徐敏，王科，戴浩然，羅曉博，余煒倫，陶煜波，林海

（1.浙江大學(xué)醫(yī)學(xué)院附屬第一醫(yī)院 醫(yī)工信息部，浙江杭州310003；2.浙江大學(xué)醫(yī)學(xué)院附屬第二醫(yī)院 乳腺外科，浙江杭州310003；3.浙江大學(xué)CAD&CG國家重點(diǎn)實(shí)驗(yàn)室，浙江杭州310058）

隨著醫(yī)院信息系統(tǒng)的不斷完善和數(shù)字醫(yī)療設(shè)備的普及，電子病歷數(shù)據(jù)海量增長，這為疾病的診斷和治療提供了大數(shù)據(jù)支持，但其復(fù)雜性也給數(shù)據(jù)分析帶來了挑戰(zhàn)。如何以直觀的方式分析電子病歷數(shù)據(jù)，挖掘其隱含的知識(shí)和關(guān)系，輔助醫(yī)生診斷和治療，是目前醫(yī)學(xué)信息應(yīng)用領(lǐng)域的重要研究方向之一。

當(dāng)前的電子病歷系統(tǒng)僅含信息展示、匯總和篩選等初級(jí)功能，不具有數(shù)據(jù)深層次挖掘和呈現(xiàn)功能。醫(yī)生只能結(jié)合自己的醫(yī)學(xué)知識(shí)和經(jīng)驗(yàn)，經(jīng)手動(dòng)篩選對(duì)比了解病人病情的發(fā)展模式和關(guān)聯(lián)關(guān)系，這不僅步驟煩瑣、易丟失信息，且誤差較大，既增加了數(shù)據(jù)分析的難度，也影響分析結(jié)果的準(zhǔn)確性。

電子病歷是一種非結(jié)構(gòu)化數(shù)據(jù)，在機(jī)器學(xué)習(xí)領(lǐng)域已有眾多針對(duì)該類數(shù)據(jù)的模型和算法，可有效分析患者數(shù)據(jù)。然而，由于電子病歷數(shù)據(jù)的多元性和高維性，如何直觀地呈現(xiàn)原始數(shù)據(jù)并分析其結(jié)果成為另一難點(diǎn)?？梢暬夹g(shù)結(jié)合多樣的圖表和豐富的交互，從不同的抽象層次展現(xiàn)數(shù)據(jù)，是解決上述問題的有效方法。為此，本文利用機(jī)器學(xué)習(xí)模型先分析電子病歷數(shù)據(jù)，再通過可視化技術(shù)展示分析結(jié)果，旨在幫助醫(yī)生直觀地發(fā)現(xiàn)患者數(shù)據(jù)中隱含的信息。

乳腺癌是女性中最常見的惡性腫瘤之一，其發(fā)病率一直居高不下，并呈年輕化趨勢(shì)。對(duì)乳腺癌相關(guān)的電子病歷數(shù)據(jù)進(jìn)行分析，有助于有效制訂治療規(guī)劃和進(jìn)行預(yù)后分析。因此，本文以乳腺癌患者的電子病歷為研究數(shù)據(jù)，基于數(shù)據(jù)特征挖掘相似病人，幫助醫(yī)生分析不同病人臨床特征間的相關(guān)性。

本文的主要貢獻(xiàn)有：

（1）利用降維聚類算法挖掘相似病人群組；

（2）利用可視化技術(shù)展示用戶驅(qū)動(dòng)的分析結(jié)果，幫助醫(yī)生分析不同病人間臨床特征的相關(guān)性；

（3）基于特征相關(guān)性，探索不同屬性與治療方案的關(guān)系，提供治療方案預(yù)測(cè)，輔助術(shù)前決策，提高診斷效率和治療效果。

1 相關(guān)工作

有關(guān)醫(yī)療數(shù)據(jù)的可視分析研究已取得一系列成果，本節(jié)介紹電子病歷數(shù)據(jù)挖掘和電子病歷可視化的相關(guān)工作。

1.1 電子病歷數(shù)據(jù)挖掘

電子病歷為一種非結(jié)構(gòu)化數(shù)據(jù)，包括病人的結(jié)構(gòu)化屬性和非結(jié)構(gòu)化的文字描述，具有多元性和高維性特征，相較紙質(zhì)病歷，電子病歷具有易存儲(chǔ)和方便查詢的特點(diǎn)。多元性是指數(shù)據(jù)類型較多，如性別屬于類別型數(shù)據(jù)，而年齡屬于數(shù)值型數(shù)據(jù)；高維性是指數(shù)據(jù)維度較高，記錄了每位病人的多個(gè)屬性值，如血壓、血糖等。通過挖掘電子病歷數(shù)據(jù)，試圖提取結(jié)構(gòu)化的醫(yī)學(xué)概念，包括疾病種類、治療方法和發(fā)展模式等，以幫助醫(yī)生制訂治療方案，提高診斷效率。

