基于系統(tǒng)聚類和SVM模型的乳腺癌診斷研究

余 瑩，樊重俊，朱人杰，2，熊紅林，3

（1上海理工大學(xué) 管理學(xué)院，上海 200093；2同濟大學(xué)附屬東方醫(yī)院，上海 200120；3萬達信息股份有限公司，上海 201112）

0 引 言

近年來乳腺癌的多發(fā)以及所帶來的嚴重后果已經(jīng)在全球范圍內(nèi)引起了廣泛關(guān)注，乳腺癌是影響成年女性的主要慢性疾病之一。全球范圍內(nèi)每年都有約1 000萬的女性被診斷出罹患乳腺癌，并且超過50萬女性死于乳腺癌［1］。隨著現(xiàn)代經(jīng)濟的發(fā)展和醫(yī)療技術(shù)的進步，有大量的資源和現(xiàn)代技術(shù)可以應(yīng)用于乳腺癌的篩查、診斷和控制工作。對于醫(yī)生來說，要從大量的癌癥病例當(dāng)中詳細了解每一個癌癥患者的特征是十分困難的。因此，數(shù)據(jù)分析方法可以成為醫(yī)生做出癌癥診斷決策時的重要助手［2］。

早在1999年，Pena-Reyes和Sipper［3］提出了一種模糊遺傳算法診斷乳腺癌。其研究結(jié)果表明，數(shù)據(jù)挖掘技術(shù)已成功應(yīng)用于癌癥預(yù)測中，傳統(tǒng)的乳腺癌診斷已轉(zhuǎn)化為數(shù)據(jù)分析領(lǐng)域的分類問題。現(xiàn)有的乳腺癌數(shù)據(jù)集被分為良性和惡性兩類，通過歷史腫瘤數(shù)據(jù)訓(xùn)練得到合適的分類器，來預(yù)測新的腫瘤數(shù)據(jù)。但隨著描述腫瘤特征數(shù)據(jù)的增加，分類器的計算時間也急劇增加，在這種情況下，乳腺癌診斷的基本要求不僅是準確性，還包括時間復(fù)雜度。考慮到時間效率，如何從龐大的數(shù)據(jù)集中挖掘和提取必要的信息、過濾特征成為一個新的問題。

Akay（2009）［4］提出了一種基于SVM與特征選擇相結(jié)合的方法來進行乳腺癌診斷。通過使用F分數(shù)［5］來計算特征價值，選擇原始腫瘤特征的最佳子集進行SVM訓(xùn)練。

Akay（2009）［4］提出了一種基于SVM與特征選擇相結(jié)合的方法來進行乳腺癌診斷，通過使用F分數(shù)［5］來計算特征價值。進而為了找到最佳的參數(shù)設(shè)置組合，使診斷準確率達到最高，進行了耗時較長的網(wǎng)格搜索，選擇原始腫瘤特征的最佳子集進行SVM訓(xùn)練。Prasad、Biswas和Jain（2010）［6］嘗試了啟發(fā)式算法和SVM的組合，以找出用于SVM訓(xùn)練的最佳特征子集。但是，這些方法的共同缺陷是，僅僅使用分類精確率作為評估不同特征選擇方法的標準，而忽視了對不同子集進行詳盡訓(xùn)練，以獲得具有最佳診斷精確率的最優(yōu)子集所消耗的大量模型訓(xùn)練時間。

因此，本文提出了基于系統(tǒng)聚類和支持向量機的組合模型。系統(tǒng)聚類算法作為一種無監(jiān)督學(xué)習(xí)算法提取腫瘤特征，以識別腫瘤數(shù)據(jù)的隱藏模式，只在原始特征空間上進行聚類，不僅可以以更加緊湊的方式保留所有單個特征信息，而且避免了在不同子集上進行迭代訓(xùn)練，以節(jié)約模型訓(xùn)練時間?；谔卣鬟x擇的結(jié)果，應(yīng)用從屬函數(shù)計算這些隱藏模式與每個腫瘤之間的相似性，并將其作為新的特征對原始腫瘤數(shù)據(jù)進行特征重建，最后應(yīng)用SVM算法對重建后的數(shù)據(jù)集進行分類。

1 研究方法

1.1 基于系統(tǒng)聚類的特征選擇方法

系統(tǒng)聚類，也稱層次聚類，是統(tǒng)計學(xué)方法中的一種聚類算法，其原理簡單。首先，將所有樣本本身歸為一類，類與類之間的距離就是它們所包含的樣本之間的距離；然后找出距離最近的兩個類將它們合并為一個類，重新計算新生成的類與舊類之間的距離；不斷重復(fù)以上步驟直到所有樣本歸為一類［7］。本文采用歐式距離計算距離矩陣，并采用離差平方和法判斷類與類之間的距離?；诜讲罘治龅乃枷胧牵喝绻诸愓_，則分類結(jié)果應(yīng)該滿足，同類樣本之間離差平方和較小，而異類樣本之間離差平方和較大。

