中醫(yī)證候研究的數(shù)據(jù)挖掘方法綜述

中醫(yī)證候研究的數(shù)據(jù)挖掘方法綜述

中醫(yī)證候信息的多模式特征是將其他領(lǐng)域的數(shù)據(jù)區(qū)分開來的最重要特征。這種多屬性模式也增加了中醫(yī)數(shù)據(jù)處理的難度。許多證候信息的表達(dá)本身就具有不確定性和模糊性的特點(diǎn),證候信息所體現(xiàn)出的客觀不完整和描述疾病的主觀不確切,形成了中醫(yī)證候信息的復(fù)雜性。數(shù)據(jù)挖掘技術(shù)善于從海量數(shù)據(jù)中發(fā)現(xiàn)隱含的有意義的知識,預(yù)測未來趨勢及行為,做出前瞻性的決策,正是這種優(yōu)勢使得數(shù)據(jù)挖掘技術(shù)在分析中醫(yī)證候的研究中被廣泛地采用并取得了許多有價值的成果。在數(shù)據(jù)挖掘之前必須對中醫(yī)證候信息進(jìn)行清理和過濾,將其變成適合挖掘的形式,以確保數(shù)據(jù)一致性。數(shù)據(jù)挖掘的基本步驟包括數(shù)據(jù)選擇、處理、轉(zhuǎn)換、采掘和解釋與評價幾個階段,目前應(yīng)用于中醫(yī)證候研究的數(shù)據(jù)挖掘方法主要有以下幾種:1數(shù)據(jù)項之間的關(guān)聯(lián)關(guān)聯(lián)規(guī)則(associationrules)是數(shù)據(jù)挖掘中最活躍的研究方法之一,最初提出的動機(jī)是針對購物籃分析問題,提出的目的是為了發(fā)現(xiàn)交易數(shù)據(jù)庫中不同商品之間的聯(lián)系規(guī)則,側(cè)重于確定數(shù)據(jù)中不同領(lǐng)域之間的關(guān)系,找出滿足給定條件下的多個域間的依賴關(guān)系。關(guān)聯(lián)規(guī)則挖掘?qū)ο笠话闶谴笮蛿?shù)據(jù)庫(TransationalDatabase),該規(guī)則一般表示式為:A1∧A2∧…Am?B1∧B2∧…Bn,其中,Ak(k=1,2,…,m),Bj(j=1,2,…,n)是數(shù)據(jù)庫中的數(shù)據(jù)項,有支持度(Support)(A?B)=P(A∪B),置信度(Confidence)(A?B)=P(A∪B),數(shù)據(jù)項之間的關(guān)聯(lián),即根據(jù)一個事務(wù)中某些數(shù)據(jù)項的出現(xiàn)可以導(dǎo)出另一些數(shù)據(jù)項在同一事務(wù)中的出現(xiàn)。張氏等收集了中醫(yī)古籍文獻(xiàn)中有名稱的中醫(yī)腎病治療方劑,并建立相應(yīng)的數(shù)據(jù)庫,然后應(yīng)用關(guān)聯(lián)規(guī)則挖掘算法對該數(shù)據(jù)庫進(jìn)行復(fù)方配伍規(guī)律的研究,以獲取能夠表達(dá)復(fù)方配伍的確定性知識和隨機(jī)性知識。結(jié)果發(fā)現(xiàn)在治療腎病時有各藥味同時出現(xiàn)的模式,因此在一定程度上該結(jié)果更能體現(xiàn)出中藥復(fù)方配伍的科學(xué)內(nèi)涵。在中醫(yī)證候的研究中,由大量的中醫(yī)癥狀、舌脈表現(xiàn)組成的數(shù)據(jù)庫相當(dāng)繁雜,關(guān)聯(lián)規(guī)則可以尋找出相關(guān)聯(lián)的各個數(shù)據(jù),當(dāng)某些癥狀總是同時出現(xiàn)時,我們可以從中找出某種證型規(guī)律,甚至是病機(jī)規(guī)律。當(dāng)然,其缺陷在于觀測癥狀、證候與實(shí)驗(yàn)室指標(biāo)之間的關(guān)聯(lián)關(guān)系時不足以反映臨床實(shí)際,比如口干這個癥狀與心電圖正常這個指標(biāo)有關(guān)聯(lián)關(guān)系,但并不具有臨床意義。這里歸結(jié)于預(yù)處理數(shù)據(jù)的關(guān)聯(lián)規(guī)則很多,而絕大多數(shù)對于中醫(yī)證候的研究者來說是沒用的。