基于電子病歷的乳腺癌群組與治療方案可視分析

徐敏，王科，戴浩然，羅曉博，余煒倫，陶煜波，林海

（1.浙江大學醫學院附屬第一醫院 醫工信息部，浙江杭州310003；2.浙江大學醫學院附屬第二醫院 乳腺外科，浙江杭州310003；3.浙江大學CAD&CG國家重點實驗室，浙江杭州310058）

隨著醫院信息系統的不斷完善和數字醫療設備的普及，電子病歷數據海量增長，這為疾病的診斷和治療提供了大數據支持，但其復雜性也給數據分析帶來了挑戰。如何以直觀的方式分析電子病歷數據，挖掘其隱含的知識和關系，輔助醫生診斷和治療，是目前醫學信息應用領域的重要研究方向之一。

當前的電子病歷系統僅含信息展示、匯總和篩選等初級功能，不具有數據深層次挖掘和呈現功能。醫生只能結合自己的醫學知識和經驗，經手動篩選對比了解病人病情的發展模式和關聯關系，這不僅步驟煩瑣、易丟失信息，且誤差較大，既增加了數據分析的難度，也影響分析結果的準確性。

電子病歷是一種非結構化數據，在機器學習領域已有眾多針對該類數據的模型和算法，可有效分析患者數據。然而，由于電子病歷數據的多元性和高維性，如何直觀地呈現原始數據并分析其結果成為另一難點。可視化技術結合多樣的圖表和豐富的交互，從不同的抽象層次展現數據，是解決上述問題的有效方法。為此，本文利用機器學習模型先分析電子病歷數據，再通過可視化技術展示分析結果，旨在幫助醫生直觀地發現患者數據中隱含的信息。

乳腺癌是女性中最常見的惡性腫瘤之一，其發病率一直居高不下，并呈年輕化趨勢。對乳腺癌相關的電子病歷數據進行分析，有助于有效制訂治療規劃和進行預后分析。因此，本文以乳腺癌患者的電子病歷為研究數據，基于數據特征挖掘相似病人，幫助醫生分析不同病人臨床特征間的相關性。

本文的主要貢獻有：

（1）利用降維聚類算法挖掘相似病人群組；

（2）利用可視化技術展示用戶驅動的分析結果，幫助醫生分析不同病人間臨床特征的相關性；

（3）基于特征相關性，探索不同屬性與治療方案的關系，提供治療方案預測，輔助術前決策，提高診斷效率和治療效果。

1 相關工作

有關醫療數據的可視分析研究已取得一系列成果，本節介紹電子病歷數據挖掘和電子病歷可視化的相關工作。

1.1 電子病歷數據挖掘

電子病歷為一種非結構化數據，包括病人的結構化屬性和非結構化的文字描述，具有多元性和高維性特征，相較紙質病歷，電子病歷具有易存儲和方便查詢的特點。多元性是指數據類型較多，如性別屬于類別型數據，而年齡屬于數值型數據；高維性是指數據維度較高，記錄了每位病人的多個屬性值，如血壓、血糖等。通過挖掘電子病歷數據，試圖提取結構化的醫學概念，包括疾病種類、治療方法和發展模式等，以幫助醫生制訂治療方案，提高診斷效率。

由于數據的多元性和高維性，需利用機器學習或深度學習方法從復雜的電子病歷數據中提取信息。JAGANNATHA等［1］將概念提取問題視為序列標記任務，探索了多種基于RNN特征提取的結構學習方法，其目標是為臨床病歷中的每個關鍵實體單詞分配相關的標簽；CHOI等［2］利用word2vec模型將電子病歷中的一些臨床概念轉化為高維向量，然后用這些向量表示病人，并將其作為下游學習任務的輸入；LI等［3］使用2層神經網絡識別骨質疏松癥，并通過模型重建確定影響骨質疏松癥的最高風險因素；LIN等［4］提出一種主動學習算法，基于用戶的反饋，迭代式識別表征數據中的稀有類別，實現個性化醫療。

