2.1   统计分析结果   对收集到的390个受检者样本数据进行Spearman相关性计算，得到腰椎间盘退变的Pfirrmann等级与该椎间盘相邻上下位椎体脂肪分数值和T2*值的Spearman相关系数分别为0.585，0.560和-0.445，因此，椎间盘相邻上、下位椎体脂肪分数与退变等级呈正相关，生化代谢指标T2*值与退变等级呈负相关，其中上位椎体脂肪分数与退变等级相关性最强。由于3种代谢指标的Spearman相关系数的绝对值 都大于       ，因此3种生化代谢指标均与退变等级显著相关，可以作为预测腰椎间盘退变Pfirrmann等级的特征。
2.2   分类器预测过程   为了展示分类过程，从测试集随机挑选一个样本=(0.048 9,0.122 3,0.499 5)T，分别用训练好的softmax回归、BP神经网络和支持向量机分类器对该样本进行分类。
Softmax回归分类器中的参数训练结果为：θ1=(0.869 3, -1.364 8，-1.025 1，1.062 1)T，θ2=(0.046 2，0.044 8，-0.002 5，0.624 8)T，θ3=(-0.361 7，0.239 2，-0.445 2)T，θ4=(-0.552 1，0.935 6，0.804 1， -1.248 0)T。把   =(1， T)代入(4)式可得 fL()=(0.584 8，0.250 6，0.102 3，0.062 3)T，可见样本退变等级为Ⅰ的概率最大，因此，softmax回归将该样本预测为Ⅰ级退变。

     用one-against-one方法训练的6个支持向量机分类器     
    对样本的输出结果分别为1.077 6，1.634 7，1.116 3，-0.166 3，0.951 3，1.525 3。
将支持向量机输出转换为后验概率的6个sigmoid函数的参数值A和B，见表2。



将样本的支持向量机输出  和表2的参数代入(10)式可得P12=0.85，P13=0.960 1 ，P14=0.917 3 ，P23=0.402 5，P24=0.847 8，P34=0.884 9 。最后根据式(12)计算出样本属于每个类别的后验概率分别为：P=(1|)=0.455 ，P=(2|)= 0.233 ，P=(3|)=0.254，P=(4|)=0.058。可见样本属于第一类的后验概率最大，因此支持向量机分类器预测该腰椎间盘样本属于Ⅰ级退变。                    
2.3   分类器评估   Softmax回归、BP神经网络和支持向量机分类器分别对130个测试样本进行分类后得到分类结果，见表3-5所示。分别计算每个分类器的准确率、kappa系数、“宏查全率”(macro-R)、“宏查准率”(macro-P)和“宏F1”(macro-F1)。准确率即总共预测正确的样本数比测试集总样本数的值，kappa系数是用来衡量分类器预测结果和实际分类的一致性的指标，计算公式如下：

                                     （13）
其中P0为正确率，Pe称为期望一致率，假设各类别的真实样本数分别a1 ，…，ac，各类别的预测样本数分别b1，…，bc  ，总样本数为 n，则         。Kappa系数取值范围在[-1，1]，值越大代表分类准确度越高。此外，将各分类器的输出结果拆分成4个的混淆矩阵(表6)，分别以Ⅰ-Ⅳ级为正类，其他为负类，从而计算4个退变等级的查全率R1-R4，以及查准率P1-P4。查全率是正类的样本被成功预测的概率，查准率是预测为正类的样本中确实为正类的概率。宏查全率即为4个混淆矩阵查全率的均值，宏查准率为4个查准率的均值，再得到macro-F1为：                                     （14）  2.3.1   Softmax回归分类器结果   测试集中Ⅰ-Ⅳ级退变样本分别有44，41，22，23个。由表3可知softmax回归分类器对Ⅰ-Ⅳ退变等级分类正确的样本数分别有32，21，0，9个，分类正确率为0.477，Pe=(44×59+41×57+22×0+23×14)/ 1302=0.311，kappa系数为0.311。由表6可计算退变等级Ⅰ-Ⅳ的混淆矩阵的查全率分别为0.727(32/44)，0.512(21/41)，0(0/22)，0.391(9/23)，查准率分别为0.542(32/59)，0.368(21/57)，0(0/0)，0.643(9/14)。取平均得到macro-R为0.408，macro-P为0.388，macro-F1为0.398。从Ⅰ-Ⅳ级退变的混淆矩阵的查全率来看，分类器对退变Ⅰ级的样本有较高的识别率，其次是对Ⅱ级样本的识别，Ⅲ级和Ⅳ级样本识别效果较差，甚至没有识别出Ⅲ级退变样本。 2.3.2   神经网络分类器结果   由表4可知，神经网络分类器对Ⅰ-Ⅳ退变等级分类正确的样本数分别有29，22，5，11个，分类正确率P0为0.515，Pe= (44×54+41×48+22×13+23× 15)/1302=0.294，kappa系数为0.3。退变等级Ⅰ-Ⅳ的混淆矩阵的查全率分别为0.659(29/44)，0.537(22/41)，0.227(5/22)，0.478(11/23)，查准率分别为0.537(29/54)，0.458(22/48)，0.385(5/13)，0.733(11/15)。取平均得到macro-R为0.475，macro-P为0.528，macro-F1为0.5。神经网络分类器对各级退变样本的识别率从高到低分别为Ⅰ级、Ⅱ级、Ⅳ级和Ⅲ级。
2.3.3   支持向量机分类器结果   由表5可知，神经网络分类器对Ⅰ-Ⅳ退变等级分类正确的样本数分别有31，19，6，12个，分类正确率P0为0.523，Pe=(44×56+41×40+22×15+23×19)/ 1302=0.288，kappa系数为0.33。退变等级Ⅰ-Ⅳ的混淆矩阵的查全率分别为0.705(31/44)，0.463(19/41)，0.273(6/22)，0.522(12/23)，查准率分别为0.554(31/56)，0.475(19/40)，0.4(6/15)，0.632(12/19)。取平均得到macro-R为0.491，macro-P为0.515，macro-F1为0.503。支持向量机分类器对各级退变样本的识别率从高到低分别为Ⅰ级、Ⅳ级、Ⅱ级和Ⅲ级。

