Taipei Medical University Institutional Repository:Item 987654321/4397

全文

(1)臺北醫學大學傷害防治學研究所碩士論文 Taipei Medical University Institute of Injury Prevention and Control Master Thesis. 以類神經網路預測輕度頭部外傷後電腦斷層是否出現異常之分析 Using Artificial Neural Network to Predict CT Scan Abnormalities in Patients with Minor Head Injury. 指導教授 : 邱文達（Wen-Ta Chiu）研究生 : 楊旭峰（Seet-Foong Yong）. 中華民國九十六年六月.

(2) 中文摘要題目：以類神經網路預測輕度頭部外傷後電腦斷層是否出現異常之分析. 在美國每年約有 100 萬人因頭部外傷進行頭部電腦斷層檢查，這其中輕度頭部外傷佔了約 80%。對到達急診時昏迷指數(Glasgow Coma Scale, GCS) 15 分的病人而言，約有 3-15%電腦斷層檢查是有異常的，其中只有 1-5%是需要神經外科手術治療的。本研究的資料來源是從「中華民國頭脊髓外傷研究小組」所收集台灣全國頭部外傷資料庫，並從中挑選出自民國 94 年 7 月 1 號到民國 95 年 6 月 30 號，這其間發生輕度頭部外傷之傷病人來做研究，一共有 2,294 人。利用頭部外傷發生的機轉如車禍，跌落，墜落物襲擊及患者所使用的交通工具與相撞之物體等及臨床資料如年齡、性別、有顱骨骨折、局部神經功能障礙、有失去意識、創傷後癲癎、失憶、等來建構一類神經網路預測模型用來預測輕部頭部外傷後電腦斷層是否出現異常。最後，我們利用 ROC 曲線(receiver operating characteristic curve)及 ROC 分析法對此一神經網預測模型之鑒別能力作分析，也將此分析結果與傳統统計學邏輯迴歸模型作比較。在我們的研究中，大約有 44.2%的輕度頭部外傷後電腦斷層出現異常，而我們所建構的類神經網路模式為一個含有 17 個輸入變項的多層感知機.

(3) 網路。測試結果發現類神經網路模式有最大的 ROC 曲線下方面積(AUC： 0.887)。類神經網路模式與邏輯迴歸模式之 AUC 無統計學上之顯著差異。然而，在兩個關鍵的 ROC 曲線臨界點上類神經網路預測模式都有最佳之共存敏感度及特異度。若把 2 組敏感度固定為 90.3%，則類神經網路特異度為比邏輯廻歸的表現好(87% v.s. 50.3%)，且達到顯著差異。未來如果能結合臨床上用以預測輕度頭部外傷後電腦斷層出現更多的臨床變項（如嘔吐、頭痛等）納入建構類神經網路模式，相信類神網路將可協臨床醫師在做決定讓病人進行電腦斷層與否多一層把握。. 關鍵詞: 類神經網路、輕部頭部外傷、邏輯迴歸.

(4) Abstract Title: Using an artificial neural network to predict CT scan abnormalities in patients with minor head injuries. About one million people in the US receive brain computed tomographic examination every year due to head injuries.with 80% of them suffering a mild head injury. Among patients arriving in the emergency room with a Glasgow Coma Scale (GCS) of 15, 3%-15% of them were found to be abnormal in their brain CT scan, and up to 5% of them required neurosurgical intervention. We used the Taiwan National Head Injury Database collected by the Head and Spinal Injury Research Team. we selected patients (n=2,294) with a mild head injury in from July 1,2005 to June 30,2006. Based on information from the database and clinical research material, we then established a neural network to predict whether any abnormality appeared in the brain CT in patients with a mild head injury. The ANN’S ability to discriminate. outcomes. was. assessed. using. receiver. operating. characteristic (ROC) curve analysis and the results were compared with a multiple logistic regression model..

(5) The results of the study that brain CT abnormalities following a mild head injury occurred in 44.2% of the patients, and that 17 predictive variables were identified by the ANN model. When tested on the same validation set, the ANN model had the greatest area under the ROC curve (AUC=0.887). we also found that a pair-wise comparison between the ANN and LR (AUC=0.861) models showed a similar predictive performance (p=0.078). The ANN model had the best simultaneous sensitivity and specificity at two pre-defined cut-off values. If the cut-off point sensitivity was fixed at an optimal level of 90.3%,we found the study showed that the ANN model had a better specificity and performance than a classical statistical logistical regression model (87% vs. 50.3%) Based on this study results, we conclude that we can merge clinical tests to determinate the exceptional outliers from the CT results after studying mild head injury, symptoms, such as vomiting and headache, to help clinicians better decide on whether to order brain CT scan.. Key word: Artificial neural network, Mild head injury, Logical regression.

(6) 感謝函研究所生涯能夠於二年順畢業，要感謝的人很多。首先要感謝的是我的指導老師邱文達院長，除了在課業上給予的指導，在論文的寫作給予耐心的修正及指引，還不時地給予生活上的關懷。讓我在碩士班兩年的生活裏更上一層樓，對於研究有了進一步的認知。另外，想要感謝所長及所上的老師，除了知識的提供，也給予我不少關於論文寫作的寶貴意見。最不捨的是陪我度過研究所兩年生活的同學，感謝他們在各方面給予的協助，讓我在工作之餘，可以順利完成學業。而在唸書期間，要謝謝科內蔡主任及同事們給予排班上面的配合及協助。最後當然要謝謝我的家人及我的女朋友，一直以來所提供的幫忙及支持。兩年的時間非短暫，研究所的生涯也將告一段落，我只能再次地感謝每一個陪伴我、協助我的人。沒有你們的幫忙，我是無法做到這一切的。. 楊旭峰謹誌中華民國九十六年七月.

(7) 目錄第一章緒論第一節研究背景……………………………………………..…. 1. 第二節研究目的…………………………………………..……. 5. 第三節名詞定義…………………………………………..……. 6. 第二章文獻探討第一節輕度頭部外傷之定義…………………………..……… 10 第二節預測頭部外傷後腦出血或電腦斷層異常的危險因子. 13. 第三節以類神經網路模式來預測輕度頭部外傷後電腦斷層異常………………………………..…………………… 18 第三章研究方法與步驟… 第一節研究對象………………………..……………………… 21 第二節研究地區與時間……………………..………………… 24 第三節研究架構…………………………..…………………… 26 第四節變數的選取………………………………..…………… 28 第五節類神經網路模式…………………………..…………… 30 第六節邏輯迴歸模式………………………………………….. 41 第四章結果與分析………………………………….……………. 43 第五章討論……………………………………………………….. 63 第六章結論……………………………………………………….. 72 第七章限制……………………………………………………….. 73 參考文獻………………………………………………………….... 75.

(8) 表目錄表一、昏迷指數(GCS)…………………………………………….. 8. 表二、 ICD-9 分類碼……………………………………………. 23. 表三、研究架構(一) ……………………………………………… 26 表四、研究架構(二) ……………………………………………… 27 表五、衍生組及交互驗證組 2 組之間的病人特徵變項比較(一). 44. 表六、衍生組及交互驗證組 2 組之間的病人特徵變項比較(二). 44. 表七、衍生組及交互驗證組 2 組之間的病人特徵變項比較(三). 45. 表八、衍生組及交互驗證組 2 組之間的病人特徵變項比較(四). 46. 表九、衍生組及交互驗證組 2 組之間的病人特徵變項比較(五). 47. 表十、衍生組及交互驗證組 2 組之間的病人特徵變項比較(六). 48. 表十一、衍生組及交互驗證組 2 組之間的病人特徵變項比較 (七) …………………………………………………..…. 48. 表十二、衍生組及交互驗證組 2 組之間的病人特徵變項比較 (八) …………………………………………………..…. 49. 表十三、衍生組及交互驗證組 2 組之間的病人特徵變項比較 (九) ………………………………………………..……. 50. 表十四、衍生組及交互驗證組 2 組之間的病人特徵變項比較 (十) ………………………………………………..……. 50.

(9) 表十五、衍生組及交互驗證組 2 組之間的病人特徵變項比較 (十一) ……………………………………………….…. 51. 表十六、邏輯迴歸模式…………………………………….……. 56. 表十七、以驗證組建構的類神經網路模式及邏輯性迴歸模式 ROC 曲線下的面積……………………………….……. 61. 表十八、以驗證組建構的類神經網路模式及邏輯性迴歸模式 ROC 曲線成偶比對(Pairwise Comparison) ……...……. 61. 表十九、以驗證組(n=574)建構的 2 組間最精確(最少的偽陰性及偽陽性的結果)的臨界值的敏感度及特異度…….…. 62. 表二十、以驗證組(n=574)建構的 2 組模式，並將敏感度固定於 90.3%……………………………………………….... 62.

(10) 圖目錄圖一、神經元結構的簡圖………………………………………… 31 圖二、感知機之數學模式………………………………………… 33 圖三、單層感知機模型………………………………………….. 34 圖四、多層感知架構……………………………………………… 37 圖五、一個(17 x 11 x 1)預測輕度頭部外傷後電腦斷層出現異常的類神經網路模式………………………………………… 40 圖六、10 個不同結構的網路……………………………………… 53 圖七、以驗證組建構的類神經網路模式 ROC 曲線下的面積為 0.887………………………………………………………. 55 圖八、以驗證組建構的邏輯性迴歸模式 ROC 曲線下的面積為 0.861………………………………………………………. 59 圖九、以驗證組建構的類神經網路模式及邏輯性迴歸模式 ROC 曲線下的面積為各為 0.886 及 0.861………………. 60. 圖十、輕度頭部外傷處置流程圖……………………………….. 70 圖十一、使用類神經網路模式於輕度頭部外傷危險性分類…… 71.