本文在數據處理階段用聚類和降維算法提取群組特征，利用SVM模型預測治療方案，以幫助醫生分析屬性和結果間的聯系。

1.2 電子病歷可視化

電子病歷可視化系統TimeLines［5］將不同病人的數據以及醫療行為展示在時間軸上。在使用時可通過點擊醫療事件了解詳細信息。受此工作啟發，PLAISAN等［6］進一步設計了LifeLines，用線段表示醫療事件的持續，用不同顏色標識病人的（正常或異常）狀態，以便醫生更好地掌握治療過程和治療效果。為支持對不同時間粒度和不確定性的醫療事件可視化，COMBI等［7］用更多符號更精細地表示事件的時間信息，如最小持續時間等，并提供了附加視圖以展示不同事件的時間關系；ORDONEZ等［8］用2個星形坐標圖顯示病人12個指標的變化情況，以每30 min為1個時間間隔，將同一時間不同指標用連線繪制成一個多邊形，并用動畫和不同顏色直觀展示指標、身體器官及其關系。

早期的電子病歷可視化研究主要側重于展示單個病人的記錄。相對于文本記錄而言，其增加了圖形編碼和簡單的交互，醫生可直觀地查看病人信息。但隨著信息技術的發展和電子病歷數據的大量累積，僅展示單個病人的數據已無法滿足醫生查找病人之間的相關性、尋找最優治療方案的需求。因此，開始關注病人群體的信息挖掘和可視分析。

時間信息是電子病歷數據中一類極為重要的特征，大量研究均將患者的時間記錄視為時間事件序列 進 行 分 析。WANG等［9］基 于LifeLines、LifeLines2，在時間軸展示的基礎上增加了比較功能，并通過對齊、排序和過濾操作強調時間順序，以幫助醫生分析病情的發展趨勢；MALIK等［10］設計了病人群組比較可視分析系統CoCo，利用自動統計數據算法，在用戶驅動的分析策略下探索不同病人群組之間的異同；RetainVis［11］允許醫生改變序列中的醫療事件，如添加、編輯和刪除，進行假設分析，以支持診斷風險預測；此外，事件序列查詢［12］和推薦［13］等工作也為電子病歷數據的進一步探索提供了技術支持；與時間事件序列分析不同，AALIM［14］視電子病歷數據為多模式數據，將文本、影像和音頻數據的定量分析集成為一個系統，首次提出利用病人記錄的相似性實現輔助診斷的思想。這一思想也是本文分析相似病人群組的基礎。

2 數據與任務

病人在醫院的經歷主要包括早期篩查檢查階段和確診后治療階段。電子病歷詳細記錄了病人在醫院的各個過程，如入院記錄、檢查結果、手術記錄與出院記錄等。

2.1 數 據

乳腺影像報告和數據系統（breast imaging reporting and data system，BI-RADS）分類法是目前主要的乳腺癌評估分級方法，0～6分別表示乳腺癌的嚴重程度，其含義如表1所示。

輔助檢查主要包括：

（1）乳腺鉬靶檢查和乳腺X光檢查，包括檢查體位、乳腺分型、乳腺影響、腫塊大小等，描述影像的信息有腫塊大小、腫塊定位、鈣化的分布和程度等。

（2）乳腺超聲檢查，主要包含異常和病灶的聲像圖描述，如病灶位置、外形、大小、周圍組織與邊界等，此外，也包含醫生對該病灶的結論，如分級及處理建議等。

（3）乳腺磁共振，包含既往病史與檢查結果對比、影像發現描述與乳腺組織構成、評估類別和處理建議，也包含對病灶的形狀與位置的相關描述。

（4）免疫組化結果，用于評估乳腺組織的浸潤狀態，判斷癌癥類型，幫助選擇治療方案，評估預后；檢測結果中包含激素受體（ER）、孕激素受體（PR）、Ki-67抗體、CK5/6抗體、P63抗體、calponin抗體、CerbB-2抗原、P120蛋白、E-Cadherin蛋白等屬性。

（5）病理報告，描述腫塊大小、淋巴結陰陽性、病理組織學分級與類型、手術方案等，腫塊大小以2 cm和4 cm為界，分為三類；病理組織學分為I～Ⅲ級，分級越高惡性程度越高；淋巴結陰性表示未轉移，陽性表示轉移。

2.2 任務描述

醫生及醫學研究人員希望能串聯眾多檢查數據，通過分析不同患者各項屬性的異同，找到共性；用電子病歷數據驗證在臨床實踐中得到的與乳腺癌病理狀態與預后相關的特征，例如，用計算特征的相關性或p值確定關聯度；同時，希望利用機器學習算法自動分析相關數據，在診治過程中給予幫助，如探索屬性對治療方案的影響，以提高決策正確率。

