數(shù)據(jù)挖掘技術(shù)在中醫(yī)證候?qū)W中的應(yīng)用

作者 / 周旭¹ 趙耀²  1. 河北醫(yī)科大學(xué) 基礎(chǔ)醫(yī)學(xué)院(河北 石家莊 050017) 2. 中國人民銀行石家莊中心支行(河北 石家莊 050000)

*基金項(xiàng)目：河北省中醫(yī)藥管理局科研計(jì)劃項(xiàng)目(編號(hào)：2014012)。

周旭(1983-)，女，碩士，講師，研究方向：數(shù)據(jù)挖掘。

摘要：中醫(yī)證候的研究工作仍然存在一定的困難，證候的規(guī)范化和證候診斷的量化是中醫(yī)發(fā)展必須解決的問題。數(shù)據(jù)挖掘技術(shù)是一種高效的數(shù)據(jù)分析手段，其在中醫(yī)領(lǐng)域的研究也逐步走向熱門。使用數(shù)據(jù)挖掘技術(shù)中的關(guān)聯(lián)規(guī)則和分類算法對(duì)早中期慢性腎衰竭的證候和癥狀進(jìn)行分析：首先對(duì)采集的癥狀和證候信息進(jìn)行數(shù)字特征化處理;然后對(duì)證候之間的關(guān)聯(lián)關(guān)系進(jìn)行研究，獲得了高支持度的四組證候組合;最后分類和預(yù)測癥狀和證候之間的辯證關(guān)系，得到了癥狀的規(guī)則集，并計(jì)算出其中的重要癥狀。實(shí)驗(yàn)證明，分類結(jié)果對(duì)早中期慢性腎衰竭的癥狀與證候的辯證論治具有重要的臨床指導(dǎo)意義。

0 引言

　　證候是醫(yī)師通過望、聞、問、切來收集病人四診信息資料，運(yùn)用相關(guān)中醫(yī)理論，從整體上對(duì)疾病進(jìn)行分析，歸納、推理、判斷疾病的某一時(shí)點(diǎn)病理狀態(tài)綜合反映的認(rèn)識(shí)^[1]。由于證候是一種非線性的復(fù)雜的臨床表現(xiàn)，只有采用與證候復(fù)雜性相適應(yīng)的科學(xué)理論及思維方法對(duì)其進(jìn)行研究，才能揭示其科學(xué)內(nèi)涵^[2]。運(yùn)用數(shù)據(jù)挖掘技術(shù)對(duì)中醫(yī)證候的構(gòu)成特點(diǎn)及其規(guī)律進(jìn)行分析研究，將對(duì)中醫(yī)證候的辯證分析起到巨大的促進(jìn)作用。

1 數(shù)據(jù)挖掘技術(shù)

1.1 數(shù)據(jù)挖掘定義

　　數(shù)據(jù)挖掘是從大量數(shù)據(jù)中挖掘有趣模式和知識(shí)的過程。從廣義上說，數(shù)據(jù)挖掘是對(duì)數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)(Knowledge Discovery in Databases，KDD)的一個(gè)過程^[3]。數(shù)據(jù)挖掘作為一種通用技術(shù)，可以應(yīng)用于任何類型的數(shù)據(jù)，包括數(shù)據(jù)庫、數(shù)據(jù)倉庫、web信息以及其他信息存儲(chǔ)數(shù)據(jù)庫和動(dòng)態(tài)的流入系統(tǒng)的數(shù)據(jù)等。

1.2 常用的數(shù)據(jù)挖掘算法

1.2.1 關(guān)聯(lián)規(guī)則

　　關(guān)聯(lián)分析用于發(fā)現(xiàn)隱藏在數(shù)據(jù)集中的有意義的聯(lián)系，所發(fā)現(xiàn)的特征變量之間的聯(lián)系可以用關(guān)聯(lián)規(guī)則或頻繁項(xiàng)集的形式表示。關(guān)聯(lián)規(guī)則挖掘作為一種重要的數(shù)據(jù)挖掘方法，已經(jīng)廣泛應(yīng)用于醫(yī)學(xué)、金融、互聯(lián)網(wǎng)等多個(gè)領(lǐng)域^[4]。Agrawal等人^[5]提出了最早的基于頻繁項(xiàng)集的經(jīng)典關(guān)聯(lián)規(guī)則Apriori算法。發(fā)現(xiàn)關(guān)聯(lián)規(guī)則需要經(jīng)歷兩個(gè)步驟：①通過一種逐層搜索的迭代算法，檢索出支持度不低于某一預(yù)設(shè)閾值(支持度)的頻繁項(xiàng)集;②利用檢索出的頻繁項(xiàng)集構(gòu)建出強(qiáng)關(guān)聯(lián)規(guī)則(同時(shí)滿足最小支持度和最小置信度)。