(11) 第一章緖論第一節研究背景. 每年在美國及加拿大約有 800 萬人因頭部外傷到急診就醫，占了每年急診就醫人數 12 億的 6.7%（1）。而在美國大約每年約有 100 萬人會進行頭部電腦斷層檢查（2），因頭部外傷住院人數達 37 萬人、其中 5.2 萬人死亡（3）。在美國 2000 年的頭部外傷造成間接與直接醫療成本損失約美金 600 億元（4）。頭部外傷中以輕度頭部外傷佔了 80%，而最主要的受傷機轉是因為車禍、趺倒（5）等所告成的突然且劇部烈的頭部撞擊，進而使得腦部組織直接或間接受到傷害。輕度頭部外傷最常發生於年齡層 15-24 歲及大於 75 歲的人。據文獻，因頭部外傷到達急診時昏迷指數(Glasgow Coma Scale, GCS) 15 分的病人大約有 3-15%電腦斷層檢查是有異常的（6,7,8），其中只有 1-5%是需要神經外科手術治療的（9,10,11）。電腦斷層在西元 1971 年由 Hounsfield 在英國建置，至今大約三十多年。頭部電腦斷層仍是用來診斷頭部外傷後是否會有顱內出血的重要工具。對於頭部外傷的病人處理，一般都會根據 1979 年 Teasdale et al 等人將頭部外傷依昏迷指數分為輕度、中度、重度。重度頭部外傷是昏迷指數在 3-8 分之間的病人，而輕度頭部外傷則是指 13-15 分之間的病人（12）。對於中、重度頭部. 1.

(12) 外傷的病人一般都會立刻進行電腦斷層檢查。然而輕度頭部外傷佔了頭部外傷的病人的絕大部份，而真正有問題的病人卻不多。對於輕度頭部外傷病人，是否應該立刻進行電腦斷層檢查，卻始終沒有統一的處理準則。在臨床上，對於輕度頭部外傷病人，我們會再把他們分類成高危險群、中危險群、低危險群（13）。高危險群的病人為：凝血功能障礙、喝酒、中毒情形、年齡大於 60 歲、有顱骨骨折、局部神經功能障礙、瞳孔不等大、有失去意識、創傷後嘔吐、創傷後癲癎、失憶、大範圍的頭皮血腫（14）。高危險群中昏迷指數 13 分者有 40% 電腦斷層檢查會有異常，而昏迷指數 15 分者有 10% 電腦斷層檢查會有異常（15）。對於輕度頭部外傷的高危險群病人一般都會建議進行電腦斷層檢查。中危險群包括了昏迷指數 15 分者合併以下其中一項: 有失去意識、創傷後嘔吐、失憶或頭痛。在這群病人中，約有 1-3 %會需要神經外科手術清除血塊（14）。因此這群病人建議進行電腦斷層檢查或在急診室留觀。至於低危險群病人，包括了昏迷指數 15 分沒有失去意識、沒有創傷後嘔吐、沒有失憶或沒有頭痛者。不需進行電腦斷層檢查，可以給予頭部外傷卡衛教後出院回家。然而，對於輕度頭部外傷病人處置及病人安全是否達完善地步呢？病人是否可以安全出院回家呢？事實不然。在一項研究中發現，有 50%住院病人在 1 到 8 小時中沒有完整神經學檢查（16）。另一項研究指出，大約有 30% 頭部外傷住院病人沒有完整神經學檢查（17）。再者，有研究指出給予頭部外傷卡. 2.

(13) 衛教後出院回家的病人很少會記得這些衛教內容（18）, Levitt et al 發現有 23% 輕度頭部外傷病人衛教內容（19）。因此，觀察對於頭部外傷病人處置並不是最好的策略。Krause JF et al 並指出大約 3%輕度頭部外傷病人會在沒有預期的情况下突然惡化（20）。一篇多個醫學中心合作的研究指出在沒有電腦斷層的時代，約有 13%昏迷指數在 15 分的頭部外傷病人會突然陷入昏迷（21）。Lee et al 進行了前瞻性的研究，他追踪了 1,812 昏迷指數在 15 分的頭部外傷病人。結果有 28(1.5%)病人會突然惡化，其中 16 人在前 24 小時內；28 人中 23 人需要神經外科醫師介入（22）。對於頭部外傷而引起的腦組織受傷、甚至顱內出血，有時候初始的症狀是不明顯的。在一些研究中發現，臨床症狀並不能很好的預測頭部外傷後是否會引起的顱內組織受傷（23,24）。而一些針對篩選頭部外傷後是否會引起的顱內組織受傷法則，也無法達到滿意篩選敏感度（2,25,26）。因此，臨床醫師面對輕度頭部外傷病人處置變的很棘手。尤其是急診科醫師，面對許多病人或傷者的家屬往往會擔心病人會突然惡化而要求立刻做頭部電腦斷層或者辦理住院時。以較低的門檻安排病人住院或作電腦斷層，則會造成不必要的醫療資源浪費。據估計 1992 美國急診共作了 270,000 次頭部電腦斷層，約花費了 135-216 百萬(500-800 美元/一次) （27）。然而，若一定等到神經學變化或病情惡化才作電腦斷層，則可能發生延誤治療，甚至引起醫療糾紛。沒有察覺到腦組織受傷往往會造成永久腦神經受損，終生殘障，植物人，甚至造. 3.

(14) 成死亡（28）。近年來，不同的統計及計算方法，被使用在臨床上用來預測疾病的預後、臨床診斷及治療。除了傳統上使用的統計方式，如：區別分析 (discriminant analysis) 及邏輯迴歸分析 (logistic regression)。類神經網路已經成功地廣泛使用於：型態鑑別 (pattern recognition)、臨床的診斷、及預後的預測。類神經網路的優勢在於可以找出，與我們想預測的結果有關的輸入變數之間、非線性的複雜交互作用。再者，類神經網路與一般傳統統計方法不同的是，它可以透過實例的輸入學習來建立而非一般傳統統計方法事先設計好程式。所以我們希望能以 ANN 做為一個很好的工具，來預測輕部頭部外傷後電腦斷層是否出現異常。. 4.

(15) 第二節研究目的. 本研究之主要目的： 1.以類神經網路及多變項邏輯迴歸建立起可用來預測輕度頭部外傷後頭部電腦斷層是否出現異常的模式。 2.協助臨床醫師判斷輕度頭部外傷後頭部電腦斷層是否出現異常，以提高判斷上準確率，減少誤判。 3.同時，希望能達致減少頭部電腦斷層使用率以減低醫療資源的花費，病人在急診等候的時間，及減低放射線所帶來潛在性危險。. 5.

(16) 第三節名詞定義. 本研究所使用的專有名詞，其定義如下：一、頭部外傷：在腦神經外科學上所指的頭部外傷為因為外力所引起的傷害，而並非真的有任何特別的外傷。在臨床上常以腦部或腦神經受傷、顱內出血、顱骨骨折、產生意識喪失、外傷後造成之健忘症以及神經障礙等症狀來定義頭部外傷。本研究所定義的頭部外傷，為以上所列的症狀、徵候與診斷，若具有其中一項或以上者，則可被登記為頭部外傷（29,30,31）。本研究所使用輕度頭部外傷定義是依 ATLS 的定義:是指所有抵達急診時昏迷指數在 13-15 分之間的病人，主述頭部受到任何方式的撞擊(包括跌倒、車禍、物品墜落擊中等)（32）二、嚴重度的判定是以患者到達醫院時由醫師所判定的昏迷指數(GCS)。受傷嚴重度：Glasgow Coma Scale（GCS），為一種用來評估病人意識狀態的指標，以病人就診時的睜眼、四肢活動以及語言能力來判定其意識狀態與等級，成人滿分為 15 分，最低為 3 分。3-8 分為重度傷害、9-12 分為中度傷害、13-15 分為輕度傷害。（表一）三、電腦斷層異常之定義：指腦水腫、顱骨骨折、蜘蛛網膜下出血、硬腦膜下腔出血、硬腦膜上腔出血、腦出血、腦室出血、中線偏移、腦幹周圍腦池壓迫、基底核腦池壓迫( 10,33 )。. 6.

(17) 四、受傷原因之定義： 1. 車禍：指因乘坐各種交通工具（諸如機車、汽車、腳踏車...等）而受傷，或被交通工具所碰撞而受傷。 2. 跌落：包括自高處（諸如桌椅、建築物、樓梯...等）的墜落（大於一公尺的高度稱為高處跌落）以及在平地上的跌倒或絆到。(小於一公尺的高度稱為低處跌落）。 3. 墜落物襲擊：是指病人主述任何物體由高處砸下擊中頭部。五、交通工具與相撞物體：由病人自述或救護人員以及目擊者轉述。六、各種臨床症狀的定義： 1. 創傷後癲癎：指外傷後有癲癎的現象(有現場目擊者或有可性的臨床症狀)。 2. 意識喪失：指病人自述失去意識，或有目擊者發現病人失去意識，或對外界的刺激沒有反應(包括對聲音刺激，給於身體的刺激，如推動患者，搖動患者，及捏患者等…)。 3. 意識喪失的時間：指目擊者(包括照顧者，救護人員，檢查醫師) 自行估計病人受傷後到恢復自主能力的時間。 4. 創傷後健忘：指病人受傷後到達醫院，無法記起事情發生的經過。 5. 創傷後健忘的時間：指病人受傷後到達醫院的時間開始到病人記起事情發生的經過。. 7.

