BP神经网络预测妊娠期糖尿病胎儿体重的研究

　　作者：宋鹤兰,张东枚,李丽霞,李筠,曾慧韵,丁　　作者单位：广东药学院 1.附属第一医院妇产科，广东 广州 510080; 2.公共卫生学院,广东 广州 510310

　　【摘要】 目的 探讨BP神经网络预测妊娠期糖尿病(GDM)胎儿出生体重的价值。方法 将306例足月、单胎、无妊娠其它合并症及并发症的GDM孕妇随机分为训练组(200例，男女胎儿分别为106例、94 例)和验证组(106 例，男女胎儿分别为56例、50 例)。训练组分别选取不同参数构建 3个神经网络:(1) 孕妇参数法：包括孕妇体重指数(BMI)、腹围、宫高、孕期增加体重、空腹血糖(FBS)、餐后2 h血糖(PBS)、糖化血红蛋白(GHbA1c)等7项参数作为输入节点; (2)胎儿参数法：用胎儿的双顶径(BPD)、股骨长度(FL)、头围(HC)、腹围(AC)、腹径(AD)、股骨皮下脂肪厚度(FTSTT)、胎儿腹壁脂肪层厚度(FFL)等 7项参数作为输入节点;(3)联合参数法：将孕妇及胎儿的参数作为输入节点。 神经网络构建完成后以106 例验证组来分别测试 3 种网络法的误差率和符合率。结果 联合参数法准确率最高为 86.20 %,胎儿参数法为71.30%,孕妇参数法为64.50 % 。结论 BP神经网络预测胎儿体重有很好的应用前景。选取合适的孕妇及胎儿参数建立网络可提高预测的准确性。

　　【关键词】 妊娠期糖尿病;胎儿体重;预测;BP神经网络

　　Prediction of fetal birth weight in patients with gestational diabetes mellitus with BP neural network

　　SONG Helan, ZHANG Dongmei, LI Lixia

　　1.Department of Obstetrics and Gynecology, the First Affiliated Hospital of Guangdong Pharmaceutical College, Guangzhou,Guangdong 510080, China; 2. School of Public Health, Guangdong Pharmaceutical College, Guangzhou,Guangdong 510310, China

　　Abstract:Objective To investigate the value of BP neural network in predicting fetal birth weight in patients with gestational diabetes mellitus (GDM). Methods 306 pregnant women of fullterm pregnancy, single gestation, with no other complications of pregnancy and complications of GDM, were randomly divided into training group (200 cases, including 106 male fetuses and 94 female fetuses) and test group (106 cases, including 56 male fetuses and 50 female fetuses). Training group were selected to build three different neural networks with different parameters, (l) Pregnant women parameter method: including body mass index (BMI), abdominal circumference, fundal height, pregnancy weight gain, fasting blood sugar (FBS), postprandial blood sugar (PBS), glycosylated hemoglobin (GHbA1c), these seven parameters were used as input nodes. (2) Fetal parameter method: including fetal biparietal diameter (BPD), femur length (FL), head circumference (HC), abdominal circumference (AC), abdominal diameter (AD), femoral thigh soft tissue thickness (FTSTT), and fetal abdominal wall fat layer(FFL), these seven parameters were used as input nodes. (3) Joint parameter method: the above maternal and fetal parameters were used as input nodes. After establishment of neural networks, the data of 106 cases of test group was used to verified prediction error rate and prediction coincidence rate of the three neural networks in predicting fetal birth weight.

　　Results Joint parameter method was the most accurate, the accuracy rate of this method was up to 86.20%, and the accuracy rates of fetal parameters method and mother parameter method were 71.30% and 64.50% respectively. Conclusion BP neural network prediction of fetal birth weight had a good application prospects. Using appropriate maternal and fetal parameters in establishment of networks is beneficial to improving accuracy of predicting fetal birth weight.