[1] WALDENBERG C, HEBELKA H, BRISBY H, et al. MRI histogram analysis enables objective and continuous classification of intervertebral disc degeneration. Eur Spine J. 2018;27(5):1042-1048. [2] 杨立杰,欧阳林,陈鼎伟,等.下腰疼痛的生物力学分析[J].中国组织工程研究,2020,24(33):5267-5271. [3] 李钦海,陈光玉.DWI和DTI对腰椎间盘早期退变的诊断价值[J].中国实用医药,2016,11(19):74-75. [4] 凌人男,龚静山,马捷.腰椎间盘退变的MRI早期诊断和定量评价的研究进展[J].医学影像学杂志,2016,26(10):1918-1920. [5] 赵寅,周盛源,苑博,等.X射线九分法评估腰椎间盘退变[J].中国组织工程研究,2018,22(3):450-455. [6] 龚静山,凌人男,周阳泱,等.采用3.0T MRI T2和T2* mapping评价下腰痛患者腰椎间盘退变[J].中国CT和MRI杂志,2016,14(10): 113-116.  [7] ZHAO H, HEIMBERGER AB, LU Z, et al. Metabolomics profiling in plasma samples from glioma patients correlates with tumor phenotypes. Oncotarget. 2016;7(15):20486-20495. [8] 张岩,杨桃.logistic回归和ROC曲线评价4种血清肿瘤标志物在结直肠癌中的诊断价值[J].世界最新医学信息文摘,2018,18(58):25-27. [9] 郗群,毛文虹.基于机器学习的结直肠癌血清标志物筛选及早期诊断模型评估[J].解放军预防医学杂志,2016,34(6):879-883. [10] SONG L, ZHUANG P, LIN M, et al. Urine Metabolomics Reveals Early Biomarkers in Diabetic Cognitive Dysfunction. J Proteome Res. 2017; 16(9):3180-3189. [11] WANG M, YU G, RESSOM HW, et al. Integrative Analysis of Proteomic, Glycomic, and Metabolomic Data for Biomarker Discovery. IEEE J Biomed Health Inform. 2016;20(5):1225-1231. [12] MANI-VARNOSFADERANI A, JAMSHIDI M, YEGANEH A, et al. Concentration profiling of minerals in iliac crest bone tissue of opium addicted humans using inductively coupled plasma and discriminant analysis techniques. J Pharm Biomed Anal. 2016;120:92-99. [13] 常炳国,李玉琴,冯智超,等.基于主成分机器学习算法的慢性肝病的智能预测新方法[J].计算机科学, 2017,44(Z11):65-67,91.  [14] 李祥蓉,程琳,席家宁,等.三种模式识别模型诊断腰椎间盘突出症受压神经根的准确率[J].中国组织工程研究,2018,22(19):3005-3013. [15] 覃伟,高敏,沈莹,等.基于机器学习算法的2型糖尿病患者3个月血糖预测[J].中华疾病控制杂志,2019,23(11):1313-1317. [16] DETERMAN JR CE. Optimal algorithm for metabolomics classification and feature selection varies by dataset. Int J Biol. 2015;7(1):100-105. [17] BOUNDS DG, LLOYD PJ, MATHEW BG, et al. A multilayer perceptron network for the diagnosis of low back pain. IEEE 1988 International Conference on Neural Networks, IEEE, 1988:481-489. [18] KARABULUT EM, IBRIKCI T. Effective Automated Prediction of Vertebral Column Pathologies Based on Logistic Model Tree with SMOTE Preprocessing. J Med Syst. 2014;38(5):1-9. [19] CASTRO-MATEOS I, POZO JM, LAZARY A, et al. 2D segmentation of intervertebral discs and its degree of degeneration from T2-weighted magnetic resonance images. Proc SPIE 9035, Medical Imaging 2014: Computer-Aided Diagnosis, 903517. [20] He X, Landis M, Leung S, et al. Automated grading of lumbar disc degeneration via supervised distance metric learning. Proc SPIE 10134, Medical Imaging, 2017: Computer-Aided Diagnosis, 1013443. [21] EBRAHIMZADEH E, FAYAZ F, NIKRAVAN M, et al. Towards an Automatic Diagnosis System for Lumbar Disc Herniation: The Significance of Local Subset Feature Selection. Biomed Eng Appl Basis Commun. 2018; 30(6):1850044. [22] ALOMARI RS, CORSO JJ, CHAUDHARY V, et al. Toward a clinical lumbar CAD: herniation diagnosis. Int J Comput Assist Radiol Surg. 2011;6(1): 119-126. [23] 熊玉超,曾旭文,梁治平,等.T2*-mapping 在腰椎间盘退行性变中的研究进展[J].生物医学工程与临床,2019,23(2):239-242. [24] 苏树燕,刘源.椎间盘退变的磁共振功能成像研究进展[J].汕头大学医学院学报,2019,32(1):49-52. [25] 李勉文,崔运能,赵银霞,等.腰椎骨髓脂肪沉积与椎间盘退变Pfirrmann 分级的相关性研究[J].临床放射学杂志,2017,36(12): 1838-1842. [26] 陈先来,杨路明.基于均矢量相似性的机器学习样本集划分[J].中南大学学报(自然科学版),2009,40(6):1636-1641. [27] 龚凤乾.等级相关系数公式的证明应用及统计显著性检验[J].天津财经学院学报:现代财经,1987(1): 33-36. [28] 何艳频,孙爱峰.Spearman等级相关系数计算公式及其相互关系的探讨[J].中国现代药物应用,2007,1(7): 72-73. [29] HANGAI M, KANEOKA K, KUNO S, et al. Factors associated with lumbar intervertebral disc degeneration in the elderly. Spine J. 2008;8(5):732-740. [30] ABUQASMIEH I. Multi-class Multi-label Classification and Detection of Lumbar Intervertebral Disc Degeneration MR Images using Decision Tree Classifiers. Comput Eng Intell Syst. 2013;4(9):33-38. [31] 赵振宇,徐用懋.模糊理论和神经网络的基础与应用[M].南宁:广西科技出版社,1996:85-86. [32] CORTES C, VAPNIK VN. Support Vector Networks. Mach Learn. 1995; 20(3):273-297. [33] 肖小玲,李腊元,张翔,等.一种多类支持向量机概率建模新方法[J].计算机工程,2006,32(20):28-29. [34] CHANG CC, LIN CJ. LIBSVM: A library for support vector machines. ACM Trans Intell Syst Technol. 2011;2(3):1-27.