(18) 6. 神經功能障礙：指病人有不正常的昏迷指數(GCS)，運動神經缺陷，步態異常，不正常小腦功能，及大腦神經異常。. 表一昏迷指數(GCS) 張眼反應. Eye opening（E）. Scale. 自然張開. Spontaneous. 4. 要求病人才會張開. To call. 3. 弄痛病人才會張開. To pain. 2. 沒有反應. None. 1. 運動反應. Motor response（M）. 遵從指示. Obeys commends. 6. 能指出疼痛的位置. Localizing to pain. 5. 欲疼痛會回縮. Normal flexion（withdrawal）. 4. 對疼痛產生彎曲反應. Abnormal flexion（decorticate）. 3. 對疼痛產生伸張反應. Extension（decerebrate）. 2. 沒有反應. None（flaccid）. 1. 8.

(19) 語言反應. Verbal response（V）. 言詞清楚. Oriented. 5. 言詞不清. Confused. 4. 只能說單字. Inappropriate words. 3. 只能發生. Incomprehensible sounds. 2. 不能發生. None. 1. 9.

(20) 第二章文獻探討第一節輕度頭部外傷之定義. 國內外有關頭部外傷的研究中，對於輕度頭部外傷的定義皆不盡相同。然而如何很好的定義輕度頭部外傷是很困難卻又很重要的。這些輕度頭部外傷的病人，有一小部分的人可能有生命危險，然而更多的人會有短暫甚至永久的神經認知上缺失的後遺症。事實上，我們也很難說服這些病人他們受傷後的神經障礙是輕度的。頭部外傷(head injury)與外傷性腦受傷(traumatic brain injury)意義上是不相同的。Jagoda AS 等人將頭部外傷定義為在臨床上有理學檢查來證明，頭部受到外傷後有出現瘀青、撕裂傷、頭部變形或腦脊髓液的外露（5）。國內邱文達教授的研究則定義頭部外傷為包含腦震盪、顱骨骨折、腦部損傷造成神經上以及認知上的缺陷、外傷後的失憶、神經上的後遺症或是有證據指出病人有顱內出血的情況。(Wen-Ta Chiu1997) Jagoda AS 等人將外傷性腦受傷定義為腦部受到傷害，然而未必在臨床及理學檢查上有證據顯示（5）。美國疾病管制局(CDC)對於外傷性腦受傷的定義為：頭部受到震盪或因為穿刺性傷害進而造成了腦部功能的損害。而受傷的嚴重度可能輕自短暫的意. 10.

(21) 識喪失（輕度傷害）或是重至於受傷後一段時間出現意識喪失或失去記憶的情況（重度傷害）。而外傷性腦受傷也會造成短期或是長期傷者獨立生活的障礙。輕度外傷性腦定義為受傷後昏迷指數在 13 到 15 之間、短暫失去意識或沒有意識上的障礙。（34） The American Congress of Rehabilitation Medicine 對於輕度外傷性腦受傷的定義為至少要有以下的一個條件：1.受傷當時或受傷後有失去意識小於 30 分鐘的情況。2.受傷後失去記憶小於 24 小時，包括任何受傷前或受傷後的記憶喪失。3.受傷後有意識上的障礙(例如意識混亂、喪失定向感)。法國學者 Kosakevitch-Ricbourg L 認為頭部外傷應該以臨床加上放射影像為標準分為輕、中、重度。而將輕度腦受傷定義為受傷當時或受傷後有失去意識小於 30 分鐘，昏迷指數在 13 到 15 之間、受傷後失去記憶小於 24 小時及電腦斷層沒有發現有顱內病灶（35）。 Pickett 等人於加拿大的研究中則依據加拿大醫院傷害報導與防治計畫 Canadian Hospitals Injury Reporting and Prevention Program(CHIRPP)的定義，指出頭部外傷為包含輕度頭部傷害、腦震盪、顱內傷害、顱骨骨折以及跟頭部傷害有相關的各種損害，但不包括眼部傷害、顏面骨折、牙齒傷害或是顏面的撕裂傷。（36）由於我們的研究目的在於建構類神經網路以找出輕度頭部外傷後頭部電腦斷層會出現異常者。而研究也指出輕度外傷性腦受傷中低危險群病人，包. 11.

(22) 括了昏迷指數 15 分沒有失去意識、沒有創傷後嘔吐、沒有失憶或沒有頭痛者，仍有 0.1%病人會需要神經外科手術清除血塊。Martin RC 等人研究則顯示說如果刪除掉顏面骨折的病人同時也會將許多腦部傷害的病人刪掉（37）。所以我們的研究所使用 ATLS 對輕度頭部外傷所作的定義:是指所有抵達急診時昏迷指數在 13-15 分之間的病人，主述頭部受到任何方式的撞擊(包括跌倒、車禍、物品墜落擊中等) （32）。. 12.

(23) 第二節預測頭部外傷後腦出血或電腦斷層異常的危險因子. Hofman PAM 等人於 2000 統合分析(meta-analysis)研究中指出顱骨骨折與腦受傷之間的關係。作者知道很難把方法設計不同的研究做比較，因此回顧了 200 篇研究論文之後，選擇了符合他們標準的 20 篇研究論文。分析發現有骨折的病患顱內損害的的敏感性從 0.13 到 0.75，特異性由於 0.91 比 0.995。作者認為過高的特異性可能與他們的選擇性偏差和檢證性偏差有關 (例如，進行電腦斷層掃描的病患可能是昏迷指數分少於 15 者或者有顱骨骨折者)。頭顱骨折的陽性預測值為 0.41，陰性預測值為 0.94 的。這些結論表明頭顱骨折的存在增加顱內損害 5 倍。但是，作者的結論認為，頭顱骨折的存在增加顱內損害，但是它的低的敏感性使它無法做為排除頭部外傷後腦出血的診斷（8）。 Miller 等人前瞻性研究中，企圖在 2,143 人中找出頭部外傷後，需要神經外科手術治療的預測因子。結果他發現 6.4% (95%信賴區間為 5.4%到 7.6%) 的病人電腦斷層有病灶；；但是，只有 0.2%是需要外科手術介入的。病人若有：噁心，嘔吐，劇烈頭痛，或有凹陷性顱骨骨折的情形發生，其需要外科手術介入的 positive predictive value 是 100%。沒有任何一位病人，即使腦部電腦斷層有異常，但沒有以上的危險因子，最後有需要外科手術的介入是 0（10）。 Borczuk 等人在回溯性研究中發現，在 1,211 位昏迷指數為 15 分的頭部外傷病人中，有 75 人 (5.9%) 在電腦斷層上會呈現異常，只有一位 (0.08%) 需. 13.

(24) 要神經外科手術的介入。他們發現頭部軟組織受傷，有局部神經障礙，及受傷的位置在頸部以上者，都是預測顱內病灶的危險因子（2）。 Dunham 等人在回溯性研究中表示，他們收集了外傷中心的資料 (Database)，總共有 1,481 位昏迷指數為 15 分的頭部外傷病人；45 人 (3.0%) 電腦斷層是有病灶的，只有 2 人 (0.13%) 需要外科手術介入。他們發現大於 60 歲，及頸部以上有受傷者，與電腦斷層呈陽性是有相關的（38）。 Lee 等人則是追蹤了 1,812 位輕度外傷性腦受傷，而昏迷指數在 15 分的病人，其中有 28 位 (1.5%) 由急診回家後，在受傷後的兩個月內突然惡化。但可惜的是，他們的病人一開始都沒有做電腦斷層。而他發現，頭痛，局部神經障礙，嘔吐及年齡大於 60 歲是預測病人惡化的因子（22）。 Vilke 等人在研究中，特別以詳細的神經理學檢查，來預測頭部外傷後，電腦斷層是否會顯示病灶？這篇研究的樣本數只有 58 人，他們發現其中 3 人的電腦斷層有異常，而這 3 人中的其中 2 個人，其神經理學檢查是正常的，但卻是有 1 個人是需要神經外科手術介入。因此，作者的結論是，單靠神經理學檢查來判斷，要不要做電腦斷層檢查是不足的（39）。近期，有幾篇文獻報告，試著要為輕度頭部外傷的病人，制定一些需要做電腦斷層的標準。Stiell 等人在 2001 年進行了一個前膽性的研究，在 3,121 人中，有 2,078 人 (67%) 有做電腦斷層；而其他沒有做電腦斷層的病人，以電話追蹤及神經精神學測試，若正常則表示等同於電腦斷層沒有異常發現。. 14.