為了在建模過程中提高模型在實(shí)際應(yīng)用中的準(zhǔn)確性,通常我們用最小支持度、最小置信度和興趣度來衡量關(guān)聯(lián)規(guī)則,只有支持度和置信度分別大于指定的最小值的關(guān)聯(lián)規(guī)則,才是符合要求的關(guān)聯(lián)規(guī)則模型,需要注意的是最小支持度和置信度的設(shè)定是由專家或?qū)＜胰后w設(shè)定的,這里又不可避免地加入了研究者的主觀性。興趣度(interesting)=P(條件和結(jié)果)/P(條件)P(結(jié)果)。當(dāng)興趣度大于1的時候,這條規(guī)則就是比較好的,當(dāng)興趣度小于1的時候,這條規(guī)則就是沒有很大意義的。興趣度越大,規(guī)則的實(shí)際意義就越好。2集對分析處理不確定性理論的特色不確定性是自然界和人類社會中普遍存在的一種客觀現(xiàn)象,也是中醫(yī)藥學(xué)的主要特點(diǎn)之一,目前不確定性的研究已經(jīng)逐漸被提高到很重要的位置。集對分析(setpairanalysis,SPA)是一種用聯(lián)系數(shù)a+bi+cj統(tǒng)一處理由于模糊、隨機(jī)、中介和信息不完全所致不確定性的系統(tǒng)理論和方法,很可能會成為處理中醫(yī)藥不確定性的捷徑,將很大程度地推動證候規(guī)范化和中醫(yī)藥客觀化的實(shí)現(xiàn)。集對分析的特點(diǎn)是對客觀存在的種種不確定性給予客觀承認(rèn),并把確定性與不確定性作為一個既確定又不確定的同異反系統(tǒng)進(jìn)行辨證分析和數(shù)學(xué)處理。集對分析處理不確定性理論的特色在于:①對不確定性給予“客觀承認(rèn)”;②把確定性與不確定性作為一個系統(tǒng)進(jìn)行處理和分析;③從系統(tǒng)層次的觀點(diǎn)認(rèn)識不確定性的本質(zhì),微觀層次上的不確定性不能隨便確定;④不確定性以及不確定性系統(tǒng)不能孤立地存在;⑤集對分析中的不確定性理論也適用于對確定性問題的研究。歸納起來,集對分析對不確定性的處理思路可以簡要地概括為“客觀承認(rèn)、系統(tǒng)描述、定量刻畫、具體分析”。集對分析理論用于中醫(yī)數(shù)據(jù)挖掘的優(yōu)勢是對不確定性采取了與某些不確定性理論不同的處理方法,就是不像以往那樣一味地去把不確定性轉(zhuǎn)化為確定性來加以研究,而是把不確定性與確定性作為一個系統(tǒng)來加以研究。借助對這個系統(tǒng)中確定性與不確定性相互依存、相互聯(lián)系、相互滲透,以及在一定條件下相互轉(zhuǎn)化過程的描述、分析、處理,來研究不確定性在具體條件下的取值規(guī)律。集對分析的不足之處在于對于不確定性的描述只能在系統(tǒng)層次上,而微觀層面的認(rèn)識還不能隨便確定,所以適用于對中醫(yī)宏觀問題的研究,而對于相對精細(xì)的問題則束手無策了。如果能夠和其他可以解決精確問題的方法結(jié)合,比如與粗糙集理論協(xié)同應(yīng)用,則有揚(yáng)長避短之效。3粗模擬和粗集考察中醫(yī)診斷的規(guī)律粗糙集理論(roughset),是繼模糊數(shù)學(xué)理論之后的又一種處理不精確和不確定問題的數(shù)學(xué)方法,是波蘭學(xué)者Z.Pawlak在80年代初提出來的。它是一種研究不完整數(shù)據(jù)、不確定知識的表達(dá)、學(xué)習(xí)及歸納的數(shù)學(xué)方法,為研究不精確數(shù)據(jù)的分析和推理、挖掘數(shù)據(jù)間的關(guān)系、發(fā)現(xiàn)潛在的知識提供了行之有效的工具。粗糙集理論認(rèn)為知識是對對象的分類能力,對于知識,可以用屬性和相應(yīng)的值來描述。粗糙集理論的出發(fā)點(diǎn)是知識的不可識辨關(guān)系。這意味著由于缺乏信息,不可能通過已有信息識辨對象,只能將不可識辨族作為知識的一部分來處理。確定規(guī)則就是某種證候診斷時的必要條件,可能規(guī)則就是可出現(xiàn)的癥狀和體征或檢查結(jié)果,這樣就在很大程度上避免了臨床醫(yī)生的主觀性和片面性,粗糙集理論認(rèn)為知識和概念可隨知識本身的發(fā)展而不斷擴(kuò)展和完善,從而使中醫(yī)證候診斷更加規(guī)范化、科學(xué)化。