苗立志，刁繼堯，婁 沖，崔進東

(1.南京郵電大學(xué) 地理與生物信息學(xué)院，江蘇 南京 210023；2.南京郵電大學(xué) 江蘇省智慧健康大數(shù)據(jù)分析與位置服務(wù)工程實驗室，江蘇 南京 210023；3.南京郵電大學(xué) 泛在網(wǎng)絡(luò)健康服務(wù)系統(tǒng)教育部工程研究中心，江蘇 南京 210003；4.南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003)

0 引 言

近年來，隨著以深度學(xué)習(xí)為代表的大數(shù)據(jù)分析技術(shù)的不斷發(fā)展和成熟，出現(xiàn)了大數(shù)據(jù)分析技術(shù)與醫(yī)療健康領(lǐng)域開始深度結(jié)合的跡象?？萍季揞^搶占市場、各路資本大量涌入，癌癥成為了熱點方向。眾多智能健康項目興起，如IBM的沃森人工智能系統(tǒng)研究提高護理水平[1]、谷歌風(fēng)投資金的1/3進入醫(yī)療健康與生命科學(xué)領(lǐng)域[2-3]、微軟的最新醫(yī)療健康項目Hanover[3]等。

隨著社會和經(jīng)濟的發(fā)展，由于不健康的生活方式和飲食習(xí)慣，以及電離輻射等因素，在中國，癌癥的健康負擔(dān)逐年增長，每年超過160萬人診斷為癌癥，12萬因癌癥而死亡。與其他大多數(shù)國家一樣，乳腺癌也成為了中國女性最常見的癌癥；每年中國乳腺癌新發(fā)數(shù)量和死亡數(shù)量分別占全世界的 12.2%和9.6%。針對這一嚴重的社會現(xiàn)實，迫切需要開展有關(guān)乳腺癌發(fā)病風(fēng)險的研究，包括發(fā)病原因分析和基于歷史數(shù)據(jù)進行乳腺癌風(fēng)險的預(yù)測。

現(xiàn)如今大數(shù)據(jù)分析技術(shù)日趨成熟，應(yīng)用逐漸廣泛。大數(shù)據(jù)分析是在強大的支撐平臺上運行分析算法發(fā)現(xiàn)隱藏在大數(shù)據(jù)中潛在價值的過程[4]。從異構(gòu)數(shù)據(jù)源抽取和集成的數(shù)據(jù)構(gòu)成了數(shù)據(jù)分析的原始數(shù)據(jù)，而大數(shù)據(jù)分析的核心問題是如何對這些數(shù)據(jù)進行有效的表達、解釋和學(xué)習(xí)[5]。

大數(shù)據(jù)分析相關(guān)內(nèi)容包括可視化分析、數(shù)據(jù)挖掘、預(yù)測分析、語義分析及數(shù)據(jù)質(zhì)量管理。文中主要采用大數(shù)據(jù)分析中的預(yù)測分析，目前常見的預(yù)測方法主要有兩類：分析預(yù)測法[6]和技術(shù)預(yù)測法[7]。國內(nèi)已有使用分析預(yù)測法開展的相關(guān)研究，并取得了較好的效果。如徐兵河等[8]利用分析預(yù)測法，對石蠟包埋組織的基因表達譜，分析預(yù)測局部晚期乳腺癌的化療反應(yīng)，對ER相關(guān)基因、細胞增殖及免疫相關(guān)基因的表達水平定量分析可預(yù)測接受新輔助化療的女性乳腺癌患者獲得pCR的可能性。李秀央等[9]利用分析預(yù)測法探討流行性乙型腦炎發(fā)生率與預(yù)測因子的關(guān)系，最終得到預(yù)測值與實際發(fā)生率很接近，僅相差0.026 4/10萬，準(zhǔn)確率為97.94%。張愛霞等[10]利用回歸分析預(yù)測法對傷亡事故進行了預(yù)測，證明了回歸分析預(yù)測法是一種有效的事故發(fā)生趨勢預(yù)測法。技術(shù)預(yù)測法是一種通過相關(guān)技術(shù)進行預(yù)測的方法。如林毅超[11]利用基于人工神經(jīng)網(wǎng)絡(luò)的技術(shù)預(yù)測法對股價做出預(yù)測，選用股市實時指標(biāo)作為人工神經(jīng)網(wǎng)絡(luò)的輸入變量，經(jīng)過循環(huán)13次訓(xùn)練96組數(shù)據(jù)和預(yù)測1個股價，結(jié)果顯示平均預(yù)測誤差率為3.4%，絕對偏差在USD0.27-1.94之間。王興旺等[12]提出了一種基于多種類型信息計量分析的前沿技術(shù)預(yù)測方法，通過設(shè)定不同權(quán)值的計算方式，獲得更為精準(zhǔn)的預(yù)測結(jié)果，并以車聯(lián)網(wǎng)技術(shù)為例進行了實證。