特征選擇過程也可描述為數(shù)據(jù)轉(zhuǎn)換過程，是將特征數(shù)據(jù)轉(zhuǎn)化為定量的數(shù)據(jù)結(jié)構(gòu)，以方便訓(xùn)練模型的過程。特征選擇在具有高維特征空間的大規(guī)模數(shù)據(jù)中起著重要的作用。當(dāng)訓(xùn)練數(shù)據(jù)為高維數(shù)據(jù)時，這個過程可以用來消除不必要的訓(xùn)練信息，在保持訓(xùn)練精度的同時，縮短總體訓(xùn)練時間［8］。特征選擇的原則是，在不影響后續(xù)分類分布結(jié)果，不降低準確率及提取的特征子集應(yīng)為穩(wěn)定且適應(yīng)度強的集合基礎(chǔ)上，提取盡可能小的特征子集。在統(tǒng)計學(xué)中，特征選擇的統(tǒng)計模型一般使用數(shù)學(xué)統(tǒng)計模型建立，以數(shù)學(xué)方程式的形式表示變量之間的函數(shù)關(guān)系。通過計算模型的殘差平方和大小，評價模型的擬合程度。在對原始數(shù)據(jù)進行系統(tǒng)聚類后，需要對聚類結(jié)果進行相似性度量，從而決定最佳類的個數(shù)，相似性度量的方法如式（1）、式（2）［9］所示：

其中，θ是評估聚類數(shù)有效率的量值。θ求得最小值的過程，也是每個成員與其簇質(zhì)心的平均距離davg不斷減小，而任意兩個簇質(zhì)心之間的最小距離dmin不斷增加的過程。即在通過有效率θ求解最佳聚類數(shù)K*的過程中，也滿足了類內(nèi)距離小、異類間距離大的條件。

當(dāng)K的取值接近特征數(shù)目時，則無法找出隱藏模式；當(dāng)K取值較小時，才會較明顯地顯示出隱藏模式。

1.2 特征重建

進行特征選擇后，需在原始數(shù)據(jù)集的基礎(chǔ)上進行特征重建。此時，未測試數(shù)據(jù)與之前步驟中選擇出的新特征之間的相似程度，在新數(shù)據(jù)集的特征重建中扮演著重要的角色。因此，計算原始數(shù)據(jù)與各新特征之間相似性的從屬函數(shù)極為重要。從屬函數(shù)計算如式（4）、式（5）所示［9］：

通過ρic，可刻畫腫瘤i和腫瘤模式Sc之間的相似度程度，ρic的大小反映了二者的相似度，數(shù)值越大，相似度越高。將通過系統(tǒng)聚類提取的新模式作為腫瘤新的抽象特征，并通過從屬函數(shù)計算所有原始腫瘤數(shù)據(jù)與腫瘤模式Sc之間相似程度，將其組成新數(shù)據(jù)，完成特征重建。

1.3 支持向量機分類

基于前兩步的操作，數(shù)據(jù)的特征維度已經(jīng)減小，并且具有新特征的數(shù)據(jù)集已經(jīng)重建，可以應(yīng)用傳統(tǒng)的機器學(xué)習(xí)算法。由于支持向量機算法（SVM）自身的優(yōu)勢，對于線性可分的二分類問題，可通過找到一個最優(yōu)分界面將兩類分開；對于線性不可分的二分類問題，可利用核函數(shù)實現(xiàn)在高維特征空間分類。支持向量機算法在小樣本、非線性及高維模式應(yīng)用中具有優(yōu)勢，故本文選擇支持向量機算法進行分類［11］：

其中，x是訓(xùn)練向量；y是與訓(xùn)練向量相關(guān)的標簽；α是分類器超平面的參數(shù)向量；K·()為核函數(shù)；L是由懲罰參數(shù)決定的錯誤分類數(shù)量。

2 實驗及結(jié)果

2.1 乳腺癌數(shù)據(jù)描述

本文使用的數(shù)據(jù)來自加州大學(xué)爾灣分校的威斯康星州診斷性乳腺癌（WDBC）數(shù)據(jù)集。該數(shù)據(jù)集包含每個細胞核10個類別的32個特征，其分別是：半徑、紋理值、周長、面積、光滑度、緊密度、凹度、凹點、對稱性、分形維數(shù)。對于每個類別，分別測量3個指標：平均值、標準誤差和最大值，包括樣本的名稱和類別一共32維，共包含569條數(shù)據(jù)，見表1。

表1 WDBC數(shù)據(jù)集分布描述Tab.1 Summary of WDBC data attributes

2.2 H-SVM算法

使用H-SVM算法對乳腺癌數(shù)據(jù)進行診斷。為了對特征進行降維，分別在良性數(shù)據(jù)集和惡性數(shù)據(jù)集上使用特征選擇方法提取腫瘤數(shù)據(jù)的隱藏模式，在判斷最佳聚類數(shù)時，應(yīng)用式（1）、（2）、（3）得到K*，在特征選擇的基礎(chǔ)上，利用式（4）、（5）進行特征重建，最后應(yīng)用SVM算法進行分類。整個算法流程［10］如圖1所示。