[1]	徐 峰, 康 辉, 魏坦军, 席金涛. 椎弓根螺钉不同固定方法治疗胸腰椎骨折的生物力学分析[J]. 中国组织工程研究, 2021, 25(9): 1313-1317.
[2]	姜 勇, 罗 翼, 丁永利, 周 勇, 闵 理, 唐 凡, 张闻力, 段 宏, 屠重棋. 骶骨精准切除影响骨盆稳定性的冯米斯应力特征及临床验证[J]. 中国组织工程研究, 2021, 25(9): 1318-1323.
[3]	张同同, 王中华, 文 杰, 宋玉鑫, 刘 林. 3D打印模型在颈椎肿瘤手术切除与重建中的应用[J]. 中国组织工程研究, 2021, 25(9): 1335-1339.
[4]	张 宇, 田少奇, 曾国波, 胡 川. 初次下肢全关节置换后发生心肌梗死的危险因素[J]. 中国组织工程研究, 2021, 25(9): 1340-1345.
[5]	韦 玮, 李 剑, 黄林海, 兰敏东, 卢显威, 黄绍东. 全膝或全髋关节置换后老年人首次活动时跌倒恐惧的影响因素[J]. 中国组织工程研究, 2021, 25(9): 1351-1355.
[6]	王金军, 邓增发, 刘 康, 何智勇, 余新平, 梁建基, 李 晨, 郭洲洋. 全膝关节置换静脉滴注氨甲环酸联合含氨甲环酸鸡尾酒局部应用的止血效果及安全性[J]. 中国组织工程研究, 2021, 25(9): 1356-1361.
[7]	肖国庆, 刘选泽, 严钰皓, 钟喜红. 后交叉韧带替代型假体全膝关节置换术后屈曲受限的影响因素[J]. 中国组织工程研究, 2021, 25(9): 1362-1367.
[8]	彭智浩, 冯宗权, 邹勇根, 牛国庆, 吴 峰. 活动平台单髁置换后下肢力线与外侧间室骨关节炎进展的关系[J]. 中国组织工程研究, 2021, 25(9): 1368-1374.
[9]	黄泽晓, 杨 妹, 林诗炜, 何和与. 血清n-3多不饱和脂肪酸水平与全膝关节置换早期股四头肌肌力变化的相关性[J]. 中国组织工程研究, 2021, 25(9): 1375-1380.
[10]	张 冲, 刘志昂, 姚帅辉, 高军胜, 姜 岩, 张 陆. 局部应用氨甲环酸减少老年股骨颈骨折全髋关节置换后引流的安全和有效性[J]. 中国组织工程研究, 2021, 25(9): 1381-1386.
[11]	姚汝斌, 王仕永, 杨开舜. 微创经椎间孔椎间融合治疗单节段腰椎管狭窄症对腰椎-骨盆平衡的改善作用[J]. 中国组织工程研究, 2021, 25(9): 1387-1392.
[12]	王海莹, 吕 冰, 李 辉, 王顺义. 减压植骨融合内固定治疗退变性腰椎滑脱：基于脊柱骨盆参数预测患者的功能预后[J]. 中国组织工程研究, 2021, 25(9): 1393-1397.
[13]	吕 振, 白金柱. 基于McKenzie技术的腰椎运动链训练应用于腰椎间孔镜术后分期康复的前瞻性研究[J]. 中国组织工程研究, 2021, 25(9): 1398-1403.
[14]	陈心敏, 李文标, 熊凯凯, 熊晓燕, 郑利钦, 李木生, 郑永泽, 林梓凌. 钉道强化股骨近端防旋髓内钉治疗老年A3.3型股骨转子间骨折：最佳骨水泥量有限元分析[J]. 中国组织工程研究, 2021, 25(9): 1404-1409.
[15]	杜秀鹏, 杨朝晖. 65岁以下嵌插型股骨颈骨折初始畸形程度对颈缩短的影响[J]. 中国组织工程研究, 2021, 25(9): 1410-1416.