　　Key words gestational diabetes mellitus; fetal birth weight; forecast; BP neural network

　　妊娠期糖尿病(GDM)的发病率逐年增加[1]，GDM孕妇最常见的并发症是躯体发育不对称的巨大儿。经阴道分娩时肩难产机会增多，易导致新生儿产伤、窒息、脑瘫甚至死亡。因此，分娩前准确地预测GDM孕妇的胎儿体重，有助于临床医生选择恰当的分娩方式，避免母婴的损伤，提高产科质量具有十分重要的意义。

　　国内外学者对产前如何准确地预测GDM胎儿体重进行了大量的研究[2]。大多数参照非GDM孕妇和胎儿的生物指标，建立了单参数、双参数及多参数的多个回归方程式。但在临床实践中，发现孕妇和胎儿的参数与胎儿体重间关系，不是简单的线性关系，有学者在回顾性和前瞻性验证中发现，即使数据组选用相似，各种用于计算的公式在预测胎儿体重的准确性上也有着明显的不同[3]。有学者提出，采用BP人工神经网络法预测胎儿体重，其准确性明显高于传统的回归方程[3,4]。人工神经网络(artificial neural network，ANN)是近几年发展起来的一项模仿生物神经系统中神经元的一种新数学处理方法。在众多神经网络模型中，应用最广泛的是多层感知机神经网络，它采用误差反向传递学习方法(error back propagation)，简称BP神经网络，具有很强的非线性映射能力和柔性的网络结构。可以通过预先提供的一批相互对应的输入-输出数据的实例学习和训练，能够分析掌握两者之间的潜在规律，最终根据其规律，用新的输入数据来推算输出结果[5]。本研究试将BP神经网络技术用于识别GDM胎儿体重及其影响参数之间的关系，为预测GDM胎儿体重寻找一种更理想的方法。

　　1 资料与方法

　　1.1 资料来源

　　2005年1月至2007年6 月在本院门诊行系统产前检查并在本院分娩的GDM孕妇，共 306 例。入选条件:单胎;足月妊娠(孕 37～41周);分娩前1周内有孕妇的腹围、宫高、空腹血糖(FBS)、餐后2 h血糖(PBS)、糖化血红蛋白(GHbA1c)及整个孕期体重增长量和体重指数(BMI)等检测记录;同时有超声测量胎儿生物指标的记录，包括胎儿的双顶径(BPD)头围(HC)、腹围(AC)、腹径(AD)、股骨长度(FL)、胎儿腹壁脂肪层厚度(FFL)及股骨皮下脂肪厚度(FTSTT);新生儿出生体重的获取：于出生后10 min内测定。根据入院时间顺序分为两组：训练组 200 例，其中106 例男婴，94例女婴。验证组106 例，包括56例男婴，50例女婴。

　　1.2 预测所需参数的确定

　　选择合适的输入参数对预测结果的准确性十分重要。根据参数的来源可分为两类。第1类来自孕妇本身，包括GDM孕妇的身高、体重、腹围、宫高和FBS、PBS及GHbA1c。第2类来自胎儿，选择 B超常用的指标：BPD、HC、AC、AD、FL、FTSTT、FFL。来自孕妇的参数可间接反映胎儿的大小，且简便易得。来自胎儿的参数则须借助 B 超获得，由专人负责，在分娩前1周内测量，每个参数至少测量3次，取平均值。

　　1.3 神经网络模型的选择

　　采用目前应用最广泛的BP神经网络模型，它是一种单向传播的多层前馈型映射网络，具有很强的非线性映射能力和柔性的网络结构，由输入层、隐含层(可有多个隐含层)和输出层构成[6]。每一层可包含一个或多个神经元，其中每一层的每个神经元和前一层相连接，同层神经元之间无连接[7]。本研究采用单隐层结构，输出层一个节点，即预测的胎儿体重，隐层节点数根据经验确定，并经反复试验，找出最佳值。

　　1.4 神经网络模型的构建

　　根据输入节点的不同分为3种方法构建模型：(1) 孕妇参数法：包括孕妇身高、孕期增加的体重、腹围、宫高及FBS、PBS、GHbA1c等7项参数作为输入节点;(2)胎儿参数法：用胎儿的BPD、HC、AC、FL、FTSTT及FFL等 7项参数作为输入节点;(3)联合参数法：将孕妇及胎儿的14项参数作为输入节点。3 种方法均用同一组 200 例样本为训练组，以另外106 例为验证组。用训练组参数构建 BP神经网络，用验证组参数验证试验，找出最佳隐含层节点数，使网络输出误差最小，计算训练组和验证组的平均绝对误差、相对误差和符合率，并进行比较。

