Page 63 - 《中国医疗器械杂志》2025年第6期

Chinese Journal of Medical Instrumentation 2025年 第49卷 第6期

临 床 医 学 工 程

（ 1）训练方法。 1 N ∑
MAE = |y i − ˆy i | (4)
模型训练使用了2022年1月至2024年4月的数据 N
i=1
作为训练集，包含28个月的冠脉支架供货与使用数
N ∑
据。验证集则取剩余2024年5月至2024年8月的数 |y i − ˆy i | 2
据，验证集用于调整模型的超参数，选择最优参数 2 i=1
R = 1− (5)
组合，避免过拟合。使以上3种对比模型的学习 N ∑ 2
|y i −y|
率、训练Epoch以及批量大小等超参数保持一致，
i=1
如表2所示。 式中： y i 为第i个数据点的真实值， 为第i个数据
ˆ y i

表2 超参数 点的预测值， y为真实值的平均值，N为测试集样
Tab.2 Hyperparameters
本数量。
参数名称 值
RMSE为预测值与真实值误差平方平均值的平
学习率 0.001
方根，强调对大误差的惩罚力度；MAE为预测值
批量大小 32 与真实值绝对误差的平均值，直接衡量误差的平均
优化器 Adam 幅度；R 表示解释变量方差的能力，反映拟合程度
2
损失函数 MSE 的优劣。RMSE、MAE的值越小，表示模型预测值
训练Epoch 50 与真实值之间差距越小；R 越接近1，则表示拟合
2

程度越好。
表 2中 使 用 Adam 优 化 器 （ adaptive moment
estimation）优化深度学习模型 ，该优化器能够在 2 结果与分析
[9]
深度学习的各种任务和模型中自动调整学习率，并
且具有较好的收敛性能。Adam优化器原理包括动 2.1 数据预处理
量和自适应学习率的结合，即 在本研究中，数据预处理是确保模型训练和需
[10]
2 求预测准确性的重要环节 。为了提高数据的质
ν t = βv t−1 +(1−β)(∇ θ J(θ t )) (1)
量，须对2022年1月至2024年8月的冠脉支架供应及
式中： θ t 为迭代t时的参数， ∇ θ J (θ t )为迭代t 时的目
使用数据进行清洗与处理，具体包括以下操作。
标函数，β为二阶矩估计的指数衰减率，v 为上一
t−1
步平方梯度的指数加权平均值，v 为当下平方梯度 （ 1）去除空行。
t 原始数据中存在部分空行或不完整记录（如缺
的指数加权平均值。
少供货数量或使用数据）。经过统计，在总计11 680
（ 2）验证评价指标。
条数据中，有37条记录缺失关键字段，已将其删
在深度学习中，验证是关键一环，可用于观察
除，剩余有效记录为11 643条。
模型性能。在训练过程中，使用训练集对模型进行
（ 2）去除异常值。
训练，每个Epoch表示模型在训练集中完成传播，
为了保证数据的可靠性，对供货数量和使用数
训练结束后使用验证集评估模型性能，绘制MSE趋
量进行了异常值检测。通过统计学方法发现12条供
势曲线，具体见式(2)，跟踪模型性能的变化趋
货记录存在异常，这些异常值已被移除，经核查其
势，根据变化趋势在适当的节点停止训练，避免过
为输入错误，故予以删除。
度拟合。同时建立模型的评价指标，分别选取均方
（ 3）去除重复项。
根误差（root mean square error, RMSE）、平均绝
对数据集进行了重复项检测，发现25条重复记录
对误差（mean absolute error, MAE）、决定系数
（ 主要为供应商的重复供货记录和科室使用记录），
（ 2
R ）对以上3种模型进行对比分析，具体计算方
去除重复记录，以避免模型训练中的数据偏差。
法见式(3)~式(5)。
统计清洗后的数据总记录数为11 606条，并
1 N ∑ 2 根据2022年1月至2024年8月清洗后的冠脉支架供
MSE = (y i − ˆy i ) (2)
N 应数据及临床使用数据，进行基本数据统计与趋势
i=1
v
u 可视化分析。统计出在此期间冠脉支架总计使用
t
1 N ∑
RMSE = (y i − ˆy i ) 2 (3) 10 832个，供货公司供货频次总计7 587次，同时
N
i=1 得出供货频次及使用量的时间序列，如图2所示。
649