數(shù)據(jù)挖掘常用算法及其在醫(yī)學大數(shù)據(jù)研究中的應用

醫(yī)院信息化的發(fā)展及云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能等在醫(yī)療領(lǐng)域的應用，為醫(yī)學數(shù)據(jù)的獲取、存儲及處理提供了極大便利。數(shù)據(jù)挖掘也隨著計算機技術(shù)得到了廣泛應用，從而提高了數(shù)據(jù)利用效率，拓展了知識發(fā)現(xiàn)的廣度與深度。目前，醫(yī)院已積累了大量醫(yī)療相關(guān)數(shù)據(jù)。醫(yī)學大數(shù)據(jù)與數(shù)據(jù)挖掘的結(jié)合，能夠幫助人們從存儲的大體量、高復雜的醫(yī)學數(shù)據(jù)中提取有價值信息，加速醫(yī)學成果轉(zhuǎn)化，為醫(yī)療行業(yè)開拓一個新的時代。介紹了醫(yī)學數(shù)據(jù)挖掘中常用算法及其在醫(yī)學大數(shù)據(jù)中的研究成果，以期為今后醫(yī)學大數(shù)據(jù)的挖掘利用提供參考。

數(shù)據(jù)挖掘是指從數(shù)據(jù)庫中，提取隱含在其中的人們事先未知、潛在的有用的信息和知識的過程。數(shù)據(jù)挖掘已有較多成熟方法，并在醫(yī)學大數(shù)據(jù)挖掘中取得了一定成果。本研究對數(shù)據(jù)挖掘的常用算法及在醫(yī)學大數(shù)據(jù)中的應用進行綜述。

數(shù)據(jù)挖掘分類及常用算法

預測型數(shù)據(jù)挖掘預測型數(shù)據(jù)挖掘是從歷史數(shù)據(jù)中發(fā)現(xiàn)的已知結(jié)果，推斷或預測未知數(shù)據(jù)的可能值，有預測和回歸兩種類型。常用算法有線性回歸、Logistic回歸、K-NN算法、決策樹（DT）、人工神經(jīng)網(wǎng)絡（ANN）、支持向量機（SVM）及各種集成算法等。

回歸回歸是指確定響應變量和一個或多個自變量之間依賴關(guān)系以構(gòu)建預測模型。Kirkland等利用Logistic回歸建立模型，對采集的病人臨床指標等數(shù)據(jù)建立了疾病惡化預警模型，可對病人未來2-12小時可能出現(xiàn)的疾病惡化風險進行預測。Escobar等基于14家醫(yī)院的電子病歷數(shù)據(jù)，同樣采用Logistic回歸建立模型，用于病人非計劃轉(zhuǎn)入ICU的預測。

分類分類是指基于已知所屬類別的歷史數(shù)據(jù)的特征描述預先定義好的類別，構(gòu)建預測類別的模型，再根據(jù)待查數(shù)據(jù)的相關(guān)特征與這些類別相應特征之間的相似程度，確定待查數(shù)據(jù)應劃歸入的類別，可用于預測性研究。Meng等[5]應用了Logistic回歸、ANN及決策樹三種分類算法建立了糖尿病預測模型。

描述型數(shù)據(jù)挖掘描述型數(shù)據(jù)挖掘是識別數(shù)據(jù)中的模式或關(guān)系，旨在探索被分析數(shù)據(jù)的內(nèi)在性質(zhì)，常用方法有關(guān)聯(lián)規(guī)則、序列規(guī)則和聚類。

關(guān)聯(lián)規(guī)則關(guān)聯(lián)規(guī)則通過從大量數(shù)據(jù)中，發(fā)現(xiàn)數(shù)據(jù)之間某些未知的、潛在的且有實際意義的關(guān)聯(lián)或聯(lián)系，并以關(guān)聯(lián)規(guī)則的形式表現(xiàn)出來。關(guān)聯(lián)規(guī)則應用于醫(yī)學研究，可以從醫(yī)療信息中揭示疾病發(fā)生、發(fā)展規(guī)律以及醫(yī)學診斷、醫(yī)學圖像、癥狀與用藥等某些內(nèi)在聯(lián)系，為疾病診斷和健康管理提供參考。李準等基于Apriori算法，對某綜合性醫(yī)院電子病歷中不同的冠心病診斷結(jié)果與用藥情況進行關(guān)聯(lián)規(guī)則挖掘，發(fā)現(xiàn)不同藥品對不同診斷的治療效果及冠心病危險因素。Qin Li等將Apriori算法用于高血壓、房顫、血脂異常等8項高風險因素與中風之間關(guān)聯(lián)性挖掘，提供了可行的中風預防、早期診斷和早期治療方式。