(25) 所有的病人都進行 14 天的評估，他們的主要評估結果為，病人是否需要外科手術的介入？而次要結果為“臨床上重要的腦受傷”(clinical important brain injury)。另外，“臨床上不重要的腦受傷”(clinical unimportant brain injury) 被定義為：單獨的腦挫傷直徑小於 5 公釐 (mm)；硬腦膜下腔出血小於 4 公釐厚；單獨的氣腦 (pneumocephalus) 及閉鎖性凹陷性顱骨骨折。研究總結表示，沒有病人因為“臨床上不重要的腦受傷”出院後惡化。作者認為，輕度外傷性腦受傷的病人，若有下列五個危險因子之任何一個，才需要進行電腦斷層的檢查。包括：受傷後 2 小時昏迷指數無法回復到 15 分；疑似有開放性顱骨骨折；有顱底骨骨折的症狀；嘔吐多於 1 次；或年齡大於 64 歲。也就是 Canadian CT head rule(CCHR)。作者也認為，他們的研究用以偵測頭部外傷後，需要神經外科手術介入的敏感度，可以到達 100%（40）。在一個一級的研究中，Haydel 等人設計一個前瞻性的研究，他們評估了 1,429 位輕度頭部外傷的病人，這個研究分成兩個階段。第一階段是以 520 位病人，來找出可以預測顱內病灶的因子。第二階段再用 909 位病人來做測試，也就是“驗證”的步驟。作者發現有 93 位病人 (6.5%) 有顱內病灶，但只有 6 人 (0.4%) 需要神經外科手術介入。七個預測電腦斷層會有異常的因子，症狀部分有五個，包括了：頭痛 (任何形式的頭痛)；嘔吐；年齡大於 60 歲；中毒；及短期記憶缺失 (持續的順行性健忘)。理學檢查則包含了兩個，就是受傷位置在鎖骨之上及癲癇。這七個預測因子就是 New Orleans Criteria (NOC)。作者. 15.

(26) 表示，如果沒有以上這七個因子，則電腦斷層結果的陰性預測率 (negative predictive value) 可以到達 100%（9）。 2005 年時 Marion Smits 等人在荷蘭進行一個前瞻性的研究，範圍涵蓋了多家醫學中心。以 3,181 位頭部外傷病人，昏迷指數在 13 到 14 分，或昏迷指數在 15 分，且加上至少有一項 CCHR 或 NOC 提到的危險因子，用以驗證 CCHR 及 NOC。結果顯示，在 3,181 位昏迷指數在 13 分到 15 分之間的病人，有 17 人 (0.5%) 需要神經外科手術治療。而電腦斷層顯示，有外傷後腦神經異常的病人為 312 位 (9.8%)。對於 CCHR 及 NOC 預測，外傷後需要神經外科手術治療的敏感度可達到 100%。而對於預測外傷後電腦斷層異常，及“臨床上重要的腦受傷”，NOC 可以達到 97.7% ~ 99.4%的敏感度，而 CCHR 只達到 83.4% ~ 87.2%的敏感度。然而 NOC 的特異度是非常低的，只有 3.0% ~ 5.6%，而 CCHR 則有較高的特異度，為 37.2% ~ 39.7%（41）。 William R 等人則認為，Haydel 及 Stiell 雖然顯示他們的研究，有很好的敏感度。但是 NOC 及 CCHR 都是只針對那些有失去意識的病人。另外，Stiell 研究將有健忘及失去定向感的病人，加入他們選擇的標準，這也讓一些低危險群的病人被排除在外。對於那些頭部外傷沒有失去意識的病人，他們並沒有給予指引。再者，在 Haydel 的研究中，他們將所有受傷位置在鎖骨以上的病人 (包含了有小範圍的頭部挫傷，擦傷，撕裂傷及小範圍的臉部受傷)，全部給予頭部電腦斷層檢測，當然這也就提高了他們的敏感度。這也使得很多. 16.

(27) 使用臨床判斷，可以沒有問題的病人，必須進行電腦斷層檢查。讓各醫學中心的電腦斷層使用量大增（42）。在很多輕度頭部外傷的研究中，過於重視在確認頭部外傷後，必須接受神經外科手術介入的病人。然而，大多數的文獻並沒有清楚地指出，那些有顱內病灶的病人，會出現惡化的情形。而且，也沒有提到那些顱內有病灶的病人，會有腦振盪症候群。所以，我們的研究是傾向於找出那些輕度頭部外傷的病人，會有顱內病灶顯示於電腦斷層上。. 17.

(28) 第三節以類神經網路模式來預測輕度頭部外傷後電腦斷層異常. 近年來，不同的統計及計算方法，被使用在臨床上用來預測疾病的預後、臨床診斷及治療。除了傳統上使用的統計方式，如：區別分析 (discriminant analysis) 及邏輯迴歸分析 (logistic regression)。類神經網路已經成功地廣泛使用於：型態鑑別 (pattern recognition)、臨床的診斷、及預後的預測。類神經網路的優勢在於可以找出，與我們想預測的結果有關的輸入變數之間，非線性的複雜交互作用。再者，類神經網路與一般傳統統計方法不同的是，它可以透過實例的輸入學習來建立而非一般傳統統計方法事先設計好程式。 Forsstrom 及 Dalton 指出，類神經網路是一種以電腦基礎的型態鑑別 (Pattern recognition)方法，是以模擬人類腦細胞糸统的網路科學。網路的個別輸入變數又稱為一個“神經元 (neuron)”，可以從另一個神經元接受抑制 (inhibitory) 刺激或興奮刺激 (excitatory)。類神經網路可以辨識出其他方法無法辨識，且不明顯相關的輸入變數之間的關係，因而增加其預測的準確性。所以，許多醫學決策支系統 (medical decision support system; MDSS)成功使用類神經網路來解决複雜的資料庫問題（43）。李友專教授等人在 2000 年發表了以多層感知機網路 (Multi-Layer Perception; MLP)，半徑式函數網路 (radial-basis-function; RBF ) 及邏輯迴歸模. 18.

(29) 式 (logistic regression; LR) 來建立一個外傷性腦受傷的醫學決策支系統 (medical decision support system; MDSS)。作者將病患的昏迷指數，顱骨骨折的類型，癲癇等當成輸入變數來預測，那些病患最終會被神經外科醫師建議進行開顱手術。作者利用“中華民國頭脊髓外傷研究小組”的全國頭部外傷資料庫，取 1992 年到 1994 年共 12,640 位病人，並隨機抽樣 9,480 人，來訓練及建立起類神經網路模式，再以 3,160 位病人來驗證這個模式。結果，多層感知機網路(MLP)的敏感度及特異度為 88%及 80%，半徑式函數網路(RBF)為 80% 及 80%，邏輯迴歸模式(LR)為 73%及 68%。而 Receiver-Operating Characteristics (ROC)曲線算出，曲線下的面積 (area under curve; AUR) 分別為 0.897、0.880 及 0.761。作者認為類神經網路比傳統統計學更好，可以當成醫學決策支持系統來解決一些更複雜的，而且非線性的問題（44）。 2003 年國內，許明輝等人建立神經網路，來預測頭部外傷後電腦斷層結果。作者以十個輸入變項，包括了病人的臨床變數：性別、年齡、昏迷指數、血壓 (收縮壓、舒張壓)、心跳速率、瞳孔光反應、是否飲酒？是否伴隨其他傷害？與受傷機轉 (車禍、暴力、跌落、其他)。在區域醫院共收集了 150 例，有接受頭電腦斷層掃描檢查。其中 100 例作為訓練之用，50 例作為驗證之用，以各種不同輸入的變數組合來預測頭部電腦斷層掃描結果是否為正常，及頭部電腦斷層掃描結果是否出現具外科意義之血塊。共訓練 9 組類神經網路結果，類神經網路在預測頭部電腦斷層掃描檢查結果正常與否，其敏感度可達. 19.

(30) 81.48%，專一性可達 100%。至於預測頭部電腦斷層掃描檢查結果是否出現具外科意義之血塊，其敏感度可達 92.11%，專一性可達 83.33%（45）。 Madhumita Sinha 等人以類神經網路，來預測小兒頭部外傷後，電腦斷層是否異常？作者以回溯性方式找出 382 個頭部外傷及做過電腦斷層的病人，用以建立起類神經網路，再以前瞻性的收集了 351 位，有頭部外傷及做電腦斷層的病人，來驗證類神經網路。另外，作者也請臨床醫師在做電腦斷層前，先以臨床症狀來預測病人的電腦斷層是否異常，及建立起邏輯迴歸的模式。結果發現 351 人中有 55 位 (12.9%) 病人電腦斷層顯示異常。類神經網路預測頭部外傷的敏感度是 82.2%，而醫師預測的敏感度是 62.2%。因此，作者認為類神經網路可以用來幫助急診科醫師，判斷頭部外傷後電腦斷層是否有異常（46）。. 20.

(31) 第三章研究方法與步驟本研究希望建構一類神經網預測模型與傳統统計學邏輯迴歸模型，用於預測輕部頭部外傷後電腦斷層是否出現異常。並比較及分析這兩種模型鑒別能力。. 第一節研究對象. 本研究的資料來源是從「中華民國頭脊髓外傷研究小組」所收集到台灣地區北部、中部、南部、東部四個區域集結而成的全國頭部外傷資料庫，並從中挑選出自民國 94 年 7 月 1 號到民國 95 年 6 月 30 號，這其間發生輕微頭部外傷且大於 15 歲以上的病人來做研究，一共有 2,294 人。全國頭部外傷資料庫的收集方式是以結構式的問卷來抄錄各個合作醫院之頭部外傷病人之醫院記錄，並沒有和病人直接的接觸，抄寫的內容包含了頭部外傷的病歷報告以及相關診斷圖表。而合作的醫院一共有 55 家中、大型醫院。並具有豐富治療頭部外傷的神經外科醫生所組成的醫療團隊及完整的醫療設備的醫院。對於頭部外傷個案的確認，以 ICD-9 分類碼來做初步的篩選。適用於本研究之 ICD-9 分類碼如（表二）所示，首先以 ICD-9 分類碼來篩選出可能為. 21.

