分类中的应用司马明珠打李全忠打王延年21郑州大学人民医院，郑州450000 ； 2郑州大学信息工程学院摘要：目的 探讨Fisher判别分析对1型及2型糖尿病患者的分类判别价值。方法
选取糖尿病患者165例，其中1型糖尿病病例14例,2型糖尿病病151例。以动态血糖监测系统监测 波动 ，以此为原始
的血糖数据计算出17个血糖法建立分类模型，检验模型立 ，利用SPSS 计 效果，采用受试
提供的Fisher判别分 （ROC）对模型进行评价判别1型及2型 尿
分类模型判别2型 尿病的 为90.1% 判别1型 尿病组的
,作
。结果 建立的Fisher判别分。结论 Fisher判
别正确率为87. 3%，交叉核实法检验总判别正确率为83. 0%Fisher判别分析1型及2型糖尿病的ROC曲线下 面积为0. 736，判别1型与2型糖尿病的准确性、特异性、敏感性分别为83. 7%、94. 4%、34. 8%。为57.1% ,1型及2型糖尿病合计判别分析对1型及2型糖尿 的分类能力良好。关键词:糖尿病;动态血糖监测系统;Fisher判别分析;糖尿病分型doi：10. 3969/j. issn. 1002-266X. 2020.13. 005中图分类号：R587.1 文献标志码:A 文章编号：1002-266X（ 2020） 13-0017-04Application of Fishers discriminant analysis in classification of type 1and type 2 diabetes mellitusSIMA MingzhU , LI Quanzhong, WANG Yannian1 Zhengzhou University Peoples Hospital, Zhengzhou 450000, China) in the classification of patients
with type 1 and type 2 diabetes mellitus. Methods A total of 165 diabetic patients were selected, including 14 cases of type 1 diabetes and 151 cases of type 2 diabetes. Using the blood glucose monitoring system ( CGMS) to monitor the patient ■s blood glucose data, 17 blood glucose fluctuation characteristics were calculated, and a database was established based on the original data. The classification model was established using the FDA method provided by SPSS statistical software, and we tested its ability in determining type 1 and type 2 diabetic patients. The receiver operating characteristic curve (ROC) was used to evaluate the model. Results By the classification model based on FDA method, the discriminant accuracy was 90. 1% in determining type 1 diabetes and 57. 1 % in type 2 diabetes, the total discriminant accuracy was 87. 3% , and the total accuracy by cross-verified test was 83. 0% . The area under the ROC curve was 0. 736, and the accuracy, specificity, and sensitivity of the Fisher classification model in determining type 1 and type 2 diabetes were 83. 7% , 94. 4% , and
Abstract: Objective To explore the value of Fisher's discriminant analysis FDA( 34. 8% . Conclusion FDA has a good ability to classify patients with type 1 and type 2 diabetes.Key wordsdiabetes mellituscontinuous glucose monitoring systemFishers discriminant analysisdiabetes classifi
: ; ; ; cation，糖尿病的 断分 血红10 s接收1次电流 ，每5 min将获得的电流信
蛋白、 试验、胰岛素及C 放试验、胰岛细胞抗体检测等［1］，仍存在1型及2型糖尿病分
号转换成
864
，持续监测72 h可，自动生成动态血 测 ，可显型困难的情况。动态血 测系统（CGMS） 种 持续测 水平的方法，借助于皮下传感器，每尿 不同 血糖水平
势及血糖波动特性⑵。Fisher判别分 的模式、趋机器学习