序列規(guī)則序列規(guī)則可挖掘相對時間或其他模式出現(xiàn)頻率較高的模式，通過對時間序列數(shù)據(jù)挖掘，可獲得與時間密切相關(guān)的信息，實現(xiàn)知識獲取。王晨等將非線性時間序列分析中的算法引入胎兒心電信號處理，成功實現(xiàn)胎兒心電信號與母體生物電信號的分離，對提高胎兒心電監(jiān)護有很好的輔助作用。馮冰等認為時間序列在預測傳染病發(fā)病中較好的效果，并建立了兩種季節(jié)時間序列模型對某市細菌性痢疾月發(fā)病率預測效果進行對比研究，預測效果與實際情況基本一致。

聚類分析聚類可將整個數(shù)據(jù)集分成幾個數(shù)據(jù)組，屬于同一組的實例盡可能地相似，而屬于不同組的實例則盡可能不同，常用算法如K-means和TwoStep等。張勃等將K-means應用于冠脈光學相干斷層成像的圖像斑塊分割，實現(xiàn)多區(qū)域斑塊精確分割，為醫(yī)生快速精確地讀取圖像和評估患者病情提供依據(jù)。TwoStep相比其他聚類的一個突出優(yōu)點是，能夠自動選擇最佳分組數(shù)而無需預先設置，如楊美潔將TwoStep聚類算法用于電子病歷中高血壓患者數(shù)據(jù)聚類分析，得到了高血壓重要的預測變量。

數(shù)據(jù)挖掘的過程

數(shù)據(jù)挖掘過程大致包括6個步驟：數(shù)據(jù)選擇、數(shù)據(jù)清洗、數(shù)據(jù)賦值、數(shù)據(jù)轉(zhuǎn)化、數(shù)據(jù)挖掘和結(jié)果解釋與評估。數(shù)據(jù)選擇包括數(shù)據(jù)源、數(shù)據(jù)類型、特征變量等的選擇，其中，特征變量選擇至關(guān)重要，許多分析建模探索往往始于數(shù)以百計甚至更多的變量，但通常來說，只有少數(shù)變量真正與目標變量有關(guān)，有助于降低模型訓練時間和存儲空間，提高模型的精度。研究者在建立預警模型時，以Logistic回歸從眾多變量中篩選了特異性較高的變量用于模型建立；Khiabani等[20]則以filter 和wrapper兩種變量選擇法分別從55個變量中篩選特征變量，用于前驅(qū)糖尿病預測研究，并將預測結(jié)果與全變量模型的預測結(jié)果進行了對比，發(fā)現(xiàn)經(jīng)過特征變量篩選的預測模型的精確性優(yōu)于全變量模型。

數(shù)據(jù)挖掘在醫(yī)學大數(shù)據(jù)研究中的應用

數(shù)據(jù)挖掘在醫(yī)學大數(shù)據(jù)研究中已取得了較多成果，通過文獻檢索，總結(jié)了三方面的應用現(xiàn)狀。

疾病早期預警醫(yī)療領(lǐng)域往往需要更精確的實時預警工具，而基于數(shù)據(jù)挖掘的疾病早期預警模型的建立，有助于提高疾病的早期診斷、預警和監(jiān)護，同時，也有利于醫(yī)療機構(gòu)采取預防和控制措施，減少疾病惡化及并發(fā)癥的發(fā)生。

疾病早期預警，首先要收集與疾病相關(guān)的指標數(shù)據(jù)或危險因素，然后建立模型，從而發(fā)現(xiàn)隱含在數(shù)據(jù)之中的發(fā)病機制和病情之間的聯(lián)系。Forkan等采集日常監(jiān)測的心率、舒張壓、收縮壓、平均血壓、呼吸率、血氧飽和度等生命體征數(shù)據(jù)，以J48決策樹、隨機森林樹及序列最小優(yōu)化算法等建立疾病預警模型，用于遠程家庭監(jiān)測，識別未曾診斷過的疾病發(fā)生，并將監(jiān)測結(jié)果發(fā)送到醫(yī)療急救機構(gòu)，實現(xiàn)生命體征大數(shù)據(jù)、病人及醫(yī)療機構(gòu)的完整銜接，以降低突發(fā)疾病及死亡的發(fā)生率。Easton等利用貝葉斯分類算法建立了中風后遺癥死亡預測模型，認為中風后遺癥死亡概率與中風發(fā)生后的時間長短成函數(shù)關(guān)系，有助于中風后遺癥患者的后續(xù)監(jiān)護。Tayefi等基于決策樹算法建立了冠心病預測模型，該模型發(fā)現(xiàn)hs-CRP作為新的冠心病預測標志物，比傳統(tǒng)的標志物（如FBG、LDL）更具特異性。