圖1 H-SVM算法流程Fig.1 H-SVM algorithm flow

2.2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理過程主要包括二個方面，一是分離良性數(shù)據(jù)集與惡性數(shù)據(jù)集；二是數(shù)據(jù)標準化。

（1）良惡性數(shù)據(jù)集分離。由于在進行腫瘤隱藏模式識別時，良性腫瘤與惡性腫瘤的隱藏模式是分別存在的，而原數(shù)據(jù)集中良性腫瘤數(shù)據(jù)與惡性腫瘤數(shù)據(jù)則混合在一起。原數(shù)據(jù)中第二維為數(shù)據(jù)分類的標識，在進行數(shù)據(jù)集分離時只需按照B（良性腫瘤數(shù)據(jù)集）或M（惡性腫瘤數(shù)據(jù)集）篩選分離即可。

（2）數(shù)據(jù)標準化。在進行系統(tǒng)聚類分析前，需對數(shù)據(jù)集中標簽屬性進行歸一化處理，以消除量綱對相似度的影響。即消除對聚類過程中相似矩陣計算的影響，從而獲得一個更優(yōu)的聚類結(jié)果。歸一化公式如式（7）：

2.2.2 特征選擇

首先，分別對良性腫瘤數(shù)據(jù)集與惡性腫瘤數(shù)據(jù)集進行系統(tǒng)聚類。圖2為聚類結(jié)果譜系圖（其中（a）為良性腫瘤數(shù)據(jù)聚類譜系圖，（b）為惡性腫瘤聚類譜系圖）。由圖可見，系統(tǒng)聚類在良惡性腫瘤數(shù)據(jù)集上有很好的聚類效果，能夠比較清晰地體現(xiàn)出類別的層次，即乳腺癌腫瘤數(shù)據(jù)的隱藏模式明顯，各隱藏模式之間差距較大。

圖2 腫瘤數(shù)據(jù)系統(tǒng)聚類圖Fig.2 Hierarchical graph

進行特征選擇時，利用式（1）、（2）分別求得良惡性腫瘤數(shù)據(jù)對應(yīng)的有效率，其中聚類數(shù)K的取值范圍為（2，30）。聚類產(chǎn)生的每一類，代表一個腫瘤的隱藏模式；每一個類的類中心，代表該隱藏模式的類中心。利用式（3）求得每個簇的θ值，如圖3所示。從圖3中可以看出，在取值范圍內(nèi)，有效率θ有一個最小值。即當(dāng)良性腫瘤類別數(shù)Kb=10時，θb求得最小值；當(dāng)惡性腫瘤類別數(shù)KM=5時，θm求得最小值。根據(jù)本文算法，以最緊湊的模式保留原始特征得到良、惡性腫瘤的最佳隱藏模式數(shù)分別為10種和5種。如圖5所示。

圖3 腫瘤模式K值的確定Fig.3 Determine K for tumors

2.3 分類結(jié)果

分類算法結(jié)果的正確性用準確率來衡量，準確率越高說明分類的效果越好。本文H-SVM算法在WDBC數(shù)據(jù)集上應(yīng)用的準確率為96.5%。其計算公式為式（8）所示：

其中，TP是真正數(shù)；T N是真負數(shù)；F P是假正數(shù)；F N是假負數(shù)。

就準確率而言，本文提出的H-SVM算法與僅使用SVM算法進行分類比較，保證了高的預(yù)測精度；另一方面，H-SVM算法是通過將原始數(shù)據(jù)進行特征選擇以減少特征空間的維度，然后特征重建轉(zhuǎn)換為新的數(shù)據(jù)集。從計算時間的角度來看，所提出的方法通過減少輸入特征的數(shù)量，顯著減少了訓(xùn)練時間。表2中將計算時間與傳統(tǒng)的SVM算法進行了比較，顯示了選擇和提取特征的重要性。

表2 結(jié)果比較Tab.2 Result comparison

3 結(jié)束語

本文提出了一種基于系統(tǒng)聚類的特征選擇與支持向量機的組合模型（H-SVM）分類方法，并將實驗結(jié)果與SVM算法進行了比較。在特征選擇階段，使用系統(tǒng)聚類來識別乳腺癌的隱藏模式，將數(shù)據(jù)集與隱藏模式之間的相似性作為新腫瘤特征數(shù)據(jù)集，以此判斷待測腫瘤數(shù)據(jù)是否為惡性腫瘤。該算法通過特征提取和選擇對原始腫瘤數(shù)據(jù)集進行降維，在不減少樣本數(shù)量的前提下，將其重建為更加緊湊的新數(shù)據(jù)集。實驗結(jié)果表明，本文提出的算法與僅使用SVM算法比較，不僅在精確率上由原來的95.3%提高到97.5%，而且也明顯降低了模型的訓(xùn)練時間，由15.891 3 s減少到0.208 8 s。

本文使用H-SVM對WDBC數(shù)據(jù)集進行診斷的精確率為97.5%，說明分類算法還存在優(yōu)化空間。探索在不增加模型訓(xùn)練時間的前提下，進一步提高分類精確率將作為下一步的研究方向。