任務描述：

?T 1特征相關性分析，疾病的各特征間存在相關性，如同時升高或下降，每個特征對疾病的重要性也各不相同，因此分析特征間的關系有助于更好地了解疾病及其治療方案。

?T 2構建不同的病人群組，相似病人具有相似的癥狀及治療方案，對所有病人構建不同的病人群組，以便分析疾病的類型和特征。

?T 3群組之間的分析與比較，可視比較和分析不同病人群組的異同，特別是特征上的差異，有助于更好地了解疾病病程和選擇治療方案。

?T 4治療方案預測，基于病人當前的特征，構建機器學習模型，預測治療結果。

?T 5展示病人詳細情況，展示病人的電子病歷數據及其原始診療報告，以便驗證結論。

基于上述任務，本文設計了乳腺癌的相似病人群組可視分析和治療方案系統。

3 相似病人群組的可視分析

用戶對病人群組的交互探索從特征的選擇開始，系統界面如圖1所示。首先，選擇感興趣的特征，然后，選擇對病人群組生成的聚類方法和特征降維算法；之后，根據用戶的選擇，系統將生成相應的結果并展示在對應的視圖中，用戶通過點擊、框選等交互方式探索不同群組間的關系，查看單個病人的縱向病史以及詳細病歷。

表1 BI-RADS分類法Table 1 BI-RADS taxonomy

3.1 聚類散點圖

電子病歷數據呈高維特征，首先需做降維處理，降為低維空間后再進行聚類，以尋找相似病人群組。為可視化展示降維與聚類結果，本文用散點圖中的點表示病人，并用不同顏色編碼病人所屬的群組。散點圖中的坐標表示高維特征降為二維后的坐標值。用戶可以在二維空間中通過散點圖洞察病人之間的集聚程度（T 2）。

本文選擇多維縮放（multi-dimensional scaling，MDS）［15-17］算法將病人的高維屬性降為二維。在降維過程中，盡量保持原空間中的距離關系不變。MDS算法用幾何空間（歐氏空間或高維空間）距離計算病人之間的相似性，距離越近兩個點越相似。在此過程中，盡可能使距離關系保持單調與相似。

經MDS降維后，將病人情況顯示在二維空間坐標，選擇K-means等聚類算法進一步分析，聚類散點圖將實時展現聚類過程，例如，在圖2中，（a）和（b）分別為選擇K-means算法聚為兩類和五類的結果。

3.2 相似病人群組與群組比較

在選擇聚類算法后，系統根據相似性將病人劃分為不同的群組。由于每個病人均由多維屬性表示，可利用南丁格爾圖可視化相似病人群組。如圖1（d）所示，每行代表一個群組，用玫瑰表示病人，每個花瓣表示病人的一個屬性。對于布爾類屬性，若擁有則顯示花瓣，反之則隱藏。對于數值屬性和類別屬性，用花瓣的長短表示，花瓣越長表示該病人在相應屬性上數值越大。不同的屬性用不同的顏色展示，以便直觀感受病人間的差異（T 3）。

圖1 系統界面Fig.1 System overview

圖2 特征降維圖與聚類過程散點圖Fig.2 Feature reduction and clustering process scatter plots

為便于比較不同病人群組間的差異，設計了群組比較直方圖。如圖1（e）所示，在選擇兩個病人群組后，群組比較直方圖將展示其在不同屬性上的統計信息。橫坐標展示的為群組所具有的屬性，為方便區分，相鄰2個屬性用不同的背景色塊表示，分別統計每個屬性的不同數值區間，同一群組內的屬性共享一致的色彩編碼，需要比較的是2個群組展示在橫坐標上下兩側的數值。縱坐標表示屬于該區間的病人數與其歸屬群組中病人數占比（r），r值越大，表示在該群組中具有該區間屬性的病人越多。此設計有助于快速發現2個群組間的差異，挖掘感興趣的屬性與病人群組模式。當醫生接待新病人時，可通過搜索與病人最相似的群組獲取該類群組的特征，以幫助制訂治療方案。

3.3 群組特征詞云與詞頻

影像科醫生在檢查中會根據病人的癥狀及檢查結果做文字描述，以幫助乳腺科醫生了解病人病情。系統將從癥狀描述中提取主題，并用詞云進行展示，如圖1（b）所示。詞云中的字體大小和位置表示主題特征詞在癥狀描述中出現的次數，字體越大，表示出現頻率越高，且越靠近詞云中心。此外，用直方圖展示詞頻的具體數值，以輔助判斷特征詞的重要性，如圖1（c）所示。描述詞匯的直觀展示可幫助醫生了解病人的癥狀和比較不同群組之間的差異（T 3）。