由于數(shù)據(jù)的多元性和高維性，需利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法從復(fù)雜的電子病歷數(shù)據(jù)中提取信息。JAGANNATHA等［1］將概念提取問題視為序列標(biāo)記任務(wù)，探索了多種基于RNN特征提取的結(jié)構(gòu)學(xué)習(xí)方法，其目標(biāo)是為臨床病歷中的每個(gè)關(guān)鍵實(shí)體單詞分配相關(guān)的標(biāo)簽；CHOI等［2］利用word2vec模型將電子病歷中的一些臨床概念轉(zhuǎn)化為高維向量，然后用這些向量表示病人，并將其作為下游學(xué)習(xí)任務(wù)的輸入；LI等［3］使用2層神經(jīng)網(wǎng)絡(luò)識(shí)別骨質(zhì)疏松癥，并通過模型重建確定影響骨質(zhì)疏松癥的最高風(fēng)險(xiǎn)因素；LIN等［4］提出一種主動(dòng)學(xué)習(xí)算法，基于用戶的反饋，迭代式識(shí)別表征數(shù)據(jù)中的稀有類別，實(shí)現(xiàn)個(gè)性化醫(yī)療。

本文在數(shù)據(jù)處理階段用聚類和降維算法提取群組特征，利用SVM模型預(yù)測(cè)治療方案，以幫助醫(yī)生分析屬性和結(jié)果間的聯(lián)系。

1.2 電子病歷可視化

電子病歷可視化系統(tǒng)TimeLines［5］將不同病人的數(shù)據(jù)以及醫(yī)療行為展示在時(shí)間軸上。在使用時(shí)可通過點(diǎn)擊醫(yī)療事件了解詳細(xì)信息。受此工作啟發(fā)，PLAISAN等［6］進(jìn)一步設(shè)計(jì)了LifeLines，用線段表示醫(yī)療事件的持續(xù)，用不同顏色標(biāo)識(shí)病人的（正?；虍惓＃顟B(tài)，以便醫(yī)生更好地掌握治療過程和治療效果。為支持對(duì)不同時(shí)間粒度和不確定性的醫(yī)療事件可視化，COMBI等［7］用更多符號(hào)更精細(xì)地表示事件的時(shí)間信息，如最小持續(xù)時(shí)間等，并提供了附加視圖以展示不同事件的時(shí)間關(guān)系；ORDONEZ等［8］用2個(gè)星形坐標(biāo)圖顯示病人12個(gè)指標(biāo)的變化情況，以每30 min為1個(gè)時(shí)間間隔，將同一時(shí)間不同指標(biāo)用連線繪制成一個(gè)多邊形，并用動(dòng)畫和不同顏色直觀展示指標(biāo)、身體器官及其關(guān)系。

早期的電子病歷可視化研究主要側(cè)重于展示單個(gè)病人的記錄。相對(duì)于文本記錄而言，其增加了圖形編碼和簡(jiǎn)單的交互，醫(yī)生可直觀地查看病人信息。但隨著信息技術(shù)的發(fā)展和電子病歷數(shù)據(jù)的大量累積，僅展示單個(gè)病人的數(shù)據(jù)已無法滿足醫(yī)生查找病人之間的相關(guān)性、尋找最優(yōu)治療方案的需求。因此，開始關(guān)注病人群體的信息挖掘和可視分析。