基金项目：河南省科技攻关计划项目（162102310605）。第一作者简介：司马明珠（1994-），女，在读硕士，研究方向为血糖预测模型的建立及临床应用。E-mail：2317284655@qq.com通信作者简介:李全忠（1961-），男，主任医师，硕士 师，主要从事内分泌疾病的 。E-mail：loicdf@163.com17山东医药2020年第60卷第13期中模式识别的经典算法，是数据处理的常用技术，可 用于分类判别［3］o本研究以CGMS监测系统收集 血糖数据，通过Fisher判别分析建立分类模型对1
线,使得数据点在投影到该直线后可以被分离,从而 达到数据分类的目的［］。Fisher判别分析线性方程 为:F=a + b1X1 +b2X2 +... +bnXn （a 为常量;
X1 ~Xn为自变量,1~bn为回归系数）o已知A、B
型及2型糖尿病进行判别分类，探索新型糖尿病分 类方法的可能性。两类观察对象，将每个观察对象有统计意义的变量 代入该方程，分别计算F值，若F （A）大于F（B）,则 判为A类，反之，则判为B类。本研究提取CGMS
1资料与方法1.1临床资料 选取2010年1月~ 2016年12月
河南省人民医院内分泌科收治糖尿病患者165例,
其中临床确诊为1型糖尿病14例,2型糖尿病151 例。入选标准:①符合1999年世界卫生组织1型及 2型糖尿病诊断标准⑷；②佩戴CGMS时间M72 ho1.2
CGMS血糖监测 CGMS设备主要由葡萄糖血糖监测1型及2型糖尿病组间差异有统计学意义 的指标（午餐前1 h MBG、TH、TL、MODD、TIR）作为
自变量，采用Fisher判别分析方法计算回归系数及 常量，建立分类模型。F1 = -89.556 +6.895 x午餐
前 1 h MBG + 1.028 xTH +95. 235 x TL + 128. 283 xTIR +7.296 x MODD；F2 = - 102. 222 +7.408 x
感应器和血糖记录仪以及电缆、信息提取器、软件组
成。感应探头置于腹部皮下,通过检测皮下组织液
午餐前 1 h MBG + 3. 064 x TH + 99. 483 x TL +
133.756 xTIR +8.357 xMODD。其中 F1 为2 型糖
内葡萄糖所产生的化学反应电信号反映患者血糖水
平。记录器可通过电缆10 s进行一次电信号传输,
尿病分类模型,F2为1型糖尿病分类模型。将每例 患者5个血糖波动特征值分别带入上述函数F1及
F2求值，如F2大于F1，则判定为1型糖尿病，反
每5 min将所得电信号转换为血糖值进行储存，每
天可储存288个血糖值。CGMS血糖监测的准确性
通过每天清晨手测一次末梢空腹血糖输入机器进行
之，则判定为2型糖尿病。1.4统计学方法 应用SPSS 25.0软件进行数据
校正。使用文献报道血糖波动特征计算方法［5］,从
所 集的 CGMS
中提取 17 血 分处理，计量资料以X ± s表示,采用两独立样本比较
t检验。应用回代性检验和交叉核实法检验对Fish
数据，分别为平均血糖值（MBG）、三餐前1 h MBG,
三餐后3 h MBG、血糖时间百分比（PT）、曲线下面
er 判别分析模型进行验证，采用ROC曲线评价
积（AUC）、血糖水平标准差（SDBG）、最大血糖波动 Fisher判别分析1型及2型糖尿病的效能。P ＜ 0.05为差异有统计学意义。幅度（LAGE）、平均血糖波动幅度（MAGE）、日间血
糖平均绝对差（MODD）;其中PT包括高偏移时间百
2 结果2.1 CGMS血糖监测1型及2型糖尿病血糖波动
分比（TH）、低偏移时间百分比（TL）、血糖高于上
限的时间百分比（HL）、血糖低于下限的时间百分比 （LL）、血糖处于正常范围的时间百分比（TIR）。1.3
Fisher判别分析方法 Fisher判别分析作为
比较 1 型 尿 中血 波动 午 1
h MBG、TH、TL、MODD高于2型糖尿病,TIR低于2
型糖尿病，两组间比较差异有统计学意义（P均＜
0.05 ）；其余血糖波动特征两组间比较差异无统计
一种判别方法，适用于两类和多类判别。通过最大 化类间方差与类内方差的比率获得一条合适的直1 h MBG 午 1 h MBG
1 h MBG
学意义（P均＞0.05）。见表1。后 3 h MBG 午 后 3 h MBG
后 3 h MBG表1 1型及2型糖尿病血糖波动特征比较（珔±s）组另q( mmol /L)
6.4±1.9
( mmol /L)
8.2±1.6 7.0±1.8 0.029
( mmol /L)
8.4±3.6
( mmol /L)
8.6±3.0 8.2±2.1 0.706 TL% ( mmol /L)
8.6±3.7 8.3±2.0
( mmol /L)7.5±3.78.2±2.21 型糖尿病
2 型糖尿病 P
6.8±1.5 0.372 MBG(mmol/L7.7±2.1
7.7±2.1 0.313
0.735 HL% 0.288LL% 组别
1 型 尿
)
AUC(d mmol/L- )
TH (%)( )( )( )1.9±2.1 1.0±1.2 0.172
129±14425 ± 586.07 ±8.411.11 ±4.0742. 86 ± 1.0213.50±11.702 型糖尿病 P
7.5±1.5 14.31 ±32.780. 3168.05 ±14.300.758 TIR% 0.0190. 0470. 275MAGE组别1型 尿2型 尿( )SDBG( mmol/L)MODD (mmol/L2.83 ±2.17)LAGEmmol /L9.05 ±5.18( )81.28±19.220.44 ±2.031.53±0.710. 1390.44 ±2.11-0.58 ±2.440. 13090.85 ±14.621.57±0.800. 0497.20 ±8.54P0. 0240. 4242.2 Fisher模型判别分析1型与2型糖尿病分类 结果 将每例患者午餐前1hMBG、TH、TL、MODD、18山东医药2020年第60卷第13期TIR值分别带入F1、F2糖尿病Fisher分类模型求
