基于決策樹的醫(yī)療數(shù)據(jù)分析

摘 要：決策樹算法從一組無規(guī)則、無次序的事例中推理出分類規(guī)則，同樣適用于醫(yī)療數(shù)據(jù)的挖掘。本文研究基于決策樹的乳腺腫瘤醫(yī)療數(shù)據(jù)的分析和挖掘，提高癌癥診斷的準(zhǔn)確率。

關(guān)鍵詞：數(shù)據(jù)挖掘；決策樹；乳腺癌診斷

中圖分類號(hào)：TP399

隨著醫(yī)療數(shù)字化設(shè)備的快速發(fā)展，醫(yī)療數(shù)據(jù)庫中包括了大量的非結(jié)構(gòu)化的醫(yī)學(xué)圖像信息和病人的結(jié)構(gòu)化信息，這些數(shù)據(jù)為醫(yī)療數(shù)據(jù)的挖掘和分析提供了豐富的信息資源。醫(yī)療數(shù)據(jù)的挖掘旨在從海量的醫(yī)療數(shù)據(jù)中提取出有效的模型、關(guān)聯(lián)、規(guī)則、變化以及普遍的規(guī)律，加速醫(yī)生決策診斷的過程和提高其決策診斷的準(zhǔn)確度。決策樹算法是應(yīng)用最廣的歸納推理算法之一，對(duì)噪聲數(shù)據(jù)有很好的健壯性，能夠從醫(yī)療數(shù)據(jù)庫中發(fā)現(xiàn)有價(jià)值的信息和知識(shí)。

1 決策樹算法

1.1 決策樹簡介

決策樹方法是數(shù)據(jù)挖掘的重要方法之一，它是利用樹形結(jié)構(gòu)的特性來對(duì)數(shù)據(jù)進(jìn)行分類的一種方法。決策樹學(xué)習(xí)從一組無規(guī)則、無次序的事例中推理出有用的分類規(guī)則，是一種實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法。決策樹首先利用訓(xùn)練數(shù)據(jù)集合生成一個(gè)測(cè)試函數(shù)，根據(jù)不同的權(quán)值建立樹的分支，即葉子結(jié)點(diǎn)，在每個(gè)葉子節(jié)點(diǎn)下又建立層次結(jié)點(diǎn)和分支，如此重利生成決策樹，然后對(duì)決策樹進(jìn)行剪樹處理，最后把決策樹轉(zhuǎn)換成規(guī)則。決策樹的最大優(yōu)點(diǎn)是直觀，以樹狀圖的形式表現(xiàn)預(yù)測(cè)結(jié)果，而且這個(gè)結(jié)果可以進(jìn)行解釋。決策樹主要用于聚類和分類方面的應(yīng)用。

1.2 常用決策樹算法

決策樹算法的很多種，其中以ID3算法和C4.5算法應(yīng)用最廣泛。ID3算法根據(jù)信息理論，采用劃分后樣本集的不確定性作為衡量劃分好壞的標(biāo)準(zhǔn)，在每個(gè)非葉節(jié)點(diǎn)選取時(shí)，選擇信息增益最大的屬性作為測(cè)試屬性。C4.5算法是對(duì)ID3算法的改進(jìn)和擴(kuò)展。C4.5算法用信息增益率來選擇屬性，克服了ID3算法在選擇屬性時(shí)偏向于選擇取值多的屬性的不足；當(dāng)屬性值空缺時(shí)，通過使用不同的修剪技術(shù)以避免樹的過度擬合。

2 乳腺癌醫(yī)療數(shù)據(jù)決策分析

2.1 醫(yī)療數(shù)據(jù)選擇

乳腺癌是發(fā)病率較高一種惡性腫瘤。乳腺癌致死的主要原因在于惡性腫瘤細(xì)胞的轉(zhuǎn)移，淋巴結(jié)轉(zhuǎn)移是主要的途徑之一，腋窩淋巴是乳腺癌發(fā)生轉(zhuǎn)移的最早受累部位，轉(zhuǎn)移的程度是乳腺癌診斷、治療、放療和化療的主要參考依據(jù)，也是判斷病情是否復(fù)發(fā)的因素。乳腺B超是乳腺癌早期檢測(cè)的最可靠的方法。本文選擇醫(yī)院200名乳腺癌病人的在術(shù)前、術(shù)后、化療前、化療后、放療前和放療后的B超圖像數(shù)據(jù)作為樣本，對(duì)圖像預(yù)處理及特征提取后，作為分類系統(tǒng)挖掘的輸入。

2.2 模型評(píng)估變量

決策樹建模時(shí)，最重要的是選擇評(píng)估變量。根據(jù)淋巴結(jié)與乳腺癌的關(guān)系，評(píng)估變量包括病人的基本特征信息（年齡和月經(jīng)狀況）、病情信息（腫瘤部位、病理類型等）、淋巴結(jié)信息（B超檢查淋巴結(jié)狀況、淋巴結(jié)轉(zhuǎn)移狀況和術(shù)中發(fā)現(xiàn)的淋巴結(jié)狀況）。各評(píng)估變量的定義如表1所示。

