程文靜 劉燕美

【摘要】該文介紹了一種醫(yī)學(xué)數(shù)據(jù)分類研究中的圖像分析方法，它把概念模型，數(shù)據(jù)和分類方法有效地整合在了一起，涵蓋了完整的分類操作并采用了一系列圖形圖像和計(jì)算組件。通過(guò)案例研究展示了如何使用該系統(tǒng)尋找癌癥死亡率和一些可能存在的危險(xiǎn)因素之間的關(guān)系。

【關(guān)鍵詞】醫(yī)學(xué)數(shù)據(jù);分類;圖形圖像

1.引言

近年來(lái)出現(xiàn)的大量復(fù)雜的醫(yī)療衛(wèi)生數(shù)據(jù)促進(jìn)了醫(yī)學(xué)方面一些新設(shè)想的探索研究。在數(shù)據(jù)中發(fā)掘分類成了分析和展示有關(guān)健康問(wèn)題和社會(huì)經(jīng)濟(jì)因素之間關(guān)系中的關(guān)鍵一步。構(gòu)造類別不僅需要分類方法和數(shù)據(jù)，還需要人類專業(yè)領(lǐng)域的知識(shí)。這是一個(gè)反復(fù)的，不斷學(xué)習(xí)的過(guò)程，研究者力求在數(shù)據(jù)，方法和概念知識(shí)中達(dá)到穩(wěn)定的平衡。然而，大多數(shù)方法在這一過(guò)程中無(wú)法實(shí)現(xiàn)預(yù)期的效果，因?yàn)榇磉@三方面的工具，即概念知識(shí)，數(shù)據(jù)和分類方法，是在不同的軟件產(chǎn)品中實(shí)現(xiàn)的，彼此之間鮮有交互。因此，分析人員只能檢測(cè)結(jié)果的成功或失敗，卻很難發(fā)現(xiàn)問(wèn)題所在。所以我們需要的是一個(gè)能整合這三個(gè)方面的模型，使分析人員在工作過(guò)程中能全面把握這三個(gè)方面，從而發(fā)現(xiàn)醫(yī)學(xué)數(shù)據(jù)和社會(huì)經(jīng)濟(jì)因素之間確定的關(guān)系或模式。研究表明，可視化圖像是人和計(jì)算組件之間的有效接口，能幫助人們反復(fù)分析數(shù)據(jù)樣本，結(jié)合固有的知識(shí)顯示分類，找出存在的問(wèn)題。在這樣的組件中，數(shù)據(jù)和關(guān)系可以通過(guò)圖形圖像來(lái)表達(dá)和解釋，使整個(gè)研究過(guò)程步驟清晰且高效。

2.解決方案

本文介紹了一種基于可視化界面的方法，它由賓夕法尼亞大學(xué)的研究人員發(fā)明[1]，把數(shù)據(jù)研究，分類方法與關(guān)系的概念化結(jié)合了起來(lái)，連接了以下四個(gè)步驟：1）創(chuàng)建，瀏覽和修改概念模型。2）選擇概念進(jìn)行特定的分析。3）從出現(xiàn)的結(jié)構(gòu)中挖掘數(shù)據(jù)以明確地表達(dá)概念。4）根據(jù)結(jié)果中出現(xiàn)的新關(guān)系動(dòng)態(tài)地修改概念。具體來(lái)說(shuō)，用戶首先基于自己的專業(yè)知識(shí)在conceptvista中構(gòu)建初始關(guān)系的概念圖，conceptvista是一種基于TouchGraph可視化工具包的動(dòng)態(tài)概念圖畫(huà)圖工具[4]。然后將數(shù)據(jù)在不同的視圖工具中（如平行坐標(biāo)圖，散點(diǎn)圖和等值線圖）從屬性和地理空間兩方面進(jìn)行分析，尋找屬性之間的關(guān)系，這也可以通過(guò)以上可視化工具的交互來(lái)實(shí)現(xiàn)。由此用戶可以從中選擇選擇恰當(dāng)?shù)膶傩院瓦m當(dāng)?shù)姆椒▉?lái)修正舊的知識(shí)模型并構(gòu)造出一個(gè)新的概念模型。

3.案例研究

3.1 數(shù)據(jù)和研究區(qū)域

研究組選定美國(guó)阿巴拉契亞山區(qū)為研究區(qū)域，那里的癌癥死亡率高于美國(guó)全國(guó)平均水平。該區(qū)域包含156個(gè)郡，涵蓋了肯塔基州和賓夕法尼亞州部分區(qū)域和整個(gè)西弗吉尼亞州。數(shù)據(jù)集包含了如人口數(shù)量，種族，性別等屬性。

