聚類算法在醫(yī)療大數(shù)據(jù)上的應(yīng)用研究

王艷娥 張拓 楊倩

摘要：隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，醫(yī)療大數(shù)據(jù)的研究也成為我國醫(yī)療建設(shè)的重要一環(huán)，聚類能夠挖掘出醫(yī)療大數(shù)據(jù)中潛在隱藏的信息，協(xié)助醫(yī)生、醫(yī)療管理部門、科研所進行有效工作。研究分析聚類算法K-means和K-medoids在醫(yī)療大數(shù)據(jù)的應(yīng)用，從優(yōu)化聚類算法降低時間復(fù)雜度、對高維醫(yī)療大數(shù)據(jù)進行特征提取降低維度、通過并行處理平臺加速醫(yī)療數(shù)據(jù)的處理速度方面出發(fā)，闡明聚類算法在醫(yī)療大數(shù)據(jù)的數(shù)據(jù)預(yù)處理、數(shù)據(jù)分類、疾病預(yù)測等方面都廣泛的應(yīng)用。隨著并行處理平臺的建設(shè)，聚類算法在醫(yī)療大數(shù)據(jù)的應(yīng)用也將越來越廣泛。

關(guān)鍵詞：聚類算法;K-means;K-medoids;醫(yī)療大數(shù)據(jù)

中圖分類號：TP181 文獻標(biāo)識碼：A

文章編號：1009-3044（2020）12-0012-02

1聚類與醫(yī)療大數(shù)據(jù)

聚類是數(shù)據(jù)挖掘中無監(jiān)督學(xué)習(xí)分析數(shù)據(jù)常用的方法之一，通過聚類能夠挖掘出數(shù)據(jù)集中隱藏的內(nèi)在的聯(lián)系。醫(yī)療大數(shù)據(jù)的研究是我國醫(yī)療健康必經(jīng)之路，通過聚類對醫(yī)療大數(shù)據(jù)進行分析，有效挖掘其隱藏的關(guān)聯(lián)為臨床診斷和醫(yī)療研究等提供有效的信息。根據(jù)聚類原理的不同，聚類可分為層次聚類、劃分式聚類、基于密度聚類和基于模型的方法，其中劃分式聚類算法因為原理簡單易于實現(xiàn)得到廣泛的應(yīng)用。劃分式聚類算法是按照相似性和相異性原則將數(shù)據(jù)集劃分為k類。采用劃分式聚類算法分析數(shù)據(jù)時需要提前知道數(shù)據(jù)集的類數(shù)k，初始情況下，隨機選擇k個數(shù)據(jù)作為初始聚類中心，再按照相似行原則將其余數(shù)據(jù)劃分給不同的類，然后根據(jù)優(yōu)化目標(biāo)重新選擇新的聚類中心，直到滿足給定的條件為止。K-means算法和K-medoids算法是劃分式聚類算法的典型代表，其中K-means算法因為運行速度快，在醫(yī)療大數(shù)據(jù)的應(yīng)用中得到廣泛的應(yīng)用，K-medoids算法對噪聲點的處理具有較好的效果也得到廣泛的應(yīng)用。原理簡單、易實現(xiàn)得到廣泛的應(yīng)用。

1.1聚類算法

K-means算法和K-medoid算法的算法原理基本相同。K-means算法原理是隨機選擇K個數(shù)據(jù)點作為初始聚類中心，再根據(jù)相似性原則進行分類，使用同類數(shù)據(jù)的均值作為新的聚類中心，如此不斷迭代，直到滿足聚類目標(biāo)結(jié)束。K-medoids算法原理也是隨機選擇K個數(shù)據(jù)作為初始聚類中心，再根據(jù)相似性原則進行分類，使用同類中的最接近中心的實際數(shù)據(jù)作為初始聚類中心，直到滿足聚類目標(biāo)結(jié)束。兩者的相同點是聚類前需要提前告知聚類的類數(shù)K，且初始聚類中心都是隨機選擇。不同點在是K-means算法在迭代聚類中心是選擇的是同類數(shù)據(jù)的均值，從而導(dǎo)致噪聲點對聚類結(jié)果的影響大。K-medoid算法在迭代聚類中心是選擇的是實際的數(shù)據(jù)，使得噪聲點的影響較小。傳統(tǒng)的K-means算法和K-medoids算法因為其缺陷，往往不直接應(yīng)用在數(shù)據(jù)處理中，很多研究學(xué)者將這兩種算法進行優(yōu)化，再將其使用在醫(yī)療大數(shù)據(jù)中。

