大數(shù)據(jù)背景下生物醫(yī)學論文

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了大數(shù)據(jù)背景下生物醫(yī)學論文范文，希望能給你帶來靈感和參考，敬請閱讀。

1大數(shù)據(jù)

來自生物、醫(yī)藥、醫(yī)械、臨床實驗與健康管理等各個方面的數(shù)據(jù)，構成生物醫(yī)學的各類大數(shù)據(jù)資源，它們形式多樣，具有自身的特殊性，主要表現(xiàn)在以下幾個方面：

（1）原始數(shù)據(jù)量大，且呈異構、多樣性。

（2）難以用數(shù)學方式表達其結構及特征。例如：醫(yī)生對醫(yī)學影像、信號和其他臨床數(shù)據(jù)的解釋多是非結構化的語言或文字形式自由的口述，難以標準化。

（3）數(shù)據(jù)可能包含冗余的、無意義的或不一致的屬性，并且數(shù)據(jù)經(jīng)常要更新。

（4）數(shù)據(jù)采集很難完全避免噪聲干擾，而噪聲往往會影響處理結果。生物醫(yī)學大數(shù)據(jù)處理包括數(shù)據(jù)的收集、抽取與集成、分析與挖掘、解釋和共享等諸多方面，涉及數(shù)據(jù)庫、信息科學、統(tǒng)計學、高性能計算、網(wǎng)絡科學、心理學等多個領域。

2生物醫(yī)學信息處理

2.1數(shù)據(jù)挖掘在生物醫(yī)學信息分析中的應用

數(shù)據(jù)挖掘是對海量數(shù)據(jù)進行處理和分析，找出數(shù)據(jù)間的隱含聯(lián)系，發(fā)現(xiàn)未知規(guī)律，最終獲得知識的過程。挖掘的過程包括信息收集、數(shù)據(jù)集成、數(shù)據(jù)規(guī)約、數(shù)據(jù)清理、數(shù)據(jù)變換、數(shù)據(jù)挖掘、模式評估和知識表示8個步驟[5]。近年來，數(shù)據(jù)挖掘是生物醫(yī)學信息分析的常用手段，尤其是在循證醫(yī)學研究、基因組和蛋白質(zhì)組的研究領域中有很廣泛的應用價值。KDNuggets在2011年全球數(shù)據(jù)挖掘應用行業(yè)調(diào)查的結果表明：健康行業(yè)位居10大數(shù)據(jù)挖掘應用領域的第3位。生物醫(yī)學領域大數(shù)據(jù)多是不完整的、不一致的、有噪聲的，數(shù)據(jù)具有獨特的復雜性、豐富性、規(guī)模和重要性，需要數(shù)據(jù)挖掘的特殊關注。數(shù)據(jù)挖掘經(jīng)典算法，如：分類、聚類、關聯(lián)分析、序列等在生物醫(yī)學數(shù)據(jù)挖掘時都可使用。

2.1.1　分類（Classification）

分類是根據(jù)己知數(shù)據(jù)的特征和分類結果，為每個類找到合理的模型(構造分類器)，然后用這些模型對新數(shù)據(jù)進行分類。K最鄰近算法、決策樹、支持向量機、神經(jīng)網(wǎng)絡等是常用的分類模型構造方法。疾病的診斷和鑒別就是典型的分類過程。例如：美國學者利用數(shù)據(jù)挖掘軟件Clementine，以決策樹算法為模型，分析挖掘了醫(yī)療機構HealthOrg的數(shù)據(jù)倉庫中有關年齡、BMI指數(shù)、腰臀比和周鍛煉次數(shù)等數(shù)據(jù)，得出糖尿病患病危險因素的分析結果。此外，還有一些國內(nèi)外研究者針對肺癌、乳腺癌的診斷數(shù)據(jù)，通過分類挖掘的方法提高診斷的精確性。

