發掘疾病和其風險因素關系的圖像方法探析

程文靜 劉燕美

【摘要】該文介紹了一種醫學數據分類研究中的圖像分析方法，它把概念模型，數據和分類方法有效地整合在了一起，涵蓋了完整的分類操作并采用了一系列圖形圖像和計算組件。通過案例研究展示了如何使用該系統尋找癌癥死亡率和一些可能存在的危險因素之間的關系。

【關鍵詞】醫學數據;分類;圖形圖像

1.引言

近年來出現的大量復雜的醫療衛生數據促進了醫學方面一些新設想的探索研究。在數據中發掘分類成了分析和展示有關健康問題和社會經濟因素之間關系中的關鍵一步。構造類別不僅需要分類方法和數據，還需要人類專業領域的知識。這是一個反復的，不斷學習的過程，研究者力求在數據，方法和概念知識中達到穩定的平衡。然而，大多數方法在這一過程中無法實現預期的效果，因為代表這三方面的工具，即概念知識，數據和分類方法，是在不同的軟件產品中實現的，彼此之間鮮有交互。因此，分析人員只能檢測結果的成功或失敗，卻很難發現問題所在。所以我們需要的是一個能整合這三個方面的模型，使分析人員在工作過程中能全面把握這三個方面，從而發現醫學數據和社會經濟因素之間確定的關系或模式。研究表明，可視化圖像是人和計算組件之間的有效接口，能幫助人們反復分析數據樣本，結合固有的知識顯示分類，找出存在的問題。在這樣的組件中，數據和關系可以通過圖形圖像來表達和解釋，使整個研究過程步驟清晰且高效。

2.解決方案

本文介紹了一種基于可視化界面的方法，它由賓夕法尼亞大學的研究人員發明[1]，把數據研究，分類方法與關系的概念化結合了起來，連接了以下四個步驟：1）創建，瀏覽和修改概念模型。2）選擇概念進行特定的分析。3）從出現的結構中挖掘數據以明確地表達概念。4）根據結果中出現的新關系動態地修改概念。具體來說，用戶首先基于自己的專業知識在conceptvista中構建初始關系的概念圖，conceptvista是一種基于TouchGraph可視化工具包的動態概念圖畫圖工具[4]。然后將數據在不同的視圖工具中（如平行坐標圖，散點圖和等值線圖）從屬性和地理空間兩方面進行分析，尋找屬性之間的關系，這也可以通過以上可視化工具的交互來實現。由此用戶可以從中選擇選擇恰當的屬性和適當的方法來修正舊的知識模型并構造出一個新的概念模型。

3.案例研究

3.1 數據和研究區域

研究組選定美國阿巴拉契亞山區為研究區域，那里的癌癥死亡率高于美國全國平均水平。該區域包含156個郡，涵蓋了肯塔基州和賓夕法尼亞州部分區域和整個西弗吉尼亞州。數據集包含了如人口數量，種族，性別等屬性。

一般來說，人們認為較高的癌癥死亡率與缺乏發現和預防知識以及未能及時治療有較大關系。此外，低收入，落后的教育水平，高失業率等社會經濟因素也被認為可能對公眾健康造成負面影響。根據以上因素首先構造出關系概念圖，如圖1所示，它是以貧困和高死亡率有關，富裕和低死亡率有關的猜想為基礎的，由此開始分析具體數據來對乳腺癌和宮頸癌做研究。

3.2 癌癥數據和風險因素的分類挖掘

挖掘是一個反復的學習過程，該集成系統從知識驅動和數據驅動兩種方法中都汲取了優點，使分析人員可以在概念，數據和分類方法三方面無縫切換。根據癌癥死亡率的高低研究區域被分為三類，即低，中，高，在區域等值線圖中用三種顏色表示了出來，如圖2所示。

圖1 乳腺癌和貧困及相關因素的原始概念圖

圖2 1970-1994該區域乳腺癌死亡率的分類等值線圖

可以看到，賓夕法尼亞（上部）的大部分地區被紫色和淺紫色標記，而肯塔基州（下部）和西弗吉尼亞州（中部）的許多郡被淺紫色和灰色標記。這種模式表明，乳腺癌死亡率較高的郡大都集中在賓夕法尼亞，而在肯塔基和西弗吉尼亞州的郡中乳腺癌死亡率居中或較低。

接下來探討產生這種分布的原因。根據較高的癌癥高死亡率與較低的社會經濟地位有關的假設，添加一個變量“人均收入”，由此生成一個二維圖，如圖3所示，兩個變量乳腺癌死亡率和人均收入分別用紫色和綠色表示。

圖3 由乳腺癌死亡率和人均收入生成的分類等值線圖

根據兩個變量的值，把156個郡分為九類，即低低，低中，低高，中低，中高，高低，高中，和高高。標記為深灰色的縣同時具有較高的乳腺癌死亡率和人均收入。顯然，人均收入高的郡縣同樣大都集中在賓夕法尼亞，低收入和低乳腺癌死亡率的郡（淺灰色）集中在西弗吉尼亞和肯塔基。這種結果說明乳腺癌的死亡率與收入是正相關的，也就是說，在這一地區，貧困誘發高癌癥死亡率的猜測并不夠準確，至少在乳腺癌方面是這樣。

