张桃红等：基于数据融合的智能医疗辅助诊断方法 1201· 表1PHD中四种类型的样本 Table 1 Four types of samples in PHD Class Image Age Sex CPT RBP/kPa SC/(mg.dL-)FBS/(mg-dL-)RER MHR/(times:min)EIA ST/mV SP NV Thal PH 66 0 20 226 114 0 2.6 0 0 2 PNH 0 14.7 239 126 2.8 1 1 3 NPH 65 2 20.7 269 148 0 0.8 2 0 2 NPNH 70 17.3 322 109 0 2.4 1 数据进行分类，预测病人是否患有心脏病；第三组 表4本文方法在PHD数据集上的预测结果 实验(Fusion)利用提出的方法对肺部CT图像和心 Table 4 Predictive results of proposed method in PHD dataset 脏病数值数据进行分类，预测病人是否患有肺炎 Label 和心脏病.3组实验的预测结果分别展示在表2、 Prediction NPNH NPH PNH PH All 表3和表4，各项评价指标展示在表5.在表2~ NPNH 33 12 5 4中，横向表头表示样本的真实类别，纵向表头表 NPH 8 29 0 0 39 示样本的预测类别，例表2中第2行第4列的90 PNH 2 2 24 10 38 表示测试时有90个样本被预测为No pneumonia;第 PH 2 3 9 39 53 4行第2列的91表示，测试集中共有91个样本的 All 45 38 182 类型是No pneumonia.在表5中，TP表示正样本被 预测为正样本的数量，FP表示负样本被预测为正 从表5可以看出，仅使用肺炎图像的预测患者 样本的数量，FN表示负样本被预测为正样本的数 是否患有肺炎的平均准确率是87.4%，仅使用心脏 量，Precision表示预测为正的样本中有多少是真正 病数值数据来预测患者是否患有心脏病的平均准 的正样本，Recall表示样本中的正例有多少被预测 确率是85.2%.将肺炎图像与心脏病数值数据相结 正确了.Fl-score是对Precision和Recall的综合考 合后，可同时预测患者是否患有肺炎与心脏病.根 F1-score=2 Precision Recall /(Precision+Recall). 据实验结果可以看出，组合后分类变成了一个四 图3展示了第三组实验结果（使用提出的方法）随 分类问题，它获得了68.7%的较低的平均分类准 着迭代次数的变动，在训练集和验证集上的预测 确率.根据表4的预测结果可知，使用提出的方 准确率和损失的变动.从图中可以看出，迭代 法，预测肺炎的准确率(33+29+12+8+24+10+9+39)/ 600次之后，模型开始趋于稳定 182×100%=90.1%,预测心脏病的准确率等于(33+24+ 表2在PHD数据集上仅通过图像数据学习的预测结果 5+2+29+39+2+3)/182×100%=75.3%.比较结果表明， Table2 Prediction results leamed only from image data in PHD dataset 提出的方法没有增加预测的准确率，这与肺炎和 Label Prediction 心脏病数据之间的关系是我们人为构造的有关， No pneumonia Pneumonia All 因为肺炎和心脏病这两种疾病没有内在联系，即 No pneumonia 多 90 患有肺炎的患者并不会更容易患心脏病，同理患 Pneumonia 12 80 9 有心脏病的患者也不会更容易患肺炎.因此，即使 All 91 91 182 使用提出的方法，也不会提高整体的分类准确率， 表3在PHD数据集上仅通过结构化的数值数据学习的预测结果 这与我们的设计初衷是一致的，即只有图像数据 Table 3 Prediction results leamned only through structured numerical 和数值数据具有相辅相成、相互促进的关系时，才 data 有利于模型的分类.虽然没有提高分类准确率，但 Label Prediction 是提出的方法能够一次性处理多种类型的数据， No pneumonia Pneumonia All 同时预测多种疾病，在一定程度上减少了诊断时 No pneumonia 72 16 88 间.因此，实验I证明了，如果将没有联系的数据 Pneumonia 11 83 94 进行融合用于分类时，并不能增强模型分类的能 All 8 99 182 力.但是提出的方法具有同时预测多种疾病的能数据进行分类，预测病人是否患有心脏病；第三组 实验（Fusion）利用提出的方法对肺部 CT 图像和心 脏病数值数据进行分类，预测病人是否患有肺炎 和心脏病. 3 组实验的预测结果分别展示在表 2、 表 3 和表 4，各项评价指标展示在表 5. 