　　绝对误差(AE)=│预测体重-实际体重│

　　相对误差(PAE)=(│预测体重-实际体重│)/实际体重×100%

　　符合率(CR)[8] =绝对误差≤250 g的例数/

　　总例数×100%

　　1.5 分析3种参数法的影响系数

　　分别对3种参数法进行单因素影响的权重的计算，即计算影响系数，由此推断出3种参数法中对预测值影响系数前三位的参数。

　　1.6 统计学方法

　　用 SPSS11.5 软件统计分析处理数据。

　　2 结 果

　　2.1 孕妇参数法、胎儿参数法、联合参数法的比较

　　不论训练组和验证组，联合参数法符合率最高，其次为胎儿参数法，孕妇参数法最低。为了解网络预测值的稳定性，用方差分析方法分析3种参数法的预测误差。结果显示，联合参数法与孕妇参数法、胎儿参数法之间均有统计学意义(P<0.01)，孕妇参数法与胎儿参数法之间差异无统计学意义(P>0.05)。

　　2.2 各参数法的影响系数分析

　　在孕妇参数法中，孕妇宫高的影响系数最大，为29.32%;其次为PBS，为25.22%，第三位者为孕妇身高，为23.30 %。胎儿参数法中，以胎儿的AC、FTSTT、FL的影响系数为明显，分别为32.53%、28.25%、24.85%。联合参数法中，以孕妇的宫高为最高，影响系数为28.38%， 其次是胎儿的AC，为26.16 %;第3位是胎儿的FFL，为22.40%。

　　3 讨 论

　　产前准确地预测GDM孕妇胎儿的体重，选择恰当的分娩方式，是临床产科医生一直关注的热点课题。目前常用的体重预测是通过一项或多项径线的测量,利用数理回归法所得的计算式来估计胎儿体重，可分为临床预测和胎儿超声预测两种。临床根据孕妇的身高、孕期增加的体重，以及临产前的宫高、腹围等预测胎儿体重的方法，由于受到孕妇BMI、腹壁脂肪厚度、羊水量、胎方位及先露的高低等因素的影响,其准确性往往不及超声预测法高[9]。本研究结果证实了这一点。而利用超声测量胎儿某些径线来计算体重的计算式也有其不足之处，由机器或人为所造成的测量误差将直接影响预测结果的准确性[10]。基于这一点,本研究联合临床指标和超声指标，采用BP神经网络算法预测胎儿体重，获得了较高的临床符合率。

　　人工神经网络实际上是专业人员根据临床要求而设计的一个软件。它的优点在于其“智能性”,能够对输入其内的一系列数据进行综合分析,在一定程度上能克服数据本身的误差,以得到尽可能准确的结果。BP神经网络模型是一种具有3层或3层以上的前馈型的、按梯度算法使计算输出与实际输出的误差沿逆传播修正各连接权的神经网络模型。它包含了神经网络理论中最精华的部分，由于其结构简单、可塑性强，尤其是它善于处理复杂模糊的映射关系，不需要知道数据的分布形式，在许多领域得到了应用[5-6,11]。

　　BP神经网络用于胎儿体重预测方面，最早是在20世纪90年代初,由美国学者Farmer等[12]首先采用此法预测正常足月胎儿体重，研究表明其准确性高于传统的回归分析。随后，于20世纪90年代末，国内学者分别利用孕妇的参数 [13]和胎儿的参数[14](BPD、AD、AC、FL、FTSTT)建立预测正常胎儿体重的神经网络模型。研究表明，BP神经网络算法比经验公式或数理统计方法更能有效地把握胎儿体重与影响因素之间的关系，预测的准确性高于回归方程。但对<2 500 g和>4 000 g的胎儿体重预测符合率低，因此提出采用分阶段的方法设计预测模型[14]。还有学者认为，选择合适的孕妇和胎儿参数建立的神经网络可提高预测的准确性[4]。本研究在输入参数的选择上，除了采用GDM孕妇生物参数外，还增加了孕妇的空腹、餐后血糖及糖化血红蛋白等生化参数。这些参数不仅是产前监测GDM孕妇血糖控制及胎儿生长的指标，而且也是临床医生估计胎儿体重的依据。超声参数的选择，除了选择临床常规检测的参数(BPD、HC、FL、AC)外，还根据GDM胎儿的特征，选择了胎儿腹壁、股骨皮下脂肪厚度(FFL、FTSTT)等参数，摒除了测量难度大的胎儿小脑横径、双肩径及肝脏长度或面积等参数。降低了对超声测量者及测量设备的要求，更利于基层医院的推广与普及。