(32) 研究所需之頭部外傷個案，之後再以其病歷記錄來確定是否真的具有頭部外傷的證據。而此份頭部外傷結構式問卷也曾經做過專家信效度的測試，其詳細內容如下（問卷），而在問卷抄寫的部分，則是派遣有經過訓練的訪員至各個醫院抄錄病歷資料。民國 94 年 7 月 1 號到民國 95 年 6 月 30 號，這其間發生頭部外傷有 3,804 位，排除了中、重度頭部外傷患者(n=910)，年齡小於 15 歲以上的病人(n=319) 及沒有做頭部電腦斷層病人(n=281)來做研究，剩下輕微頭部外傷且大於 15 歲以上的病人來做研究，一共有 2,294 人。. 22.

(33) 表二. ICD-9 分類碼 Rubric No.. Description Fracture of skull or face bones：. 800-804 （circle one）open closed 850.0 850.1-850.2 851-851.1. 852.0-853 854.0 873.4-879.8 900.0 950.0-951.5. Concussion without loss of consciousness Concussion with loss of consciousness Cerebral / cerebella / brain stem contusion / or laceration Extracerebral and / or intracerebral hematoma（circle one）SAH, SDH, EDH, ICH Unspecified intracranial injury Gunshot wound：（circle one）Face, head Injury to blood vessels of head and neck carotid artery Injury to cranial nerves. 23.

(34) 第二節研究地區與時間. 本研究的研究期間為民國 94 年 7 月 1 號到民國 95 年 6 月 30 號，於台灣地區北部、中部、南部、東部四個區域發生輕度頭部外傷之 15 歲以上病人。資料來源自「中華民國頭脊髓外傷研究小組」全國頭部外傷資料庫，並從中挑選出研究個案。. 合作醫院，列舉如下：一、北部地區： 1、台大醫院. 2、財團法人馬偕醫院 3、三軍總醫院. 4、台北市立仁愛醫院. 5、榮民總醫院. 6、國泰綜合醫院. 7、慶生醫院. 8、內湖綜合醫院. 9、空軍總醫院. 10、北醫附設醫院. 11、中心診所醫院. 12、陽明醫院. 13、中興醫院. 14、西園醫院. 15、和平醫院. 16、忠孝醫院. 17、宏恩綜合醫院. 18、中華醫院. 22、台北仁濟醫院. 20、博仁綜合醫院. 21、南門醫院. 23、萬芳醫院. 24.

(35) 二、中部地區： 1、邱綜合醫院. 2、台中榮民總醫院. 3、中國醫藥學院. 4、中山醫院. 5、澄清醫院. 6、仁愛綜合醫院大里分院. 7、省立台中醫院. 8、順天綜合醫院. 9、省立豐原醫院. 10、沙鹿童綜合醫院. 11、國軍 803 醫院. 12、南門醫院. 1、高醫附設醫院. 2、高雄榮民總醫院. 3、高雄市立婦幼醫院. 4、海軍總醫院. 5、健仁醫院. 6、高雄市立大同醫院. 7、高雄市立民生醫院. 8、聖功綜合醫院. 9、邱綜合醫院. 10、國軍 802 醫院. 11、國軍 814 醫院. 12、建國醫院. 13、高雄長庚醫院. 14、阮綜合醫院. 15、鄭綜合醫院. 2、省立花蓮醫院. 3、花蓮門諾醫院. 13、英綜合醫院. 三、南部地區：. 四、東部地區： 1、花蓮慈濟醫院 4、國軍 805 醫院. 25.

(36) 第三節研究架構. 表三研究架構(一). 頭部外傷資料庫2005～2006之資料 N=3804. Missing data n=281 GCS<13 n=910. 挑選出15歲以上minor head injury之資料n=2294. Age <15 n=319. Logistic regression model. ANN model All Data (N=2294). Validation Set N = 574. Derivation set. Validation Set. N = 1720. N = 574. Training Set. Verification Set. N = 1146. N = 574. 26.

(37) 表四研究架構(二). ANN model. Logistic regression model. Validation Set N = 574. ANN model Sensitivity and specificity, ROC. LR model Sensitivity and specificity, ROC. Comparison. 27.

(38) 第四節變數的選取. 在臨床上，我們對於頭部外傷後的病患，那一些人會進行頭部電腦斷層的檢查？一般會依據病人的主訴發生的機轉，病人的病史，症狀與徵候（symptoms and singns），理學檢查來決定。而這些也是可能預測，導致電腦斷層出現異常的變數，是經由醫學文獻分析和檢索系統找出，再與神經外科醫師討論後選取。變數的選取，我們參考了 2004 年 Joel Dunning 等人的統合分析 (meta-analysis)研究，選取了與預測輕度頭部外傷後腦受傷的臨床因子。作者由醫學文獻分析和檢索系統（medline）中選出 98 篇文獻，經選擇後，剩下 35 篇共 83,836 人作分析。計算了包括病患的病史，受傷的機轉，醫學檢查及臨床的症狀，共 23 項變數的相對危險比（relative risk ratios）。受傷的機轉包括車禍，跌落，遭人攻擊，機車騎士，腳踏騎士及行人。結果發現行人及跌落的相對危險性(relative risk)各為 1.7 及 1.61：（P<0.05）。臨床病史及症狀包括了劇烈頭痛(2.44)，噁心(2.16)，嘔吐(2.16) ，失去意識(2.29)，失憶（1.32），傷後痙攣(3.37)，年齡＞65 歲(3.7)，及男性(1.26)( P<0.05)。而理學檢查包括了顱骨骨折（4.08），昏迷指數＜15 分(5.58)，傷後神經障礙（1.8），傷者合併傷害（3.91），複視(0.34)，顱底骨折(2.91)及喝酒（1.62）（P<0.05）（47）。根據我們資料庫選取所有相關的，可以預測到輕度頭部外傷顱內異常的. 28.

(39) 危險因子。我們選取的變數共 19 項，包括了年齡、性別、受傷的原因（車禍、跌落、遭人攻擊、運動傷害、墮落物襲擊），受傷者所使用的交通工具，及與受傷者相撞之交通工具（大型車、小轎車、機車、腳踏車或行走），車禍發生時之道路（高速公路、省道市區幹道、市區內巷道、郊區道路或山路），跌落高度（高處跌落、低處跌落、滑倒或絆倒），喝酒，昏迷指數（昏迷指數 13 到 15 分者），受傷時有無使用安全帽，傷後有無意識喪失，意識喪失的時間（5 分鐘以內、5-29 分鐘、30-59 分鐘、1-24 小時、24 小時以上），受傷後痙攣，受傷後健忘，受傷後健忘的時間（24 小時以下，24 小時以上），傷後神經障礙，有無合併傷害，顱骨骨折，顏面骨折。電腦斷層異常為輸出變項：指腦水腫、顱骨骨折、蜘蛛網膜下出血、硬腦膜下腔出血、硬腦膜上腔出血、腦出血、腦室出血、中線偏移、腦幹周圍腦池壓迫、基底核腦池壓迫(10,33 )。頭部電腦斷層異常是經放射科醫師報告確認。. 29.

(40) 第五節類神經網路模式. 3-5-1 類神經網路簡介類神經網路(Artificial neural network)，是一種以電腦來模擬人類腦神經細胞網路的科學。類神經網路是一種計算系統，包括硬體與軟體，它使用大量簡單的相連人工神經元來模仿生物神經網路的能力。人工神經元是生物神經元的簡單模擬，它從外界環境或其它的人工神經元取得資訊，並加以非常簡單的運算，而後輸出其結果到外界環境或其它人工神經元。在人們逐漸了解腦細胞的思考與學習模式後，希望電腦也能用類似人的方式來解決問題。經過數十年的努力，許多以數學或計算機科學為基礎的類神經網路模型一一被建立。. 3-5-2 生物神經系統的簡介神經元（神經細胞）是組成生物神經系統的基本單位。在類神經網路發展之初，最主要的目的也就是為了模擬人腦中神經元的工作方式。下圖是神經元結構的簡圖：. 30.

(41) 圖一、神經元結構的簡圖其中重要部分包括： A. 神經元(Neuron)：主要的處理單元。蒐集訊號並決定是否產生動作電位，可傳導化學物質,這些化學物質又可分為 Excitatory or Inhibitory 二種作用。 B. 突觸(Synapse)：此部份為神經元間訊號傳遞的連接點(Junction) ，稱之為神經元輸出。 C. 樹狀突(Dendrites)：此為樹狀傳遞線，負責接受來自其它神經元的訊號，為神經元的輸入。 D. 軸突(Axon)：主要的傳遞介質。軸突負責將訊號傳至其他神經元的樹狀突。. 31.

(42) 神經元的運作方式如下：某神經元由樹狀突與突觸連接，接受多個其它神經元傳來的訊號。訊號在神經元累積後如果超過某個臨界值，則此神經元將被激發。若是激發的條件成立，該神經元會將訊號輸出至軸突，並且尤其加強後送到其它的神經元。若是輸入訊號累積不足臨界值，則表示此神經元不被激發，且不會再輸出訊號至其他神經元。類神經網路是指利用電腦來模仿生物神經網路的處理系統。更精確的說﹕類神經網路是一種計算系統，包括軟體與硬體，它使用大量簡單的相連人工神經元來模仿生物神經網路的能力。許許多多的神經元彼此互相連接，且不停地傳遞訊號，以完成各項複雜之神經功能。類神經網路便模擬此運作方式而興起。. 3-5-3 感知機(Perceptron)的結構與原理 Perceptron 是最簡單也是最早的類神經模型，感知機通常被拿來做分類器（classifier）使用，而其基本的想法來自於腦神經的模型，其設計為如下的模式：. 32.