1.2.2 分類

　　分類任務(wù)就是確定對(duì)象屬于哪個(gè)預(yù)定義的目標(biāo)類。分類問題是一個(gè)普遍存在的問題，已經(jīng)有大量應(yīng)用，包括目標(biāo)營銷、性能預(yù)測、制造和醫(yī)療診斷等^[6]。數(shù)據(jù)挖掘技術(shù)中比較成熟且應(yīng)用廣泛的分類算法有貝葉斯網(wǎng)絡(luò)、決策樹以及人工神經(jīng)網(wǎng)絡(luò)等。

　　貝葉斯方法最早起源于英國數(shù)學(xué)家托馬斯.貝葉斯在1763年所證明的一個(gè)關(guān)于貝葉斯定理的一個(gè)特例^[7]。經(jīng)過多位統(tǒng)計(jì)學(xué)家的共同努力，貝葉斯統(tǒng)計(jì)在20世紀(jì)50年代之后逐步建立起來，成為統(tǒng)計(jì)學(xué)中一個(gè)重要的組成部分^[8-10]。從1763年到現(xiàn)在已有250多年的歷史，這期間，貝葉斯統(tǒng)計(jì)方法有了長足的進(jìn)步^[11]。

　　決策樹模型源于人工智能領(lǐng)域的機(jī)器學(xué)習(xí)技術(shù)，用于實(shí)現(xiàn)數(shù)據(jù)的分類和預(yù)測。經(jīng)過多年發(fā)展，其核心算法已經(jīng)逐漸成熟，被各類智能決策系統(tǒng)所采納^[12]。其中的C5.0算法作為C4.5算法的商業(yè)版本，通過對(duì)生成規(guī)則及算法精確度方面予以改進(jìn)，獲得了更準(zhǔn)確的生成規(guī)則、更快的運(yùn)行速度以及更低的誤差率^[13]。決策樹模型在中醫(yī)證候?qū)W和診斷學(xué)^[14-15]等方面的應(yīng)用研究已經(jīng)較為成熟。

　　人工神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代發(fā)展起來的一門由計(jì)算機(jī)、信息、工程、醫(yī)學(xué)、生物學(xué)、數(shù)學(xué)、物理學(xué)等多學(xué)科交叉的邊緣學(xué)科^[16]。它包含輸入層、輸出層以及1個(gè)或幾個(gè)隱含層，各層中處理數(shù)據(jù)的節(jié)點(diǎn)稱為神經(jīng)元，信息處理是由神經(jīng)元之間的相互作用來實(shí)現(xiàn)的。腦與神經(jīng)科學(xué)、人工智能、計(jì)算機(jī)科學(xué)的深度融合與相互借鑒已成為近年來科學(xué)研究領(lǐng)域重要的國際趨勢^[17]。

2 數(shù)據(jù)集的建立

2.1 數(shù)據(jù)采集

　　本文實(shí)驗(yàn)數(shù)據(jù)采自早中期慢性腎衰竭患者的病案。病案內(nèi)容包括患者姓名、性別、年齡、原發(fā)病、癥狀、體征、腎功能指標(biāo)、中醫(yī)證候、中藥處方等。本文摘取其中的癥狀和證候信息進(jìn)行數(shù)據(jù)挖掘的分析研究。共采集并錄入病案信息223條，其中記錄癥狀共76種，論治證候共16種。

2.2 數(shù)據(jù)特征化

　　針對(duì)要采用的數(shù)據(jù)挖掘算法，本文將每條數(shù)據(jù)記錄用布爾值的形式表示，如表1所示。

　　其中布爾值0和1表示病人是否具有這種癥狀或證候，0表示病人沒有此癥狀或證候，1表示病人具有此癥狀或證候。

　　按照上述方法建成癥狀和證候數(shù)據(jù)庫，其中包括：包含所有癥狀的數(shù)據(jù)集，由專業(yè)教授診斷判別的證候數(shù)據(jù)集，統(tǒng)計(jì)癥狀和證候頻次的癥狀和證候計(jì)數(shù)數(shù)據(jù)集以及主要癥狀數(shù)據(jù)集和主要證候組合數(shù)據(jù)集。

3 關(guān)聯(lián)分析

　　本研究共納入癥狀16種，出現(xiàn)頻數(shù)在病案總條數(shù)10%以上的的證候有11種，分別是血瘀，脾腎氣虛，濕熱內(nèi)蘊(yùn)，脾腎陽虛，濕濁阻滯，風(fēng)濕，胃氣上逆，肝陽上亢，肝腎陰虛，陰陽兩虛，氣滯胃腸。

