1、医学大数据分析策略与数据挖掘,讲座人：郭秀花 博士生导师 单 位：首都医科大学 日 期：2014年11月22日,1,2,提纲,中心概况,医学大数据及其分析策略,1,中心概况,2,数据挖掘软件及其实现方法,3,数据挖掘方法简介及其应用,3,医学大数据及其分析策略,大数据（Big Data）数据量规模巨大到无法通过人工，在合理时间内达到截取、管理、处理、并整理成为人类所能解读的信息。,4,模拟式存量,数字式存量,2000年以前大部分数据是analog data （模拟式数据）以书、报纸、录像带等存储。特点：数据量较小。 2000年以后digital data （数字式数据）大大增加以CD、DVD、
2、硬盘等存储。特点：数据量巨大。,2000年,Source: Researchers at the University of Southern California took four years - 1986, 1993, 2000 and 2007 - and extrapolated numbers from roughly 1,100 sources of information. Credit: Todd Lindeman and Brian Vastag/ The Washington Post,大数据时代的来临,5,6,医学大数据的应用意义,生物标志物识别,利用大数据识别有关疾病
3、发生、预后或治疗效果的生物标志物,组学研究,基因组学，表观组学，蛋白组学，代谢组学，糖基组学，等,环境因素，个体行为与各组学关联,7,公共卫生监测：,传染病监测、 慢性非传染性疾病及相关危险因素监测、 健康相关监测 群体性预防。,医学大数据的应用意义,8,健康管理：,通过可穿戴设备对个体体征数据的实时、连续监测提供个体化疾病预防和治疗方案,医疗协同和临床决策支持：,通过建立专用数据库，调用患者的基因数据、病历信息等大量医学参考数据，辅助疾病的诊断与治疗，实现个体化诊治原则,医学大数据的应用意义,9,可视化信息：,数据与信息图像、多媒体信息可视化，更清晰有效地传达与沟通大数据包含的生物医学信息。
4、,医学大数据的应用意义,10,在生物医学研究领域，大数据： 环境气象学数据 医学影像数据 基因、蛋白等组学数据 大型临床资料 复杂的生物和环境因素研究,生物医学大数据的只要特点：高维,11,过 去,假设驱动，收集数据，分析寻找答案 数据大多是结构化的，可以分析,现 在,数据驱动，挖掘寻找问题 数据多是非结构化的，难以分析。,科学问题处理方式,12,传统的多元统计方法难以处理和分析医学大数据 高维、非线性、非高斯等数据，采用数据挖掘方法，可以提供更高的预测精度。,常用的医学多元统计学应用受到制约,13,数据挖掘方法简介及其应用,14,数据挖掘概念,数据挖掘：是在从大量的数据中提取隐含的、事先未知
5、的，但又是潜在有用的信息和知识的过程。,14,大数据源,定义研究问题,模型应用,建立模型,模型评估,数据准备,提取数据,15,数据挖掘方法概述,肺结节良恶性的判定是CT图像诊断肺癌中的一个难点和关键点。在实际的临床中，肺癌被确诊时80%以上已属中晚期。,16,数据挖掘方法应用实例,矢状位,冠状位,轴状位,矢状位图像库 冠状位图像库 轴状位图像库,三正交位成像,应用实例,17,18,03 影像学 检查,CT图像 纹理,04,高维大数据库 （变量约1000，样本336例）,数据挖掘主要分类预测方法,19,19,各纹理产生30，40，50，60个子代（即纹理分别为420，560，700，840个）。
6、每个纹理子代分布为正态分布，均值和标准差与轴位CT图像均值相近； 设定每个纹理内部子代之间的相关系数为r=0.1，0.2，0.3，0.4; 分别产生2组数据，设定两组各个变量均值之间的差值为d(0.01-0.1)。,Monte Carlo模拟分析结果,20,20,Monte Carlo模拟分析结果,纹理相关系数为0.1时，840个纹理值各预测模型拟合结果,纹理相关系数为0.2时， 840个纹理值各预测模型拟合结果,21,21,22,支持向量机,支持向量机（Support Vector Machine, SVM）是美国Vapnik 教授于1963年提出的。在解决小样本、非线性和高维模式识别问题中