表1 模型評(píng)估變量定義表

變量名含義值標(biāo)識(shí)變量值

AGE年齡≤300

30

AGE>452

YUEJING月經(jīng)狀況有0

無1

BUWEI

腫瘤部位整個(gè)1

乳暈區(qū)2

內(nèi)上3

內(nèi)下4

外上5

外下6

BLSORT

病理類型粘液癌1

小葉癌2

管內(nèi)癌早侵3

LBJSTATUSB超檢查淋巴結(jié)狀況腫大0

不腫大1

LBTRANS淋巴結(jié)轉(zhuǎn)移狀況轉(zhuǎn)移0

不轉(zhuǎn)移1

SZSTATUS術(shù)中發(fā)現(xiàn)的淋巴結(jié)狀況腫大0

不腫大1

2.3 決策樹建模

本文利用SAS軟件的Enterprise Miner模塊提進(jìn)行決策樹建模，步驟如下：（1）數(shù)據(jù)輸入和抽樣。將200名病人的數(shù)據(jù)輸入SAS軟件，數(shù)據(jù)盡量完整。（2）數(shù)據(jù)特征探索。在進(jìn)行模型建立時(shí)，主要是分析病人的醫(yī)療的數(shù)據(jù)特征，探索出樣本數(shù)據(jù)中各屬性變量的分布情況，在不同情況下的分布概率進(jìn)行統(tǒng)計(jì)和分析。（3）數(shù)據(jù)集劃分。由于在進(jìn)行數(shù)據(jù)挖掘時(shí)，樣本數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)。本文將將樣本數(shù)據(jù)分別分成訓(xùn)練集、測(cè)試集和驗(yàn)證集，它們?cè)跀?shù)量上所占的比例4：3：3。（4）數(shù)據(jù)變量轉(zhuǎn)換。根據(jù)表1將數(shù)據(jù)中的連續(xù)變量，轉(zhuǎn)換成分散的變量。比如病人年齡是34歲，腫瘤部位在乳暈區(qū)，則它的AGE=1，BUWEI=2。（5）數(shù)據(jù)替換。雖然缺失值對(duì)決策樹沒有影響，但是為了提高分類結(jié)果的正確性，還是借助數(shù)據(jù)替換模塊，以均值代替間隔尺度變量的缺失值，以眾數(shù)代替分類變量的缺失值。（6）決策樹建模。SAS提供了決策樹建模的方法，它根據(jù)判定標(biāo)準(zhǔn)將評(píng)估變量變成不同層次有節(jié)點(diǎn)結(jié)構(gòu)，以二叉樹的形式顯示出來。本文在進(jìn)行挖掘分析時(shí)，分別設(shè)置樹的最大深度為7，最小葉子觀測(cè)數(shù)為6。

2.4 挖掘結(jié)果分析

在分析的200名乳腺癌患者中，有76位確診為腋窩淋巴結(jié)轉(zhuǎn)移，124位沒有發(fā)生腋窩淋巴結(jié)轉(zhuǎn)移，轉(zhuǎn)移的患者平均年齡在45歲。通過對(duì)結(jié)果的回歸分析發(fā)現(xiàn)，乳腺癌淋巴結(jié)轉(zhuǎn)移與腫瘤的部位和腋窩淋巴結(jié)狀況有明顯的關(guān)系，B超檢查腋窩淋巴結(jié)腫大者，容易發(fā)生乳腺癌的轉(zhuǎn)移；腫瘤部位在外上或外下的患者發(fā)生癌癥轉(zhuǎn)移的機(jī)率較高。

3 結(jié)束語

利用決策樹算法對(duì)乳腺癌淋巴結(jié)轉(zhuǎn)移判別分類研究，能夠?yàn)槿橄侔┗颊叩牟∏榭刂撇呗蕴峁┯袃r(jià)值的參考數(shù)據(jù)，幫助醫(yī)生提高乳腺腫瘤是否轉(zhuǎn)移的診斷水平，減少誤診率。

參考文獻(xiàn)：

[1]李如平.數(shù)據(jù)挖掘中決策樹分類算法和研究[J].東華理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2010（33）：192-194.

[2]孔抗美，張瑩，李邵斌.醫(yī)院醫(yī)療數(shù)據(jù)挖掘與分析[J].中國衛(wèi)生信息管理，2011（06）：23-24.

作者簡介：伍強(qiáng)（1969.04-），男，?？谌耍T士，副教授，高級(jí)工程師，研究方向：數(shù)據(jù)挖掘、口腔設(shè)備學(xué)教學(xué)與研究。

作者單位：海南醫(yī)學(xué)院附屬醫(yī)院設(shè)備科，?？?570102；華中科技大學(xué)機(jī)械學(xué)院11級(jí)機(jī)械2班，武漢 430074；海南科技職業(yè)學(xué)院，?？?570216；海南醫(yī)學(xué)院，?？?571199

基金項(xiàng)目：海南省自然科學(xué)基金資助項(xiàng)目（NO：310154）。