一般來(lái)說(shuō)，人們認(rèn)為較高的癌癥死亡率與缺乏發(fā)現(xiàn)和預(yù)防知識(shí)以及未能及時(shí)治療有較大關(guān)系。此外，低收入，落后的教育水平，高失業(yè)率等社會(huì)經(jīng)濟(jì)因素也被認(rèn)為可能對(duì)公眾健康造成負(fù)面影響。根據(jù)以上因素首先構(gòu)造出關(guān)系概念圖，如圖1所示，它是以貧困和高死亡率有關(guān)，富裕和低死亡率有關(guān)的猜想為基礎(chǔ)的，由此開(kāi)始分析具體數(shù)據(jù)來(lái)對(duì)乳腺癌和宮頸癌做研究。

3.2 癌癥數(shù)據(jù)和風(fēng)險(xiǎn)因素的分類挖掘

挖掘是一個(gè)反復(fù)的學(xué)習(xí)過(guò)程，該集成系統(tǒng)從知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩種方法中都汲取了優(yōu)點(diǎn)，使分析人員可以在概念，數(shù)據(jù)和分類方法三方面無(wú)縫切換。根據(jù)癌癥死亡率的高低研究區(qū)域被分為三類，即低，中，高，在區(qū)域等值線圖中用三種顏色表示了出來(lái)，如圖2所示。

圖1 乳腺癌和貧困及相關(guān)因素的原始概念圖

圖2 1970-1994該區(qū)域乳腺癌死亡率的分類等值線圖

可以看到，賓夕法尼亞（上部）的大部分地區(qū)被紫色和淺紫色標(biāo)記，而肯塔基州（下部）和西弗吉尼亞州（中部）的許多郡被淺紫色和灰色標(biāo)記。這種模式表明，乳腺癌死亡率較高的郡大都集中在賓夕法尼亞，而在肯塔基和西弗吉尼亞州的郡中乳腺癌死亡率居中或較低。

接下來(lái)探討產(chǎn)生這種分布的原因。根據(jù)較高的癌癥高死亡率與較低的社會(huì)經(jīng)濟(jì)地位有關(guān)的假設(shè)，添加一個(gè)變量“人均收入”，由此生成一個(gè)二維圖，如圖3所示，兩個(gè)變量乳腺癌死亡率和人均收入分別用紫色和綠色表示。

圖3 由乳腺癌死亡率和人均收入生成的分類等值線圖

根據(jù)兩個(gè)變量的值，把156個(gè)郡分為九類，即低低，低中，低高，中低，中高，高低，高中，和高高。標(biāo)記為深灰色的縣同時(shí)具有較高的乳腺癌死亡率和人均收入。顯然，人均收入高的郡縣同樣大都集中在賓夕法尼亞，低收入和低乳腺癌死亡率的郡（淺灰色）集中在西弗吉尼亞和肯塔基。這種結(jié)果說(shuō)明乳腺癌的死亡率與收入是正相關(guān)的，也就是說(shuō)，在這一地區(qū)，貧困誘發(fā)高癌癥死亡率的猜測(cè)并不夠準(zhǔn)確，至少在乳腺癌方面是這樣。

在上述方法中只同時(shí)分析了兩個(gè)變量，如果要分析它們和其他潛在的風(fēng)險(xiǎn)因素之間的關(guān)系，如教育，衛(wèi)生服務(wù)等，還需要在系統(tǒng)中應(yīng)用其他的工具，如電子表格，平行坐標(biāo)圖（PCP），散點(diǎn)圖，散點(diǎn)圖和地圖的矩陣等。電子表格可以列出所有的數(shù)字格式的數(shù)據(jù);PCP顯示平行軸的所有變量的值;散點(diǎn)圖顯示一對(duì)變量的屬性值;等值線圖觀測(cè)地理位置的分類。這些工具的功能優(yōu)勢(shì)被結(jié)合起來(lái)應(yīng)用在系統(tǒng)中。

在這個(gè)案例中共有四十六個(gè)變量，包括各種與癌癥死亡率可能相關(guān)的社會(huì)經(jīng)濟(jì)因素，如人口，人均收入，租金，教育情況，吸煙，肥胖，等等。電子表格可以列出所有的數(shù)據(jù)集，但是很難從表中大量的普通數(shù)字中發(fā)現(xiàn)有用的模式。

從所有變量中選出四個(gè)，乳腺癌死亡率、宮頸癌死亡率，以及它們的社會(huì)經(jīng)濟(jì)風(fēng)險(xiǎn)因素，表示在一個(gè)散點(diǎn)圖和地圖矩陣中（圖4）。每對(duì)變量的關(guān)系可以分別從散點(diǎn)圖中的兩個(gè)屬性空間和地圖中直觀地顯示出來(lái)。紅色線條是回歸線，表示屬性相關(guān)性的R值顯示在散點(diǎn)圖的每個(gè)面板上部?？さ念伾缮Ⅻc(diǎn)圖顯示的變量二維分類結(jié)果決定，共有九種，每種代表一個(gè)二元分類。用淺紫色標(biāo)識(shí)的郡在X軸表示的變量中有較高的值，在Y軸表示的變量中有較低的值。用淺綠色標(biāo)識(shí)的郡在Y軸表示的變量中有較高的值，在X軸表示的變量中有較低的值。在兩個(gè)變量中都有相對(duì)較高值的郡用深灰色表示，在兩個(gè)變量中都有相對(duì)較低值的郡用淺灰色表示。