時(shí)間信息是電子病歷數(shù)據(jù)中一類極為重要的特征，大量研究均將患者的時(shí)間記錄視為時(shí)間事件序列 進(jìn) 行 分 析。WANG等［9］基 于LifeLines、LifeLines2，在時(shí)間軸展示的基礎(chǔ)上增加了比較功能，并通過對(duì)齊、排序和過濾操作強(qiáng)調(diào)時(shí)間順序，以幫助醫(yī)生分析病情的發(fā)展趨勢(shì)；MALIK等［10］設(shè)計(jì)了病人群組比較可視分析系統(tǒng)CoCo，利用自動(dòng)統(tǒng)計(jì)數(shù)據(jù)算法，在用戶驅(qū)動(dòng)的分析策略下探索不同病人群組之間的異同；RetainVis［11］允許醫(yī)生改變序列中的醫(yī)療事件，如添加、編輯和刪除，進(jìn)行假設(shè)分析，以支持診斷風(fēng)險(xiǎn)預(yù)測(cè)；此外，事件序列查詢［12］和推薦［13］等工作也為電子病歷數(shù)據(jù)的進(jìn)一步探索提供了技術(shù)支持；與時(shí)間事件序列分析不同，AALIM［14］視電子病歷數(shù)據(jù)為多模式數(shù)據(jù)，將文本、影像和音頻數(shù)據(jù)的定量分析集成為一個(gè)系統(tǒng)，首次提出利用病人記錄的相似性實(shí)現(xiàn)輔助診斷的思想。這一思想也是本文分析相似病人群組的基礎(chǔ)。

2 數(shù)據(jù)與任務(wù)

病人在醫(yī)院的經(jīng)歷主要包括早期篩查檢查階段和確診后治療階段。電子病歷詳細(xì)記錄了病人在醫(yī)院的各個(gè)過程，如入院記錄、檢查結(jié)果、手術(shù)記錄與出院記錄等。

2.1 數(shù) 據(jù)

乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)（breast imaging reporting and data system，BI-RADS）分類法是目前主要的乳腺癌評(píng)估分級(jí)方法，0～6分別表示乳腺癌的嚴(yán)重程度，其含義如表1所示。

輔助檢查主要包括：

（1）乳腺鉬靶檢查和乳腺X光檢查，包括檢查體位、乳腺分型、乳腺影響、腫塊大小等，描述影像的信息有腫塊大小、腫塊定位、鈣化的分布和程度等。

（2）乳腺超聲檢查，主要包含異常和病灶的聲像圖描述，如病灶位置、外形、大小、周圍組織與邊界等，此外，也包含醫(yī)生對(duì)該病灶的結(jié)論，如分級(jí)及處理建議等。

（3）乳腺磁共振，包含既往病史與檢查結(jié)果對(duì)比、影像發(fā)現(xiàn)描述與乳腺組織構(gòu)成、評(píng)估類別和處理建議，也包含對(duì)病灶的形狀與位置的相關(guān)描述。

（4）免疫組化結(jié)果，用于評(píng)估乳腺組織的浸潤狀態(tài)，判斷癌癥類型，幫助選擇治療方案，評(píng)估預(yù)后；檢測(cè)結(jié)果中包含激素受體（ER）、孕激素受體（PR）、Ki-67抗體、CK5/6抗體、P63抗體、calponin抗體、CerbB-2抗原、P120蛋白、E-Cadherin蛋白等屬性。

（5）病理報(bào)告，描述腫塊大小、淋巴結(jié)陰陽性、病理組織學(xué)分級(jí)與類型、手術(shù)方案等，腫塊大小以2 cm和4 cm為界，分為三類；病理組織學(xué)分為I～Ⅲ級(jí)，分級(jí)越高惡性程度越高；淋巴結(jié)陰性表示未轉(zhuǎn)移，陽性表示轉(zhuǎn)移。

2.2 任務(wù)描述

醫(yī)生及醫(yī)學(xué)研究人員希望能串聯(lián)眾多檢查數(shù)據(jù)，通過分析不同患者各項(xiàng)屬性的異同，找到共性；用電子病歷數(shù)據(jù)驗(yàn)證在臨床實(shí)踐中得到的與乳腺癌病理狀態(tài)與預(yù)后相關(guān)的特征，例如，用計(jì)算特征的相關(guān)性或p值確定關(guān)聯(lián)度；同時(shí)，希望利用機(jī)器學(xué)習(xí)算法自動(dòng)分析相關(guān)數(shù)據(jù)，在診治過程中給予幫助，如探索屬性對(duì)治療方案的影響，以提高決策正確率。

任務(wù)描述：

?T 1特征相關(guān)性分析，疾病的各特征間存在相關(guān)性，如同時(shí)升高或下降，每個(gè)特征對(duì)疾病的重要性也各不相同，因此分析特征間的關(guān)系有助于更好地了解疾病及其治療方案。

