基于深度神经网络模型预测中青年人群颈动脉粥样硬化的效能分析

目的分析应用深度神经网络(DNN)模型预测中青年人群颈动脉粥样硬化的诊断效能。方法将2017年6月至2020年8月在联勤保障部队第904医院常州医疗区健康管理科,收集1100例年龄在20~60岁的中青年人群颈部血管超声检查的结果进行分析,所有人均无颈动脉粥样硬化形成。随访1年后根据是否发生颈动脉粥样硬化分为硬化组和对照组,随机数字表法按照7:3的比例将研究样本分为训练集和测试集。比较两组的一般资料、实验室检查,颈动脉超声情况等项目。分别通过多因素Logistic回归分析模型及DNN分析相关因素对中青年人群发生颈动脉粥样硬化的预测效能,并比较两者预测效能的差异。结果纳入研究的1100例中青人中有68例病例脱落,有174例发生颈动脉粥样硬化列为硬化组,其余为对照组858例。硬化组年龄、收缩压、伴高脂血症所占比例、血糖、低密度脂蛋白胆固醇、脂蛋白a、同型半胱氨酸、颈动脉内-中膜厚度和血管阻力指数均大于对照组,差异有统计学意义(P<0.05)。多因素Logistic回归分析显示,低密度脂蛋白胆固醇、脂蛋白a、同型半胱氨酸、颈动脉内-中膜厚度和血管阻力指数是中青年人群发生颈动脉粥样硬化的影响因素(OR=4.156、1.015、1.408、207.152、8.947,P<0.05)。DNN模型中的训练集平均损失率是(3.36±0.55)%,测试集平均损失率是(5.53±2.16)%,训练集平均准确率为(94.01±2.45)%,测试集平均准确率为(92.26±1.57)%。ROC曲线显示多因素Logistic回归模型预测中青年人群发生颈动脉粥样硬化风险的AUC是0.842(95%CI=0.779~0.893),DNN模型预测中青年人群发生动脉粥样硬化风险的AUC是0.957(95%CI=0.915~0.982),检验显示DNN模型的预测效能高于多因素Logistic回归分析模型(Z=1.979,P<0.05)。结论DNN模型下颈部血管超声对中青年发生颈动脉粥样硬化有较好的预测性,有助于早期识别高危人群,为早期预防提供证据。