(43) x1. wi1 wi2. ∑. x2. Ni. F( ). a. wij. Xj bi. 圖二、感知機之數學模式. X1,X2.....Xj =稱為神經元的輸入值（input）。 Wi1,Wi2....Wij =輸入連絡至 ∑ 節點(Node) 中的權重值(weights)，類神經網路的訓練就是在調整鍵結值，使其變得更大或是更小，通常由隨機的方式產生介於+1 到- 1 之間的初始值。權重值可視為一種加權效果，其值越大，則代表連結的神經元更容易被激發，對類神經網路的影響也更大。 ∑ 節點(Node) = 是一個計算節點。稱為加總單元（summation），此部分是將每一個輸入與鍵結值相乘後做一加總的動作。 F( ) = 整型節點。稱之為激發函數（activation function） (transfer function)，通常是非線性函數，有數種不同的型式，其目的是將加總單元（summation）的值做映射得到所需要的輸出。 bi (bias,偏壓) = 每一個計算節點都有一權重稱之. 33.

(44) a. = 稱之為輸出（output），亦即我們所需要的結果。. 由圖二中可看出神經元先將輸入各自乘上一個連接權值(Wij)，再將所有的乘積加總（∑ ,summation），最後經由臨界值(bi)決定此單元是否被激發。另一種改進的模式與前一種類似，唯一的不同是加總的和是經由一個激發函數（F,activation function）對應到此單元被激發的程度，如此設計的好處是神經元可以用數值表示被激發的程度，而不是單純的二極值(-1 或 1) 。另一方面，當此神經元的輸入連接權重值要被調整時，函數 f 的可微分性質是很重要的。當多個神經元並排工作時，就得到如下的單層感知機模型：. Percepton Network. Single percepton. W j,i. W j,i Ij input unit. O I Output. Ij input unit. units. 圖三、單層感知機模型. 34. O i Output units.

(45) 此為最簡單的類神經網路模型。此網路接收多個輸入的訊號 x，並產生多個輸出訊號 o。其中的連接權重值(W)與激發函數(f)皆可用矩陣的形式表示；而整個網路的輸入、輸出關係也可以表示成向量。. 3-5-4 單層感知機的學習方法對於一個單層的感知機，通常在它能夠正確的工作之前，必須加以訓練。在訓練的時期，將所有訓練資料的輸入與輸出準備好，在每一筆資料輸入後，比較網路模型的輸出與真正期望的輸出，兩者的差異定義為此一輸入資料的錯誤量。將所有的訓練資料都輸入後，若定義總錯誤量為單一資料錯誤量的平方除二，便可以得到整個網路的錯誤量。此時便可以由錯誤量來調整個一個連接權重值： W new= W old - dE/dW W：權重值. E：錯誤量. dE/dW：錯誤量對此連接權重值的一次微分. 調整的方法，是將連接權重值朝著“錯誤量對此連接權值的一次微分”的反方向調整。當錯誤量隨連接權重值增加而增加時，一次微分為正，則將連接權重值調小；反之則調大。因為單層的感知機模型只有一層的連接權重值要調，因此“錯誤量對連接權值的一次微分”可以直接算出： Err=T-O W new = W old + r*I Err ＊. 35.

(46) T：目標輸出值（理想輸出值）. O：實際輸出值. Err：錯誤量. r：學習速. 率 I：神經元之輸入訊號調整並非一次就夠，全部的連接權重值都調整完後，再讀入所有的訓練資料、比較其輸出並再次調整。整個網路將一直不斷的調整直到所有的訓練資料都能得到正確的輸出（將網路用於分類時）或是等到總錯誤量不能再下降時（將網路用於決策或其他用途時），才算是訓練完畢。訓練完畢的網路便可以開始真正的工作。單層的感知機模型最大的缺陷是不能處理 XOR 運算，因為在二度平面上無法用直線將(0,0)與(1,1)劃為一區域，將(0,1)與(1,0)劃為另一區域。所以必須再增加維度到三維空間，也就是再增加一個上層的神經元。在前端的神經元分別是做 OR 與 AND 運算，最後由後端神經元將(0,0)與 (1,1)分為一類，將(0,1)與(1,0)分為另一類。在概念上，前端的兩神經元代表兩條直線，而後端的神經元是將直線延續成面，如此在三維空間中可將 XOR 兩種輸出的輸入點隔開：因此有多層感知機之發展。. 3-5-5 多層感知機架構所謂多層，表示它是由許多層的神經元所組成，而每兩層神經元之間傳遞訊號的方式，就如同單層的情況一樣。而所謂前饋的(Feedforword)，則是以訊號傳遞的方向而言。訊號由第一層輸入，經過多層神經元的處理，最後到. 36.

(47) 達輸出端：. weights. weights. output nodes. input. Hidden. nodes. nodes. 圖四、多層感知架構多層網路在意義上，愈靠近輸入端的神經元，為的是要先由輸入端擷取到一些特徵，或加以初步的分割，在愈靠近輸出端的神經元則表示要做最後的分類或決定。而在設計上，每一層可以設計不同神經元的個數，不同的激發函數，而整個網路有多少層也不一定。所以整個網路的設計必須視應用的狀況而定。多層感知機最常使用的激發函數為邏輯式函數(logistic function)而雙曲線正函數(Hyperbolic function)為另一個比較合理的替代函數。. 37.

(48) 3-5-6 半徑式函數網路(radial basis function networks; RBF) 半徑式函數網路(radial basis function networks; RBF):半徑式函數網路有一個輸入層，以半徑式函數(RBF)為其隱藏層，線性層做為輸出層，RBF 的隱藏層一般會用很多神經元，半徑式函數網路訓練的度快，用於靜態的函數普遍性（generalization）。然而，由於其神經元會比 MLP 多很多；故其在執行時會較慢。在我們的研究中，所使用的類神經網路軟體是 Statsoft Inc 之 STATLSTICA Neural Networks(Release 4.0E) 。為了訓練我們的類神經網路，我們將民國 94 年 7 月 1 日到 95 年 6 月 30 日輕度頭部外傷的，大於 15 歲的病人（共 2294 人），隨機分成２組：衍生組 (derivation Set)共 1720 人，及確認組（Validation Set）共 574 人如表三，衍生組再分為 2 組：訓練組(training Set)共 1146 人(50%)及交互驗證組 (cross-verification Set)共 574 人(25%)。類神經網路訓練的目的，就是讓類神經網路的輸出越接近目標值。亦即，相同的輸入進入到系統與類神經網路，得到的輸出值亦要相同。類神經網路未訓練前，其輸出是凌亂的，隨著訓練次數的增加，類神經網路的權重值會逐漸的被調整，使得目標值與神經網路的輸出兩者誤差越來越小。當兩者的誤差幾乎不再變化時，我們稱此類神經網路已收斂（convergence），此時類神經網路便訓練完成。. 38.

(49) 當類神經網路經由訓練組訓練完成後，雖然神經網路的輸出已經與我們所要求的數值接近，但對於不是由訓練組所產生的輸入，我們並不知道會得到何種輸出。因此，我們必須使用另一組類神經網路從未見過樣本輸入到類神經網路中，測試其推廣性(generalization），看看是否與所要求的值接近，而此樣本則稱之為驗證組（verification set）。推廣性亦是類神經網路中的一項優點，當類神經網路訓練完成後，對於與訓練組相近的輸入，類神經網路亦能給予一個合理的輸出，但是如果驗證組與訓練組的差異過大，類神經網路仍是無法給予正確的數值。類神經網會記憶或”死背”在訓練過程中輸入的資料，而我們的主要目的在於訓練網路以達到可以普遍的使用在其他病人身上。我們研究最終取得的最好類神經網路模式是一個前饋式，相互聯係，多層感知機架構的網路。此類神經網路包含３層：輸入層共 17 個輸入變項，隱藏層共 11 個隱藏單位及輸出層為 1 個輸出結果，如圖五：當均方根誤差（Root mean Squared error）在訓練的過程中無法再明顯減少，則網路會去計算確認組（Validation Set）的分類準確率，準確率最高的類神經網路被保留。而這一組網路的 ROC Curve 再用來與邏輯迴歸摸式的 ROC Curve 比較。. 39.

(50) 年齡性別受傷原因與受傷者相撞之交通工具車禍發生當時之道路跌落高度受傷者 GCS. 電腦斷層出現異常. 受傷者有無使用安全帽(帶) 意識喪失喪失意識之時間. Output nodes. 傷者痙攣傷後健忘傷後健忘之時間傷者神經障礙傷者有合併傷害顱骨骨折. Input nodes. Hidden nodes. 顏面骨折. 圖五一個(17 x 11 x 1)預測輕度頭部外傷後電腦斷層出現異常的類神經網路模式. 40.

