论文笔记：Identifying Lung Cancer Risk Factors in the Elderly Using Deep Neural Network - Chen, Wu

原文链接 Identifying Lung Cancer Risk Factors in the Elderly Using Deep Neural Network

个人投稿，只为记录，图文来自原论文，如有侵权请告知，马上删除。（求生欲爆棚）

1. Abstract部分
   Objective: 确定老年人肺癌发病的关键危险因素，使用深度学习方法来定量分析这些危险因素对肺癌发病影响程度。
   Methods: 提取已有数据进行预处理。对样本分组，在分组人群中训练深度神经网络模型。之后提取了诱发老年人肺癌的危险因素，并使用模型进行定量分析。

2. Data Source
   BRFSS - 美国疾病控制与预防中心的开放访问源。BRFSS从美国居民收集有关其健康相关风险行为，慢性健康状况，预防服务使用等方面的调查数据。
   文章使用1996年至2017年间来自美国50个州的235,673名成年人的肺癌行为健康风险数据。
   数据筛选过程：
   
   BRFSS问卷调查包含一些已有的调查问题，下表只展示了其中16个相关问题。
   从美国环境保护署的开放访问网站中得到环境风险因素：空气污染物和饮用水。根据日期将环境数据与BRFSS的风险因素相关联，得到最终的数据源。

3. 论文流程
   
   全文共有四个部分：
   Data integration： 整合了有关医疗人口统计学、吸烟习惯、疾病史、辐射暴露、行为风险和其他等方面的数据；
   Data balancing and preprocessing： 由于肺癌病例数远低于非肺癌病例，因此需要平衡数据，再对平衡后的数据进行预处理；
   Deep learning model training： 利用分组后的数据训练DNN模型，通过模型提取了各组数据的危险因素；
   Risk factor quantitative analysis： 对老年患者的各危险因素的影响程度进行定量分析。

Data integration：
医学人口统计学因素：年龄、性别、体重指数和教育程度；
吸烟习惯因素包括吸烟强度、开始吸烟的年龄、吸烟频率、戒烟时间、 使用电子烟、二手烟暴露以及其他吸烟习惯；
疾病史：COPD史、哮喘史、个人癌症史和癌症家族史；
放射线照射：胸部或胸部的放射治疗、CT或CAT医学影像学检查以及职业性接触石棉，ra和砷的照射；
还考虑了饮食和运动习惯以及其他行为危险因素。

Data balancing and preprocessing：
肺癌与非肺癌病例的比例约为1:115，肺癌占比太小，数据不平衡，使用synthetic minority oversampling technique(SMOTE)解决不平衡问题。SMOTE基于K最近邻算法来模拟少数样本。（以后再具体写嘿嘿）
数据有残缺值等其他问题。对数据进行预处理，对残缺值进行填充，对噪声数据平滑处理。使用multiple imputation多重插补填补缺失值。利用奇异值分解以减少预处理阶段产生的噪声。
将预处理后的数据分为4组: 年龄在65岁以上的人(年龄 ≥ 65岁)，65岁及以上女性，65岁以上男性，以及所有人群。

Deep learning model training：
首先将数据格式转换为HDF5文件，使用Caffe框架按顺序训练基于分组的DNN模型。

Caffe：用于快速特征嵌入的卷积体系结果的软件。2017年4月Facebook推出Caffe2.0， 2018年3月，Caffe2.0被合并到Pytorch。

DNN模型构建及训练步骤：首先使用Caffe框架按顺序训练四个组的DNN模型，输入数据通过input layer，计算hidden layer中不同危险因素的权重，通过output layer获得关键危险因素。之后根据分组DNN模型提取了不同组的危险因素。

DNN架构：
1个输入层，3个隐藏层，1个输出层，层与层之前全连接；
**函数选取ReLU函数：$f(x)=\left\{\begin{array}{ll}0, & x \leq 0 \\ x, & x>0\end{array}\right.$f(x)={0,x,​x≤0x>0​
输入节点和输出节点的数量取决于输入和输出特征的数量，隐藏层的数量由数据大小确定。本文设定输入层节点数：30； 输出层节点数：9； 隐含层节点数：3；（也就是输入的每个样本的特征数为30， 输出的特征数为9）
准确性检验：10-fold 交叉验证，即将数据分为10部分。将它们轮换以将其中9个用作训练集 ，余下的1个用作模型训练的测试集。

Risk factor quantitative analysis：
首先对输出结果进行权重归一化，使得每个权重都落在0和1之间，$w_{\text {Normalized}}=\frac{w-w_{\text {Min}}}{w_{\operatorname{Max}}-w_{\operatorname{Min}}}$wNormalized​=wMax​−wMin​w−wMin​​
归一化后的权重代表了危险因素对肺癌发生的影响程度。

4. Result

上图显示了通过DNN模型获得的4个分组中危险因素的权重。
后面根据结果进行了各种比较分析balabalabala。

我的Question 位置：

• Q1：DNN的output node只有9个，为什么最后的结果图有18个指标？

• Q2：训练集的响应变量即对应output layer的输出是什么？

  未来要是想出答案再来补～