1.2醫(yī)療大數(shù)據(jù)

醫(yī)療大數(shù)據(jù)是大數(shù)據(jù)的一種，具有大數(shù)據(jù)的4V特性：Volume體量大、velocity實時性、variety多樣性、veracity不確定性。醫(yī)療大數(shù)據(jù)的研究對我國臨床醫(yī)療、藥物研究、健康醫(yī)療和基因研究都有著重要的作用。2018年國家衛(wèi)生健康委印發(fā)了《國家健康醫(yī)療大數(shù)據(jù)標(biāo)準(zhǔn)、安全和服務(wù)管理辦法（試行）》，對醫(yī)療健康大數(shù)據(jù)行業(yè)從規(guī)范管理和開發(fā)利用的角度出發(fā)進行規(guī)范。據(jù)前瞻產(chǎn)業(yè)研究院發(fā)布的《中國醫(yī)療信息化行業(yè)市場前瞻與投資戰(zhàn)略規(guī)劃分析報告》統(tǒng)計數(shù)據(jù)顯示截止至2017年我國醫(yī)療信息化市場規(guī)模為448億元，同比增長17.59%。預(yù)測2019年我國醫(yī)療信息化市場規(guī)模將接近600億元。醫(yī)療大數(shù)據(jù)的研究是未來研究的熱點內(nèi)容。

關(guān)于醫(yī)療大數(shù)據(jù)的研究復(fù)雜性主要也是從大數(shù)據(jù)的4V特性出發(fā)。聚類算法在醫(yī)療大數(shù)據(jù)的應(yīng)用涉及醫(yī)療圖像處理、醫(yī)療費用分析、疾病預(yù)測、醫(yī)療數(shù)據(jù)關(guān)鍵性的特征提取等方面。

2聚類算法在醫(yī)療大數(shù)據(jù)中的應(yīng)用

使用聚類算法在處理醫(yī)療大數(shù)據(jù)集，主要的問題是醫(yī)療數(shù)據(jù)體量大。但隨著數(shù)據(jù)并行處理的不斷發(fā)展，對于醫(yī)療大數(shù)據(jù)的可計算問題主要從串行處理和并行處理出發(fā)。其中串行處理主要從優(yōu)化聚類算法提高算法的減少算法運行的時間復(fù)雜度或者通過分析醫(yī)療大數(shù)據(jù)的屬性，進行特征提取方法減少醫(yī)療大數(shù)據(jù)的體量，然后進行聚類等;并行處理主要在hadoop環(huán)境性使用Mapreduce、spark或者storm計算框架進行并行處理，實現(xiàn)對醫(yī)療大數(shù)據(jù)的聚類分析。

2.1基于串行處理的聚類算法在醫(yī)療大數(shù)據(jù)中的應(yīng)用

文獻[3-9]通過對聚類算法進行優(yōu)化，提高算法的運行速度。文獻[3]將優(yōu)化的k-means算法和K-medoids算法應(yīng)用在紅斑鱗狀皮膚病的數(shù)據(jù)中，在提高聚類算法運行速度的同時提高分析的精確度，分析效果良好。文獻[4]將優(yōu)化的K-means算法應(yīng)用在檢測膽固醇高低的真實數(shù)據(jù)集中，優(yōu)化的k-means算法減少時間復(fù)雜度，使K-means算法應(yīng)用在醫(yī)療大數(shù)據(jù)中，同時聚類效果良好。文獻[5]在癌胚抗原數(shù)據(jù)中采用優(yōu)化K-means算法，獲取有價值的診斷信息，協(xié)助癌癥的預(yù)測和防御。文獻[6]針對乳腺癌組織病理中的關(guān)鍵因素腺管密度進行分析，將k-means算法與隨機森林分類算法結(jié)合，能夠?qū)θ橄侔┑淖詣臃诸愡_到較優(yōu)的效果。文獻[7]針對醫(yī)學(xué)圖像中含有重要信息的孤立節(jié)點，通過聚類算法將醫(yī)學(xué)圖片進行分割，將相互孤立的結(jié)點轉(zhuǎn)換為直觀有價值的圖像區(qū)域，實現(xiàn)對孤立結(jié)點的處理，解決醫(yī)療圖像中因為疲勞而對影像出現(xiàn)的一些誤診，提高診斷的準(zhǔn)確率。文獻[8]將聚類算法K-means算法應(yīng)用在醫(yī)療費的分析中，分析出影響醫(yī)療費用的幾個關(guān)鍵因素，通過優(yōu)化關(guān)鍵因素，可以是醫(yī)療費用的使用更加合理有效。文獻[9]針對社會醫(yī)療保險欺詐行為，通過K-means算法建立醫(yī)保欺詐識別的有效模型，有效確認醫(yī)保中的欺騙行為。