(51) 第六節邏輯迴歸模式(logistic regression model; LR). 多變項邏輯迴歸模式是使用 Window 10.0 的 SPSS 13 版來建立。而用來建立起 LR 模式的衍生組是與 ANN 相同的病人(1720 人)。這 19 個用以預測輕度頭部外傷後電腦斷層異常變項是與類神經網路模式所使用的變項相同， 19 個變項包括了：年齡、性別、受傷的原因（車禍、跌落、遭人攻擊、運動傷害、墮落物襲擊），受傷者所使用的交通工具，及與受傷者相撞之交通工具（大型車、小轎車、機車、腳踏車或行走），車禍發生時之道路（高速公路、省道市區幹道、市區內巷道、郊區道路或山路），跌落高度（高處跌落、低處跌落、滑倒或絆倒），喝酒，昏迷指數（昏迷指數 13 到 15 分者），受傷時有無使用安全帽，傷後有無意識喪失，意識喪失的時間（5 分鐘以內、5-29 分鐘、 30-59 分鐘、1-24 小時、24 小時以上），受傷後痙攣，受傷後健忘，受傷後健忘的時間（24 小時以下，24 小時以上），傷後神經障礙，有無合併傷害，顱骨骨折，顏面骨折。邏輯迴歸的公式如下： Logit(p)= b0 + b1X1 + b2X2 + b3X3 +....+bkXk b0,b1,b2.....bk 迴歸係數 (regression coefficients) X1,X2,X3....Xk 輸入變項在邏輯迴歸模式中，輸入的自變項（independent variable）及其迴歸係數沒. 41.

(52) 有達到顯著差異(p>0.05)的被排除。若 p<0.05 則自變項達到預測頭部外傷後電腦斷層異常的顯著差異。迴歸係數越大(bi>0)，則其自變項的預測對數勝算 (logged odds)就越大，反之，迴歸係數越小（bi<0）則其自變項的預測勝算就越小。. 42.

(53) 第四章結果與分析 4-1 類神經網路模式(Artificial Neural Network;ANN) 本研究的資料來源是從「中華民國頭脊髓外傷研究小組」所收集到台灣地區北部、中部、南部、東部四個區域集結而成的全國頭部外傷資料庫，並從中挑選出自民國 94 年 7 月 1 號到民國 95 年 6 月 30 號，這其間發生輕微頭部外傷且大於 15 歲以上的病人來做研究，一共有 2294 人。隨機分成２組：衍生組(derivation Set)共 1720 人，及確認組(Validation Set) 共 574 人如表三，衍生組再分為 2 組：訓練組(training Set)共 1146 人(50%)及交互驗證組(cross-verification Set)共 574 人(25%)。衍生組及交互驗證組 2 組之間的病人特徵並無顯著差異，如表五~十五。在衍生組及確認組中的頭部電腦斷層顯示異常的病人各為 759 (44.2%)及 254(44.3%)。在確認組中的腦挫傷病人約 166 人（29%），腦水腫 39 人(6.8%)，腦室出血 4 人(0.6%)，硬腦膜下出血 51 人(9%)，硬腦膜上出血 81 人(14.1%)，蜘蛛網膜出血 95 人(16.6%)，顱內出血 11 人(1.8%)，小腦出血 2 人(0.3%)。. 43.

(54) 表五衍生組及交互驗證組 2 組之間的病人特徵變項比較(一). 變項年齡. 衍生組. 確認組. n=1720. n=574. Mean. (S.d.). 45.99 (20.670). Mean. P-Value. (S.d.). 46.42 (21.234). 0.366. 表六衍生組及交互驗證組 2 組之間的病人特徵變項比較(二). 變項. 衍生組. 確認組. n=1720. n=574. 0.282. 性別男. 1078(62.3). 360(62.4). 女. 639(36.7). 214(36.6) 0.259. 受傷原因車禍. 977(56.8). 326(56.8). 跌落. 490(28.5). 173(30.1). 遭人攻擊. 128(7.4). 37(6.4). 運動傷害. 8(0.5). 4(0.7). 墜落物襲擊. 26(1.5). 11(1.9). 125(7.4). 27(4.8). 喝酒. P-Value. 44. 0.257.

(55) 表七衍生組及交互驗證組 2 組之間的病人特徵變項比較(三). 變. 項. 衍生組. 確認組. n=1720. n=574. P-Value. 受傷者所使用 0.2781 之交通工具大型車. 53(0.41). 0(0.00). 小轎(貨)車. 89(6.96). 9(5.70). 機車. 954(74.83). 128(81.01). 腳踏車. 748(5.85). 7(4.43). 行走. 54(11.37). 14(8.86). 其他. 95(0.74). 0(0.00). 45.

(56) 表八衍生組及交互驗證組 2 組之間的病人特徵變項比較(四). 變項. 衍生組. 確認組. n=1720. n=574. P-Value. 與受傷者相撞 0.538 之交通工具 38(2.2). 8(1.4). 小轎(貨)車. 258(15.0). 76(13.3). 機車. 246 (14.3). 74(12.9). 腳踏車. 2(0.1). 0(0.). 行走. 5(0.3). 2(0.3). 大型車. 46.

(57) 表九衍生組及交互驗證組 2 組之間的病人特徵變項比較(五). 變項. 衍生組. 確認組. n=1720. n=574. N (%). N (%). P-Value. 車禍發生當時 0.101 之道路高速公路. 3(0.2). 0(0.0). 省道. 17(1.0). 4(0.7). 市區內幹道. 94(5.5). 23(6.0). 市區內巷道. 66(3.8). 37(6.4). 郊區道路. 5(0.1). 0(0.0). 山路. 1(0.1). 1(0.2). 47.

(58) 表十衍生組及交互驗證組 2 組之間的病人特徵變項比較(六). 變項. 衍生組. 確認組. n=1720. n=574. N (%). N (%). 0.310. 跌落高度高處跌落. 88(5.1). 30(5.2). 低處跌落. 38(2.2). 17(3.0). 262(15.2). 95(16.6). 滑倒或絆倒. P-Value. 表十一衍生組及交互驗證組 2 組之間的病人特徵變項比較(七). 變項. 衍生組. 確認組. n=1720. n=574. N (%). N (%). 受傷者 GCS. P-Value 0.389. GCS 13. 88(5.1). 30(5.2). GCS 14. 172(10.0). 58(10.0). GCS 15. 1460(84.9). 485(84.5). 受傷者有無使用 0.518 安全帽(帶) 有使用安全帽. 431(25.1). 135(23.5). 無使用安全帽. 30(1.7). 8(1.4). 48.

(59) 表十二衍生組及交互驗證組 2 組之間的病人特徵變項比較(八) 衍生組. 確認組. n=1720. n=574. N (%). N (%). P-Value. 335(19.5). 105(18.3). 0.338. 5 分鐘以內. 80 (4.7). 23 (4.0). 5-29 分鐘. 25 (1.5). 8 (1.4). 變項受傷的臨床症狀與理學檢查意識喪失喪失意識之時間. 0.937 30-59 分鐘. 19 (1.1). 17 (3.0). 1-24 小時. 13 (0.8). 6 (1.1). 24 小時以上. 2 (0.1). 1 (0.1). 18(1.1). 6(1.1). 傷者痙攣. 49. 0.173.

(60) 表十三衍生組及交互驗證組 2 組之間的病人特徵變項比較(九) 衍生組. 確認組. n=1720. n=574. N (%). N (%). P-Value. 74(4.3). 24(4.2). 0.362. 24 小時以下. 54(3.1). 10(1.7). 0.309. 24 小時以上. 3(0.2). 1(0.2). 35(2.0). 11(1.9). 變項受傷的臨床症狀與理學檢查傷後健忘傷後健忘之時間. 傷者神經障礙. 表十四. 0.340. 衍生組及交互驗證組 2 組之間的病人特徵變項比較(十) 衍生組. 確認組. n=1720. n=574. N (%). N (%). P-Value. 傷者有合併傷害. 761(44.2). 272(47.4). 0. 182. 顱骨骨折. 220(12.8). 72(12.5). 0.330. 顏面骨折. 245(14.2). 87(15.2). 0.320. 變項受傷的部位. 50.

(61) 表十五衍生組及交互驗證組 2 組之間的病人特徵變項比較(十一). 變項. 衍生組. 確認組. n=1720. n=574. N (%). N (%). P-Value 0.846. 電腦斷層結果正常. 960(55.8). 320(55.7). 不正常. 759(44.2). 254(44.3). 51.

(62) 我們以 Statsoft Inc 之“STATISTICA Neural Networks”來建構類神經網路模式，只有以前饋式，相互完全聯結的網路來做訓練（feedforword, full-connected）。我們一共建構及評估了超過 20 個不同結構的網路。為達到最佳化的網路的樣式試用了不同數目的輸入變項及隱藏單位，訓練的參數及訓練的時間是由系統自行測試調整以達到最佳的網路表現。網路輸出的結果，其可預測頭部外傷後電腦斷層異常的信賴水準是由０到１。保留 10 個表現出色及簡潔的類神經網路包括 3 個單層的感知機網路、4 個多層感知機(MLP)網路及 3 個半徑式函收網路(RBF)且呈現在圖六。每個網路在測試完 2294 個病人所需的時間不超過 1 分鐘。最精確及擁有最大的曲下面積的 ROC curve 的網路為一個包含了 17 個輸入變項、11 個隱藏單位及 1 個輸出結果的網路(圖六有＊者) 。我們使用類神經網路中的確認組來做 ROC 的分析。. 52.

(63) 圖六 10 個不同結構的網路. 53.