將粗糙集理論引入到中醫(yī)學(xué)中來,將為實(shí)現(xiàn)中醫(yī)診斷智能化提供一種方法。秦氏等利用粗糙集理論建立中醫(yī)診斷類風(fēng)濕的模型。具體方法是以患者一般情況、癥狀、體征(包括舌象、脈象)、物理檢查、實(shí)驗(yàn)室檢查結(jié)果為主要依據(jù),建立信息表(不是將其數(shù)據(jù)化),繼而利用差別矩陣法進(jìn)行屬性簡約與病例簡約,得到下近似集和上近似集,從而抽取中醫(yī)診斷的確定規(guī)則和可能規(guī)則。他還以該方法與模糊數(shù)學(xué)方法進(jìn)行了比較,前者的診斷正確率遠(yuǎn)遠(yuǎn)高于后者。粗糙集理論的優(yōu)勢在于它僅利用數(shù)據(jù)本身提供的信息,能搜索數(shù)據(jù)的最小集合,能從經(jīng)驗(yàn)數(shù)據(jù)中獲取易于證實(shí)的規(guī)則知識,它同時允許使用定性和定量的數(shù)據(jù)。并且與其他理論相結(jié)合,產(chǎn)生了大量的可以揚(yáng)長避短的科學(xué)方法。重要的是,粗糙集理論并不是把中醫(yī)癥狀單純看作一組數(shù)據(jù),而是將之看作是一種知識,然后運(yùn)用復(fù)雜的數(shù)學(xué)原理對之進(jìn)行知識自挖掘及學(xué)習(xí),故而能處理大量非線性的不精確的、模糊的數(shù)據(jù)。它避免了臨床醫(yī)生的主觀性和片面性,使其得出的概率不會因樣本量的大小而影響其判斷效果。此外,粗糙集理論的知識和概念不是固化的,隨著知識的深化,粗糙集理論也可以使中醫(yī)證候診斷更為準(zhǔn)確。4聚類分析技術(shù)聚類分析(clusteranalysis)方法有兩種分析策略,一種是對應(yīng)分析方法,這種方法的基本思想是盡量保留主要信息,放棄次要信息,所劃分出來的類別由于充分利用了數(shù)據(jù)的信息,而使分類更加合理,但由于這種方法理論的復(fù)雜性和計算上有一定的難度,應(yīng)用并不太廣泛。另一種較常用的方法叫系統(tǒng)聚類,系統(tǒng)聚類可以對指標(biāo)進(jìn)行分類,在證候研究中,由于變量間普遍存在多重共線性關(guān)系,系統(tǒng)聚類可以把證候變量按相似程度大小進(jìn)行歸類,具有共線性關(guān)系的變量經(jīng)聚類分析后歸到一類,從而達(dá)到降維的目的,消除共線性對回歸分析結(jié)果的影響,研究者可根據(jù)變量的情況選擇具有代表性的指標(biāo)進(jìn)行下一步研究。由于聚類分析是對整個樣本資料按指標(biāo)和樣品的相似程度進(jìn)行歸類,并不得出結(jié)論,故屬于探索性分析。袁氏等對67個腎虛癥狀變量的輕、中、重不同程度總積分進(jìn)行排序,對前20個癥狀進(jìn)行聚類分析,發(fā)現(xiàn)這20個癥狀的類群基本反映了腎虛證候的幾個主要方面。這20個腎虛癥狀經(jīng)過不同角度的聚類分析,其癥狀群落的結(jié)構(gòu)和關(guān)系與中醫(yī)理論的描述基本一致,為中醫(yī)診斷學(xué)中有關(guān)腎虛的癥狀結(jié)構(gòu)提供了科學(xué)的解釋。聚類的方法可以很容易地得出研究者所需的癥狀群或者數(shù)據(jù)群,并進(jìn)行簡單的一維解釋,聚類技術(shù)的根本問題是對兩個對象間距離和相異度度量的選擇,針對兩兩對象之間的“相似度”或“相異度”劃分不同類別。并不能從多維和多層次角度來全面分析數(shù)據(jù)并解釋數(shù)據(jù)中真正復(fù)雜結(jié)構(gòu),而中醫(yī)癥狀以及癥狀與證候之間的關(guān)聯(lián)性是非常復(fù)雜的,具有多維和多層次的復(fù)雜聯(lián)系,這可能是目前的聚類分析方法所無法解決的。所以聚類的方法在中醫(yī)證候的研究中,始終是一種輔助的手段。在統(tǒng)計學(xué)中,聚類分析和關(guān)聯(lián)規(guī)則一樣是屬于無指導(dǎo)學(xué)習(xí)(unsupervisedlearning)的范疇1,306,316,意即只能觀察特征,而沒有結(jié)果度量。