated of Osteoporosis Risk Estimation,SCORE)、骨质疏松风险指数(Osteoporosis Index of Risk,OSIRIS)、骨质疏松筛查风险评估(Osteoporosis prescreening risk assessment,OPERA)、男性骨质疏松风险评估(Male Osteoporosis Risk Estimation Score,MORES)对研究对象进行筛查,其得分结果采用方差分析进行分析。用ROC曲线(Receiver Operating Characteristic Curve)等指标对BPNN预测结果和OP评估工具筛查结果进行对比分析和评价。结果:1.126名男性的骨质疏松患病率为22.2%,472名女性的患病率40.3%。研究对象骨密度影响因素有性别、年龄、身高、体重、BMI、文化程度、对脆性骨折的认知、饮茶、咖啡、碳酸饮料、牛奶、豆浆、钙片、维生素D和类固醇,以及家人吸烟(P0.05)。按性别分组后分析,女性骨密度影响因素有年龄、身高、体重、文化程度、绝经和绝经年限、骨质疏松认知情况、饮茶、咖啡、碳酸饮料、豆浆、维生素D、类固醇,以及家人吸烟(P0.05);男性骨密度的影响因素有体重和BMI、牛奶、钙片和维生素(P0.05)。2.选取ReLU作为激活函数,设置30个隐藏神经元和0.01的学习率,建立骨质疏松BPNN预测模型。利用该模型对研究对象的OP患病概率进行预测:训练组中老年人是42%(女性40%,男性36%);验证组中老年人为38%,(女性37%,男性38%)。按BPNN的预测的患病率与实际患病率比较,二者没有出现统计学意义(P0.05),提示BPNN的预测值可估计该人群的实际患病率。3.BPNN预测训练组的结果以曲线下面积(Area Under Curve,AUC)分析,中老年人、女性、男性分别达到了0.970、0.984、0.859(P0.05),说明模型对数据有较高的拟合度;验证组中AUC结果分别为0.687、0.675、0.677,男性结果无统计学意义(P=0.1649),提示模型对中老年人和女性有一定的预测能力。4.训练组中,OSTA、ORAI、SCORE、OSIRIS、OPERA和MORES的AUC结果为,0.656(女性0.653)、0.623、0.629、0.667、0.530和0.558。验证组中,OSTA、ORAI、SCORE、OSIRIS、OPERA、MORES的AUC分别为0.726(男0.677,女0.742)、0.749、0.653、0.718、0.549、0.573。由此可知,以上骨质疏松工具对两组都有一定的筛查能力。BPNN模型与各种OP评估工具比较,训练组中的ROC结果指标均显著较高(P0.05);验证组中,模型和其他工具的结果差异均无统计学意义(P0.05)。结论:1.研究发现对象骨质疏松患病率较高。性别、年龄、身高、体重、BMI、文化程度、饮茶、咖啡、碳酸饮料、牛奶、豆浆、骨折史、钙片、维生素D和类固醇是中老年人OP的影响因素。按性别分组后,女性另有绝经和绝经年限两个因素,男性的影响因素则是体重、BMI、牛奶、是否骨折、钙片和维生素D。2.基于OP相关影响因素,构建骨质疏松BPNN模型,OP总体患病率的预测结果和双能X诊断实际结果一致,可以利用该模型预估人群的患病率。该模型能够较好拟合所选影响因素,并有一定的能力预测个体患病概率。3.验证结果与常用OP评估工具相比较,该模型灵敏度和特异度较为平衡,准确度较高,有一定的预测能力。软件化BPNN预测模型,可根据现场调查资料(影响因素)更快捷地预测OP患病概率,对OP的筛查和防治具有较高的实用价值。
【学位授予单位】：武汉科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R580;R181.3

【相似文献】