童 剛，姜 寧，劉 煥

(青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院，山東 青島 266061)

0 引 言

數(shù)據(jù)挖掘是指從大量的數(shù)據(jù)中通過算法搜索其中重要信息的過程。在醫(yī)學(xué)中，醫(yī)療診斷的方法及選擇模式尤其重要，將數(shù)據(jù)挖掘技術(shù)應(yīng)用在此便于醫(yī)生對(duì)疾病進(jìn)行診斷，從而在醫(yī)療科研方面提供了科學(xué)依據(jù)[1]。隨著醫(yī)療信息系統(tǒng)的發(fā)展，醫(yī)院的數(shù)據(jù)庫信息在醫(yī)療分類診斷上變得更加重要，如何有效利用這些信息進(jìn)行分類挖掘是很多研究者的工作重心。冠心病是目前威脅人類身體健康的一項(xiàng)重大疾病，利用當(dāng)今流行的數(shù)據(jù)挖掘技術(shù)提煉出冠心病積累的臨床信息資料中的有用信息，并通過神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類診斷，診斷的精確率已經(jīng)高達(dá)90%[2]。除此之外，在其他相關(guān)疾病診斷中，此類技術(shù)的應(yīng)用也達(dá)到了預(yù)期效果。Chen等[3]在提取規(guī)則方面，運(yùn)用了決策樹算法，然后采用CBR技術(shù)修改過往問題的解決流程，并應(yīng)用到腫瘤疾病的新情況中進(jìn)行診斷。Murate等[4]將神經(jīng)網(wǎng)絡(luò)算法及支持向量機(jī)算法應(yīng)用在早期前列腺疾病的診斷中。Anand等[5]在疾病的診斷分類中，將病人的醫(yī)學(xué)數(shù)據(jù)通過混合人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分析，在分類精度上有所提高。Huang Z等[6]提出了增強(qiáng)迭代次數(shù)的分類算法，對(duì)處理急性冠脈綜合征患者心臟不良事件失衡問題有顯著效果。肖勤[7]在建立乳腺X線分類模型上選用決策樹算法，在分類診斷上取得了很好的效果。Feng等[8]在慢性胃炎中的分類診斷中應(yīng)用了信息熵決策樹算法。劉綠[9]將一些分類算法進(jìn)行了性能對(duì)比，結(jié)果顯示決策樹的綜合性能最佳。許騰[10]在甲狀腺疾病的分析研究中，將紋理及超聲圖像進(jìn)行了融合運(yùn)用。于霄[11]創(chuàng)建了基于分類算法的醫(yī)療服務(wù)系統(tǒng)，并彌補(bǔ)了決策樹本身存在的過擬合問題。

1 腫瘤電子病歷的分類挖掘?qū)嶒?yàn)

電子病歷中包含的醫(yī)療信息十分豐富。對(duì)其數(shù)據(jù)的有效處理和利用，是一項(xiàng)非常有意義的工作。通過數(shù)據(jù)預(yù)處理等[12]可部分消除數(shù)據(jù)中的噪聲和不完整性，實(shí)現(xiàn)數(shù)據(jù)的規(guī)范化和有效壓縮，從而使數(shù)據(jù)的再處理更加有效。最終將非結(jié)構(gòu)化的電子病歷文本數(shù)據(jù)轉(zhuǎn)換成可直接挖掘利用的結(jié)構(gòu)化數(shù)據(jù)。在電子病歷中，病程記錄是其重要組成部分，病程記錄中包含了大量可供挖掘的患者就診信息及過往病史信息，因此病程記錄可以作為數(shù)據(jù)抽取的關(guān)鍵。首次病程記錄的內(nèi)容結(jié)構(gòu)如圖1所示。

圖1 首次病程記錄的內(nèi)容結(jié)構(gòu)

數(shù)據(jù)抽取又叫信息抽取，是數(shù)據(jù)預(yù)處理技術(shù)中的關(guān)鍵?；谀壳暗膶?shí)體抽取模型的優(yōu)劣性并結(jié)合研究數(shù)據(jù)的特點(diǎn)，文中采用了基于條件隨機(jī)場(chǎng)的多特征融合的醫(yī)療實(shí)體識(shí)別方法[13-14]。具體識(shí)別流程如圖2所示。

如圖2所示，首先將原始語料庫進(jìn)行相應(yīng)的中文分詞和標(biāo)注處理后，變?yōu)橛?xùn)練語料，再將訓(xùn)練語料分詞進(jìn)行同樣的處理形成訓(xùn)練模型。其次將測(cè)試語料輸入到訓(xùn)練模型中進(jìn)行實(shí)體識(shí)別。最后將識(shí)別后形成的結(jié)果按照一定的方法規(guī)則進(jìn)行評(píng)測(cè)，得到評(píng)測(cè)結(jié)果來檢驗(yàn)整體模型的科學(xué)性。

