基于深度人工神经网络的口腔健康状况分类模型

1. 导言

慢性病是全球性的公共卫生问题。口腔疾病由于其高发病率和流行率，已被认为是主要的公共卫生问题之一。治疗口腔疾病的费用高昂，对中低收入国家来说是一个沉重的负担。世界卫生组织（WHO）指出，口腔疾病是发达国家中第四大治疗费用最高的疾病[1]。

口腔健康是生活质量的重要组成部分，因为它不仅影响个人健康，还会影响患其他慢性病（如心血管疾病、糖尿病和呼吸系统疾病）的风险[2]。龋齿是WHO认定的最常见的口腔疾病，影响着全球60%至90%的学龄儿童。龋齿的发生与多种因素相关，包括碳水化合物摄入频率、食物特征、口腔卫生习惯、社会经济水平和教育水平等[3,4]。

为了更好地预测和诊断龋齿，一些研究开始应用计算机辅助诊断（CAD）技术，例如人工神经网络（ANN）。ANN是一种模拟人脑生物反应的数学模型，可以用于疾病预测，包括口腔疾病[5,6]。

本研究旨在基于饮食和人口统计学因素，分析影响口腔健康状况的决定因素，并利用ANN构建一个能够准确分类患者口腔状况（是否存在龋齿/修复）的广义模型，为口腔健康的预测和诊断提供一种新的方法。

2. 材料和方法

本研究使用的数据来自美国国家健康和营养检查调查（NHANES，2013-2014），共分析了189个特征，包括188个人口统计学和饮食特征，以及1个描述口腔健康状况（是否存在龋齿/修复）的输出特征。

2.1 数据预处理

手动删除缺失值比例高于30%的特征。* 使用随机森林算法对缺失值比例低于30%的特征进行插补。* 删除包含奇异值的列。* 将数据库随机分为训练集（70%）和测试集（30%）。

2.2 数据分类

使用Python中的Keras库构建了一个稠密ANN模型，用于对受试者进行分类。该模型由以下部分组成：

输入层：104个神经元，对应104个输入特征。* 四个密集隐层：分别包含100、1000、100和2个神经元。* 三个脱落层：防止过拟合，分别设置50%、25%和50%的丢弃率。* 输出层：2个神经元，对应两种可能的分类结果（是否存在龋齿/修复）。

模型使用ReLU函数作为输入层和密集隐层的激活函数，使用Softmax函数作为输出层的激活函数。使用Adam优化算法对模型进行训练，迭代次数为100。

2.3 评价指标

使用以下指标对模型性能进行评估：

损失函数：二元交叉熵* 精度* ROC曲线和AUC值

3. 结果

数据预处理后，保留了105个特征。在9812名受试者中，3690名为对照组，6122名为病例组。模型在训练集和测试集上的精度分别为0.69和0.68，损失函数分别为0.58和0.60。ROC曲线分析显示，模型的AUC值为0.69-0.75，表明模型具有较好的分类性能。

4. 讨论

研究结果表明，基于ANN构建的分类模型能够根据人口统计学和饮食因素，以较高的准确度将无龋患者与有龋齿/修复的患者进行分类。这表明社会经济和营养状况是龋齿发展的重要决定因素。

本研究的局限性在于模型的精度仍有提升空间。未来研究可以考虑使用更多的数据、更复杂的模型结构或更先进的特征选择方法来提高模型性能。

5. 结论

本研究开发了一种基于深度人工神经网络的口腔健康状况分类模型，该模型能够根据人口统计学和饮食因素准确预测个体患龋齿的风险。该模型为口腔健康的预测和诊断提供了一种新的方法，有助于实现龋齿的早期预防和治疗，从而降低龋齿的发病率。

参考文献

[1] World Health Organization. Oral health. https://www.who.int/news-room/fact-sheets/detail/oral-health (accessed on 1 October 2023).

本文省略了其他参考文献，请参考原文。