?T 2構(gòu)建不同的病人群組，相似病人具有相似的癥狀及治療方案，對(duì)所有病人構(gòu)建不同的病人群組，以便分析疾病的類型和特征。

?T 3群組之間的分析與比較，可視比較和分析不同病人群組的異同，特別是特征上的差異，有助于更好地了解疾病病程和選擇治療方案。

?T 4治療方案預(yù)測(cè)，基于病人當(dāng)前的特征，構(gòu)建機(jī)器學(xué)習(xí)模型，預(yù)測(cè)治療結(jié)果。

?T 5展示病人詳細(xì)情況，展示病人的電子病歷數(shù)據(jù)及其原始診療報(bào)告，以便驗(yàn)證結(jié)論。

基于上述任務(wù)，本文設(shè)計(jì)了乳腺癌的相似病人群組可視分析和治療方案系統(tǒng)。

3 相似病人群組的可視分析

用戶對(duì)病人群組的交互探索從特征的選擇開始，系統(tǒng)界面如圖1所示。首先，選擇感興趣的特征，然后，選擇對(duì)病人群組生成的聚類方法和特征降維算法；之后，根據(jù)用戶的選擇，系統(tǒng)將生成相應(yīng)的結(jié)果并展示在對(duì)應(yīng)的視圖中，用戶通過點(diǎn)擊、框選等交互方式探索不同群組間的關(guān)系，查看單個(gè)病人的縱向病史以及詳細(xì)病歷。

表1 BI-RADS分類法Table 1 BI-RADS taxonomy

3.1 聚類散點(diǎn)圖

電子病歷數(shù)據(jù)呈高維特征，首先需做降維處理，降為低維空間后再進(jìn)行聚類，以尋找相似病人群組。為可視化展示降維與聚類結(jié)果，本文用散點(diǎn)圖中的點(diǎn)表示病人，并用不同顏色編碼病人所屬的群組。散點(diǎn)圖中的坐標(biāo)表示高維特征降為二維后的坐標(biāo)值。用戶可以在二維空間中通過散點(diǎn)圖洞察病人之間的集聚程度（T 2）。

本文選擇多維縮放（multi-dimensional scaling，MDS）［15-17］算法將病人的高維屬性降為二維。在降維過程中，盡量保持原空間中的距離關(guān)系不變。MDS算法用幾何空間（歐氏空間或高維空間）距離計(jì)算病人之間的相似性，距離越近兩個(gè)點(diǎn)越相似。在此過程中，盡可能使距離關(guān)系保持單調(diào)與相似。

經(jīng)MDS降維后，將病人情況顯示在二維空間坐標(biāo)，選擇K-means等聚類算法進(jìn)一步分析，聚類散點(diǎn)圖將實(shí)時(shí)展現(xiàn)聚類過程，例如，在圖2中，（a）和（b）分別為選擇K-means算法聚為兩類和五類的結(jié)果。

3.2 相似病人群組與群組比較

在選擇聚類算法后，系統(tǒng)根據(jù)相似性將病人劃分為不同的群組。由于每個(gè)病人均由多維屬性表示，可利用南丁格爾圖可視化相似病人群組。如圖1（d）所示，每行代表一個(gè)群組，用玫瑰表示病人，每個(gè)花瓣表示病人的一個(gè)屬性。對(duì)于布爾類屬性，若擁有則顯示花瓣，反之則隱藏。對(duì)于數(shù)值屬性和類別屬性，用花瓣的長短表示，花瓣越長表示該病人在相應(yīng)屬性上數(shù)值越大。不同的屬性用不同的顏色展示，以便直觀感受病人間的差異（T 3）。

圖1 系統(tǒng)界面Fig.1 System overview

圖2 特征降維圖與聚類過程散點(diǎn)圖Fig.2 Feature reduction and clustering process scatter plots

為便于比較不同病人群組間的差異，設(shè)計(jì)了群組比較直方圖。如圖1（e）所示，在選擇兩個(gè)病人群組后，群組比較直方圖將展示其在不同屬性上的統(tǒng)計(jì)信息。橫坐標(biāo)展示的為群組所具有的屬性，為方便區(qū)分，相鄰2個(gè)屬性用不同的背景色塊表示，分別統(tǒng)計(jì)每個(gè)屬性的不同數(shù)值區(qū)間，同一群組內(nèi)的屬性共享一致的色彩編碼，需要比較的是2個(gè)群組展示在橫坐標(biāo)上下兩側(cè)的數(shù)值?？v坐標(biāo)表示屬于該區(qū)間的病人數(shù)與其歸屬群組中病人數(shù)占比（r），r值越大，表示在該群組中具有該區(qū)間屬性的病人越多。此設(shè)計(jì)有助于快速發(fā)現(xiàn)2個(gè)群組間的差異，挖掘感興趣的屬性與病人群組模式。當(dāng)醫(yī)生接待新病人時(shí)，可通過搜索與病人最相似的群組獲取該類群組的特征，以幫助制訂治療方案。

