高靜　程銘

摘要：傳統(tǒng)醫(yī)療面臨著信息繁雜且冗余的問(wèn)題，醫(yī)學(xué)圖像的清晰度也達(dá)不到標(biāo)準(zhǔn)，這種情況下，傳統(tǒng)醫(yī)療同粗糙集理論相結(jié)合，可以有效地對(duì)數(shù)據(jù)屬性約簡(jiǎn)，得到利于診斷的信息;醫(yī)學(xué)圖像的后期處理也可保留感興趣的圖像。近年來(lái)，對(duì)于人工智能的研究熱度只增不減，粗糙集和各種數(shù)據(jù)挖掘算法相結(jié)合的思路不斷應(yīng)用在醫(yī)學(xué)方面，對(duì)于醫(yī)療診斷提供了新的想法，也提高了診斷精度，為智能醫(yī)療提供了新的可能。對(duì)近十年粗糙集理論應(yīng)用于醫(yī)學(xué)方面的研究進(jìn)行比對(duì)分析與展望。

關(guān)鍵詞：粗糙集理論;醫(yī)療診斷;醫(yī)療圖像;數(shù)據(jù)挖掘

中圖分類號(hào)：TP18

文獻(xiàn)標(biāo)識(shí)碼：A

DOI： 10.15913/j.cnki.kjycx.2019.11.009

1 前言

粗糙集理論是一種數(shù)學(xué)工具，用于處理20世紀(jì)80年代早期ProfPawlak在波蘭提出的不確定性問(wèn)題，作為一種能夠探索不完整、不確定的知識(shí)并有效分析這些信息的工具。保有同樣分類實(shí)力的同時(shí)，把知識(shí)減少作為基礎(chǔ)，推理和綜合推導(dǎo)問(wèn)題決策或分類規(guī)則是其根本思想。粗糙集分析數(shù)據(jù)的顯著優(yōu)勢(shì)在于撇開(kāi)需要處理的數(shù)據(jù)，不用提供額外其他先驗(yàn)知識(shí)，可以直接從需要分析的問(wèn)題開(kāi)始，劃分問(wèn)題的近似域以找出發(fā)現(xiàn)不確定數(shù)字時(shí)隱含的基本法則。

粗糙集理論應(yīng)用于醫(yī)學(xué)診斷領(lǐng)域已日漸成熟，由于臨床診療信息種類多樣，信息繁多，還有很強(qiáng)的不完整性或冗余性，對(duì)于不同病情需要的屬性也不同，所以需要粗糙集理論通過(guò)屬性約簡(jiǎn)，來(lái)保留有助于診斷的屬性。面對(duì)不同的疾病，粗糙集也可以選擇合適的算法互相補(bǔ)充達(dá)到提高醫(yī)療診斷的效果。近十年來(lái)，越來(lái)越多的國(guó)內(nèi)外研究者將重點(diǎn)放在粗糙集上，提出了粗糙集應(yīng)用在醫(yī)學(xué)診斷中的種種研究想法。

2 粗糙集基本理論

2.1 知識(shí)表達(dá)系統(tǒng)

針對(duì)醫(yī)療信息系統(tǒng)（U，A，F(xiàn)），其中U=（x1，x2，…xn）為待訓(xùn)練病例樣本集合，A-CUD為所提取的病人癥狀特征屬性集，C，D分別表示條件屬性和決策屬性，條件屬性用于反映對(duì)象特征，決策屬性用于反映對(duì)象類別，F(xiàn)為病例樣本U與癥狀特征集屬性A之間的映射集，也就是對(duì)于癥狀的描述。

2.2 上近似集與下近似集

設(shè)集合XcU，P是U上的等價(jià)關(guān)系，集合X關(guān)于的p的上近似集和下近似集分別為：

2.3 屬性約簡(jiǎn)

粗糙集分類標(biāo)準(zhǔn)為是否為不可等價(jià)關(guān)系，進(jìn)而得到屬性間的隱藏關(guān)系，目的是將條件屬性、決策屬性的對(duì)應(yīng)關(guān)系凝結(jié)為分類的決策規(guī)則。在找尋等價(jià)關(guān)系的進(jìn)程中，摒除冗余的數(shù)據(jù)，保有原系統(tǒng)的表達(dá)能力，完成了系統(tǒng)的屬性約簡(jiǎn)。對(duì)于一個(gè)給定的系統(tǒng)，條件屬性集C的約簡(jiǎn)需要滿足：①a∈R，a都是D不可省略的;②pos（R） （D） =pos（c） （D）則稱R是C的一個(gè)約簡(jiǎn)。

3 粗糙集理論在國(guó)外醫(yī)療診斷領(lǐng)域中的應(yīng)用

近十年來(lái)，將粗糙集應(yīng)用于醫(yī)療診斷中，已被大量研究者所關(guān)注，國(guó)外研究部分文獻(xiàn)如表1所示。國(guó)外很早已經(jīng)關(guān)注到粗糙集對(duì)于處理不確定信息的優(yōu)勢(shì)，在2004年已經(jīng)開(kāi)始從改進(jìn)屬性約簡(jiǎn)去適應(yīng)醫(yī)療診斷，之后又通過(guò)結(jié)合多種機(jī)器學(xué)習(xí)的算法為不同種病提供了新型有效的診斷思路。

