基于生成对抗网络的近红外光谱数据增强：针对样本不足类别以提升尿结石分类准确性

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Near-infrared spectral data augmentation for underrepresented classes using generative adversarial networks to improve the accuracy of urinary stones classification

　　

## 摘要

本研究解决了近红外光谱法在泌尿结石分类中数据集不平衡的问题，特别是磷酸盐结石样本不足导致的预测性能不佳。我们开发了一种数据增强方法，将生成对抗网络（GAN）与软独立建模同类分析（SIMCA）过滤相结合，以生成合成磷酸盐光谱。共生成400条人工光谱，与真实数据在视觉和主成分分析（PCA）上表现出相似性。在原始和增强数据集上分别训练和评估了支持向量机（SVM）分类模型，用于区分尿酸、磷酸盐和草酸盐结石。每个训练集中使用真实样本占总数据集的不同比例（30%–70%），并预留30%的真实样本仅用于验证。对于增强后的数据，磷酸盐的精确率因训练集大小不同而提高了5%–10%。对于未被过采样的草酸盐和尿酸结石，精确率与召回率分别达到65%–89%和71%–88%。引入人工生成的磷酸盐光谱可改善独立测试集上区分尿酸、磷酸盐和草酸盐结石的分类性能。GAN+SIMCA算法可用于类似的数据不平衡医疗任务，即使在真实数据有限的情况下也具有良好的效率。

## 引言

泌尿结石的病理形成（尿路结石病）是一种广泛诊断的疾病，复发率较高。激光碎石术是最常用且创伤最小的泌尿结石外科碎片化技术之一，可通过导管无痛移除结石。根据既定指南[1]，建议对每位首次诊断的结石患者确定其化学成分。泌尿结石可以是单相或多相的，大多数含有草酸钙、磷酸盐或尿酸。其他类型的结石，如胱氨酸结石，非常罕见，表明存在遗传性疾病。因此，结石成分可与引发尿路结石病发展的特定因素相关联，在制定治疗方案及术后预防措施（饮食、药物治疗等）时必须予以考虑[2]。

超声和无对比剂计算机断层扫描（CT）是泌尿结石显像最常用的方法。由于尿酸结石和含钙结石的密度值不同，CT扫描可将结石归为这两组之一[3]。目前，完整的化学成分分析仅在取出结石后，通过X射线相位分析或红外光谱等实验室方法才能实现。术中缺乏检测方法不仅会延误尿路结石病的进一步治疗，而且无法根据特定结石类型提前调整激光参数。尤其是实时确定磷酸盐结石尤为困难，因为它们需要更多能量进行碎片化[4]。

近红外光谱法（NIR）已被提议用于术中确定泌尿结石的化学成分[5]。这是一种很有前景的方法，确保近红外光纤探头与各种尿道导管的兼容性，且测量可由外科医生快速完成，无任何并发症。由于此处的近红外数据集天然不平衡（草酸盐发生率超过70%），因此需要改进分类算法或数据集，以便对样本较少、变异较大且最具挑战性的泌尿结石类型——即磷酸盐结石——获得更好的结果[6]、[7]。

由于磷酸盐泌尿结石发生频率相对较低（不足10%），通过自然方式添加更多真实样本来平衡数据集相当耗时，即使考虑存档结石也是如此。如果最少代表的类别中包含足够多的样本，类别不平衡可通过神经网络架构来补偿，例如Transformer[8]、[9]、[10]。另一种选择是使用预训练模型（如果可用）[11]。人工数据增强（DA）似乎更适合此任务。执行DA有两种根本不同的方法[12]。第一种方法是通过添加噪声、偏置、失真等来修改现有数据，而相应的类别标签不变。第二种方法需要使用在真实数据上训练的机器学习模型从零生成新样本[13]。这两种方法已被用于光谱分析方法的DA；NIR中最常用技术的总结见文献[12]。

文献[14]研究了人工增强葡萄酒醋样品和碳水化合物混合物的近红外数据集以用于PLS-DA分类。新光谱通过将随机噪声、乘性效应、光谱强度或峰位的线性偏移及其组合添加到真实数据中获得。结果表明，数据增强不仅提高了PLS-DA模型的准确率，还改善了其鲁棒性，这是将人工样本纳入训练集的一个重要优势。

文献[15]比较了上述两种数据增强方法——常规方法和生成方法——在癌症诊断分类模型训练中的应用。与医疗数据的常见情况一样，可用的光谱集较小且不平衡。作者得出结论：生成对抗网络（GAN）及其与数据变换的融合，通过支持向量机和神经网络等分类器在拉曼光谱和中红外光谱上分别训练的模型，改善了肺癌和胶质瘤检测的准确率。在我们的工作中，我们同样专注于生成方法，特别是GAN。

2014年，Goodfellow等人提出GAN作为使用两个竞争性神经网络生成新数据的方法：生成器和判别器[16]。生成器将随机噪声转换为与实验样本维度相似的数据。合成数据与真实数据结合后输入判别器，判别器估计样本为真实或生成的概率。训练过程中调整网络权重和架构以最小化误差，使生成器能够产生与真实样本无法区分的人工样本。这种人工数据增强方法在许多领域得到广泛应用，包括虚假新闻检测[17]、创建新的环境数据以改善空气质量评估[18]、修复受损图像[19]以及磁共振成像（MRI）图像修复[20]。