　　本文采用Apriori算法建模，對(duì)這11種主要的證候進(jìn)行關(guān)聯(lián)分析。結(jié)果見表2(由于篇幅限制，只摘取支持度30%以上的規(guī)則顯示)。

　　支持度是指所有前項(xiàng)證候同時(shí)出現(xiàn)的概率，置信度是在前項(xiàng)證候出現(xiàn)的前提下，后項(xiàng)證候同時(shí)出現(xiàn)的概率。結(jié)果顯示，血瘀單獨(dú)出現(xiàn)的幾率最高，達(dá)到98.21%;血瘀與脾腎氣虛同時(shí)出現(xiàn)的幾率高于60%;在此基礎(chǔ)上，再同時(shí)伴有濕濁阻滯或濕熱內(nèi)蘊(yùn)者均在30%左右，而兩者之和則高于60%，充分表明瘀阻、濕壅與脾腎氣虛為慢性腎衰竭虛實(shí)夾雜、本虛標(biāo)實(shí)的主要體現(xiàn)。

　　使用SPSS Clementine12.0中的網(wǎng)絡(luò)圖形建模，該模型可以直觀的體現(xiàn)11種高頻證候兩兩之間關(guān)聯(lián)關(guān)系，連接兩種證候之間的直線越粗，表明兩種證候同時(shí)出現(xiàn)在一個(gè)病案中的頻率越高。如圖1所示。

　　結(jié)合網(wǎng)絡(luò)關(guān)系圖及鏈接數(shù)據(jù)分析，強(qiáng)鏈接關(guān)系主要集中于血瘀、脾腎氣虛、濕熱內(nèi)蘊(yùn)、濕濁阻滯和脾腎陽虛之間。其中，位于前三位的鏈接關(guān)系分別為血瘀與脾腎氣虛、濕熱內(nèi)蘊(yùn)、脾腎陽虛之間，連接條數(shù)達(dá)389條，占所有連接條數(shù)的50%以上，表明血瘀為早中期慢性腎衰最重要的標(biāo)實(shí)證候;脾腎氣虛除與血瘀之外，與脾腎陽虛、濕熱內(nèi)蘊(yùn)、濕濁阻滯之間的關(guān)系均較密切，故為本病最主要的本虛證候。

4 分類與預(yù)測

4.1 決策樹模型的建立

　　本文使用C5.0算法構(gòu)建決策樹模型。統(tǒng)計(jì)數(shù)據(jù)庫中患者癥狀出現(xiàn)的頻數(shù)，從76個(gè)癥狀中篩選出出現(xiàn)次數(shù)10次以上的主要癥狀如畏寒、小便黃、腰酸痛、眼瞼、下肢水腫、舌紅、舌暗紅、寒熱不調(diào)、寐差、夜尿頻、大便干、雙目干澀、視物模糊、納差、大便粘膩、胃脘不適、口干咽干、關(guān)節(jié)疼痛、腿麻木脹痛、惡心、干嘔、四末厥冷、咽癢咽痛咳嗽有痰、耳鳴、腹脹、口苦、舌淡、后背沉重、小便量少、小便清長、咽部異物感、潮熱、乳房脹痛、齒痕舌、舌淡暗、汗出、舌淡紅、皮膚瘙癢健忘、尿頻、大便溏、口淡等39個(gè)。使用這些主要癥狀參與建模，按其出現(xiàn)次數(shù)降序排列。

　　據(jù)前述關(guān)聯(lián)規(guī)則的結(jié)果，出現(xiàn)頻數(shù)較高的證候組合(支持度30%以上)共四個(gè)，包括：①血瘀、脾腎氣虛;②血瘀、脾腎氣虛、脾腎陽虛;③血瘀、脾腎氣虛、濕熱內(nèi)蘊(yùn);④血瘀、脾腎氣虛、濕濁阻滯。癥狀是疾病所反映的現(xiàn)象，它是判斷病種，辨別證候的主要依據(jù)。分別對(duì)這四種高頻證候組合及其對(duì)應(yīng)的癥狀進(jìn)行決策樹建模，每個(gè)組合分別獲得若干條癥狀的分類規(guī)則。組合1獲得的規(guī)則集如表3。

