大腸早癌輔助診斷數(shù)據(jù)挖掘方法研究.pdf

1、隨著醫(yī)療診斷技術(shù)的發(fā)展，各個(gè)醫(yī)療部門積累了大量醫(yī)療診斷信息，如病人的醫(yī)學(xué)影像資料、生理生化指標(biāo)、生物信息學(xué)指標(biāo)、病人背景資料等，這些數(shù)據(jù)資料背后隱藏著很多有可能成為臨床輔助診斷依據(jù)的重要信息，因此有必要利用相關(guān)技術(shù)對(duì)這些重要信息進(jìn)行分析處理。 數(shù)據(jù)挖掘是廣泛應(yīng)用于醫(yī)療診斷數(shù)據(jù)分析處理的技術(shù)之一，采用數(shù)據(jù)挖掘技術(shù)可以通過(guò)對(duì)患者資料數(shù)據(jù)庫(kù)中大量歷史數(shù)據(jù)的處理，挖掘出有價(jià)值的診斷規(guī)則，從而依據(jù)患者的年齡、性別、生活習(xí)性、輔助檢查結(jié)果、

2、生化指標(biāo)等做出判斷，排除人為因素的干擾，客觀性強(qiáng)，得到的診斷規(guī)則有著較好的普遍性。 本文以數(shù)據(jù)挖掘技術(shù)為基礎(chǔ)，以激光誘導(dǎo)自體熒光大腸早癌診斷數(shù)據(jù)為載體，通過(guò)分析診斷數(shù)據(jù)特征，從數(shù)據(jù)預(yù)處理、訓(xùn)練數(shù)據(jù)集的形成以及分類預(yù)測(cè)方法三個(gè)方面，對(duì)大腸早癌診斷數(shù)據(jù)進(jìn)行深入分析研究，形成激光誘導(dǎo)大腸早癌輔助診斷系統(tǒng)，為臨床醫(yī)生提供輔助診斷的手段。 本文首先分析了激光誘導(dǎo)自體熒光診斷大腸早癌的機(jī)理、特點(diǎn)、研究意義，根據(jù)醫(yī)療診斷數(shù)據(jù)特征，提出

3、了激光誘導(dǎo)自體熒光大腸早癌輔助診斷數(shù)據(jù)分析處理流程，并對(duì)各部分進(jìn)行了分析，著重闡述光譜數(shù)據(jù)采集系統(tǒng)組成以及光譜數(shù)據(jù)的采集方法，同時(shí)進(jìn)行了濾除高頻電子噪音，剔除光譜基線、截取有效帶寬信號(hào)以及歸一化熒光光譜的數(shù)據(jù)除噪處理。 面向不完整的大腸早癌熒光數(shù)據(jù)，通過(guò)分析比較特征提取方法，本文提出基于容錯(cuò)關(guān)系的信息熵粗糙集主成分分析算法，容錯(cuò)關(guān)系粗糙集較之傳統(tǒng)粗糙集能滿足診斷數(shù)據(jù)的不完備性，同時(shí)引入隨信息量減小而單調(diào)下降的信息熵，在此基礎(chǔ)上提

4、出屬性約簡(jiǎn)方法，對(duì)光譜數(shù)據(jù)進(jìn)行屬性約減，并利用主成分分析算法進(jìn)行進(jìn)一步的特征屬性提取。通過(guò)該算法，提取了影響大腸早癌診斷的特征數(shù)據(jù)，降低數(shù)據(jù)維度，減少后續(xù)數(shù)據(jù)處理的復(fù)雜度。 由于醫(yī)療診斷數(shù)據(jù)中多為混合數(shù)據(jù)的特性，通過(guò)分析現(xiàn)有混合數(shù)據(jù)聚類算法，本文提出了基于格論的混合數(shù)據(jù)聚類算法。利用格進(jìn)行數(shù)據(jù)分布以消除數(shù)值型屬性和符號(hào)屬性的分布差別，利用數(shù)據(jù)間格的涵蓋數(shù)目來(lái)進(jìn)行聚類計(jì)算，因此該算法在進(jìn)行混合數(shù)據(jù)處理時(shí)不再需要進(jìn)行數(shù)據(jù)轉(zhuǎn)換。針對(duì)算

5、法中的參數(shù)，即初始聚類數(shù)目和中心點(diǎn)的選取進(jìn)行了優(yōu)化分析，其中初始聚類數(shù)目利用遺傳算法進(jìn)行優(yōu)化，獲得初始聚類數(shù)目的取值空間；同時(shí)對(duì)中心點(diǎn)的選取進(jìn)行了優(yōu)化說(shuō)明，同時(shí)對(duì)算法性能進(jìn)行了分析。以形成的聚類數(shù)據(jù)集為基礎(chǔ)，利用均值方差法和熒光強(qiáng)度比值判別法進(jìn)行數(shù)據(jù)特征的提取，得到正常組織和癌癥組織的分類特征，為分類判別提供依據(jù)。 針對(duì)醫(yī)療診斷數(shù)據(jù)中實(shí)時(shí)性要求，通過(guò)分析所采用的分類算法性能，發(fā)現(xiàn)該分類算法存在著大量重復(fù)計(jì)算，因此算法復(fù)雜度和算法

6、的空間復(fù)雜度比較高。為解決這一問(wèn)題，本文提出了基于檢索樹結(jié)構(gòu)的處理方法，通過(guò)構(gòu)建檢索樹，將多數(shù)重復(fù)計(jì)算節(jié)點(diǎn)構(gòu)建在檢索樹的高層，無(wú)重復(fù)節(jié)點(diǎn)建立在檢索樹的下層，以此來(lái)降低算法的重復(fù)計(jì)算，有效地降低了算法復(fù)雜度以及空間復(fù)雜度，以滿足診斷實(shí)時(shí)性要求。 針對(duì)醫(yī)療診斷數(shù)據(jù)中的不平衡性，在分析了非平衡數(shù)據(jù)分布特征以及當(dāng)前的非平衡數(shù)據(jù)處理方法后，利用樣本處理技術(shù)，本文提出了全局密度非平衡數(shù)據(jù)分類，μ-密度非平衡數(shù)據(jù)分類方法以及邊界樣本局部密度的

7、非平衡數(shù)據(jù)分類方法，全局密度非平衡數(shù)據(jù)分類方法以各自類別的樣本為基礎(chǔ)進(jìn)行綜合平均，這種方法有利于稀疏數(shù)據(jù)的分類而降低密集數(shù)據(jù)分類有效性；μ-密度非平衡數(shù)據(jù)分類方法通過(guò)代價(jià)敏感方法，分析樣本分類正確性代價(jià)，得到合適的μ值進(jìn)行樣本數(shù)據(jù)的選取，以提高非平衡數(shù)據(jù)分類有效性；邊界樣本局部密度的非平衡數(shù)據(jù)分類方法著重分析處于非平衡數(shù)據(jù)集中的邊界樣本數(shù)據(jù)，通過(guò)多種方法進(jìn)行邊界數(shù)據(jù)的分類，同時(shí)對(duì)算法中的相關(guān)參數(shù)進(jìn)行分析。這三種算法都是通過(guò)樣本數(shù)據(jù)選擇，