醫(yī)療數(shù)據(jù)體量大的一個重要因素是很多醫(yī)療數(shù)據(jù)的維度很高，針對高維度的醫(yī)療大數(shù)據(jù)可以通過特征提取減少醫(yī)療數(shù)據(jù)的體量。文獻[10-12]通過使用聚類算法分析醫(yī)療大數(shù)據(jù)的屬性，針對預(yù)定的目標(biāo)分析出關(guān)系緊密的屬性，進行特征提取，從而減少醫(yī)療大數(shù)據(jù)的體量。文獻[10]針對醫(yī)療大數(shù)據(jù)中不同屬性具有不同的重要性，將部分對聚類結(jié)果沒有或有較少影響的屬性進行約簡，減少醫(yī)療大數(shù)據(jù)的維度，加快醫(yī)療大數(shù)據(jù)的處理速度，同時提高醫(yī)療大數(shù)據(jù)的處理精度。文獻[11]針對大腸早癌研究其診斷方法，通過分析數(shù)據(jù)特征、數(shù)據(jù)預(yù)處理、訓(xùn)練數(shù)據(jù)和分類預(yù)測等方面進行研究，在數(shù)據(jù)特征提取這方面先對聚類算法進行優(yōu)化，再將優(yōu)化的算法應(yīng)用于數(shù)據(jù)集的特征提取中，取得較好效果。文獻[12]針對醫(yī)療大數(shù)據(jù)的高維度，將聚類算法K-means與粗糙集進行結(jié)合，實現(xiàn)醫(yī)療大數(shù)據(jù)的特征提取，并將算法應(yīng)用在乳腺癌數(shù)據(jù)集中，取得良好的效果。

2.2并行處理平臺下聚類算法在醫(yī)療大數(shù)據(jù)上的應(yīng)用

文獻[13-15]是基于Hadoop平臺或Spark平臺下，對k-means算法或k-medoids算法進行優(yōu)化，處理醫(yī)療大數(shù)據(jù)。文獻[13]針對我國醫(yī)療質(zhì)量評價體系存在的問題，基于X-means進行優(yōu)化建立Hadoop平臺，在面對大量醫(yī)療數(shù)據(jù)時能夠快速分析和提高醫(yī)療質(zhì)量評價的精確度。文獻[14]針對K-means算法在Hadoop平臺上許多次遍歷所有數(shù)據(jù)問題，提出優(yōu)化的M+Kmeans算法，該算法對所有數(shù)據(jù)秩序遍歷一次，從而加快算法的運行時間，便于醫(yī)療大數(shù)據(jù)的處理。文獻[15]構(gòu)建Hadoop平臺，在該平臺上對K-means算法進行優(yōu)化，降低算法時間復(fù)雜度、提高算法精確度，使之能夠?qū)Ａ康臄?shù)據(jù)進行分析和處理。隨著并行處理技術(shù)的不斷發(fā)展和平臺建設(shè)的不斷完善，基于并行處理醫(yī)療大數(shù)據(jù)的聚類算法將會越來越多。

3應(yīng)用展望

聚類算法能夠有效挖掘醫(yī)療大數(shù)據(jù)中隱藏的重要信息。隨著國家對醫(yī)療數(shù)據(jù)的標(biāo)準(zhǔn)化、醫(yī)療大數(shù)據(jù)平臺的不斷建設(shè)，聚類算法在并行化處理平臺上的應(yīng)用將是未來研究的熱點。