生物医学数据挖掘和知识发现热点的分析.pdfVIP

78．生物医学数据挖掘与知识发现热点的分析 中国医科大学信息系（110001）张 薇 崔 雷 1前言 数据挖掘是知识发现的一个过程。所谓数据挖掘是从大量的数据中，抽取出潜在的、有 价值的知识（模型或规则）的过程，有分类、评价、预测、相关性分组或关联规则的提取、 聚类、描述和可视化等功能。数据挖掘是一门交叉学科，它把人们对数据的应用从低层次的 简单查询，提升到从数据中挖掘知识，提供决策支持。在这种需求牵引下，汇聚了不同领域 的研究者，尤其是数据库技术、人工智能技术、数理统计、可视化技术、并行计算等方面的 学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。医学数据 挖掘作为数据挖掘的一个分支，也呈现了蓬勃发展的态势。在医学文献检索数据库 PubMed 中，从1998年到2008年，相关的文献数量从23篇逐年增加到2272篇。中文文献表明，生 物医学领域相关的数据挖掘已经成为医学信息专业的新的热点，作为医学信息专业人员应当 掌握这方面的研究动态。 基于此，我们应用聚类分析的方法，对PubMed数据库中关于数据挖掘与知识发现的相 关论文进行调查分析，总结出当前数据挖掘与知识发现研究的热点，并对之加以评价，以供 同道参考。 2材料与方法 本研究采取的样本来自美国国立医学图书馆编撰的PubMed数据库。PubMed数据库是目 前国际上检索医学文献最权威的数据库，具有覆盖面广、报道迅速、使用方便、侧重临床等 特点。在PubMed检索框中输入检索式：“data mining” OR“text mining” OR“knowledge discovery” OR“KDD”，共检索到相关文献2272篇。 对检索到的全部相关文献的主要主题词，运用自编的文献计量学统计分析软件统计它们 出现的频次，将这些主题词按照它们的出现频次由高到低排序，根据这些主题词累积频次的 变化曲线选定截取高频主题词的阈值。本文将累积频次达到31.84%的前31个主题词作为表 现当前生物医学数据挖掘与知识发现研究热点的标志（见表 1）。 由于这些主题词是数据挖掘与知识发现相关论文中出现频率最高的词，故它们代表了当 前数据挖掘与知识发现的研究热点。但是，仅仅按出现频次对这些主题词进行线性排列，还 不能全面反映它们之间的关系。为此，我们对这些高频主题词进行进一步处理，两两统计它 们在同一篇论文中出现的次数。如果两个主题词在众多的文章当中同时出现的频率高，说明 它们之间的关系密切，这样形成了一个31×31的共词矩阵，再通过进一步计算生成相似矩 阵。以此为基础用SPSS软件对这些词进行聚类分析（采用系统聚类，相似度用Ochiai系数 表示，类间相似度测量采用组间平均距离法），聚类分析的结果可以反映出这些词之间的亲 疏关系。然后，将这些主题词重新组合起来，分析其间的语义关系，再结合用相应主题词从 PubMed数据库中检索出的热点文献内容，即能分析出这些词所代表的学科和主题结构，从 而获得医学数据挖掘与知识发现研究活动的热点。 3结果 表 1生物医学数据挖掘与知识发现高频主题词 位次 主题词 中文译名 频次 张薇（1983-），研究生。 Information Storage and 1 Retrieval/methods* 信息存储和检索/方法 241 2 Algorithms* 算法 210 3 Artificial Intelligence*人工智能 162 4 Computational Biology/methods*计算生物学/方法 152 5 Software* 软件 152 6 D