2.1.2　聚類（Clustering）

分析聚類分析是將有共同特征或相似度高的數(shù)據(jù)對象實例聚成一類的過程，常用來研究樣品或指標分類問題。聚類分析在生物醫(yī)學領域已經(jīng)得到廣泛的應用，例如：可以根據(jù)流行病學特征屬性的相似程度將病例數(shù)據(jù)劃分成若干類，通過比較各個類別之間的臨床醫(yī)學狀態(tài)特征屬性的差異來分析某類疾病。國外學者選取SEER數(shù)據(jù)庫中的217558例肺癌病例，通過分析每個病例的22個臨床醫(yī)學特征屬性和23個流行病學特征屬性的相似度后，將這些病例劃分為20類，這就是典型的聚類分析。

2.1.3　關聯(lián)（Association）分析

關聯(lián)反映的是一個事件和其他事件之間依賴或關聯(lián)的知識，可以通過表征事物特征的兩個或多個變量的取值之間存在的某種規(guī)律性，找出數(shù)據(jù)之間隱藏的關聯(lián)關系。關聯(lián)現(xiàn)象在生物醫(yī)學領域普遍存在，例如：臨床上的某些疾病會同時呈現(xiàn)幾種不同的病癥，這些病癥之間就表現(xiàn)為一定程度的關聯(lián)性，而醫(yī)生診斷病癥的過程常常以觀察癥狀為基礎。

2.1.4　序列挖掘（SequenceMining）

序列是指按一定順序或規(guī)律排列構成的一系列符號、數(shù)值或事件。存儲于DNA、RNA和蛋白質(zhì)中的遺傳和功能信息可用符號序列表示，分析序列數(shù)據(jù)能找到其統(tǒng)計規(guī)律或發(fā)現(xiàn)序列組成部分片段之間的相似性或相同性，這是生物信息學研究中最常用方法。此外，還可用時間序列數(shù)據(jù)進行某些疾病的研究與治療，例如：歐盟資助的T-IDDM（TelemetricManagementofInsulinDependentDiabetesMellitus）項目通過Internet采集糖尿病患者的連續(xù)監(jiān)測數(shù)據(jù)，經(jīng)時間序列分析后找到患者一天內(nèi)血糖水平變化的規(guī)律和趨勢，為醫(yī)生調(diào)整或精確胰島素治療方案提供有效的數(shù)據(jù)和支持。

2.1.5　圖挖掘（GraphMining）

利用待研究的數(shù)據(jù)對象構建圖這種數(shù)學模型，然后從圖中尋找頻繁出現(xiàn)的子圖，從而挖掘出有價值的信息。例如：美國學術界整合出2003年H5N1禽流感感染風險地圖，經(jīng)過圖挖掘分析出2013年H7N9人類病例區(qū)域[11]。此外，從政府管理角度來看，公共衛(wèi)生部門可以針對覆蓋全國患者的電子病歷數(shù)據(jù)庫進行圖挖掘，從而完成全面疫情的監(jiān)測。