腰背痛是影响社会公共健康的一个重要问题，而腰椎间盘退变是腰背痛的主要原因之一[1-2]。临床研究表明，人体腰椎间盘退变可能从16-20岁开始，并且是一个随增龄而加重的不可逆过程[3]。在传统影像诊断中，影像医师根据椎间盘形态、信号改变等评价腰椎间盘退变，但此时腰椎间盘退变通常已发展到中晚期，临床疗效较差，难以有效阻止腰椎间盘退变进展[4]。如能够实现腰椎间盘退变诊断将有利于指导临床及时干预和治疗，这是预防腰椎间盘发生更严重退变的关键步骤，也是当前亟待解决的难题。另一方面，医师根据影像对腰椎间盘退变等级进行评价时结果可能因经验不足产生差异，具有一定的主观性，故亟需建立一个自动检测腰椎间盘退变等级的计算机辅助诊断系统，为客观评价腰椎间盘退变提供依据。
Pfirrmann标准将腰椎间盘退变分为Ⅰ-Ⅴ 5个逐级加重的退变等级，已被公认为判断腰椎间盘退变程度的金标准[5]。在该标准中，医生可根据椎间盘的形态学变化、MRI信号降低程度等指标判断受检者的椎间盘退变等级。而腰椎间盘退变会伴随生化结构的改变[6]。过去的研究都是基于影像形状特征或生物力学指标等对腰椎间盘进行分类，很少有文献研究基于代谢组学的腰椎间盘退变等级分类。实验基于MRI检测的椎间盘代谢组学数据，应用一定的机器学习方法建立分类器自动识别腰椎间盘退变等级，为腰椎间盘退变提供辅助诊断。
目前，机器学习方法中的回归算法[7-8]、支持向量机算法[9-11]、神经网络算法[12-14]、集成算法等已被广泛应用于各种疾病诊断或代谢组学分析[15-16]。这些研究表明引入机器学习有助于分析代谢物与疾病间的关系，挖掘代谢数据中隐含的信息。在基于机器学习的人体腰椎间盘退变诊断领域，BOUNDS等[17]提出通过训练多层感知机来诊断4种类型的腰痛；KARABULUT等[18]使用生物力学指标和过采样技术(SMOTE)构建逻辑模型树(LMT)来识别脊柱滑脱和椎间盘突出；CASTRO-MATEOS等[19]从MRI图像中提取椎间盘形状和强度特征，基于Adaboost算法自动识别腰椎间盘退变4个Pfirrmann等级；HE等[20]基于465个腰椎间盘的梯度直方图特征，运用有监督距离度量学习方法建立了4个等级腰椎间盘退变的自动识别算法；EBRAHIMZADEH等[21]用强度和形状特征比较了多层感知机、k-最近邻和支持向量机等机器学习方法对腰椎间盘突出进行“诊断”的能力；ALOMARI等[22]仅利用形状特征提出了基于贝叶斯分类器自动“诊断”腰椎间盘突出的方法。
一些文献是针对腰椎间盘的疾病诊断，而非腰椎间盘退变等级的诊断[17-18，21-22]。还有一些文献研究了腰椎间盘退变等级的诊断，但用的是椎间盘图像特征而非代谢组学数据[19-20]。已有研究结果表明，腰椎间盘中的水、乳酸、糖等多种生化代谢物与腰椎间盘退变存在相关性[23-25]。因此，从腰椎间盘的代谢组学(营养源)层面研究其退变机制，应用机器学习建立腰椎间盘退变等级分类器是值得深入探索的科学问题，目前仍鲜见相关成果。实验基于MRI成像技术测量得到的人群腰椎间盘生化代谢物数据，采用Softmax回归、BP神经网络和支持向量机等机器学习方法建立3种腰椎间盘退变等级分类器，并通过所获得的MRI椎间盘测试样本比较了3种分类器的性能。
中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