3.3 群組特征詞云與詞頻

影像科醫(yī)生在檢查中會(huì)根據(jù)病人的癥狀及檢查結(jié)果做文字描述，以幫助乳腺科醫(yī)生了解病人病情。系統(tǒng)將從癥狀描述中提取主題，并用詞云進(jìn)行展示，如圖1（b）所示。詞云中的字體大小和位置表示主題特征詞在癥狀描述中出現(xiàn)的次數(shù)，字體越大，表示出現(xiàn)頻率越高，且越靠近詞云中心。此外，用直方圖展示詞頻的具體數(shù)值，以輔助判斷特征詞的重要性，如圖1（c）所示。描述詞匯的直觀展示可幫助醫(yī)生了解病人的癥狀和比較不同群組之間的差異（T 3）。

3.4 單個(gè)病人縱向時(shí)間軸

通過訪問單個(gè)病人的縱向病史研究病人的病情進(jìn)展（T 5）。從南丁格爾圖中選擇病人后，由于病人的病史與診斷時(shí)間相關(guān)，如圖1（f）所示，診斷時(shí)間軸圖根據(jù)時(shí)間順序從左到右展示病人所做的檢查及治療事件，橫軸展示的為發(fā)生的時(shí)間點(diǎn)，縱軸展示該檢查或治療事件的類別。點(diǎn)表示病人在該時(shí)間點(diǎn)發(fā)生的醫(yī)療事件，用不同顏色編碼該時(shí)間點(diǎn)的事件類別，點(diǎn)擊該點(diǎn)可顯示原始病歷，如圖1（g）所示的病理診斷報(bào)告詳文，方便多層面對(duì)信息進(jìn)行分析。

4 治療方案設(shè)計(jì)可視化

基于乳腺癌電子病歷數(shù)據(jù)建立的預(yù)測(cè)模型，可根據(jù)患者屬性預(yù)測(cè)治療方案，如只提供預(yù)測(cè)結(jié)果，很難使用戶理解不同病人的屬性差異和特點(diǎn)。為解決此問題，本文設(shè)計(jì)了一個(gè)可視分析系統(tǒng)，通過視圖和交互，幫助醫(yī)生分析病情和預(yù)測(cè)結(jié)果，輔助制訂治療方案。

4.1 預(yù)測(cè)模型

本文用支持向量機(jī)（support vector machine，SVM）分類方法預(yù)測(cè)治療方案（T 4）。SVM是解決二分類問題的分類模型，其基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，在樣本空間中尋找超平面分割樣本。

4.2 平行坐標(biāo)

特征關(guān)聯(lián)的平行坐標(biāo)圖用多個(gè)相互平行的縱軸表示不同的屬性，縱軸上的刻度表示其對(duì)應(yīng)屬性的值。將每個(gè)病人可視化為一條穿插于多個(gè)縱軸之間的曲線，其與不同縱軸的交點(diǎn)表示該病人在該屬性上的值，用不同的顏色區(qū)分類別的屬性或?qū)傩灾?。如圖3所示，系統(tǒng)用不同的顏色將表述患者病情嚴(yán)重程度的ER屬性值映射到曲線，如平行坐標(biāo)圖右側(cè)的色帶所示，曲線的顏色越紅表示病情越嚴(yán)重，越紫表示越輕緩（T 1）。

圖3 特征關(guān)聯(lián)的平行坐標(biāo)Fig.3 Feature-related parallel coordinate

4.3 矩陣熱力圖

矩陣熱力圖可用于表示屬性權(quán)重。由于每個(gè)屬性在每個(gè)分類器中具有不同的權(quán)重，可自然地由矩陣表示。受此啟發(fā)，本文采用矩陣熱力圖的形式展示各屬性在各個(gè)分類器中的權(quán)重，以幫助醫(yī)生快速觀察最相關(guān)的特征（T 4）。