值，根据F1、F2 小，165 , Fisher模型确定1型 尿病23 ,2型糖尿病142 。2. 3 Fisher模型回代性检验结果 将Fisher分类
模型分型结 行回代性检验 ，临床最终确诊14 1 型 尿 ，Fisher 分 模型 分型 8(57.1% ),错误分型6例;临床最终确诊151例2型
糖尿病,Fisher分类模型正确分型136例(90.1% ), 错误分型15
。回代性检验总
分型144矿(87.3% ),错误分型21例(12.7% )o见表2o表2 Fisher分类模型
Fisher分型结果［例(％ )］断合计141 型 尿2 型 尿6(42.9)1型尿2型糖尿病8(57.1)15( 9.9)23
136(90.1)142151165标具有 性，可用于糖尿病的分
的情况仍
测,但是临合计1型及2型尿病分型 在。2. 4 Fisher模型交叉核实法检验结果 将165例
随着医 息管理计划的 和卫 测系的原始统计资料带入预测模型，按Jack-Knife 思想进行
尿 分型130
的引入，医 相 ，机器学习检验，显示Fisher分 模型1型分型 7
, 错误分型 7
; 2 型 尿成为一种更加高效、全面的 处理办法被 应用于 ［］。机器 可以用于疾病的分类和预测，其中支
,错误分型21例。 检验总机、人工神经网络、逻辑回归、准确分型137
(17.0% )o 见表 3。( 83. 0% ),错误分型29例Boosting算法等可以分别从不同 对糖尿 行分 测［小］。但是以上分 测方法计算 ！表3 Fisher分类模型交叉核实法检验结果［例(％ )］Fisher 分型断1 型 尿，实际操作 。与上述分 法相比，Fisher判别分 法可操作性强，且具有较高的分 确性。 Fisher 判别分
2 型 尿7(50.0)合计14法 过计算 有用的1 型 尿7(50.0)行分类，其主
换可
的是找 性变换值，该变的散射率最大对新2 型 尿21(13.9)130(86.1)137151165影到新空间的不同类别
合计28
，并使投影类别内的散射率最小。当 判别
2. 5 Fisher分类模型判别1型与2型 尿病的
对象进行分，一旦找到最佳线性变换，将其投影
ROC曲线分析 以Fisher分类模型预测值为检验
，丿 断结果为“金标准”绘制Fisher分,，并计算出它与不同类别均 的距模型判别1型与2型 尿病的ROC , 下
面积为 0.736 (SE =0.082, 95% CI 0.575 -0.897, P <0.05 )o Fisher分类模型判别1型与2型糖尿病
离，从 分配给新对象的类更接近该对象的类,提高分类准 ［2］。本 基于午餐前1 h MBG、TH、TL、M0DD、TIR等5个血糖波动 应用Fisher判别分的准确性、特异性、敏感性分别为83. 7%、94. 4%、 34.8%。见图 1。法建立糖尿病分类模型，回代上述血糖波动特
对1型及2型 尿
，全球
有行判别预测,分别带入3讨论根
F1和F2的 ，比较 小。际糖尿病联盟的最新
若F1 >F2,预测 对象可能为2型 尿病，反4.15亿成人糖尿 ，每 尿病及其并发测 对象可能为1型 尿病。通过回代性
的全球成本十分惊人。作为 健康不良和过
检验发现,165 ，总正确分型率87.3%，错误分型8例，错的主 因 ，已成为全球 型糖尿
，其流行 处于上升公共卫生问题⑷。1型及2分型率12.7% ；在1型糖尿病中
误分型 6 ; 在 2 型 尿 中 误分型 15
;
分型 136 , 错因及 机制的不同, 法不同，因法检验 总判断 为判定 尿 为 1 型 2 型十分 。83.0% o ROC 分 Fisher分类模型判别1型与
前，尽管1型2型 尿病组 血糖波动特征2型尿病的准确性、性、敏感性分别为
19山东医药2020年第60卷第13期83.7%、94. 4%、34. 8%，显示Fisher判别分析方法
17420.[6 ] Peter P, Lipska K. The rising cost of diabetes care in the USA
可用于糖尿病分类判别，且具有良好的糖尿病分类 判别能力。此为逐步规范和自动化医学诊断过程提
[J]. Lancet Diabetes Endoc ,2016 ,4(6) ：479-480.[7] Jung M. Digital health care and the fourth industrial revolution
供了一种新的可能性，具有一定的参考价值。[J]. Health Care Manag ,2019 ,38 (3) ： 253-257.[8 ] Han L, Luo S, Yu J, et al. Rule extraction from support vector
machines using ensemble learning approach： an application for diagnosis of diabetes[J] . IEEE J Biomed Health Inform, 2015, 19
本次研究所采用的样本数据类间差异较大，研 究中出现的1型糖尿病判别正确率欠佳的问题，可
能与类间数据不平衡相关。在处理不平衡数据时，
分类算法会趋向于多数样本,导致少数样本的分类
(2)：728-734.[9 ] Alcala-Rmz V, Zanella-Calzada LA, Galvan-Tejada CE, et al. I
dentification of diabetic patients through clinical and para-clinical
正确率下降。已有研究报道,该问题未来可通过联
合代价敏感技术或采样技术加以解决[13]。features in mexico： an approach using deep neural networks [J] .