圖2 基于條件隨機(jī)場(chǎng)的實(shí)體識(shí)別方法框架

2 挖掘?qū)嶒?yàn)重點(diǎn)探究

中文分詞被視為最基礎(chǔ)的問題，中文分詞常用的方法有三種：基于詞典的分詞、基于統(tǒng)計(jì)的分詞、基于理解的分詞。根據(jù)電子病歷中醫(yī)療術(shù)語較多的特點(diǎn)，采用基于詞典的分詞算法[15]，即將分字符串中的詞，按照一定的標(biāo)準(zhǔn)和規(guī)則與詞典中的詞進(jìn)行比對(duì)，若可以在詞典中找到該字符串，則匹配成功。若找不到，則按照一定的算法策略繼續(xù)匹配。基于詞典的分詞算法中逆向最大匹配法的分詞精確率較高，缺點(diǎn)是分詞速度較慢[16]。為解決這個(gè)問題，結(jié)合電子病歷數(shù)據(jù)的表達(dá)特點(diǎn)提出了改進(jìn)后的逆向最大匹配算法，在分詞速度上有明顯提高。

逆向最大匹配算法的思想如下：事先設(shè)置一個(gè)n值，然后從最后一個(gè)字開始向前截取n個(gè)字，先把這n個(gè)字與詞典進(jìn)行匹配，看能否找到匹配的詞語，若匹配成功，即識(shí)別出一個(gè)詞。若不能，則刪除這n個(gè)字最左邊的字，然后再把這n-1個(gè)字與詞典繼續(xù)匹配直到匹配成功，或者前n-1個(gè)字都沒匹配成功，那就把第n個(gè)字當(dāng)成一個(gè)獨(dú)立的詞，然后再向前移動(dòng)分出來的詞的長度，再截取n個(gè)字直到全部分好詞為止。

改進(jìn)后的算法思想：

(1)將分字符串中的詞A與詞典中的詞B進(jìn)行對(duì)比，如果詞典B中沒有A，則選擇逆向最大匹配法進(jìn)行分詞。

(2)如果詞典B中有A,將A前后位置的詞分別與A進(jìn)行組詞，將新組成的分詞與詞典B進(jìn)行比對(duì)：若有一個(gè)存在于詞典B中，將A和新匹配的詞一起作為一個(gè)分詞，并在此處將字符串分為兩段，最后再利用逆向最大匹配算法將這兩段進(jìn)行分詞；若兩個(gè)詞都存在于詞典B中，采用最大概率分詞法進(jìn)行確定；若在詞典B中兩個(gè)詞均無法找到，那么以A為切點(diǎn)將字符串分成前后兩段，再采用逆向最大匹配算法進(jìn)行分詞。

改進(jìn)后的算法流程如圖3所示。

圖3 改進(jìn)后的逆向最大匹配算法流程

電子病歷的語言表達(dá)中會(huì)有很多單用詞如“和”“到”“若”“及”等，對(duì)這些單用詞進(jìn)行切分，不僅提高了分詞效率和準(zhǔn)確率，還不影響最終結(jié)果。因此將類似的這類單用詞組建成一個(gè)新的詞典，同時(shí)找出一些癥狀專有名詞和疾病判斷詞也放入新詞典中。最后判斷待分字符串中是否有新詞典中的詞，若有則在此處分詞，對(duì)切分后的每個(gè)詞，再繼續(xù)分詞。利用傳統(tǒng)的逆向最大匹配算法及改進(jìn)后逆向最大匹配算法分別對(duì)電子病歷部分內(nèi)容進(jìn)行分詞的對(duì)比結(jié)果如表1所示。

表1 逆向最大匹配算法改進(jìn)前后分詞結(jié)果比對(duì)

利用數(shù)據(jù)抽取中常用的P值、R值、F值三個(gè)評(píng)價(jià)指標(biāo)加上分詞速度對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比評(píng)測(cè)[17]，評(píng)測(cè)結(jié)果如表2所示。

表2 逆向最大匹配算法改進(jìn)前后性能比對(duì)

按照改進(jìn)之后的逆向最大匹配分詞法對(duì)電子病歷分詞后，經(jīng)過標(biāo)注處理及相應(yīng)的特征選擇后，得到初步的數(shù)據(jù)抽取結(jié)果，再對(duì)其進(jìn)行數(shù)據(jù)清理、數(shù)據(jù)變換、數(shù)據(jù)歸約等操作完成整個(gè)的數(shù)據(jù)預(yù)處理，圖4為預(yù)處理之后的部分截圖。