　　我們選取分類結(jié)果為真的規(guī)則集，這些規(guī)則集預(yù)測的結(jié)果就是證候組合為真。組合1(血瘀和脾腎氣虛)共獲得了8條判斷規(guī)則，前7條規(guī)則都可作為組合1的有效分類規(guī)則，而第8條規(guī)則中，分類特征的屬性都為0，在實(shí)際臨床應(yīng)用中不具備實(shí)際作用，將其忽略。組合2獲得3條有效分類規(guī)則;組合3獲得4條有效分類規(guī)則;組合4獲得3條有效分類規(guī)則。這些有效規(guī)則都可以獨(dú)立地的預(yù)測其對(duì)應(yīng)的證候組合，構(gòu)成規(guī)則的癥狀數(shù)量較少，可以簡化診斷過程。

4.2 計(jì)算變量重要性

　　不同證候組合所對(duì)應(yīng)的癥狀規(guī)則不盡相同，基于對(duì)癥狀的信息熵的分析計(jì)算，提取每個(gè)組合其所對(duì)應(yīng)的重要癥狀，結(jié)果如表4，表中癥狀出現(xiàn)的順序按照重要性降序排列。

　　表中的癥狀是去除冗余癥狀之后的結(jié)果，剔除了不重要的癥狀，保留的癥狀是對(duì)證候組合的預(yù)測有重要貢獻(xiàn)的癥狀。重要度越高，表明此癥狀對(duì)目標(biāo)證候的預(yù)測影響程度越高;反之重要度越低，表明此癥狀對(duì)目標(biāo)證候的預(yù)測影響程度越小。

　　不同證候組合所對(duì)應(yīng)的預(yù)測癥狀不盡相同，通過分析發(fā)現(xiàn)，四種最常見證候組合均可出現(xiàn)畏寒的臨床表現(xiàn)，而每一種組合用于鑒別的重要癥狀則主要集中側(cè)重后背沉重、寒熱不調(diào)、尿頻、舌淡等臨床表現(xiàn)。

4.3 不同分類模型預(yù)測結(jié)果對(duì)比

　　本文對(duì)支持率較高的四種證候組合，采用三種常見的數(shù)據(jù)挖掘分類預(yù)測算法：C5.0決策樹、貝葉斯網(wǎng)絡(luò)以及人工神經(jīng)網(wǎng)絡(luò)對(duì)癥狀進(jìn)行分類預(yù)測，對(duì)比分類準(zhǔn)確率如圖2。

　　三種分類算法中，貝葉斯網(wǎng)絡(luò)對(duì)本數(shù)據(jù)集的分類準(zhǔn)確率最高，在84.75%到96.41%之間。神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率較低，在73.99到91.93%之間，而三種分類算法的平均準(zhǔn)確率都達(dá)到了82%以上，準(zhǔn)確率較為理想。

5 結(jié)論

　　本文首先構(gòu)建了一個(gè)基于Apriori算法的模型，進(jìn)行證候的關(guān)聯(lián)規(guī)則挖掘，發(fā)現(xiàn)了在早中期慢性腎病患者中的四組高支持度證候組合，并且與中醫(yī)理論較為吻合，同時(shí)也為下一步的分類與預(yù)測工作提供數(shù)據(jù)支持。

　　其次針對(duì)較高支持度的四組證候組合以及患者出現(xiàn)的高頻癥狀采用C5.0算法進(jìn)行決策樹建模，以期得一些有意義的癥狀規(guī)則。結(jié)果顯示，這些規(guī)則集可以預(yù)測患者是否屬于某種證候組合，本文選取預(yù)測類別為“真”的規(guī)則集(可預(yù)測患者確實(shí)屬于某種證候組合)作為臨床診斷的參考。預(yù)測類別為“假”的規(guī)則集(預(yù)測患者不屬于某種證候組合)不具備臨床診斷意義，所以不予討論。同時(shí)計(jì)算出參與預(yù)測的癥狀的重要性，判別哪些癥狀對(duì)證候組合的預(yù)測結(jié)果具有重要意義，說明這些癥狀在臨床診斷中值得關(guān)注。

　　最后分別使用使用貝葉斯網(wǎng)絡(luò)，C5.0和神經(jīng)網(wǎng)絡(luò)三種分類算法對(duì)癥狀進(jìn)行建模，分析不同的分類算法分類預(yù)測的準(zhǔn)確率。貝葉斯網(wǎng)絡(luò)對(duì)四組證候組合的平均分類準(zhǔn)確率最高為89.80%;C5.0和其非常接近，也達(dá)到88.34%，說明這兩種分類算法對(duì)本數(shù)據(jù)集中證候組合的分類預(yù)測都比較可靠。神經(jīng)網(wǎng)絡(luò)的的準(zhǔn)確率為82.85%，相較前兩種算法較低，但由于中醫(yī)數(shù)據(jù)集的樣本數(shù)量有限且主觀性較強(qiáng)，獲得的準(zhǔn)確率達(dá)到百分之八十以上我們就可認(rèn)為是有效可行的分類預(yù)測算法。所以認(rèn)為這三種算法對(duì)于癥狀和證候的分類預(yù)測都是可行的，且以貝葉斯網(wǎng)絡(luò)和C5.0算法為更優(yōu)，預(yù)測結(jié)果都可以作為臨床診斷的參考依據(jù)。