4 粗糙集理論在國(guó)內(nèi)醫(yī)療診斷領(lǐng)域中的應(yīng)用

以中國(guó)知網(wǎng)為例，近十年來(lái)每年收錄關(guān)于“粗糙集醫(yī)療診斷”為主題的文獻(xiàn)數(shù)目相對(duì)穩(wěn)定，其中2010年最多，在2012年下降到最低，中國(guó)知網(wǎng)收錄文獻(xiàn)數(shù)量如圖1所示。

最初研究都著力于如何將粗糙集同醫(yī)療診斷有效結(jié)合，傾向于合理改進(jìn)屬性約簡(jiǎn)從而達(dá)到提取有效信息的目的，其中大部分研究者會(huì)結(jié)合數(shù)據(jù)挖掘技術(shù)進(jìn)行改進(jìn)，比如使用決策樹(shù)算法改進(jìn)屬性約簡(jiǎn)的算法，或是結(jié)合遺傳算法、神經(jīng)網(wǎng)絡(luò)算法，提高診斷結(jié)果的準(zhǔn)確性。國(guó)內(nèi)相關(guān)研究部分文獻(xiàn)如表2所示。

可以看出，在醫(yī)療診斷過(guò)程中粗糙集能夠起到不錯(cuò)的成效，并且對(duì)于不同種類的疾病，粗糙集理論都適用。目前，醫(yī)療診斷已經(jīng)不能停留在傳統(tǒng)方法上，由于粗糙集理論與處理其他不確定性的方法也可以互相補(bǔ)充，技術(shù)的研究重點(diǎn)已經(jīng)逐漸向以模糊集理論、遺傳算法和神經(jīng)網(wǎng)絡(luò)等為基礎(chǔ)的智能診斷系統(tǒng)上轉(zhuǎn)移，近些年來(lái)在其中應(yīng)用粗糙集理論，已經(jīng)得到了很好的效果，無(wú)論中外，研究者們也在不斷嘗試將粗糙集和其他數(shù)據(jù)挖掘技術(shù)相結(jié)合，期望得到更好的效果，進(jìn)而提升醫(yī)療診斷效率和準(zhǔn)確度。

粗糙集在處理臨床病例數(shù)據(jù)中，有著十分突出的優(yōu)勢(shì)，并且對(duì)于大多數(shù)疾病都試用。然而，粗糙集仍然存在弊端，例如抗干擾能力差的問(wèn)題，如條件屬性遭到噪聲干擾將會(huì)直接浩成分類質(zhì)量受到影響。

對(duì)于解決問(wèn)題來(lái)說(shuō)，算法只是提供一種方法，并不是解決某種特定問(wèn)題的唯一方法，也不存在所謂最優(yōu)方法，大部分算法之間也并不互相排斥。面對(duì)不同的疾病，合理地將算法結(jié)合應(yīng)用是一種嘗試。神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn)是面對(duì)重大復(fù)雜度的問(wèn)題，能夠?qū)W習(xí)并總結(jié)出一種相對(duì)比較有效且簡(jiǎn)單的方法。在粗糙集對(duì)醫(yī)療病例信息屬性約簡(jiǎn)后，剩余屬性信息可以通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)信息分類，得出有效的醫(yī)療意見(jiàn)。臨床病例信息中，大多依靠專家診療的經(jīng)驗(yàn)，也依賴專家的主觀傾向，所得信息的規(guī)律性不高，應(yīng)用神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn)，可以在繁雜且表面無(wú)聯(lián)系的數(shù)據(jù)中，將潛在的聯(lián)系總結(jié)成決策信息，提供有效幫助。

5 粗糙集理論在醫(yī)療其他方面的應(yīng)用

在醫(yī)療診斷中，粗糙集理論除可對(duì)傳統(tǒng)病例信息進(jìn)行選擇性屬性約簡(jiǎn)以外，還可以對(duì)醫(yī)學(xué)圖像進(jìn)行合理提取，國(guó)內(nèi)相關(guān)研究如表3所示。

粗糙集理論應(yīng)用于醫(yī)學(xué)圖像分類上也是一種近幾年來(lái)的創(chuàng)新，因?yàn)獒t(yī)學(xué)圖像與清晰度標(biāo)準(zhǔn)仍有差距，給醫(yī)療診斷帶來(lái)困難，在這種情況下，醫(yī)學(xué)圖像的數(shù)字后期處理變?yōu)殛P(guān)鍵一環(huán)，目的為突出醫(yī)學(xué)圖像中醫(yī)生可根據(jù)醫(yī)學(xué)圖像能夠判斷疾病的信息，而減弱或去除對(duì)醫(yī)生沒(méi)有幫助的信息，進(jìn)而使有效信息得到加強(qiáng)，這一過(guò)程用粗糙集理論進(jìn)行了區(qū)別、分類。