1.1   设计   前瞻性实验。
1.2   时间及地点   实验于2019年3至11月在解放军第九〇九医院医学影像科完成。
1.3   实验方法
1.3.1   数据预处理
(1)数据集：实验数据由解放军第九〇九医院和厦门大学东南医院医学影像科(厦门大学医学院医学影像研究所)提供。该影像科于2019年3至11月招募年龄19-78岁的志愿者110例。排除标准：①体内有巨大金属移植物的患者；②有幽闭恐惧症的人群；③腰椎发育异常、压缩骨折、脊柱畸形、脊柱肿瘤等影响MRI观察的患者；④有严重动脉硬化、糖尿病的患者；⑤有免疫性疾病(如强直性脊椎炎、骨性关节炎)的患者。
行腰椎常规MRI及mDIXON-Quant检查，剔除运动伪影较大的12例，纳入标准且图像质量满意者共98例。其中，退变椎间盘相邻上、下位椎体的MRI脂肪分数(FF)和T2*值皆得到检测的共78例，每例包含L1-S1 5节腰椎间盘的检测数据，因此得到390个腰椎间盘的检测值。椎体脂肪分数代表每个椎体脂肪的百分比含量，T2*值指组织在磁场不均匀的状态下的横向弛豫时间，单位为毫秒(ms)，它与腰椎间盘中的蛋白多糖和水含量等代谢物密切相关[24]。影像医师在后处理工作站(Intellispace Portal workstation，Philips)分别对椎体脂肪分数值和腰椎间盘T2*值进行测量。L1-S1 5个椎体的脂肪分数值测量兴趣区为正中矢状面椎体边缘皮质下区域(图1)，为提高数据准确性，结果取2位影像医师测量的平均值。T2*值测量层面参照正中矢状面T2WI手动绘制，测量兴趣区尽量包含椎间盘髓核及内层纤维环，避开终板和血管等(图2)。 

由2位磁共振诊断医师共同对每位志愿者腰椎间盘逐个行Pfirrmann分级，完成后再请一位具有丰富影像诊断经验的主任医师进行审核，得到L1-S1腰椎间盘Pfirrmann等级分布，如表1所示。

建立MRI腰椎间盘数据集。对于样本，其中分别表示第个椎间盘样本的T2*值和相邻上、下位椎体的MRI脂肪分数等生化代谢值；是影像医师根据Pfirrmann分级方法判别的第个椎间盘样本的退变等级。
(2)训练样本集与测试样本集：为了从数据集产生腰椎间盘退变等级分类器并对分类器的性能进行评估，需要对数据集划分出训练样本集和测试样本集，并使二者的样本类型具有一致性。应用基于矢量均值相似性的样本分割法(MSSS)[26]，从390个样本中取1/3作为测试样本集，其余为训练样本集，方法如下：
a)将每个样本看成一个三维向量，求出所有样本数据的均值向量；
b)计算每个样本与均值向量的夹角余弦作为样本数据与均值向量的相似度，越接近于1，表明样本数据与均值向量越相似；
c)把样本数据集先按腰椎间盘退变等级排序，在每个退变等级里再将样本按相似度从小到大进行排序；
d)把排序后的样本数据集分割成130段，每段有3个样本，取中间位置的作为测试样本，其他样本为训练样本。最终得到260个训练样本和130个测试样本。
(3)归一化：为了加快训练速度，消除不同生化代谢指标之间量纲的差异，分别对训练样本集和测试样本集按照如下公式进行归一化处理：

                                       (1)

使得每个数据在[0，1]之间取值，其中，t 为训练集(或测试集)样本数。

1.3.2   相关性分析   应用SPSS软件对所有受检者的数据做Spearman相关性分析，检验腰椎间盘的各生化代谢指标与Pfirrmann等级y 的相关性，文章使用的生化代谢指标包括椎间盘相邻上、下位椎体的MRI脂肪分数和T2*值。如果某一生化代谢指标值与Pfirrmann等级呈单调递增(或递减)关系，则称两者为正(或负)相关。为度量第j个生化代谢指标 Pfirrmann等级的相关性，对于

，将和从小到大排序，得到2个序列，每对和在各自序列的排序位置称为秩，分别记为和。当序列中有相同的值时，它们的秩取排序位置的平均值。

令和表示所有受检者数据的秩组成的向量，令向量。那么，第 j个生化代谢指标和Pfirrmann分级的Spearman相关系数为[27]

                                                              (2)