5網(wǎng)絡(luò)層間關(guān)聯(lián)度人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork)的原理是通過模擬生物的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能,實(shí)現(xiàn)對各種信息的有效處理。它通常包含輸入層、輸出層以及一個或幾個隱含層,它的基本組成單位為神經(jīng)元。輸入層接受外界信號,不對其進(jìn)行加工和處理,直接將其引入神經(jīng)網(wǎng)絡(luò);隱含層位于網(wǎng)絡(luò)的輸入層和輸出層之間,可包括多層,對輸入的信息進(jìn)行處理并將處理后的信息傳給輸出層(或下一個隱含層);輸出層則輸出經(jīng)隱含層處理后的結(jié)果?？梢?人工神經(jīng)網(wǎng)絡(luò)不需要精確的數(shù)學(xué)模型,而是通過模擬人的聯(lián)想推理和抽象思維能力,來解決傳統(tǒng)自動化技術(shù)無法解決的許多復(fù)雜的、不確定性的、非線性的自動化問題。將此方法用于中醫(yī)證候量化診斷模型已經(jīng)有了初步的探索:將數(shù)據(jù)讓改進(jìn)的BP網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練,同時用錄入的原始數(shù)據(jù)讓改進(jìn)的BP網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練,用抽樣檢驗(yàn)的方法,采用相同的數(shù)據(jù)進(jìn)行證候診斷檢驗(yàn),檢驗(yàn)的結(jié)果是前者的證候診斷準(zhǔn)確率為94.47%,后者的證候診斷準(zhǔn)確率為61.1%,前者遠(yuǎn)高于后者,說明中醫(yī)證候特征矢量的提取,可以提高證候的診斷準(zhǔn)確率。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自組織性和容錯性,在醫(yī)學(xué)數(shù)據(jù)挖掘中得到了廣泛的應(yīng)用。因此,基于神經(jīng)網(wǎng)絡(luò)的中醫(yī)證候量化診斷模型研究,有可能為解決中醫(yī)證候診斷標(biāo)準(zhǔn)研究中癥狀權(quán)值難以明確的問題提供更為科學(xué)的方法與途徑。6運(yùn)用空間的方法計算中醫(yī)證素的證素及其屬性證素決策樹(decisiontree)根據(jù)不同的特征,以樹型結(jié)構(gòu)表示分類或決策集合,產(chǎn)生規(guī)則和發(fā)現(xiàn)規(guī)律,其思路是找出最有分辨能力的屬性,把數(shù)據(jù)庫劃分為多個子集,直到所有子集包含同一類型的數(shù)據(jù),最后得到的決策樹能對新的例子進(jìn)行分類。決策樹是發(fā)現(xiàn)概念描述空間的一種有效方法,也是許多歸納系統(tǒng)常采用的知識表示形式。劉氏用決策樹的方法做出2型糖尿病中醫(yī)證素及其下屬癥狀的模型,得出各證素的下屬癥狀及其對該證素的貢獻(xiàn)度,得出的糖尿病病性證素主要有:氣虛、陰虛、陽虛、熱盛、血瘀、痰、濕及濕熱等;病位證素主要有:脾、腎、肝。將決策樹方法運(yùn)用于2型糖尿病證素的研究,簡化了糖尿病氣虛和燥熱的現(xiàn)行診斷標(biāo)準(zhǔn),方便了臨床應(yīng)用。決策樹的主要優(yōu)點(diǎn)是描述簡單、分類速度快,特別適合大規(guī)模的數(shù)據(jù)處理。決策樹根據(jù)變量的值切分?jǐn)?shù)據(jù),應(yīng)用“if-then”語句組成一個體系結(jié)構(gòu)來分類數(shù)據(jù)。該方法的主要優(yōu)點(diǎn)是比神經(jīng)網(wǎng)絡(luò)更快也更易于理解。但是,其主要缺陷是,數(shù)據(jù)類型是不連續(xù)的或者必須歸為某類,這樣使得連續(xù)數(shù)據(jù)不得不轉(zhuǎn)換成一項數(shù)據(jù)類型,可能會導(dǎo)致有重要意義的數(shù)據(jù)點(diǎn)被刪除。