文中采用技術(shù)預(yù)測法范疇的隨機森林算法，構(gòu)建通過基于Spark技術(shù)的大數(shù)據(jù)預(yù)測機制；選取乳房部位細胞屬性，創(chuàng)建相應(yīng)的數(shù)據(jù)集，并提取相應(yīng)的特征向量來建立分類模型。將數(shù)據(jù)集分為兩部分：70%作為訓(xùn)練數(shù)據(jù)訓(xùn)練模型，30%作為測試數(shù)據(jù)測試模型；其中采用管道學(xué)習(xí)方法來訓(xùn)練數(shù)據(jù)。

1 Spark模型與隨機森林算法

1.1 Spark模型

Spark[13]是加州大學(xué)伯克利分校的AMP實驗室所開發(fā)的集群模式的計算平臺，其框架的構(gòu)建以內(nèi)存計算為基礎(chǔ)。Hadoop中的計算平臺是MapReduce[14]，缺點是運行緩慢，運行程序時需要復(fù)制額外的信息序列化和磁盤I/O，帶來的時間和空間開銷代價比較大；但適合對離線的任務(wù)進行分解。Spark模型基于內(nèi)存計算，而且每一個Job的執(zhí)行是基于構(gòu)建的stage有向無環(huán)圖。Spark模型運行速度快，且適合進行大規(guī)模信息處理。文中利用彈性分布式數(shù)據(jù)集(resilient distributed dataset，RDD)[15]對數(shù)據(jù)進行相應(yīng)的操作，選取Spark Standalone[16]集群模式開發(fā)，具有較高的容錯性和較快的開發(fā)速度。

1.2 隨機森林算法

為了避免單棵決策樹容易出現(xiàn)過擬合的現(xiàn)象，并提高預(yù)測精度，文中采取了隨機森林算法：利用機器學(xué)習(xí)的集成學(xué)習(xí)思想，通過構(gòu)造多個弱分類器最終合成為一個強分類器，在有效減少過擬合現(xiàn)象的同時，提高預(yù)測精度。

隨機森林是用多棵決策樹對樣本進行訓(xùn)練并預(yù)測的一種分類器。每個決策樹模型h(X,βk)都有一票投票權(quán)來選擇最終的分類結(jié)果。分類決策公式如下：

其中，H(X)表示隨機森林分類結(jié)果；hi(x)表示單個分類結(jié)果；Y表示分類目標(biāo)；I(·)表示示性函數(shù)。

該式為隨機森林的分類問題，即取各個決策樹結(jié)果的多數(shù)為最終結(jié)果。而對于隨機森林的回歸問題，則可以選取各個決策樹結(jié)果的期望作為最終結(jié)果。

2 預(yù)測模型構(gòu)建

2.1 建模流程

為實現(xiàn)多個乳腺癌影響因子中，對權(quán)重較大的因子，首先需要構(gòu)建預(yù)測模型。具體方法如下：設(shè)置K個弱分類器，使用Gini系數(shù)[17]計算類別純度，將相似的樣本放在同一個弱分類器中，采用K-means聚類算法[18]進行訓(xùn)練，并使用均值組合方式。在模型訓(xùn)練完成后，使用另外一組構(gòu)建好特征的樣本，經(jīng)過模型訓(xùn)練，最后評估模型。

整個建模過程分為兩步：訓(xùn)練和測試，如圖1所示。在訓(xùn)練階段，主要是根據(jù)計算好特征的樣本，劃分好K個弱分類樣本后，再進行隨機森林訓(xùn)練。訓(xùn)練完成后，測試數(shù)據(jù)應(yīng)用訓(xùn)練好的預(yù)測模型可得到預(yù)測值，將預(yù)測值與實際值做運算可得到模型的精度值，進而評估模型的性能。

圖1 建模流程

2.2 模型構(gòu)建

針對乳腺癌發(fā)病的多個影響因素展開研究，數(shù)據(jù)采用威斯康星臨床科學(xué)中心的相關(guān)原始數(shù)據(jù)(http://dataju.cn/Dataju/web/datasetInstanceDetail/21)。該數(shù)據(jù)包含了細胞核特征的10個屬性，主要包括：Radius、Texture、Perimeter等，如表1所示。其中用fractal dimension屬性值來表示乳腺癌的陰性、陽性。