在表 2～ 4 中，横向表头表示样本的真实类别，纵向表头表 示样本的预测类别，例表 2 中第 2 行第 4 列的 90 表示测试时有 90 个样本被预测为 No pneumonia；第 4 行第 2 列的 91 表示，测试集中共有 91 个样本的 类型是 No pneumonia. 在表 5 中，TP 表示正样本被 预测为正样本的数量，FP 表示负样本被预测为正 样本的数量，FN 表示负样本被预测为正样本的数 量，Precision 表示预测为正的样本中有多少是真正 的正样本，Recall 表示样本中的正例有多少被预测 正确了. F1-score 是对 Precision 和 Recall 的综合考 虑，F1-score=2 * Precision * Recall / (Precision+Recall). 图 3 展示了第三组实验结果（使用提出的方法）随 着迭代次数的变动，在训练集和验证集上的预测 准确率和损失的变动. 从图中可以看出 ，迭代 600 次之后，模型开始趋于稳定. 表 2 在 PHD 数据集上仅通过图像数据学习的预测结果 Table 2   Prediction results learned only from image data in PHD dataset Prediction Label No pneumonia Pneumonia All No pneumonia 79 11 90 Pneumonia 12 80 92 All 91 91 182 表 3 在 PHD 数据集上仅通过结构化的数值数据学习的预测结果 Table  3    Prediction  results  learned  only  through  structured  numerical data Prediction Label No pneumonia Pneumonia All No pneumonia 72 16 88 Pneumonia 11 83 94 All 83 99 182 从表 5 可以看出，仅使用肺炎图像的预测患者 是否患有肺炎的平均准确率是 87.4%，仅使用心脏 病数值数据来预测患者是否患有心脏病的平均准 确率是 85.2%. 将肺炎图像与心脏病数值数据相结 合后，可同时预测患者是否患有肺炎与心脏病. 根 据实验结果可以看出，组合后分类变成了一个四 分类问题，它获得了 68.7% 的较低的平均分类准 确率. 根据表 4 的预测结果可知，使用提出的方 法，预测肺炎的准确率（33+29+12+8+24+10+9+39)/ 182×100%=90.1%，预测心脏病的准确率等于 (33+24+ 5+2+29+39+2+3）/182×100%=75.3%. 比较结果表明， 提出的方法没有增加预测的准确率，这与肺炎和 心脏病数据之间的关系是我们人为构造的有关， 因为肺炎和心脏病这两种疾病没有内在联系，即 患有肺炎的患者并不会更容易患心脏病，同理患 有心脏病的患者也不会更容易患肺炎. 因此，即使 使用提出的方法，也不会提高整体的分类准确率， 这与我们的设计初衷是一致的，即只有图像数据 和数值数据具有相辅相成、相互促进的关系时，才 有利于模型的分类. 虽然没有提高分类准确率，但 是提出的方法能够一次性处理多种类型的数据， 同时预测多种疾病，在一定程度上减少了诊断时 间. 因此，实验 I 证明了，如果将没有联系的数据 进行融合用于分类时，并不能增强模型分类的能 力. 但是提出的方法具有同时预测多种疾病的能 表 1  PHD 中四种类型的样本 Table 1 Four types of samples in PHD Class Image Age Sex CPT RBP/kPa SC/（mg·dL−1） FBS/（mg·dL−1） RER MHR/（times·min−1） EIA ST/mV SP NV Thal PH 66 0 3 20 226 0 1 114 0 2.6 0 0 2 PNH 54 1 0 14.7 239 0 1 126 1 2.8 1 1 3 NPH 65 0 2 20.7 269 0 1 148 0 0.8 2 0 2 NPNH 70 1 0 17.3 322 0 0 109 0 2.4 1 3 2 表 4    本文方法在 PHD 数据集上的预测结果 Table 4    Predictive results of proposed method in PHD dataset Prediction Label NPNH NPH PNH PH All NPNH 33 12 5 2 52 NPH 8 29 0 0 39 PNH 2 2 24 10 38 PH 2 3 9 39 53 All 45 46 38 53 182 张桃红等： 基于数据融合的智能医疗辅助诊断方法 · 1201 ·