参考文献：[1 ] Harreiter J, Roden M. Diabetes mellitus-definition, classification,
diagnosis, screening and prevention ( Update 2019 ) [ J ]. Wien
Inter J Environ Res Public Health, 2019,16(3)：381.[10] Hathaway QA, Roth SM, Pinti MV, et al. Machine-learning to
stratify diabetic patients using novel cardiac biomarkers and integrative genomics[J]. Cardiovasc Diabetol, 2019,18(1)：78.Klin Wochenschr,2019,131 ( Suppl 1) ：6-15.[]包玉倩•动态血糖监测技术的临床应用[J].中华内分泌代谢
杂志,2017,33(6) ：460464.[3 ]代雪珍,卫军超，常在斌•基于Fisher判别分析的分类模型研究
[11] Chen P. Diabetes classification model based on boosting algorithms
[J] . BMC Bioinformatics ,2018 , 19 ( 1 ) ： 109.[12] Iosifidis A, Tefas A, Pitas I. On the optimal class representation in
linear discriminant analysis [J] . IEEE Trans Neural Netw Learn, 2013, 24(9)：1491-1497.[J] •价值工程,2018 ,37(26) ：211-213.[4 ] Alberti KG, Zimmet PZ. Definition, diagnosis and classification of
diabetes mellitus and its complications. Part 1 ： diagnosis and classification of diabetes mellitus. Provisional report of a WHO consul- tation[ J] . Diabetic Med，1998，15 ( 7)：539-553.[13 ] Banerjee P, Dehnbostel FO, Preissner R. Prediction is a balancing
act： importance of sampling methods to balance sensitivity and spe
cificity of predictive models based on imbalanced chemical data sets
[ 5 ] Wang Y，Liu S，Chen R，et al. A novel classification indicator of
type 1 and type 2 diabetes in China [ J ]. Sci Rep, 2017,7 (1 ):[J] . Front Chem,2018 , 6：362(收稿日期：2019-11-28)•作者•编者•读者•“做”与“作”的推荐用法1首字是zuo的动宾词组，全用“做”做准备/做广告/做生意/做贡献/做事情/做手术/做检查/做父母/
做文章/做实验/做朋友/做斗争/做游戏/做动作/做试验//做报告/做研究/做调查/做处理/做运动/做努力/ 做调整/做后盾/做表率/做模范/做分析/做实事/做决定/做活动/做解释/做比较/做买卖/做设计/做衣L/ 做保证/做交易/做演员/做服务/做表演/做好事/做报道/做医生/做顾问/做介绍/做项目/做保障/做抵押/ 做美容/做企业/做担保/做示范/做事业/做临时工/做市场2首字是zuo的双音节词，按习惯用法做爱/做伴/做东/做工/做功/做鬼/做活儿/做媒/做梦/做亲/做人/
做事/做寿/做戏/做作;作案/作罢/作弊/作别/作成/作答/作对/作恶/作伐/作法/作废/作风/作梗/作古/作
怪/作家/作假/作价/作践/作乐/作脸/作料/作舌1/作美/作难/作孽/作弄/作呕/作陪/作晶/作色/作势/作数/ 作死/作祟/作态/作痛/作为/作伪/作文/作物/作息/作兴/作业/作揖/作俑/作用/作战/作者/作准。3末字是ZUO的双音节词或三音节词，全用“作”比作/变作/当作/读作/分作/改作/化作/换作/记作/叫作/ 看作/拼作/评作/认作/算作/听作/写作/选作/用作/装作/称作/释作/视作/分析作/化装作/解释作/理解作。4成语或四字格等固定结构中，有“做”或“作”的，按习惯用法白日做梦/敢做敢当/假戏真做/小题大
做/做贼心虚/好吃懒做/亲上做亲/ 一不做，二不休；逢场作戏/胡作非为/认贼作父/始作俑者/述而不作/天 作之合/为非作歹/为虎作侏/为人作嫁/无恶不作/兴风作浪/一鼓作气/以身作则/装聋作哑/装模作样/装腔
作势/自作聪明/自作多情/自作自受5在用“做”“作”两可的情况下，要做到局部一致用作一用做/作客一做客/作诗一做诗/作秀一做秀。摘编自《中国科技术语)2011,13(2) ：6020
因篇幅问题不能全部显示，请点此查看更多更全内容