基于智能醫療的診斷大數據自動分析系統研究

劉志先

摘? 要： 針對原有診斷大數據自動分析系統運行效率低下的問題，提出基于智能醫療的診斷大數據自動分析系統研究，優化系統硬件，增加擴展功能板，設置二級轉換，保證電壓的穩定輸出。基于智能醫療，搭建診斷大數據自動分析系統框架，判斷數據可信度，利用數據質量評估算法，完成基于智能醫療的診斷大數據自動分析系統設計。實驗結果表明，所設計系統與原有系統相比，運行時長縮短了56%左右，其運行效率得到大幅度提升，為患者與醫護人員提供更好的服務。

關鍵詞： 診斷大數據; 自動分析系統; 智能醫療; 系統設計; 數據處理; 性能測試

中圖分類號： TN919?34; TP311.13? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）10?0184?03

Research on diagnosis big data automatic analysis system based on intelligent medicine

LIU Zhixian

（School of Electronic and Information Engineering， Beibu Gulf University， Qinzhou 535011， China）

Abstract： In allusion to the low operating efficiency of the original diagnosis big data automatic analysis system， a research of diagnosis big data automatic analysis system based on intelligent medicine is proposed. The system′hardware is optimized， extended function board is added， and the secondary transformation is set， so as to ensure the stable output of voltage. The framework of automatic analysis system for diagnosis big data is built based on intelligent medicine to judge the data reliability， and the design of diagnosis big data automatic analysis system based on intelligent medicine is completed by means of the data quality evaluation algorithm. The experimental results show that， in comparison with the original system， the running time of the designed system is reduced by 56%， and its running efficiency is greatly improved， which provides better services for patients and medical workers.

Keywords： diagnosis data analysis; automatic analysis system; intelligent medicine; system design; data process; performance test

0? 引? 言

隨著信息通信技術的發展，以及信息感知方式的變化，傳統的醫療模式與健康服務模式已經發生改變，將患者的情況轉化成數據信息成為發展趨勢[1]。將醫學建立在數據分析的基礎上，利用科技手段作為輔助，通過患者的電子病歷以及健康檔案，及時準確地了解患者的情況。巨大的醫療數據平臺將成為疾病診治最好的助手[2?3]。因原有診斷大數據自動分析系統運行效率低下，提出基于智能醫療的診斷大數據自動分析系統研究。

1? 硬件設計

為了滿足當前智能醫療系統對于診斷大數據自動分析領域的硬件需求，在原有硬件設施的基礎上，優化存儲模塊電路，使存儲模塊能夠在處理復雜數據的情況下保持正常運行。

1.1? 系統硬件總體結構

診斷大數據的自動分析系統是在核心控制板上擴展設計的，核心控制板與擴展功能板通過FMC接口連接，其中核心控制板上主要包括FPGA時鐘以及相關電路[4?5]，在擴展板上完成對其原有硬件的優化設計。系統硬件總體結構如圖1所示。

1.2? 存儲模塊電路設計

由于處理的數據較為復雜，整個數據存儲模塊需要多種供電電壓[6?7]。主控芯片所需要的核電壓為1.2 V，輔助電壓為1.5 V，對外輸入所需要的電壓為28 V，數據接口電路所需要的電壓為3.3 V。為此將存儲模塊的電壓轉換處理，由于大多電源轉換芯片所允許輸入的電壓值小于28 V，無法在一次轉換內全部完成，為此設置二級轉換。首先將28 V高電壓轉換成較為穩定的5 V電壓，再將5 V電壓轉換成其他所需要的電壓值[8?9]。在轉換器模塊前端，設置濾波模塊，隔離噪聲，使電壓輸出更加穩定。

2? 軟件設計

在系統硬件平臺搭建完成后，在其基礎上設計基于智能醫療的診斷大數據自動分析系統軟件部分。

2.1? 數據可信度判斷

對于診斷大數據自動分析而言，數據的可信度評估是必不可少的。判斷數據的真實性以及可信程度，利用層次分析法將評估結果綜合化，保證大數據自動分析所得結果準確[10]。

首先將所收集到的信息數據導入至數據庫，篩選數據庫中的數據信息，將其中的數據質量劃分為5個維度。針對每個不同的維度數據，設置不同的評估規則，分析數據庫中的哪些數據將會對數據的整體質量產生影響，并優先評估對其質量影響比重較大的數據信息[11?12]。完成初步評估后，將可信度較低的數據從數據庫中移除，確定數據質量的5個維度及其相應占比，并結合實際情況，合理設置5個維度的評估規則。以此為基準，評估數據質量，綜合每個維度的評估結果，得到最終的可信度評估結果。

利用定性預測類方法，確定所得結果的準確性，將所得結果分為4類，分別為：將正類預測為正類數;將正類預測為負類數;將負類預測為正類數;將負類預測為負類數。其準確率如下：