2.2文本挖掘——生物醫(yī)學文獻信息的大數(shù)據(jù)處理

2.2.1　文本挖掘

目前，全球醫(yī)藥類期刊近3萬種，每年200多萬篇，并且以每年7%速度遞增，互聯(lián)網(wǎng)上的信息資源約有30%以上的是與醫(yī)學信息相關的。文本挖掘（Text-Mining）和信息可視化（InformationVisualization）是分析這些數(shù)據(jù)，揭示知識領域的內(nèi)在聯(lián)系的最有效手段。文本挖掘主要結合文字處理技術，利用智能算法，分析大量的半結構化和非結構化文本源（如文檔、電子表格、電子郵件、網(wǎng)頁等），抽取散布在文本文件中的有價值知識，并轉(zhuǎn)化為可利用的知識的過程，其工作流程如圖2所示，挖掘前要完成包括文本收集、文本分析和特征修剪三個步驟的預處理工作。文本挖掘多以計算機技術實現(xiàn)，文檔聚類、文檔分類和摘要抽取是應用最多的技術。文檔聚類主要完成大規(guī)模文檔集內(nèi)容的概括、識別文檔間隱藏的相似度、減輕瀏覽相關、相似信息等功能。文檔分類多以統(tǒng)計方法或機器學習自動實現(xiàn)，簡單貝葉斯分類法，矩陣變換法、K最鄰近分類算法以及SVM等都是其常用的分類方法。摘要抽取主要是利用計算機自動地從原始文檔中提取全面、準確反映該文檔中心內(nèi)容的簡單連貫的短文。此外，文本挖掘的結果評價常用分類正確率、查準率、查全率、支持度和支持度置信度等世界公認的重要參數(shù)進行評價。生物醫(yī)學信息處理領域所涉及的DNA序列綜合特征分析、蛋白質(zhì)功能和相互作用分析、疾病基因發(fā)現(xiàn)、藥物作用靶點預測等都與文本挖掘技術密不可分。在我國，已經(jīng)有一些研究者利用文本挖掘技術來研究醫(yī)學文獻背后隱藏的知識。臨床上，醫(yī)生用文本挖掘技術對疾病的處方和中藥用藥規(guī)律進行了分析。

2.2.2　信息可視化

信息可視化是一種運用計算機圖形學和圖像處理技術，將信息轉(zhuǎn)換為具有一定意義圖形或圖像，并進行交互處理的理論、方法和技術。它能有效發(fā)掘、過濾和研究海量數(shù)據(jù)，以更直觀、有效的方式使研究人員更容易發(fā)現(xiàn)隱藏在信息內(nèi)部的特征和規(guī)律，深層次地發(fā)掘包括生物醫(yī)學領域在內(nèi)的多個學科的研究熱點和研究前沿信息，為研究人員把握研究方向提供幫助。信息可視化的常用工具有TDA、CiteSpace、Histcite、Vxinsight等軟件，主要完成數(shù)量統(tǒng)計、共現(xiàn)分析和統(tǒng)計圖表、共現(xiàn)矩陣、節(jié)點鏈接圖、技術報告展示等功能。例如：國外學者針對PubMed數(shù)據(jù)庫中2002年到2011年的文獻，分析了以“電子健康檔案”、“醫(yī)療記錄系統(tǒng)”和“計算機輔助診療”為主題的文獻的引用情況后，用可視化工具展現(xiàn)其研究結果，使相關領域的科研人員很直觀的了解了該領域的研究狀況。

3總結與展望

生物醫(yī)學領域的大數(shù)據(jù)時代已經(jīng)來臨，與大數(shù)據(jù)處理相關的新理論、新技術和新方法將給該領域的實質(zhì)性進展提供有效的技術支持，不斷進步的信息處理技術和方法必將是廣大研究人員和醫(yī)生從事研究和診療工作的利器。目前，我國相關的大數(shù)據(jù)的技術和應用還處在學習和跟隨的階段，掌握生物醫(yī)學知識和大數(shù)據(jù)處理技術的復合型人才還十分有限，亟需在國家層面制定生物醫(yī)學領域大數(shù)據(jù)方面的政策、加大資源投入，從而建立良好的大數(shù)據(jù)生態(tài)環(huán)境。同時，重視大數(shù)據(jù)科學和生物醫(yī)學的基礎研究和相關人才的培養(yǎng)。此外，在生物醫(yī)學飛速發(fā)展越來越依賴數(shù)據(jù)的同時，也應該多關注隱私問題、數(shù)據(jù)的安全性問題以及由此涉及的倫理道德問題。我們相信，通過國家和廣大科研工作者的共同努力，一定能出色完成生物醫(yī)學信息處理的各項任務，為我國的生物醫(yī)學發(fā)展做出更大的貢獻。

作者：張艷 單位：上海理工大學光電信息與計算機工程學院 復旦大學數(shù)字醫(yī)學研究中心 上海市醫(yī)學圖像處理與計算機輔助手術重點實驗室