与临床医学数据挖掘分析相关论文.docVIP

与临床医学数据挖掘分析相关论文 　　 　　１ＤＭ概述 　　 　　ＤＭ是数据库知识发现（ｋｎｏｗｌｅｄｇｅｄｉｓｃｏｖｅｒｙｉｎｄａｔａｂａｓｅＫＤＤ）不可缺少的一部分而ＫＤＤ是将未加工的数据转换为有用信息的整个过程包括一系列转换步骤从数据的预处理到ＤＭ的后处理［１］其最早是在１９８９年举行的第１１届美国人工智能协会（ａｍｅｒｉｃａｎａｓｓｏｃｉａｔｉｏｎｆｏｒａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉ－ｇｅｎｃｅＡＡＡＩ）学术会议上提出的是近年来随着人工智能和数据库技术的发展而出现的一门新兴技术其开发与研究应用是建立在先进的计算机技术、超大规模数据库的出现、对巨大量数据的快速访问、对这些数据应用精深的统计方法计算的能力这４个必要条件基础上的以数据库、人工智能和数理统计三大技术为支柱 　　 　　２ＤＭ的基本模式及在临床医学中的应用 　　 　　ＤＭ的任务通常有两大类：预测任务和描述任务预测任务主要是根据其他属性的值预测特定属性的值主要有分类（ｃｌａｓｓｉｆｉｃａｉｏｎ）和回归（ｒｅｇｒｅｓｓｉｏｎ）２种模式描述任务的目标是导出概括数据中潜在联系的模式（相关、趋势、聚类、轨迹和异常）主要有关联分析、聚类分析、异常检测３种模式 　　 　　２．１预测建模（ｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｉｎｇ） 　　 　　涉及以说明变量函数的方式为目标变量建立模型有２种模式：分类和回归分类是用于预测离散的目标变量在临床医学中疾病的诊断和鉴别诊断就是典型的分类过程Ｍｅｌｇａｎｉ和Ｂａｚｉ以美国麻省理工学院的心律失常数据库的心电图为原始数据采用不同分类模型对心电图的５种异常波形和正常波形进行分类回归是用于预测连续的目标变量回归可广泛应用于医学研究中如医疗诊断与预后的判别、多因素疾病的病因研究等Ｂｕｒｋｅ等采用各种回归模式对影响乳腺癌患者预后的因素进行回归分析 　　 　　２．２关联分析（ａｓｓｏｃｉａｔｉｏｎａｎａｌｙｓｉｓ） 　　 　　用来描述数据中强关联特征的模式用于发现隐藏在大型数据集中的令人感兴趣的联系所发现的模式通常用蕴函规则或特征子集的形式表示关联分析主要应用于ＤＮＡ序列间相似搜索与比较、识别同时出现的基因序列、在患者生理参数分析中的应用、疾病相关因素分析等有学者对３７０００例肾病患者进行了追踪观察监测肾小球过滤率、尿蛋白水平和贫血状况结果发现以上３种生理指标中的任何一项异常都伴随着心脏病发病率的上升这种肾病与心脏病“关联”的现象可发生在肾病的早期阶段 　　 　　２．３聚类分析（ｃｌｕｓｔｅｒａｎａｌｙｓｉｓ） 　　 　　旨在发现紧密相关的观测值组群使得与属于不同簇的观测值相比属于同一簇的观测值相互之间尽可能类似聚类分析在医学领域中主要用于ＤＮＡ分析、医学影像数据自动分析以及多种生理参数监护数据分析、中医诊断和方剂研究、疾病危险因素等方面罗礼溥和郭宪国利用聚类分析对云南省２５县（市）现有的１１２种医学革螨的动物地理区划进行分析发现云南省医学革螨的分布明显地受到自然地理区位和特定的自然景观所制约 　　 　　２．４异常检测（ａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎ） 　　 　　用来识别其特征明显不同于其他数据的观测值这样的观测值称为异常点（ａｎｏｍａｌｙ）或离群点（ｏｕｔｌｉｅｒ）异常检测的目标是发现真正的异常点避免错误地将正常对象标注为异常点换言之一个好的异常检测器必须具有高检测率和低误报率其主要应用于检测欺诈、网络攻击、疾病的不寻常模式等 　　 　　３ＤＭ的方法及研究趋势 　　 　　在ＤＭ算法的理论基础上ＤＭ常用方法： 　　 　　（１）生物学方法包括人工神经网络、遗传算法等； 　　 　　（２）信息论方法包括决策树等； 　　 　　（３）集合论方法包括粗糙集理论、近邻算法等： 　　 　　（４）统计学方法； 　　 　　（５）可视化技术等方法 　　 　　ＤＭ经过十几年的蓬勃发展很多基本算法已较为成熟在其基础上进行更加高效的改进和算法提高显得比较困难如传统的频繁模式和关联规则挖掘在近几年的国际著名会议和期刊上已不再作为重要的研究主题近年来众多国内外知名学者相继探讨ＤＭ的最新方向Ｙａｎｇ和Ｗｕ汇总形成了ＤＭ领域十大挑战性问题报告；Ａｇｒａｗａ等探讨了ＤＭ的现状并展望了未来的发展方向Ｐｉａｔｅｔｓｋｙ－ｓｈａｐｉｒｏ等讨论了ＤＭ新的挑战性问题并主要探讨在生物信息学（ｂｉｏｉｎｆｏｒｍａｔｉｃｓ）、多媒体挖掘（ｍｕｌｔｉｍｅｄｉａｍｉｎｉｎｇ）、链接挖掘（１ｉｎｋｍｉｎｉｎｇ）、文本挖掘（ｔｅｘｔｍｉｎｉｎｇ）和网络挖掘（ｗｅｂｍｉｎｉｎｇ）等领域所遇到的挑战与国外相比ＤＭ在国内的研究和应用始于２０世纪９０年代初主要是对ＤＭ方法的介绍和推广２０世纪９０年代后期和２１世纪初进入蓬勃发展阶段当前ＤＭ已成为大型企业进行经营决策时所必须采用的方法证