(64) 為達到最佳化的網路的樣式試用了不同數目的輸入變項及隱藏單位。最精確及擁有最大的曲下面積的 ROC curve 的網路為一個包含了 17 個輸入變項、11 個隱藏單位及 1 個輸出結果的網路(有＊者) 。我們研究最終取得的最好類神經網路模式是一個前饋式，相互聯係，多層感知機架構的網路。此類神經網路包含 3 層：輸入層共 17 個輸入變項，隱藏層共 11 個單位及輸出層為 1 個單位，如圖五：17 個變項包括了：年齡、性別、受傷的原因（車禍、跌落、遭人攻擊、運動傷害、墮落物襲擊），及與受傷者相撞之交通工具（大型車、小轎車、機車、腳踏車或行走），車禍發生時之道路（高速公路、省道市區幹道、市區內巷道、郊區道路或山路），跌落高度（高處跌落、低處跌落、滑倒或絆倒），昏迷指數（昏迷指數 13 到 15 分者），受傷時有無使用安全帽，傷後有無意識喪失，意識喪失的時間（5 分鐘以內、5-29 分鐘、30-59 分鐘、1-24 小時、24 小時以上），受傷後痙攣，受傷後健忘，受傷後健忘的時間（24 小時以下，24 小時以上），傷後神經障礙，有無合併傷害，顱骨骨折，顏面骨折。其中 2 個輸入變項被排除在我們最終的類神經網路模式外。(受傷者所使用的交通工具，喝酒)，為了能夠準確比較類神經網路模式及邏輯迴歸模式，我們使用相同病人的驗證組(Validation Set, n=574)來建構這 2 個模式，並計算這 2 個模式的敏感度(sensitivity)、特異度(specificity)及 ROC 曲線下的面積。類神經網路以驗證組計算出來的 ROC 曲線，顯示於圖七，其 ROC 曲線下的面積為 0.887(Area. 54.

(65) under curve, AUC)（標準誤為 0.015 及 95%信賴區間為 0.857 到 0.917，在臨界點(Criterion value)上最精確（最少的偽陰性及偽陽性的結果）的敏感度及特異度各為 90.3%及 87%。. ANN_p 100. Sensitivity:90.3%. 80. Sensitivity. Specificity:87% Criterion >0.5. 60. 40. 20. 0 0. 20. 40. 60. 80. 100. 100-Specificity. 圖七以驗證組建構的類神經網路模式 ROC 曲線下的面積為 0.887(Area under curve, AUC). 55.

(66) 4-2 邏輯迴歸模式(logistic regression model; LR) 多變項邏輯迴歸模式是使用 Window 10.0 的 SPSS 13 版來建立。而用來建立起 LR 模式的衍生組是與 ANN 相同的病人(n=1720 人, 136 人資料遺失) ，表十六。這 19 個用以預測輕度頭部外傷後電腦斷層異常變項是與類神經網路模式所使用的變項相同。. 表十六邏輯迴歸模式(Logistic regression; LR) B. S.E.. 性別男年齡. Wald. df. Sig.. 7.369. 2. .025. Exp(B). -2.942. 1.119. 6.912. 1. .009. .053. .057. .008. 49.832. 1. .000. 1.059. 2.206. 6. .900. 受傷原因車禍. -1.852. 40639.109. .000. 1. 1.000. .157. 跌落. -18.024. 27248.772. .000. 1. .999. .000. 遭人攻擊. -1.494. 40639.109. .000. 1. 1.000. .224. 運動傷害. -19.294. 45205.637. .000. 1. 1.000. .000. -1.122. 40639.110. .000. 1. 1.000. .326. 14.747. 5. .011. 墜落物襲擊. 跌落高處跌落. 19.064. 48928.701. .000. 1. 1.000. 1.495. 低處跌落. 20.919. 48928.701. .000. 1. 1.000. 1.379. 滑倒或絆倒. 18.374. 48928.701. .000. 1. 1.000. 1.074. 8.585. 7. .284. 受傷者所使用之交通工具大型車小轎(貨)車機車腳踏車行走. 受傷者有無使用安全帽(帶) 與受傷者相撞之. -.690. 2.449. .079. 1. .778. .502. -2.346. 1.984. 1.399. 1. .237. .096. .305. 1.795. .029. 1. .865. 1.356. -1.500. 2.063. .529. 1. .467. .223. .387. 1.982. .038. 1. .845. 1.473. .479. .273. 3.084. 1. .079. 1.614. 4.414. 6. .621. 56.

(67) 交通工具 -1.305. 1.530. .727. 1. .394. .271. 小轎(貨)車. .683. .623. 1.201. 1. .273. 1.980. 機車. .573. .630. .826. 1. .363. 1.773. -19.774. 25452.131. .000. 1. .999. .000. -.241. .640. .141. 1. .707. .786. 5.623. 4. .229. 大型車. 腳踏車行走. 車禍發生當時之道路高速公路. -.631. 2.143. .087. 1. .769. .532. 省道. -.015. 1.535. .000. 1. .992. .985. 市區內幹道. -1.685. 1.529. 1.214. 1. .271. .185. 市區內巷道. .078. 1.361. .003. 1. .954. 1.081. -.189. .154. 1.503. 1. .220. .828. 116.180. 2. .000. 喝酒受傷者 GCS GCS 13. 3.651. .570. 40.976. 1. .000. 38.521. GCS 14. 2.996. .330. 82.586. 1. .000. 20.015. GCS 15. 2.881. .300. 90.777. 1. .048. 12.023. 意識喪失. -.443. .337. 1.724. 1. .189. .642. 15.818. 5. .007. 喪失意識之時間 <5min. -1.427. .423. 11.392. 1. .031. .240. 5-29min. -1.919. .906. 4.486. 1. .034. .147. 30-60min. -1.186. 1.256. .893. 1. .345. .305. 1-24 hrs. 1.821. 1.872. .947. 1. .331. 6.178. >24hrs. .099. 1.583. .004. 1. .950. 1.104. 2.612. 3.871. .455. 1. .500. 13.620. 2.368. 3. .500. 傷後健忘健忘之時間 no. 1.456. 3.847. .143. 1. .705. 1.288. < 24 hrs. 5.162. 7.743. .444. 1. .505. 1.453. > 24 hrs. 25.752. 40192.971. .000. 1. .999. 1.721. 傷者痙攣. -2.317. 1.118. 4.292. 1. .038. .099. 傷者神經障礙. -1.868. 1.051. 3.160. 1. .075. .154. -.976. .322. 9.214. 1. .002. .377. 顏面骨折. .228. .442. .266. 1. .606. 1.256. 顱骨骨折. -3.809. .652. 34.119. 1. .000. .022. Constant. 12.437. 40639.111. .000. 1. 1.000. 251956.656. 傷者有合併傷害. a Variable(s) entered on step 1: 性別, 年齡, 受傷原因, 跌落高度, 受傷者所使用之交通工具, 受傷者有無使用安全帽(帶), 與受傷者相撞之交通工具, 車禍發生當時之道路, 喝酒, 受傷者 GCS, 意識喪失, 喪失意識之時間, 傷後健忘, 健忘之時間, 傷者痙攣, 傷者神經障 57.

(68) 礙, 傷者有合併傷害, 顏面骨折, 顱骨骨折.. 58.

(69) 邏輯性迴歸以驗證組(n=574 人, 34 人資料遺失)所計算出來的 ROC Curve 顯示於圖八，其 ROC Curve 曲線下的面積為 0.861（標準誤為 0.017 及 95%信賴區間為 0.828 到 0.894）。在臨界點上最精確的敏感度及特異度各為 82.6%及 89.5%。 LR_p 100. Sensitivity. 80. Sensitivity:82.6% Specificity:89.5% Criterion >0.5. 60. 40. 20. 0 0. 20. 40. 60. 80. 100. 100-Specificity. 圖八以驗證組建構的邏輯性迴歸模式 ROC 曲線下的面積為 0.861(Area under curve, AUC). 59.

(70) 4-3 類神經網路模式及邏輯迴歸模式之比較圖九為類神經網路模式及邏輯模式使用相同確認（n=574）計算出來的 ROC Curve。他們的 ROC Curve 曲線下面積分別為 0.887 (0.857~0.917)及 0.861(0.828~0.894)如表十七。. 100. Sensitivity. 80. 60. ANN Model (AUC =0.887) 40. LR Model 20. (AUC=0.861). 0 0. 20. 40. 60. 80. 100. 100-Specificity. 圖九以驗證組建構的類神經網路模式及邏輯性迴歸模式 ROC 曲線下的面積為各為 0.886 及 0.861(Area under curve, AUC). 60.

(71) 表十七以驗證組建構的類神經網路模式及邏輯性迴歸模式 ROC 曲線下的面積 95%信賴區間變項. 面積. 標準誤. 顯著差異. ANN 模式. 0.887. 0.015. 0.000. 0.857. 0.917. LR 模式. 0.861. 0.017. 0.000. 0.828. 0.894. Lower Bound Upper Bound. a. Under the nonparametric assumption b. Null hypothesis: true area = 0.5. 表十八為類神經網路模式及邏輯迴歸模式使用相同確認組(n = 574)做 ROC 曲線分析，其兩組間成偶比對(Pairwise Comparison)的結果。類神經網路模式(AUC = 0.887)和邏輯迴歸模式(AUC = 0.861)表現的一樣好(p = 0.078)。. 表十八以驗證組建構的類神經網路模式及邏輯性迴歸模式 ROC 曲線成偶比對(Pairwise Comparison) 兩組 AUC 標準誤. 成偶比對. 95%信賴區間 Lower. 之差異. P value. Upper. 類神經網路模式 VS 0.026. 0.015. 邏輯性迴歸模式. 61. -0.003 0.055. 0.078.