6 研究展望

從開(kāi)始對(duì)屬性約簡(jiǎn)的簡(jiǎn)單改進(jìn)，到近年來(lái)和不同種類數(shù)據(jù)挖掘算法相結(jié)合的智能診斷，都體現(xiàn)著粗糙集在醫(yī)療診斷方面所做出的成績(jī)，它還提供了一種真正實(shí)現(xiàn)人工智能的好方法。作為可以很好分析不確定性數(shù)據(jù)的計(jì)算工具，粗糙集得到研究者的廣泛討論，通過(guò)完善和發(fā)展，將其應(yīng)用在各個(gè)領(lǐng)域，它已被廣泛應(yīng)用于醫(yī)學(xué)研究中，在醫(yī)學(xué)領(lǐng)域上的有效性也得到證實(shí)，尤其在近年來(lái)人工智能領(lǐng)域興起，其中處理不精確性問(wèn)題也是熱門之一，應(yīng)用粗糙集解決問(wèn)題是大勢(shì)所趨。粗糙集理論在智能數(shù)據(jù)分析領(lǐng)域獲得了優(yōu)異的成績(jī)，因?yàn)樵谂R床診斷中大多數(shù)專家進(jìn)行病情診斷都是根據(jù)實(shí)踐經(jīng)驗(yàn)，仍未形成一套嚴(yán)謹(jǐn)?shù)睦碚擉w系，診斷結(jié)果的準(zhǔn)確性不能得到保證，據(jù)此所獲得的醫(yī)療信息大部分為不確定性信息。所以，粗糙集在處理醫(yī)療數(shù)據(jù)及醫(yī)療診斷方面近年來(lái)發(fā)展勢(shì)頭強(qiáng)勁。

除了對(duì)于病例屬性約簡(jiǎn)，粗糙集理論也適用于醫(yī)學(xué)圖像的后期數(shù)字化處理，為醫(yī)生診斷病情提供支撐。未來(lái)，隨著信息技術(shù)的迅速發(fā)展和醫(yī)學(xué)研究的深入研究，智能醫(yī)療定會(huì)更加適用于生活，它還將開(kāi)發(fā)更有效的算法模型，以促進(jìn)基于粗糙集的疾病診斷數(shù)據(jù)挖掘的發(fā)展和普及。

7 結(jié)語(yǔ)

國(guó)內(nèi)外對(duì)于將粗糙集理論應(yīng)用于醫(yī)療診斷的熱度只增不減，不斷創(chuàng)新地將粗糙集和其他數(shù)據(jù)挖掘算法相結(jié)合，力求找到不同病種的最優(yōu)數(shù)據(jù)處理方法和最精確預(yù)測(cè)結(jié)果，結(jié)果表明和粗糙集的結(jié)合可以得到更好的結(jié)果，實(shí)踐表明這種方法是可行的。

參考文獻(xiàn)：

[1] PAWLAK Z.Roug Sets： Theoretical Aspects of Reasoningabout Data [M] .Netherlands：Kluwer AcademicPublisher， 1991.

[2] PAWLAK Z.Rough Sets[J].International Joumal ofComputer and Information Science， 1982， ll（5）：341-356.

[3]徐紅升，張瑞玲.變精度粗糙集在智能診療系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用于軟件，2013，30 （2）： 98-102.

[4]代雪蓮，陳正偉.基于粗糙集和遺傳算法的醫(yī)療診斷方法研究[J].計(jì)算機(jī)與數(shù)字工程，2009，（10）：38-40.

[5]楊天霞，王治和.基于粗糙集理論的醫(yī)療診斷系統(tǒng)分析[J].計(jì)算機(jī)科學(xué)與應(yīng)用，2008，22 （6）： 77-79.

[6]陳艷，李丹丹.基于粗糙集和模糊推理的醫(yī)療診斷系統(tǒng)的研究[J].廣西科技師范學(xué)院學(xué)報(bào).2016，31（3）： 149-152.

[7]黃錦靜，陳岱，李夢(mèng)天.基于粗糙集的決策樹(shù)在醫(yī)療診斷中的應(yīng)用[J].計(jì)算機(jī)技術(shù)于發(fā)展，2017，27（ 12）： 148-152.

[8]張永，馬華賈，桂霞.基于粗糙集屬性約減的醫(yī)學(xué)圖像分割[C]//第十二屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議，2005.

[9]程鵬，宋余慶，朱玉全，等.基于粗糙集和決策樹(shù)的醫(yī)學(xué)圖像分類研究[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（6）：243-245.

[10]HASSANIEN A E.Rou911 set approach for attributereduction and rule generation：A case of patients withsuspected breast cancer[J].Joumal of The AmericanSociety for Information Science and Technology ， 2004 （ 11 ）： 954-962.