此外,如果條件比較復(fù)雜時,“if-then”語句也會變得復(fù)雜。7svm的應(yīng)用支持向量機(jī)271,263(Supportvectormachine,SVM)可以擴(kuò)展到多類問題,本質(zhì)上是通過求解多個2分類問題。為每個類構(gòu)造一個分類器,而最終的分類器是最有優(yōu)勢的一個,SVM在許多其他有指導(dǎo)和無指導(dǎo)學(xué)習(xí)問題中具有廣泛的應(yīng)用。經(jīng)驗(yàn)表明它在許多實(shí)際學(xué)習(xí)問題中表現(xiàn)得很好。它允許擴(kuò)大的空間維數(shù)非常大,在某些情況下可能無窮大。支持向量機(jī)可以用于分子生物學(xué)中基因的分類、蛋白質(zhì)一級結(jié)構(gòu)的識別和預(yù)測蛋白質(zhì)亞細(xì)胞水平的分布等。SVM在醫(yī)學(xué)數(shù)據(jù)挖掘和醫(yī)學(xué)信息處理中的研究還處于起步階段。由于它在分類和回歸問題上的精確性以及對樣本維數(shù)不敏感,相信支持向量機(jī)在中醫(yī)的數(shù)據(jù)挖掘中也會得到更廣泛的應(yīng)用。支持向量機(jī)是基于統(tǒng)計學(xué)習(xí)理論、針對小樣本學(xué)習(xí)問題的一個理論框架,用于數(shù)據(jù)挖掘的最大優(yōu)勢在于:其計算復(fù)雜性與數(shù)據(jù)的維數(shù)不成正比,只和樣本的數(shù)量有關(guān),SVM對數(shù)據(jù)庫中模式分類的準(zhǔn)確率一般要高于神經(jīng)網(wǎng)絡(luò)。它的缺點(diǎn)在于對于維數(shù)非常大的數(shù)據(jù),看上去計算量可能變得讓人望而生畏,也許使用充足的基函數(shù)數(shù)據(jù)是可分的,但可能出現(xiàn)過分?jǐn)M合。8貝葉斯網(wǎng)絡(luò)技術(shù)的優(yōu)勢貝葉斯網(wǎng)絡(luò)(bayesnetwork)包括網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)集合兩部分。網(wǎng)絡(luò)結(jié)構(gòu)是個有向無環(huán)圖,由一個節(jié)點(diǎn)集合和一個節(jié)點(diǎn)間的有向邊集合組成,任意兩個節(jié)點(diǎn)間最多存在一條有向邊,貝葉斯網(wǎng)絡(luò)能夠利用簡明的圖形方式定性的表示事件之間復(fù)雜的因果關(guān)系或概率關(guān)系,在給定某些先驗(yàn)信息后,還可以根據(jù)條件概率表定量地表示這些關(guān)系的強(qiáng)度。王氏等應(yīng)用貝葉斯網(wǎng)絡(luò)的相關(guān)技術(shù)從474例病例的臨床數(shù)據(jù)中發(fā)現(xiàn)血瘀證的關(guān)鍵癥狀,定量計算這些癥狀對診斷的貢獻(xiàn)度,并建立血瘀證的診斷模型,用貝葉斯網(wǎng)絡(luò)的方法發(fā)現(xiàn)了血瘀證的7個關(guān)鍵癥狀,并定量計算其診斷貢獻(xiàn)度?；谶@些關(guān)鍵癥狀建立的簡單貝葉斯分類器模型對血瘀證診斷的準(zhǔn)確率達(dá)到96.6%。結(jié)果表明貝葉斯網(wǎng)絡(luò)技術(shù)適合于解決中醫(yī)定量診斷問題。它可以揭示眾多癥狀間以及癥狀與證候間的復(fù)雜關(guān)系,從中發(fā)現(xiàn)證候的主要癥狀和次要癥狀,并定量確定其診斷價值,有助于確定證候診斷的標(biāo)準(zhǔn)和規(guī)范。貝葉斯網(wǎng)絡(luò)學(xué)習(xí)技術(shù)能夠通過數(shù)據(jù)分析自動創(chuàng)建貝葉斯網(wǎng)絡(luò),具有以下優(yōu)點(diǎn):可以在更少的數(shù)據(jù)中學(xué)習(xí)到更準(zhǔn)確的模型,學(xué)習(xí)P(A)和P(B)比聯(lián)合概率分布P(AB)需要的