圖4 預(yù)處理之后的腫瘤疾病數(shù)據(jù)集部分截圖

3 分類算法的選取

挖掘?qū)嶒?yàn)過程中的關(guān)鍵問題在于挖掘算法的選取，針對(duì)醫(yī)療數(shù)據(jù)自身的獨(dú)特性，篩選出合適的算法進(jìn)而實(shí)現(xiàn)輔助診斷變得更加重要。然而不同的數(shù)據(jù)挖掘算法具有不同的特性[18]，通過其特性對(duì)比發(fā)現(xiàn)，在分類選取方面，C4.5算法和BP神經(jīng)網(wǎng)絡(luò)效果最佳[19]。C4.5算法的基點(diǎn)是ID3算法，具備ID3算法的優(yōu)點(diǎn)，在屬性選擇上用信息增益率進(jìn)行選擇，由于屬性選擇時(shí)會(huì)優(yōu)先選擇取值多的屬性，C4.5算法有效解決了這類問題。不僅可以將連續(xù)屬性離散化處理，還能夠處理一些不完整數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)和誤差按照相反方向進(jìn)行傳播。信號(hào)傳播過程中，信號(hào)從輸入層進(jìn)入隱藏層，最后到達(dá)輸出層，下一層的信號(hào)狀態(tài)只由上一層影響。如果最后輸出的信號(hào)并不是期望信號(hào)，則進(jìn)入誤差的反向傳播過程。再根據(jù)誤差進(jìn)行調(diào)整權(quán)值和偏向，最后使得輸出信號(hào)不斷逼近期望輸出。因此BP神經(jīng)網(wǎng)絡(luò)具有高度自學(xué)習(xí)和自適應(yīng)的能力。下面對(duì)這兩種算法進(jìn)行分類挖掘?qū)嶒?yàn)。

3.1 C4.5分類實(shí)驗(yàn)

預(yù)處理后得到的數(shù)據(jù)集使用C4.5算法進(jìn)行挖掘?qū)嶒?yàn)，采用十折交叉驗(yàn)證法測(cè)試算法的準(zhǔn)確性[20]。

運(yùn)行結(jié)果如圖5所示。

圖5 C4.5算法疾病分類效果

實(shí)驗(yàn)結(jié)果表明，C4.5算法分類結(jié)果性能：分類正確率約為86%，錯(cuò)誤率約為14%，建模時(shí)間為129 s。

3.2 BP神經(jīng)網(wǎng)絡(luò)分類實(shí)驗(yàn)

BP神經(jīng)網(wǎng)絡(luò)算法具有實(shí)現(xiàn)任何復(fù)雜非線性映射的功能且可以進(jìn)行復(fù)雜的數(shù)學(xué)運(yùn)算[21]。它還具有一定的推廣、概括、自學(xué)習(xí)等能力。在實(shí)際應(yīng)用中，多數(shù)神經(jīng)網(wǎng)絡(luò)模型都采用BP神經(jīng)網(wǎng)絡(luò)的變化形式，在分類挖掘應(yīng)用方面有較好的實(shí)驗(yàn)效果。運(yùn)行結(jié)果如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)算法疾病分類效果

由以上效果圖可以看到BP神經(jīng)網(wǎng)絡(luò)算法的分類精確率約為88%，錯(cuò)誤率約為12%，建模時(shí)間為398 s。

3.3 實(shí)驗(yàn)結(jié)果對(duì)比

C4.5與BP神經(jīng)網(wǎng)絡(luò)在腫瘤病歷數(shù)據(jù)上的實(shí)驗(yàn)對(duì)比如表3所示。

表3 分類實(shí)驗(yàn)精度性能對(duì)比

通過以上分析可以得出結(jié)論，BP神經(jīng)網(wǎng)絡(luò)算法在分類的精確率上略高于C4.5算法，但是其運(yùn)行時(shí)間效率要比C4.5算法慢3倍。綜合來看，兩種算法的精確率相差較小，但是C4.5算法的運(yùn)算效率卻遠(yuǎn)遠(yuǎn)超過BP神經(jīng)網(wǎng)絡(luò)算法，因此C4.5算法具有較高的綜合性能，更適用于腫瘤電子病歷的分類挖掘。

4 結(jié)束語

腫瘤電子病歷挖掘過程中包含兩個(gè)重要環(huán)節(jié)：中文分詞及算法選取，針對(duì)中文分詞，文中結(jié)合腫瘤電子病歷的表達(dá)特點(diǎn)，采用了一種基于特定字詞切分的方法對(duì)最大逆向匹配分詞算法進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法不僅提高了分詞效率同時(shí)在分詞精確度上也有明顯提高。在算法選取階段，對(duì)比了分類領(lǐng)域中性能較高的兩種算法：C4.5和BP神經(jīng)網(wǎng)絡(luò)算法，經(jīng)對(duì)比之后發(fā)現(xiàn)C4.5算法的綜合性能要高于BP神經(jīng)網(wǎng)絡(luò)，因此選用C4.5算法作為腫瘤電子病歷的分類挖掘算法。通過以上研究，可以實(shí)現(xiàn)利用數(shù)據(jù)挖掘技術(shù)輔助醫(yī)生進(jìn)行疾病診斷的目的，能夠提高腫瘤疾病診斷的精確率及效率，進(jìn)而提高腫瘤疾病的治愈率。