GAN在光谱数据分析中也得到了广泛应用[21]、[22]。文献[23]报道了使用GAN从健康志愿者和骨质疏松症患者生成人工骨样本拉曼光谱的研究。该GAN产生的光谱数据仅类似于原始样本的一部分，趋向于平均实验光谱。

在文献[24]中，作者使用带有一维卷积神经网络的条件变分自编码器生成土壤样本的近红外光谱。基于原始数据（271条光谱）训练的偏最小二乘回归模型用于定量测定土壤有机质（R2=0.69，RMSEP=3.9 g/kg）。添加200条生成光谱后改善了模型（R2=0.82，RMSEP=2.9 g/kg），但增加生成样本数量（超过250条）会导致准确率下降。文献[25]中获得了类似结果，该研究使用近红外高光谱成像方法测定小麦籽粒中的油含量。研究表明，训练集中包含的真实样本越多，模型准确率越高。相反，添加合成样本仅在一定限度内改善模型性能。

基于卷积层的GAN被用于生成单倍体和二倍体玉米种子的高光谱图像[26]。添加合成数据使分类准确率提高了5%–10%。类似地，在文献[27]中，使用一维深度卷积GAN为玉米油中毒死蜱农药的定量分析生成新的近红外光谱。独立随机噪声添加进一步扩大了数据集，使回归模型的R2从0.79提高到0.95。因此，GAN已被证明是对平衡和不平衡的不同性质光谱数据集都有效的数据增强方法。

获得比例平衡的泌尿结石真实样本具有挑战性，尤其是对于磷酸盐等罕见类型，这限制了其有效分类。这一缺陷阻碍了文献[5]中先前提出的基于近红外光谱的泌尿结石术中分析方法的实施。为此，我们提出使用GAN生成人工光谱数据来增强训练集，并通过过采样提高分类准确率。本研究探讨了这一方法的可行性，重点关注尿路结石病中磷酸盐泌尿结石的近红外光谱生成。首先，我们优化了GAN架构，确保真实光谱与生成光谱之间的相似性不会损害结果。然后，我们生成了不同批次的欠代表类别（磷酸盐）的近红外光谱，在增强数据集上训练、优化和验证了SVM模型。还评估了在不降低模型质量的前提下添加人工光谱的极限。

## 各部分摘录

### 泌尿结石样本

存档泌尿结石样本由斯·米·基洛夫医学院泌尿科提供。通过标准患者知情同意书获得了在科学研究中使用所收集生物样本的同意。该样本集由157个样本组成，包括单相和多相结石（115个草酸盐、28个尿酸盐和14个磷酸盐）。多相结石按其主要成分（>50%）进行分类。样本尺寸从几毫米到数厘米不等。

### 原始近红外数据集

生理盐水中单相泌尿结石的典型光谱如图1所示。从1450到1480 nm的范围内可以明显观察到生理盐水的影响。1500–1700 nm区间包含CO、C=O、OH、NH、CH、CN和PO振动的信号，对泌尿结石的分类更具信息量[31]。一水合草酸钙（CaC?O?·H?O）和二水磷酸钙氢（CaHPO?·2H?O）是含钙结石，光谱非常接近。尿酸结石（C?H?N?O?）在1680 nm处有一个特征峰。

### 结论

本工作展示了生成对抗网络（GAN）在解决不平衡数据集挑战、改善泌尿结石成分分类方面的潜力。这一进展是基于近红外（NIR）光谱结合机器学习算法的新型术中分析方法开发的一部分。尽管磷酸盐光谱的可用性有限，我们成功训练并优化了一种GAN架构，能够生成与真实磷酸盐光谱相似的合成光谱。增强后的数据集上的SVM分类模型显示，磷酸盐的精确率提高了5%–10%，而草酸盐和尿酸的精确率和召回率分别达到65%–89%和71%–88%。GAN+SIMCA组合被证明是处理光谱数据不平衡问题的有效工具，建议用于类似的医疗分类任务。

### CRediT作者贡献声明

Vladislav Deev：调查研究、形式分析、可视化、初稿撰写。
Ekaterina Boichenko：调查研究、审稿与编辑。
Mikhail Paronnikov：资源。
Vladimir Protoshchak：资源、项目管理。
Dmitry Kirsanov：概念设计、监督、审稿与编辑。

### 利益冲突声明

作者声明，他们没有已知的可能影响本论文所述工作的竞争性财务利益或个人关系。

### 致谢

本研究由俄罗斯科学基金会资助，项目编号为RSF 25-43-20018。

Vladislav Deev | Ekaterina Boichenko | Mikhail Paronnikov | Vladimir Protoshchak | Dmitry Kirsanov

圣彼得堡国立大学化学研究所，Universitetskaya nab., 7-9-11, 199304 俄罗斯圣彼得堡