在上述方法中只同時分析了兩個變量，如果要分析它們和其他潛在的風險因素之間的關系，如教育，衛生服務等，還需要在系統中應用其他的工具，如電子表格，平行坐標圖（PCP），散點圖，散點圖和地圖的矩陣等。電子表格可以列出所有的數字格式的數據;PCP顯示平行軸的所有變量的值;散點圖顯示一對變量的屬性值;等值線圖觀測地理位置的分類。這些工具的功能優勢被結合起來應用在系統中。

在這個案例中共有四十六個變量，包括各種與癌癥死亡率可能相關的社會經濟因素，如人口，人均收入，租金，教育情況，吸煙，肥胖，等等。電子表格可以列出所有的數據集，但是很難從表中大量的普通數字中發現有用的模式。

從所有變量中選出四個，乳腺癌死亡率、宮頸癌死亡率，以及它們的社會經濟風險因素，表示在一個散點圖和地圖矩陣中（圖4）。每對變量的關系可以分別從散點圖中的兩個屬性空間和地圖中直觀地顯示出來。紅色線條是回歸線，表示屬性相關性的R值顯示在散點圖的每個面板上部?？さ念伾缮Ⅻc圖顯示的變量二維分類結果決定，共有九種，每種代表一個二元分類。用淺紫色標識的郡在X軸表示的變量中有較高的值，在Y軸表示的變量中有較低的值。用淺綠色標識的郡在Y軸表示的變量中有較高的值，在X軸表示的變量中有較低的值。在兩個變量中都有相對較高值的郡用深灰色表示，在兩個變量中都有相對較低值的郡用淺灰色表示。

圖4 四個變量顯示在散點圖和地圖矩陣中

每一個散點圖可以表示出坐標軸兩個變量的相關性并給出其置信度，可以是正相關（上升），負相關（下降），或0（不相關）。如果散點的分布回歸線是從左下到右上的模式，表明兩個變量呈正相關;如果是從左上到右下的模式，表明兩個變量呈負相關。R值表示了相關的置信度。右上方的紅色虛線框中是宮頸癌和乳腺癌死亡率變量的散點圖。這兩個變量之間的相關系數是為-0.042，表示一個弱的負相關，這表明宮頸癌死亡率較高的郡的乳腺癌的死亡率相對較低。

再觀察左下方紅色虛線框中對應的等值線地圖。紫色表示具有相對較高的乳腺癌死亡率與較低的宮頸癌死亡率的郡，主要集中在賓夕法尼亞州。淺綠色表示具有較高的宮頸癌死亡率和較低的乳腺癌死亡率的郡，主要集中在西弗吉尼亞州和肯塔基州。

如果需要研究局部區域，可以很容易地在散點圖中通過拖動虛線框選擇區域。選擇出來的子區域會同時在其他的工具（如地圖）中顯示出相應的視圖部分，這樣就實現了不同工具之間的交互功能。

通過同樣的方式可以對其他因素進行分析。根據整體的最終結果，可以修訂出一個新的表示癌癥死亡率和社會經濟地位關系的概念圖。最初的概念圖是構建在高癌癥死亡率與低社會經濟地位有關的猜想上的。但是結果顯示，雖然宮頸癌死亡率與社會經濟因素呈負相關，但是乳腺癌死亡率卻與社會經濟地位有一定正相關的關系。衛生服務條件也被從危險因素中去除，因為結果顯示，醫患百分比，醫院數量與人口數量的百分比與癌癥死亡率并沒有明顯的關系。

4.結論

從案例研究中可以看到，該系統提供了交互式數據圖像和分類方法，來發掘癌癥死亡率及其危險因素之間的關系。最初的關系概念可以在數據發掘的過程中逐步被修訂。所以說，針對醫學數據研究的多維特性，圖像集成工具是一個很好的選擇，它使研究過程變得明了且高效。

參考文獻

[1]Dai，X.：“Visualization based approach for exploration of health data and risk factors”，In Proc.of：GeoComputation，Ann Arbor Mi，USA，on CD，2005.

[2]Carr，D.，Wallin，J.，and Carr，D.，2000，Two new templates for epidemiology applications：Linked micromap plots and conditioned choropleth maps.Statistics in medicine，19，2521-2538.

[3]系統可在以下地址查看GoeVista Studio http：//www.geovistastudio.psu.edu.

作者簡介：

程文靜（1983—），女，河南新鄉人，碩士，鄭州航空工業管理學院助教，研究方向：數據知識工程。

劉燕美（1986—），女，河南新鄉人，碩士，鄭州航空工業管理學院助教，研究方向：計算機系統結構。