慢性病研究糖尿病、高血壓、心血管疾病等慢性病正在影響著人們的健康，識別慢性病危險因素并建立預警模型有助于降低慢性疾病并發(fā)癥的發(fā)生。Alagugowr等建立的心臟病預警系統(tǒng)，從心臟病大數(shù)據(jù)庫中提取特征指標，通過K-means聚類算法識別出心臟病危險因素，又以Apriori算法挖掘高頻危險因素與心臟病危險等級之間的關(guān)聯(lián)規(guī)則。Ilayaraja等則以高頻項集尋找心臟病危險因素并識別病人風險程度，該方法能夠回避無意義項集的產(chǎn)生，從而解決了以往研究中項集數(shù)量多、所需存儲空間大等問題。CH Jen等對慢性疾病并發(fā)癥風險識別的研究分三個步驟，首先，選擇健康人群體檢數(shù)據(jù)和慢性病患者相關(guān)疾病數(shù)據(jù)，以帶有序列前項選擇的線性判別分析來尋找相關(guān)疾病的特征變量；然后，以K-NN對特征變量進行分類處理；最后，將K-NN算法的分類結(jié)果應用于慢性疾病預警模型的建立。Aljumah等先后以回歸分析和SVM用于預測和判斷糖尿病不同治療方式與不同年齡組之間的最佳匹配，為患者選擇最佳治療方式提供依據(jù)。Perveen等對糖尿病的預測研究，采用患者人口學數(shù)據(jù)和臨床指標數(shù)據(jù)，并分別用Adaboost集成算法、Bagging算法及決策樹三種算法來建立預測模型，認為Adaboost集成算法的精確性更高。

輔助醫(yī)學診斷醫(yī)學數(shù)據(jù)不僅體量大，而且錯綜復雜、相互關(guān)聯(lián)。對大量醫(yī)學數(shù)據(jù)的分析，挖掘出有價值的診斷規(guī)則，將對疾病診斷提供參考。Yang等基于決策樹算法和Apriori算法，對肺癌病理報告與臨床信息之間的關(guān)聯(lián)性進行了研究，為肺癌病理分期診斷提供依據(jù)，從而可回避診斷中需要手術(shù)方法獲取病理組織。Becerra-Garcia等應用SVM、K-NN和CART三種算法對眼球電圖進行信號預處理、脈沖檢測和脈沖分類，為研究臨床眼球電圖檢查中非自發(fā)掃視眼球運動的識別提供依據(jù)。彭玉蘭等對某醫(yī)院5年的乳腺超聲數(shù)據(jù)進行了關(guān)聯(lián)規(guī)則挖掘，建立乳腺病理診斷與超聲診斷之間的關(guān)聯(lián)規(guī)則，并開發(fā)了乳腺超聲數(shù)據(jù)庫數(shù)據(jù)檢索系統(tǒng)，便于醫(yī)生快速獲得超聲診斷和病理診斷的各種診斷信息和病例信息。

醫(yī)學大數(shù)據(jù)挖掘已呈現(xiàn)廣闊的發(fā)展前景和巨大的應用價值，將為疾病研究、臨床及管理決策、醫(yī)療服務個性化及圖像識別等眾多領(lǐng)域帶來更多支持。麥肯錫在其報告中指出，大數(shù)據(jù)分析可以幫助美國醫(yī)療服務業(yè)一年創(chuàng)造3000億美元的附加價值，而美國醫(yī)療協(xié)會也稱，改善醫(yī)療衛(wèi)生事業(yè)的關(guān)鍵在于大數(shù)據(jù)。目前，醫(yī)院大數(shù)據(jù)中心、區(qū)域性衛(wèi)生信息平臺、國家醫(yī)療大數(shù)據(jù)中心的建立以及衛(wèi)生信息互聯(lián)互通標準和共享規(guī)范的制定，為數(shù)據(jù)存儲和共享、推動醫(yī)學大數(shù)據(jù)的應用提供了更多支撐。未來，醫(yī)學大數(shù)據(jù)挖掘將不斷更新，探索新的研究領(lǐng)域，推動研究成果轉(zhuǎn)化。