　　本文采用的算法都是數(shù)據(jù)挖掘中的經(jīng)典算法，并沒有對(duì)算法進(jìn)行優(yōu)化工作，對(duì)證候組合的提取以及癥狀的分類預(yù)測還需要大量的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行進(jìn)一步驗(yàn)證，算法的準(zhǔn)確率還需要進(jìn)一步提高，這些都是需要進(jìn)一步改進(jìn)的地方。

　　綜上所述，利用多種數(shù)據(jù)挖掘算法對(duì)早中期慢性腎病的癥狀與證候進(jìn)行逐漸深入的知識(shí)挖掘，是可行有效的，獲得的高支持度證候組合以及癥狀的分類預(yù)測規(guī)則對(duì)于臨床診斷也是有一定指導(dǎo)意義的。如何在算法上有更多突破，同時(shí)將更多新的算法引入到中醫(yī)研究中，以期提高挖掘的效率和準(zhǔn)確性，是我們下一步的研究方向。

　　參考文獻(xiàn)：

　　[1]田金洲,王永炎,時(shí)晶,等.證候的概念及其屬性[J].北京中醫(yī)藥大學(xué)學(xué)報(bào),2005,28(5):6-8.

　　[2]孫安會(huì),袁肇凱,夏世靖.中醫(yī)證候系統(tǒng)生物學(xué)研究的現(xiàn)狀和展望.[J]中華中醫(yī)藥雜志,2016,31(1):200-204.

　　[3]JiaWeiHan,MichelineKamber, Jian Pei.數(shù)據(jù)挖掘概念與技術(shù)[M].范明,孟曉峰,譯.北京:機(jī)械工業(yè)出版社.2012:243.

　　[4]Giannella C，Han Jiawei，Pei Jian，et al. Mining frequent patterns in data streams at multiple time granularities[J].Next GenerationData Mining，2006,35(1):61-84.

　　[5]AGRWAL R，SRIKAN R.Fast algorithms for mining association rules in large databases[C]//Proceedings of the 20th International Conference on Very Large Data Bases. San Francisco： MorganKaufmann Publishers,1994:487-499.

　　[6]Pang-Ning Tan,Michael Steinbach,Vipin Kumar.數(shù)據(jù)挖掘?qū)д?[M]. 范明,范宏建,譯.北京:人民郵電出版社。2011:92

　　[7]Bayes T. An essay towards solving a problem in the doctrine of chances [J]. London: Philosophical Transactions Royal Societv, 1763,53:370-418

　　[8]茆詩松.貝葉斯統(tǒng)計(jì)[M].北京:中國統(tǒng)計(jì)出版社,1999.

　　[9]P M Lee.Bayesian statistics: An Introduction[M]. New York: John Wiley & Sons, 2012.

　　[10]A Gelman,J Carlin,H Stern,et al.Bayesian Data Analysis[M].Boca Raton:CRC Press,2013.

　　[11]Efrou B.Bayes’ theorem in the 21st century[J].Science, 2013, 340(6137):1177-1178.

　　[12]N Robert,E John,M Gary.Handbook of statistical analysis and datamining applications[M].USA:Elservier,2009.

　　[13]熊平.數(shù)據(jù)挖掘算法與Clementine 實(shí)踐[M].北京:清華大學(xué)出版社,2011,26:116-118.

　　[14]張琪,周琳,陳亮,等.決策樹模型用于結(jié)核病治療方案的分類和預(yù)判[J].中華疾病控制,2015,19(5):510-513.

　　[15]陳瀟雨,馬利莊,胡義揚(yáng).基于決策樹方法的慢性乙型肝炎中醫(yī)證候分類[J].上海:中醫(yī)藥大學(xué)學(xué)報(bào),2013,27(1):40-43.

　　[16]B D Ripley.Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press. 1996.

　　[17]曾毅,劉成林,譚鐵牛.類腦智能研究的回顧與展望[J].計(jì)算機(jī)學(xué)報(bào),2016,39(1):212-222.

　　本文來源于《電子產(chǎn)品世界》2018年第4期第56頁，歡迎您寫論文時(shí)引用，并注明出處。