使用K近鄰算法診斷乳腺癌

趙宇

摘 要：隨著信息技術的不斷發展，醫療大數據的概念也逐漸被人類所熟知。通過對數據挖掘技術在乳腺癌各領域的研究現狀（乳腺癌基因研究、乳腺癌早期輔助檢查、力學藥物靶點識別、乳腺癌新中醫治療方法）的分析，展望數據挖掘技術應用于乳腺癌領域的前景，為數據挖掘技術在乳腺癌疾病的研究提供新思路。

關鍵詞：數據挖掘;乳腺癌

一、前言

乳腺癌已成為當前社會的重大公共衛生問題。全球乳腺癌發病率自20世紀70年代末開始一直呈上升趨勢。美國8名婦女一生中就會有1人患乳腺癌。中國不是乳腺癌的高發國家，但不宜樂觀，近年我國乳腺癌發病率的增長速度卻高出高發國家1～2個百分點。

二、數據源

我們將使用來自UCI的乳腺癌診斷數據集，該乳腺癌數據包括569例乳腺細胞活檢樣本，每個樣本包含32個變量。其中id變量是樣本識別ID，diagnosis變量是目標變量（M代表惡性，B代表良性）。其他30個變量都是由10個數字化細胞核的10個不同特征的均值、標準差和最大值構成。這10個基本特征為：

三、數據探索和預處理

.3.1 ?數據的探索

首先，搜集數據集如下圖所示，由于數量問題，只顯示其中部分，共計569個樣本，32個變量。

將整個數據集導入SPSS軟件中。

第一個變量為ID，無法為實際的模型構建提供有用的信息，所以需要將其刪除。diagnosis變量是我們的目標變量，我們首先統計一下其取值分布。觀察在我們的數據集中，惡性（M）和良性樣本（B）的分布情況。在正式建模之前需要將其進行整數編碼，將良性（B）編碼為0，將惡性（M）編碼為1。

通過統計我們的569個樣本中，良性樣本（B）和陰性樣本分別有212個，占比分別為62.7%和37.3%。其中作為示例，我們主要選取所有變量中的三個：radius_mean，area_mean和smoothness_mean。

通過SPSS軟件生成圖形對三個變量進行分析：觀察這三個變量的統計信息，發現它們的取值范圍不大一致。radius_mean取值范圍為6.981～28.110，area_mean取值范圍為143.5～2501.0，smoothness_mean取值范圍為0.05263～0.16340。不同變量的測量尺度不一致會影響K近鄰算法中的樣本距離計算。例如，如果上述三個變量直接參與距離計算，則area_mean變量將會對距離計算影響最大，從而會導致我們構建的分類模型過分依賴于area_mean變量。在應用K近鄰等涉及距離計算的算法構建預測模型之前，需要對變量取值進行標準化。常見的標準化方法有min-max標準化和Z-score標準化等。

3.2數據的標準化：

為了將自變量進行min-max標準化，使用min_max_normalize函數。該函數輸入為數值型向量x，對于x中的每一個取值，減去x的最小值，再除以x中數值的取值范圍。結果如下可見所有的變量都已經正確地標準化到0和1之間：

四、模型性能提升

4.1 測試不同k取值對模型效果的影響

我們將分別測試 k = 1，5，9，11時模型的效果。由于模型整體預測準確率已經很高。我們通過觀察假陰性（False Negative）和假陽性（False Positive）的數目和正確率（Accuracy）來對比不同k取值下模型的效果。

可見，當 k = 5 時，假陽性數量最少，且假陰性數量僅為1，正確率達到最高。當然，這也只是在171個測試樣本上的結果。

參考文獻

[1]MOURADC，LOPEZMA G.An evaluation of imagedescriptors combined with clinical data for breast cancer diagnosis [J].Intemational Joumal of computer Assisted Radiology and Surgery，2013，8（4）：561-57.

[2]張旭東，孫圣力，王洪超.基于數據挖掘的觸診成像乳腺癌智能診斷模型和方法[J].大數據，2019，5（01）：68-76.

[3]侯公楷.中醫藥防治乳腺癌進展[J].遼寧中醫藥大學學報，2016，18（05）：249-253.

（作者單位：河北大學 生命科學學院）