7、表现出许多优势，并在一定程度上克服了“维数灾难”和“过学习”等问题。在模式识别、回归分析、函数估计、时间序列预测等领域，都得到了长足的发展。,Vapnik,最优分类(超平)面,SVM的机理是寻找一个满足分类要求的最优分类超平面 ，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。,23,广义最优分类面,-,24,当线性不可分时，SVM的主要思想是将输人向量映射到一个高维的特征向量空间，并在该特征空间中构造最优分类面。,代替输入向量x，,则可以得到最优分类函数为：,25,Gaussian 核函数： Polynom核函数 Vanilladot线性核函数 双曲切线核函数 Lapla
8、cian 核函数 Bessel核函数,26,核 函 数,SVM中不同的内积核函数将形成不同的算法。,27,预测模型不同判别方法结果,投票法：选取多数类结果（例如：2个或者2个以上预测模型结果为恶性）作为最后病例的预测结果； 并联法：只要有一个预测模型结果判断为恶性，此病人最终判断为恶性结果，否则为良性； 串联法：只有3个预测模型同时判断为恶性，此病人最终判断为恶性结果，否则为良性； 综合法：合并轴状位、冠状位、矢状位数据集，建立一个预测模型，其结果作为最终结果。,病例基本信息分析结果,良恶性病例人口学特征分析,不同评价方法支持向量机预测模型结果,29,利用病例人口学特征、环境遗传信息和结节形态
9、学信息等综合性信息，建立支持向量机预测模型。,基于人口学、环境遗传和结节形态学信息建立预测模型结果,结论：基于三正交位CT图像，结合多方面信息，采用大数据支持向量机分类分类预测方法，可以有效提高肺癌诊断正确率，辅助放射科医生进行辅助诊断肺癌。,32,数据挖掘软件及其实现方法,33,Your text,R是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。,R是一个有着统计分析功能及强大作图功能的软件系统，是由奥克兰大学统计学系的Ross Ihaka和Robert Gentleman共同创立。,在R的官方网址上，选择网站镜像http:/cran.r-project.org/mirrors
10、.html,2,R软件,3,1,R软件,R编辑器：编辑程序选择运行,R Console：运行过程提示错误等,http:/www.r-project.org/,34,支持向量机R语言实现,library(kernlab) /加载支持向量机程序包/ setwd(“D:ku”) /设置当前数据库路径/ datayuce=read.csv(“a.csv”,header=T)/导入预测集数据/ dataxunlian=read.csv(“b.csv”,header=T) )/导入训练集数据/ svmModel - ksvm(as.matrix(dataxunlian1:5), as.factor(dat
11、axunlian$x), type=“C-svc”,kernel=“rbfdot”,C=10,cross=4) )/核函数选择/ pre=predict(svmModel,datayuce1:5) write.csv(data.frame(pre,class=datayuce$x, zu=datayuce$no),file=“result.csv“) )/输出结果到result.csv / table(pre,class=datayuce$x) /结果整理/,35,支持向量机,36,WEKA（Waikato Environment for Knowledge Analysis）,37,WEKA
12、作为一个公开的数据挖掘工作平台，用于非商业目的的研究行为，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类、回归、聚类、关联规则以及在新的交互式界面上的可视化。,38,STATA该软件是美国Computer Resource Center研制的统计软件，目前的12、13版本就可以实现数据挖掘。,SAS for windows：国际权威的统计软件，有专门的数据挖掘模块。SPSS for Windows ：该软件是一个统计专用软件，界面很友好。在19.0之前的版本需要加专门的Clementine模块；19.0之后版本因有modeler，可直接做。,39,基于大数据进行数据挖掘，采用大型服务器可以提高运行速度。,40,谢谢大家！,41,