[P=TPTP+FP]? ? （1）

式中：[TP]為將正類預測為正類數;[FP]為將負類預測為正類數。則不可信數據的召回率如下：

[R=TPTP+FN]? ? （2）

式中，[FN]為將正類預測為負類數。根據式（1）與式（2）能夠得到準確率和召回率的調和平均值為：

[F=2TP2TP+FP+FN]? ? （3）

根據上述計算分析其可信度，得到可信數據集，計算不同維度指標的數據質量，其數據質量評估算法的部分代碼如下：

int addition（）;

{

Trust_analyse（S）;? ? ? ? ? ? ? ? ? ? ? ? ? ?//分析數據集可信度

END FOR

Delete_untrust（S）;? ? ? ? ? ? ? ? ? ? ? ? ? ? ?//移除不可信數據

Return;

}

至此得到數據可信度的評估結果，并在此基礎上，利用Hadoop分布式基礎架構，構建基于智能醫療的診斷大數據自動分析模型。

2.2? 基于智能醫療的診斷大數據處理模式轉換

大規模數據分析系統的數據處理需要借助Hadoop分布式系統基礎架構，采用主從式結構，由命名節點管理文件系統，維護信息列表，由數據節點負責信息的存儲以及用戶讀/寫請求的響應。其具體情況如圖2所示。

根據圖2運行過程，生成基于智能醫療的大數據自動分析模板，對采集到的大規模數據查詢與分析。至此，完成基于智能醫療的診斷大數據自動分析系統研究，為驗證該系統性能，設計仿真實驗。

3? 系統性能測試

為了驗證基于智能醫療的診斷大數據自動分析系統的有效性，對比原有的系統，進行對照實驗。

3.1? 性能測試過程

該性能測試實驗選擇在某知名醫科大學的附屬醫院網絡中心內部完成。由于該實驗過程所需的數據傳輸工作量較大，為此需要利用磁盤陣列存儲平臺，實現醫療服務器的存儲擴容，并利用光纖交換機，完成各實驗設備間的數據交換，其拓撲結構如圖3所示。

實驗采用100萬條某慢性病的臨床處方數據，同時運行所設計的分析系統與原有系統，對比兩者在數據關聯分析時的所用時長，得出對比結果。

3.2? 測試結果分析

原有系統與所設計系統進行對比實驗，得到具體對比結果如圖4所示。

從圖4中能夠看出，所設計系統的運行時長與原有系統相比，明顯縮短，具體運行效率差異如表1所示。

由表1中的數據能夠得到，在測試樣本數相同的情況下，原有系統的運行時長在30～36 s的范圍之間，其運行速度較為緩慢，不能在短時間內完成大數據的自動分析，不可精準查到所需要的信息數據，無法滿足醫護人員以及患者的需求;所設計的系統運行時長穩定在12～18 s的范圍內，與原有系統相比，運行時長縮短了56%左右，其運行效率得到穩定提升。由此可見，所設計的系統能夠準確快速地完成診斷大數據的自動分析，優化了用戶的使用體驗。

4? 結? 語

結合目前各大醫院的實際情況，設計基于智能醫療的診斷大數據自動分析系統。該系統實施成本低，數據分析準確，可擴展性能強，優化了原有系統的一系列問題，希望能夠為醫護人員在臨床診斷中提供支持，促進各大醫院的智能信息化建設發展，為相關領域的研究提供理論依據。

參考文獻

[1] 俞思偉，范昊，王菲，等.基于知識圖譜的智能醫療研究[J].醫療衛生裝備，2017，38（3）：109?111.

[2] 高奇琦，呂俊延.智能醫療：人工智能時代對公共衛生的機遇與挑戰[J].電子政務，2017，12（11）：11?19.

[3] 曹艷林，王將軍，陳璞，等.人工智能對醫療服務的機遇與挑戰[J].中國醫院，2018，22（6）：33?36.

[4] 韋哲，薛翔，王能才.人工智能在糖尿病診斷中的應用[J].中國醫學裝備，2017，14（12）：142?145.

[5] 翁銘，鄭博，吳茂念，等.基于深度學習的DR篩查智能診斷系統的初步研究[J].國際眼科雜志，2018，18（3）：568?571.

[6] 趙一鳴，左秀然.PACS與人工智能輔助診斷的集成應用[J].中國數字醫學，2018，13（4）：20?22.

[7] 張濤，郝曉玲，張玥杰，等.基于BP?AsymBoost的醫療診斷模型[J].系統工程理論與實踐，2017，37（6）：1654?1664.

[8] 王博超，張新峰.基于人工智能和臨床診斷的上肢康復評估方法研究進展[J].北京生物醫學工程，2018，37（1）：103?108.

[9] 冷喜武，陳國平，白靜潔，等.智能電網監控運行大數據分析系統總體設計[J].電力系統自動化，2018（12）：166?172.

[10] 李云婷，嚴京海，孫峰，等.基于大數據分析與認知技術的空氣質量預報預警平臺[J].中國環境管理，2017，9（2）：31?36.

[11] 余英，郭镥，鄧琨，等.用電采集數據分析和智能監測系統中大數據分析的設計研究[J].自動化與儀器儀表，2017，19（5）：162?163.

[12] 廖亮，虞宏霄.基于Hadoop的醫療大數據分析系統的研究與設計[J].計算機系統應用，2017，26（4）：49?53.