系統(tǒng)根據(jù)特征權(quán)重的數(shù)值進(jìn)行顏色編碼，如圖4所示，紅色表示特征權(quán)重為正值，顏色越深表示數(shù)值越大；藍(lán)色表示特征權(quán)重為負(fù)值，顏色越深表示數(shù)值越小。在矩陣熱力圖中，顏色越突出的方塊表明該屬性對(duì)該分類器的影響越大，反之則顏色與背景色越相近，此設(shè)計(jì)可提示醫(yī)生哪些是影響較大的屬性。同時(shí)，可通過右側(cè)的色帶，設(shè)置矩陣熱力圖中展示權(quán)重區(qū)間的上界和下界，實(shí)現(xiàn)過濾操作，隱藏權(quán)重過小或?yàn)樨?fù)值的屬性，使醫(yī)生聚焦于感興趣的區(qū)間。

圖4 分類權(quán)重矩陣熱力圖Fig.4 The heat map illustrates the classification weight matrix

4.4 分類圖

為幫助醫(yī)生分析預(yù)測(cè)模型的分類結(jié)果，設(shè)計(jì)了分類圖。由于在分析過程中，不僅需要對(duì)預(yù)測(cè)模型的整體表現(xiàn)有直觀的認(rèn)識(shí)，也需要詳細(xì)分析不同病人的分類預(yù)測(cè)情況，系統(tǒng)用不同顏色區(qū)別治療方案，以列為類別聚集，每個(gè)小方格表示一個(gè)病人，方塊位置表示分類結(jié)果。

圖5顯示了“乳房單側(cè)切除”這一類別的手術(shù)治療方案預(yù)測(cè)結(jié)果。左側(cè)的縱軸表示預(yù)測(cè)概率，“乳房單側(cè)切除”屬性作為一條縱軸將預(yù)測(cè)樣本劃分為左右2個(gè)區(qū)域，右側(cè)為預(yù)測(cè)正確樣本，左側(cè)為預(yù)測(cè)錯(cuò)誤樣本。每個(gè)方塊的顏色由表示該病人實(shí)際所屬的類別決定，顏色編碼規(guī)則展示在對(duì)應(yīng)圖例中。由此，分類器預(yù)測(cè)的精確度可由右側(cè)的方塊數(shù)得到，即為與縱軸顏色相同的方塊數(shù)與正確分類樣本數(shù)之比。此外，可通過方塊在概率預(yù)測(cè)縱軸上的分布洞察模型的準(zhǔn)確率，即越靠近頂部的方塊，預(yù)測(cè)正確率越高。通過這些設(shè)計(jì)，可直觀感受預(yù)測(cè)模型的準(zhǔn)確率和精確度，也可通過點(diǎn)擊方塊獲取該病人的詳細(xì)信息，完成進(jìn)一步調(diào)查。

圖5 預(yù)測(cè)結(jié)果分類圖Fig.5 The classification chart displays prediction results

5 案例分析

為驗(yàn)證系統(tǒng)的有效性和準(zhǔn)確性，選取與乳腺癌病人相關(guān)的電子病歷數(shù)據(jù)進(jìn)行輔助屬性分析、病理特征分析和治療方案設(shè)計(jì)評(píng)估。所用數(shù)據(jù)主要包括病理診斷報(bào)告、B超報(bào)告、磁共振（MRI）診斷報(bào)告、乳腺鉬靶診斷報(bào)告等，具體數(shù)據(jù)與數(shù)據(jù)量如表2所示。

表2 電子病歷數(shù)據(jù)源Table 2 Dataset of electronic health record

5.1 輔助屬性分析

在輔助屬性分析上，醫(yī)生希望通過輔助檢查將病人劃分至已有的病人群組，供后續(xù)治療參考，或從病人群組中找到可幫助診療的分析結(jié)果。

本案例采用MDS降維算法與K-Means聚類算法，針對(duì)表2中的病理診斷報(bào)告、B超報(bào)告、磁共振診斷報(bào)告和乳腺鉬靶診斷報(bào)告，將病人群組分為6類，降維和聚類結(jié)果如圖6所示。在降維和聚類過程中，由于算法具有隨機(jī)性，可通過交互調(diào)整算法中的參數(shù)，如K-Means中的K值優(yōu)化結(jié)果。通過散點(diǎn)圖觀察降維和聚類結(jié)果是否符合預(yù)期（分布是否均勻，有無噪點(diǎn)），以便進(jìn)行后續(xù)分析。