其中N=390为样本数。又因为序列中相同的秩较多，因此该文使用校正的Spearman相关系数[28]，

                                                              (3)

其中，向量 ，在区间[-1，1] 取值。

当，表明腰椎间盘的第j 个生化代谢指标与腰椎间盘退变的Pfirrmann等级呈正(负)相关。如果     越接近1，则显示第j个生化代谢指标与腰椎间盘退变的Pfirrmann等级相关性越强。若，则认为在1%的显著性水平下该生化代谢指标与腰椎间盘退变的Pfirrmann等级显著相关。
1.3.3   基本原理   在对腰椎间盘退变与疾病的分类研究中，有许多经典的机器学习方法被尝试使用，包括朴素贝叶斯、k近邻、决策树、支持向量机、神经网络、Logistic回归等[17-22，29-30]。实验尝试使用多种机器学习方法，希望找到较稳定且分类性能较好的腰椎间盘退变分类器。朴素贝叶斯算法的前提假设是各个特征之间相互独立，而现实中生化代谢物之间往往相互影响。k近邻算法需计算测试样本与每个训练样本间的距离，但参数k不好确定。决策树算法虽然便于直观判断，但腰椎间盘退变各个等级间的代谢指标无明显边界，训练出来的分类边界可能非常复杂。因此未使用上述机器学习方法。
(1)腰椎间盘退变的计算机辅助诊断方法：由于所获得的数据集中腰椎间盘退变等级为Ⅴ的样本较少，将腰椎间盘退变等级为Ⅴ的样本合并到等级Ⅳ的样本中，只对Ⅰ、Ⅱ、Ⅲ、Ⅳ等级的腰椎间盘退变进行分类。先在训练集上训练Softmax回归、神经网络和支持向量机模型，最后将这些训练好的多类别分类器用于对测试集分类。机器学习训练过程在Matlab R2018a软件(图3)完成。

为了择优选择分类器，下面分别给出3种分类器的建模方法。
(2)Softmax回归：Softmax回归是是logistic回归在多分类问题上的扩展，可以通过Softmax函数将特征向量映射到一个概率分布，即建立一个模型就可以得出腰椎间盘样本属于每个退变等级的概率，而不需要建立多个logistic回归模型才能预测，减少了训练时间。而且对于不同的退变等级其生化代谢指标重要性或多或少会有差异，Softmax回归可以得到每个类别对应的代谢指标的权重，从而区分不同退变等级。
对于数据集，令是某个腰椎间盘样本的代谢组学数据。在建立Softmax回归分类器时，令。那么，Softmax回归分类器可表示为：

                                                            (4)

其中，为类别数，是模型参数， 。     
是分类器的归一化参数，使输出样本属于每个类别的概率，且概率之和等于1，选择最大概率对应的退变等级作为样本  的预测等级。
由极大似然法可得到求解分类器参数的优化模型：

                                                            (5)

其中，n 为训练样本数，为示性函数。当第个训练样本属于第类时，该示性函数等于1，否则等于0。优化模型的第二项为正则化项，它使得优化函数为严格凸函数。用梯度下降法可以求得该模型的最优解，得到Softmax回归多类别分类器的参数 。
(3)BP神经网络：神经网络已被广泛应用于代谢组学分类问题，在对肿瘤、肺癌、慢性肝病等疾病的预测上都有应用。BP神经网络是机器学习中的一种非线性分类器，通过误差逆传播(Error Back Propagation)算法训练得到一种多层前馈神经网络。神经网络隐层层数和神经元个数的确定是非常复杂的问题，不同的网络结构会有不同的分类结果，引用Kolmogorov定理来确定神经网络的结构[31]。
Kolmogorov定理：给定任一连续函数f ：，即  ，其中为闭区间[0，1]，那么可以精确地用一个3层前向网络实现。此网络的输入层有d 个神经元，隐层有 2d+1个神经元，输出层有m 个神经元。
采用该3层前馈神经网络作为分类器，其中输入层有3个神经元，对应3个腰椎间盘退变代谢指标，隐层神经元数为7，输出层神经元数为4。此外，神经网络的隐层和输出层神经元的激活函数均选择为sigmiod函数     。因此该神经网络的数学形式可以表示为：

                                                            (6)

其中，为输入层和隐层之间的连接权向量，
为隐层和输出层之间的连接权向量，和  分别为隐层和输出层神经元的阈值向量。分类函数  输出为一个向量，样本的退变等级预测为向量中最大值位置所对应的等级。
为了优化求解分类器参数，取优化目标为训练集累积误差的最小化，即：

                                                            (7)