　　本研究还将孕妇参数与胎儿参数相结合，建立神经网络模型预测胎儿体重。结果表明，联合参数法预测的准确率明显高于单纯的孕妇参数法及胎儿超声参数法。联合参数法中，影响胎儿体重前三位参数依次是孕妇的宫高、胎儿腹围及胎儿腹壁皮下脂肪的厚度。孕妇参数法中，影响胎儿体重最大的是孕妇的宫高，这与许多预测胎儿体重的经验公式中均以宫高为出发点相符[8,15]。其次是孕妇餐后血糖及身高，孕妇餐后高血糖可导致胎儿高胰岛素血症，并与新生儿肥胖有关[16]。身材高大的孕妇其新生儿出生体重也偏大。在胎儿参数法中，胎儿的AC、FTSTT、FL对胎儿体重的影响系数明显高于BPD、HC。在GDM胎儿中，发现胎儿的AC与胎儿出生体重呈明显的相关，GDM胎儿体重的增加主要是与脂肪的堆积及肝糖原的储存有关。因此，应重视超声测量胎儿软组织的厚度及腹围，特别对GDM孕妇，妊娠晚期胎儿双顶径增加不明显，而且由于胎头位置低和较固定的胎方位，不易准确测得胎儿双顶径时，胎儿的AC、FTSTT、FFL则不受这些因素的影响，容易准确测量[9]。

　　本研究将BP神经网络用于GDM胎儿体重预测是新的尝试，选择合适的孕妇和胎儿参数建立的神经网络可提高GDM胎儿体重预测的准确性，为产科医生决策分娩方式提供一种新辅助诊断手段的参考。

　　【参考文献】

　　[1] 杨慧霞.进一步提高对妊娠合并糖尿病的研究水平[J].中华围产医学杂志,2005,8(5):289-291.

　　[2] 黄晓明,吴君,李亚东,等.基于超声诊断的胎儿体重预测方法的研究进展[J].中国医学装备,2004,1(2):38-41.

　　[3] 吴君,杨太珠,林江莉,等.基于人工神经网络的足月胎儿体重预侧方法[J].生物医学工程学杂志,2005,25:80-89.

　　[4] 田敬霞,张景祥,陈子江.应用人工神经网络预测胎儿体重的研究.[J].现代妇产科进展,2008, 17(3):182-184.

　　[5] 周志华,曹存根.神经网络及其应用[M].北京:清华大学出版社,2004:343.

　　[6] 飞思科技产品研究中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005,44-47.

　　[7] 李丽霞,王彤,范逢曦.BP神经网络在判别分析中的应用[J].数理医药学杂志,2004,17(3):193-195.

　　[8] 凌萝达,顾美礼.难产[M].2版.重庆：重庆出版社,2001:21-124.

　　[9] 时春燕,张萧萧,金燕志,等.超声侧量胎儿腹围预测新生儿出生体重的研究[J].中华妇产科杂志,2005,40:732-734.

　　[10] 朱洁萍,戴钟英,沈国芳,等.超声预测胎儿体重方法的选择.[J].上海医学,1999,22(6):339-342.

　　[11] 曹显庆,牟永阁.人工神经网络技术在医学研究中的应用[J].现代临床医学生物工程学杂志,2003,9:57-60.

　　[12] FARMER R M, MEDEARIS A L, HIRATA G I, et al.The use of a neural network for the ultrasonographic estimation of fetal weight in the macrosomic fetus[J].Am J Obstet Gynecol,1992,166:1467-1472.

　　[13] 刁晓娣,江志斌,刘瑾.根据孕妇参数预测胎儿体重的神经网络方法[J].中国生物医学工程学报,1999,18(2):155-158.

　　[14] 李笑天,庄依亮,常才,等.神经网络在预测胎儿体重中的作用[J].中国医学影像技术,1999,15(5):400-402.

　　[15] 王德智.临产前如何准确估计胎儿体重[J].中华妇产科杂志,1994,10(2):111-112.

　　[16] 杨慧霞,孙伟杰.第五届国际妊娠合并糖尿病专题会会议纪要[J].中华围产医学杂志,2009,12(4):316.