圖6 降維和聚類結(jié)果Fig.6 Clustering results after dimensionality reduction

病人群組分類結(jié)果如圖7所示，同一群組中病人的南丁格爾圖較為相似，而不同群組之間則差異較大。群組1和群組2對(duì)應(yīng)的特征描述詞云如圖8所示，此有助于確認(rèn)2個(gè)群組間的差異。對(duì)總體樣本而言，囊性增生和淋巴結(jié)腫大是其主要特征；對(duì)群組1而言，除了囊性增生外，腫塊和腫瘤標(biāo)志物（CA）也較為突出；對(duì)群組2而言，結(jié)節(jié)和囊性增生是其突出特征。此外，可發(fā)現(xiàn)CA伴隨腫塊一起出現(xiàn)，且隨腫塊出現(xiàn)頻率的增加而增加。對(duì)比群組1與群組2可知，腫塊出現(xiàn)的病人較結(jié)節(jié)出現(xiàn)的病人患惡性腫瘤的可能性更高。

圖7 病人群組分類結(jié)果Fig.7 Nightingale diagram for different cohorts

圖9 為選擇CA、腫塊和結(jié)節(jié)屬性后的病人群組圖。從圖9中可發(fā)現(xiàn)，腫塊與CA呈伴隨出現(xiàn)的特點(diǎn)。對(duì)同時(shí)具有3類特征的病人，其腫塊也較大，病情更為嚴(yán)重。

此外，在群組1中，病人的BI-RADS分級(jí)均較高，平均在4c級(jí)以上，見圖7（a）；而在群組2中，病人的分級(jí)較低，基本為4a和4b，見圖7（b）。為進(jìn)一步探究兩者之間的差異，圖10展示了此2個(gè)群組的比較直方圖。對(duì)于BI-RADS屬性，群組1（藍(lán)色）中大部分病人為偏惡性與惡性，良性僅占極小部分。病理檢查顯示，其中90%為浸潤性乳腺癌，且組織學(xué)分級(jí)在Ⅱ、Ⅲ級(jí)，淋巴結(jié)轉(zhuǎn)移比例較高，表明該類病人病情嚴(yán)重。大部分病人在手術(shù)方案上選擇單側(cè)切除或改良根治術(shù)。相比之下，在群組2（綠色）中，病人的BI-RADS分級(jí)較低，且腫塊大多小于4 cm，大部分未出現(xiàn)轉(zhuǎn)移現(xiàn)象，為保障術(shù)后生活質(zhì)量等，大多病人選擇切除腫塊、保留乳房的手術(shù)方案。

圖8 特征描述詞云Fig.8 T heme word cloud for different cohorts

圖9 選擇腫塊、結(jié)節(jié)、CA特征后的病人群組圖Fig.9 Nightingale diagram that focuses on lumps，nodules，and CA

圖10 群組1與群組2比較直方圖Fig.10 Comparison of histograms for cohort 1 and cohort 2

通過觀察群組1和群組2，進(jìn)一步推測(cè)病人選擇手術(shù)方案時(shí)受腫塊、浸潤性的影響較大。對(duì)腫塊較大和可能感染到周圍組織的浸潤性乳腺癌，因復(fù)發(fā)與轉(zhuǎn)移可能性較大，傾向于選擇單側(cè)乳腺切除或改良根治術(shù)。對(duì)于病情較輕的群組2，因腫瘤還未浸潤到其他組織，大多選擇切除腫塊的方案。此推測(cè)的合理性得到驗(yàn)證，在乳腺彩超與病理結(jié)果的關(guān)聯(lián)分析中亦得到證明，本系統(tǒng)對(duì)乳腺癌早期篩查是有效的。

5.2 病理特征分析

選擇表1中的免疫組化報(bào)告和病理報(bào)告數(shù)據(jù)，對(duì)140位病人進(jìn)行特征分析，以證明系統(tǒng)的實(shí)用性和有效性。

在對(duì)病理報(bào)告做整合處理后，排除了部分缺失數(shù)據(jù)，最后得到138位病人免疫組化中的ER、PR、Ki-67、CerbB-2四個(gè)特征和病理報(bào)告中的淋巴結(jié)情況、腫塊大小、病理類型、組織學(xué)分級(jí)、手術(shù)方案，并進(jìn)行聯(lián)合分析，經(jīng)MDS降維和K-Means聚類后，得到6個(gè)病人群組。

如圖11所示，通過比較群組2（綠色）和群組3（藍(lán)色）發(fā)現(xiàn)，群組3中淋巴結(jié)陽性表達(dá)較少，而群組2中淋巴結(jié)陽性表達(dá)較多。進(jìn)一步分析發(fā)現(xiàn)，在群組3中，大多腫塊較?。?2 cm），且在組織學(xué)分級(jí)中多表現(xiàn)為高分化低惡性；而在群組2中，大多腫塊大于2 cm，組織學(xué)分級(jí)大多在Ⅱ級(jí)以上，浸潤性低分化惡性腫瘤占大多數(shù)。由此可猜測(cè)，淋巴結(jié)是否發(fā)生轉(zhuǎn)移與病人的腫塊大小及其組織學(xué)分級(jí)有較大關(guān)系。此結(jié)論已得到乳腺科醫(yī)生的證實(shí)。