其中，  和   为BP神经网络分类器的训练样本和训练样本数， 是第 个训练样本的输出，训练前将腰椎间盘退变等级为Ⅰ的样本标签设置为(1，0，0，0)，退变等级为Ⅱ的样本标签设置为(0，1，0，0)，退变等级为Ⅲ的样本标签设置为(0，0，1，0)，退变等级为Ⅳ的样本标签设置为(0，0，0，1)。
使用梯度下降法求解优化问题(7)，不断修正BP神经网络的多个连接权和阈值，直到累积误差 小于限定范围或迭代次数达到预设值后停止修正。连接权和阈值的修正模型统一选择为    ，其中学习率α=0.02 。
(4)支持向量机：支持向量机是一种可处理过拟合现象的分类器[32]。文献[20]基于脊椎强度和椎间盘形状特征等数据，采用支持向量机辅助诊断腰椎间盘突出。但该文献没有考虑腰椎间盘退变等级的诊断问题。
实验获得的每个样本数据包含了用于预测腰椎间盘退变等级的3 个生化代谢指标。建立由该3个生化代谢指标组成的三维坐标系，并把获得的390个样本数据展示在该坐标系上可以发现，属于不同退变等级的样本之间很难线性划分，如图4所示。而采用支持向量机方法，可以通过引入非线性映射   ，将原来的样本数据映射到另一个线性可分的高维空间，再寻找一个最优超平面进行分类。

由于要划分4个类别，先用one-against-one方法训练支持向量机分类器，即每次选取不同类别进行两两组合，构建
 个支持向量机二分类器。然而，如果直接用这些分类器对测试集进行投票预测，可能会出现分类重叠的现象，即多个类别得票相同，无法预测样本类别。因此，在得到6个支持向量机二分类器后，用Platt提出的两类分类概率建模方法将每个支持向量机二分类器输出转换为后验概率，最后再用投票法得到样本属于每个类别的后验概率[33]。
支持向量机二分类器：在训练支持向量机分类器前，将正类样本的类别记为+1，负类样本的类别记为-1，即。支持向量机的数学表达式为
                                                            (8)

其中， 是支持向量的个数，   为拉格朗日乘子，  为支持向量， 为支持向量对应的类别标记， b为模型参数。显然，只有>0 对应的样本对分类器才有影响。当样本     的分类函数值           不小于0时，则该样本为正类，否则为负类。
为了最大化2个类别之间的分类间隔，由拉格朗日乘子法可以得到以下优化问题：

                                                            (9)

其中，C > 0为常数，n为训练样本数，     称为核函数。该文选用常用的径向基核函数        。     
采用SMO算法求解优化问题(9)中的参数
和b。借助文献[34]开发的一种SMO软件包LIBSVM来完成该优化问题的求解，其中的参数C 和  由软件包中的SVMcgForClass函数进行网格搜索来确定。
多分类后验概率支持向量机：在训练集构建6个支持向量机二分类器后，用sigmoid函数将支持向量机二分类器输出映射到[0，1]，形式如下：

                                                            (10)

    是类别   和类别   构成的支持向量机二分类器在对应训练集的输出值，          只表示支持向量机二分类器中样本 属于类别    的后验概率，简写为。    和     是需要优化的参数，可以通过最小化对应训练集的负对数似然函数得到：
 
                                ， 
                                                            (11)
                                                          ，
     是类别   和  组成的训练样本数。该文使用梯度下降法求解上述优化问题，可以得到6对参数     和      。最后将6个支持向量机二分类器应用于测试集，每个测试样本都得到6个支持向量机输出值     ，再将其代入对应的sigmoid函数中计算得到6个     值。使用投票法计算测试样本  属于类别k的后验概率为：

                                                            (12)