表1 細胞核特征變量

(1)影響因子特征向量構(gòu)建。

數(shù)據(jù)集中每條樣本采用兩個類別進行標(biāo)記：-1(陰性)和1(陽性)，每個樣本的特征包含如下字段：

在數(shù)據(jù)的屬性中fractal dimension[19](分形維數(shù))表示是否患病(-1或1)。

特征:{“radius”,“texture”,“perimeter”,“area”,“smoothness”,“compactness”,“concavity”,“concave points”,“symmetry”,“fractal dimension”}，并基于VectorAssembler方法對每個維度的特征做變換，使用StringIndexer方法返回Dataframe，并增加標(biāo)簽列l(wèi)abel。其中數(shù)值1表示陽性，數(shù)值0表示陰性，如表2所示。

(2)訓(xùn)練隨機森林分類器。

按照樹訓(xùn)練一個隨機森林分類器，主要有以下參數(shù)：

表2 數(shù)據(jù)文件

maxDepth：每棵樹的最大深度。增加樹的深度可以調(diào)高模型的效果，但會延長訓(xùn)練時間。

maxBins：連續(xù)特征離散化時選用的最大分桶個數(shù)，并且決定每個節(jié)點如何分裂。

Impurity：計算信息增益的指標(biāo)。

auto:在每個節(jié)點參與分裂時是否自動選擇參與特征的個數(shù)。

Seed：隨機數(shù)生成種子。

文中參數(shù)設(shè)置為：maxDepth：3；maxBins:20；auto:“auto”；Seed:5 043。

3 實驗分析

3.1 乳腺癌影響因子相關(guān)度分析

實驗數(shù)據(jù)集共有683條數(shù)據(jù)，其fractal dimension屬性值表示乳腺癌的陰/陽性。為了分析影響因素與致病性之間的相關(guān)度，選取皮爾遜相關(guān)系數(shù)[20]和Spearman等級相關(guān)系數(shù)[21]來分別表征，并將各個屬性的相關(guān)程度進行排序，如表3所示。

表3 屬性相關(guān)度排序

通過計算各個屬性與致病性的相關(guān)度，從表3可以看出，Perimeter、Texture、Concave points影響因子對于乳腺癌的影響程度較大。細胞核周長、紋理組織和凹點對于乳腺癌的致病性具有較好的特征表述，將對乳腺癌的檢測與發(fā)病機制相關(guān)研究具有較好的借鑒意義。

3.2 訓(xùn)練預(yù)測

文中采用管道學(xué)習(xí)訓(xùn)練模型，管道在參數(shù)網(wǎng)格上不斷爬行，自動完成模型優(yōu)化。用管道訓(xùn)練得到的最優(yōu)模型進行預(yù)測，預(yù)測結(jié)果有683條數(shù)據(jù)，其中rawPrediction是特征和系數(shù)的組合值，probability是每個類別計算出來的概率，prediction是最終的類分配，如表4所示。將label標(biāo)簽值與prediction標(biāo)簽值進行比較得到模型的預(yù)測精度值是99.01%，其中包含準(zhǔn)確預(yù)測條數(shù)677條。

3.3 結(jié)果分析

根據(jù)預(yù)測結(jié)果可以計算預(yù)測模型的相關(guān)指標(biāo)值，其中MSE實驗值為2.5%，表明預(yù)測數(shù)據(jù)與實際值之間的誤差較小；MAE實驗值為2.5%，表明平均絕對誤差較??；RMSE實驗值為15.9%，表明預(yù)測值與原始數(shù)據(jù)值的誤差為0.159，誤差值較?。籖-Squared值為89.3%，與1較接近，表明預(yù)測數(shù)據(jù)與原始數(shù)據(jù)擬合度較高。

表4 實驗預(yù)測結(jié)果

4 結(jié)束語

采用基于Spark和隨機森林算法的機器學(xué)習(xí)訓(xùn)練方法，研究了管道學(xué)習(xí)訓(xùn)練預(yù)測方法，并將其用于乳腺癌的預(yù)測場景，實現(xiàn)分析管道訓(xùn)練模型預(yù)測精度值為99.01%，表明對于乳腺癌的預(yù)測有著較高的準(zhǔn)確率。同時，通過相關(guān)度分析獲得了與乳腺癌相關(guān)度較高的三個影響因子Perimeter、Texture、Concave points，可以用來作為乳腺癌預(yù)防和防復(fù)發(fā)的重要指標(biāo)。通過分析乳房細胞核的特征變量的方法，可以在很大程度上降低醫(yī)患雙方的醫(yī)療成本，提高醫(yī)院的工作效率，具有較高的準(zhǔn)確率。