5.3 治療方案設(shè)計(jì)

通過選擇平行坐標(biāo)進(jìn)行屬性相關(guān)性探索，圖12（a）以平行坐標(biāo)的方式展示了隨機(jī)選取的94位患者的屬性?？捎^察到ER和PR屬性在很大程度上擁有相同的陽性表現(xiàn)，具有很強(qiáng)的相關(guān)性。ER屬性值越大，陽性越強(qiáng)，病人的BI-RADS分級(jí)也越高，腫塊直徑大多在2 cm以上，且組織學(xué)分級(jí)主要分布在Ⅱ和Ⅲ級(jí)。

圖12（b）展示的為組織學(xué)分級(jí)為Ⅰ級(jí)的病人，可以明顯看到此類病人的ER和PR屬性大多為陰性。進(jìn)一步過濾腫塊大于2 cm的病人，發(fā)現(xiàn)大部分病人選擇了腫塊部分切除的手術(shù)方案。由此可推斷，ER和PR等免疫組化屬性的表達(dá)與腫瘤的惡性程度有較大關(guān)系。當(dāng)ER和PR屬性未呈現(xiàn)陽性且腫塊較小時(shí)，可采取只切除腫瘤部分的手術(shù)方案。

圖11 群組2與群組3比較直方圖Fig.11 Comparison of histograms for cohort 2 and cohort 3

圖12 病人屬性平行坐標(biāo)展示Fig.12 Patients'features displayed by the parallel coordinate

圖4展示了預(yù)測(cè)模型在治療方案預(yù)測(cè)過程中各特征在各分類器中重要程度。從中可發(fā)現(xiàn)：

（1）對(duì)所有分類器而言，患者的年齡均展示在黃色方塊中，表明年齡并不是影響治療方案選擇的主要因素。

（2）針對(duì)全切與保乳分類器，腫塊大小的絕對(duì)權(quán)重值最高，其他分類器的權(quán)重值均較小，說明在考量全切還是保乳手術(shù)的決策過程中，腫塊大小是決定性因素。

（3）ER和PR等屬性與淋巴結(jié)轉(zhuǎn)移情況對(duì)改良根治手術(shù)的選擇影響較大，此結(jié)論得到了醫(yī)生的證實(shí)。在改良根治手術(shù)中，在切除乳房的同時(shí)會(huì)清掃腋下淋巴結(jié)組織，較適合有轉(zhuǎn)移的病人。

對(duì)50位病人的治療方案預(yù)測(cè)結(jié)果見圖13，四類治療方案分別為腫塊切除（藍(lán)色）、乳房單側(cè)切除（綠色）、改良根治（紅色）和新輔助治療（紫色）。由圖13可知，大部分病人采用腫塊切除（藍(lán)色）方案，而采用新輔助治療（紫色）的病人較少。雖然部分采用腫塊切除與乳房單側(cè)切除的病人在預(yù)測(cè)過程中可能出現(xiàn)混淆，但總體來說，能較準(zhǔn)確預(yù)測(cè)大部分患者的治療方案。

圖13 治療方案預(yù)測(cè)結(jié)果Fig.13 Prediction of treatment plans

6 結(jié) 論

為幫助醫(yī)生有效地探索和分析乳腺癌患者的電子病歷數(shù)據(jù)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于相似病人群組的可視分析系統(tǒng)。該系統(tǒng)通過用戶驅(qū)動(dòng)的方式選擇特征，對(duì)病人信息進(jìn)行降維和聚類，以幫助醫(yī)生分析不同群組之間的區(qū)別與聯(lián)系。該系統(tǒng)還可分析不同治療方案和屬性之間的相關(guān)性，以幫助醫(yī)生進(jìn)行術(shù)前決策，提高診斷效率。

未來工作將嘗試分析更為龐大的數(shù)據(jù)集，并進(jìn)行多角度探索，如預(yù)測(cè)患者生存率、追蹤疾病的發(fā)展模式等，緊密結(jié)合醫(yī)生需求，提高系統(tǒng)的普適性、完整性和實(shí)用性。