圖4 四個(gè)變量顯示在散點(diǎn)圖和地圖矩陣中

每一個(gè)散點(diǎn)圖可以表示出坐標(biāo)軸兩個(gè)變量的相關(guān)性并給出其置信度，可以是正相關(guān)（上升），負(fù)相關(guān)（下降），或0（不相關(guān)）。如果散點(diǎn)的分布回歸線是從左下到右上的模式，表明兩個(gè)變量呈正相關(guān);如果是從左上到右下的模式，表明兩個(gè)變量呈負(fù)相關(guān)。R值表示了相關(guān)的置信度。右上方的紅色虛線框中是宮頸癌和乳腺癌死亡率變量的散點(diǎn)圖。這兩個(gè)變量之間的相關(guān)系數(shù)是為-0.042，表示一個(gè)弱的負(fù)相關(guān)，這表明宮頸癌死亡率較高的郡的乳腺癌的死亡率相對(duì)較低。

再觀察左下方紅色虛線框中對(duì)應(yīng)的等值線地圖。紫色表示具有相對(duì)較高的乳腺癌死亡率與較低的宮頸癌死亡率的郡，主要集中在賓夕法尼亞州。淺綠色表示具有較高的宮頸癌死亡率和較低的乳腺癌死亡率的郡，主要集中在西弗吉尼亞州和肯塔基州。

如果需要研究局部區(qū)域，可以很容易地在散點(diǎn)圖中通過(guò)拖動(dòng)虛線框選擇區(qū)域。選擇出來(lái)的子區(qū)域會(huì)同時(shí)在其他的工具（如地圖）中顯示出相應(yīng)的視圖部分，這樣就實(shí)現(xiàn)了不同工具之間的交互功能。

通過(guò)同樣的方式可以對(duì)其他因素進(jìn)行分析。根據(jù)整體的最終結(jié)果，可以修訂出一個(gè)新的表示癌癥死亡率和社會(huì)經(jīng)濟(jì)地位關(guān)系的概念圖。最初的概念圖是構(gòu)建在高癌癥死亡率與低社會(huì)經(jīng)濟(jì)地位有關(guān)的猜想上的。但是結(jié)果顯示，雖然宮頸癌死亡率與社會(huì)經(jīng)濟(jì)因素呈負(fù)相關(guān)，但是乳腺癌死亡率卻與社會(huì)經(jīng)濟(jì)地位有一定正相關(guān)的關(guān)系。衛(wèi)生服務(wù)條件也被從危險(xiǎn)因素中去除，因?yàn)榻Y(jié)果顯示，醫(yī)患百分比，醫(yī)院數(shù)量與人口數(shù)量的百分比與癌癥死亡率并沒(méi)有明顯的關(guān)系。

4.結(jié)論

從案例研究中可以看到，該系統(tǒng)提供了交互式數(shù)據(jù)圖像和分類方法，來(lái)發(fā)掘癌癥死亡率及其危險(xiǎn)因素之間的關(guān)系。最初的關(guān)系概念可以在數(shù)據(jù)發(fā)掘的過(guò)程中逐步被修訂。所以說(shuō)，針對(duì)醫(yī)學(xué)數(shù)據(jù)研究的多維特性，圖像集成工具是一個(gè)很好的選擇，它使研究過(guò)程變得明了且高效。

參考文獻(xiàn)

[1]Dai，X.：“Visualization based approach for exploration of health data and risk factors”，In Proc.of：GeoComputation，Ann Arbor Mi，USA，on CD，2005.

[2]Carr，D.，Wallin，J.，and Carr，D.，2000，Two new templates for epidemiology applications：Linked micromap plots and conditioned choropleth maps.Statistics in medicine，19，2521-2538.

[3]系統(tǒng)可在以下地址查看GoeVista Studio http：//www.geovistastudio.psu.edu.

作者簡(jiǎn)介：

程文靜（1983—），女，河南新鄉(xiāng)人，碩士，鄭州航空工業(yè)管理學(xué)院助教，研究方向：數(shù)據(jù)知識(shí)工程。

劉燕美（1986—），女，河南新鄉(xiāng)人，碩士，鄭州航空工業(yè)管理學(xué)院助教，研究方向：計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)。