将最大后验概率对应的类别作为样本  的预测等级。

回归算法、支持向量机、神经网络等在疾病预测和代谢组学分析方面都有着广泛的应用且取得显著成果。在代谢组学中，郗群等[9]就应用逻辑回归、神经网络和支持向量机3种方法基于多种血清标志物建立了结直肠癌早期诊断模型，逻辑回归和支持向量机模型都获得可观的分类效果，但认为神经网络受隐层节点数等超参数影响缺乏一定的稳定性。张岩等[8]也使用逻辑回归对结直肠癌的4种血清标志物进行分析，结果发现逻辑回归能同时提高诊断的敏感度和特异度。可见逻辑回归作为一种简单有效的方法在疾病诊断和代谢组学分析非常受欢迎。实验使用的softmax回归是logistic回归在多分类任务中的扩展，它对退变Ⅰ级的识别率是3种模型中最高的，但对Ⅲ级退变样本识别上有较大缺陷，也许是因为softmax回归模型复杂度较低，无法很好拟合所有数据以致测试结果比较一般。神经网络是适合处理非线性问题的机器学习方法，善于建立输入特征和输出类别的非线性关系。MANI-VARNOSFADERANI等[12]基于髂嵴骨组织的矿物质建立预测鸦片成瘾的神经网络，发现预测效果比线性模型的要好。常炳国等[13]也基于代谢数据建立神经网络，对慢性肝病预测有一定精度。实验建立的神经网络比softmax回归有更高的准确率、宏查全率、宏查准率和宏F1值，且与支持向量机分类效果不相上下，但神经网络只建立一个分类器就可以实现多分类，而此次实验的支持向量机方法需要建立多个二分类器，从减少训练时间和降低模型复杂度的角度来看，神经网络比支持向量机更有优势。另外，代谢组学数据通常具有小样本、高噪声等特征，而支持向量机是一种能够有效处理样本小和非线性等实际问题的方法。SONG等[10]使用糖尿病认知功能障碍的生物代谢指标建立了准确性较高的支持向量机分类器，为糖尿病认知功能障碍早期诊断提供新的思路。WANG等[11]应用支持向量机对肝癌分类，发现整合蛋白组学和代谢组学等数据能改善诊断效果。此次实验使用的3种分类器中支持向量机的分类准确率、macro-R和macro-F1最高，因此认为将支持向量机应用于腰椎间盘的代谢组学数据中是值得考虑的。
虽然目前已有部分关于腰椎间盘退变等级计算机辅助诊断的研究，但与此次实验使用生化代谢指标建立腰椎间盘退变诊断模型不同，这些研究大多数是基于腰椎间盘的图像特征进行，例如CASTRO-MATEOS等[19]用one-against-all策略将Adaboost算法应用于腰椎间盘图像特征，自动识别PfirrmannⅠ & Ⅱ级、Ⅲ级、Ⅳ级和Ⅴ级样本，得到了不错的分类效果。但因为采用了one-against-all策略，因此在训练模型时需要建立4个分类器，在节省训练分类器时间的层面看，此次实验使用的softmax回归和BP神经网络更有利。另外，由于识别Pfirrmann等级中Ⅰ级退变对疾病预防和及早治疗有重大意义，此次实验对Ⅰ级退变样本也做了分类，测试结果显示，基于生化代谢指标建立的3种诊断模型都对腰椎间盘Ⅰ级退变样本有较高识别率，但是对其他退变等级样本的识别效果一般。HE等[20]则引入了有监督距离学习方法，基于腰椎间盘图像特征自动将腰椎间盘退变等级分为4级，未说明是对腰椎间盘退变的Pfirrmann等级分类。此次实验使用世界范围内得到广泛认可的Pfirrmann标准，在判别腰椎间盘退变等级时更有可靠性。多研究表明，腰椎间盘T2*值与Pfirrmann等级呈负相关[23]，这在此次实验中也得到证实。李勉文等[25]利用mDIXON-Quant技术测量椎体终板下骨髓脂肪分数FF值，检验发现上位、下位椎体脂肪分数值均在不同Pfirrmann等级间有显著性差异，实验经过Spearman相关分析得到上、下位椎体脂肪分数值与Pfirrmann等级是显著相关的。经过统计相关性分析，作者认为采用椎间盘相邻上下位椎体脂肪分数值和T2*值建立腰椎间盘退变计算机辅助诊断模型是合理的。
实验研究基于代谢组学的腰椎间盘退变计算机辅助诊断方法，通过390个腰椎间盘代谢指标检测值，验证了椎间盘相邻上下位椎体脂肪分数值和T2*值等3种生化代谢指标与腰椎间盘退变显著相关，并应用MSSS方法把390个检测值划分出训练样本集和测试样本集，保证了训练样本集和测试样本集的一致性；基于260个训练样本建立了softmax回归、神经网络和支持向量机等3种分类器，并在测试样本集上进行分类器性能的比较。结果表明，采用MRI代谢指标建立腰椎间盘退变诊断分类器是可行性的。此次实验提供了一种新的腰椎间盘退变诊断计算机辅助方法，值得后续进一步研究。 中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

文题释义：#br# MRI：是利用原子核在强磁场内发生共振产生的信号绘制出人体内部立体图像的技术，可对人体某个部位进行各种角度和各种平面成像，临床医生可根据腰椎间盘的磁共振成像评价腰椎间盘退变等级。MRI定量技术可定量检测腰椎间盘的多种生化代谢物，针对目前临床对腰椎间盘退变等级诊断有一定困难，文章尝试基于MRI检测的生化代谢指标对腰椎间盘退变进行诊断。#br# 机器学习：是一种实现人工智能的方法，包括逻辑回归、支持向量机、神经网络、决策树、朴素贝叶斯等多种算法，可在大量样本中利用算法发现数据规律并训练分类器，在得到新的样本时利用训练好的分类器对样本进行分类和预测。实验利用收集到的腰椎间盘MRI代谢数据训练了3种机器学习分类器，为腰椎间盘退变等级诊断提供了新方法。

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

目前对腰椎间盘退变和疾病的诊断主要依赖影像医师的主观评价。为了减轻医师评估影像的负担，减少因个人经验不足或疲劳而产生的误判，有必要建立关于腰椎间盘退变的计算机辅助诊断模型。实验研究了由MRI获得的腰椎间盘生化代谢指标与腰椎间盘退变的相关性，并应用softmax回归、神经网络和支持向量机等机器学习方法建立了基于生化代谢指标的腰椎间盘Pfirrmann等级诊断模型，实验分析结果验证了基于MRI代谢指标、由计算机辅助诊断腰椎间盘退变的可行性，为腰椎间盘退变的Pfirrmann等级诊断提供了一种新方法。

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程#br#

	阅读次数
	全文
	摘要