3.4 單個病人縱向時間軸

通過訪問單個病人的縱向病史研究病人的病情進展（T 5）。從南丁格爾圖中選擇病人后，由于病人的病史與診斷時間相關，如圖1（f）所示，診斷時間軸圖根據時間順序從左到右展示病人所做的檢查及治療事件，橫軸展示的為發生的時間點，縱軸展示該檢查或治療事件的類別。點表示病人在該時間點發生的醫療事件，用不同顏色編碼該時間點的事件類別，點擊該點可顯示原始病歷，如圖1（g）所示的病理診斷報告詳文，方便多層面對信息進行分析。

4 治療方案設計可視化

基于乳腺癌電子病歷數據建立的預測模型，可根據患者屬性預測治療方案，如只提供預測結果，很難使用戶理解不同病人的屬性差異和特點。為解決此問題，本文設計了一個可視分析系統，通過視圖和交互，幫助醫生分析病情和預測結果，輔助制訂治療方案。

4.1 預測模型

本文用支持向量機（support vector machine，SVM）分類方法預測治療方案（T 4）。SVM是解決二分類問題的分類模型，其基于結構風險最小化原則，在樣本空間中尋找超平面分割樣本。

4.2 平行坐標

特征關聯的平行坐標圖用多個相互平行的縱軸表示不同的屬性，縱軸上的刻度表示其對應屬性的值。將每個病人可視化為一條穿插于多個縱軸之間的曲線，其與不同縱軸的交點表示該病人在該屬性上的值，用不同的顏色區分類別的屬性或屬性值。如圖3所示，系統用不同的顏色將表述患者病情嚴重程度的ER屬性值映射到曲線，如平行坐標圖右側的色帶所示，曲線的顏色越紅表示病情越嚴重，越紫表示越輕緩（T 1）。

圖3 特征關聯的平行坐標Fig.3 Feature-related parallel coordinate

4.3 矩陣熱力圖

矩陣熱力圖可用于表示屬性權重。由于每個屬性在每個分類器中具有不同的權重，可自然地由矩陣表示。受此啟發，本文采用矩陣熱力圖的形式展示各屬性在各個分類器中的權重，以幫助醫生快速觀察最相關的特征（T 4）。

系統根據特征權重的數值進行顏色編碼，如圖4所示，紅色表示特征權重為正值，顏色越深表示數值越大；藍色表示特征權重為負值，顏色越深表示數值越小。在矩陣熱力圖中，顏色越突出的方塊表明該屬性對該分類器的影響越大，反之則顏色與背景色越相近，此設計可提示醫生哪些是影響較大的屬性。同時，可通過右側的色帶，設置矩陣熱力圖中展示權重區間的上界和下界，實現過濾操作，隱藏權重過小或為負值的屬性，使醫生聚焦于感興趣的區間。

圖4 分類權重矩陣熱力圖Fig.4 The heat map illustrates the classification weight matrix

4.4 分類圖

為幫助醫生分析預測模型的分類結果，設計了分類圖。由于在分析過程中，不僅需要對預測模型的整體表現有直觀的認識，也需要詳細分析不同病人的分類預測情況，系統用不同顏色區別治療方案，以列為類別聚集，每個小方格表示一個病人，方塊位置表示分類結果。

圖5顯示了“乳房單側切除”這一類別的手術治療方案預測結果。左側的縱軸表示預測概率，“乳房單側切除”屬性作為一條縱軸將預測樣本劃分為左右2個區域，右側為預測正確樣本，左側為預測錯誤樣本。每個方塊的顏色由表示該病人實際所屬的類別決定，顏色編碼規則展示在對應圖例中。由此，分類器預測的精確度可由右側的方塊數得到，即為與縱軸顏色相同的方塊數與正確分類樣本數之比。此外，可通過方塊在概率預測縱軸上的分布洞察模型的準確率，即越靠近頂部的方塊，預測正確率越高。通過這些設計，可直觀感受預測模型的準確率和精確度，也可通過點擊方塊獲取該病人的詳細信息，完成進一步調查。

圖5 預測結果分類圖Fig.5 The classification chart displays prediction results

5 案例分析

為驗證系統的有效性和準確性，選取與乳腺癌病人相關的電子病歷數據進行輔助屬性分析、病理特征分析和治療方案設計評估。所用數據主要包括病理診斷報告、B超報告、磁共振（MRI）診斷報告、乳腺鉬靶診斷報告等，具體數據與數據量如表2所示。

表2 電子病歷數據源Table 2 Dataset of electronic health record

5.1 輔助屬性分析

在輔助屬性分析上，醫生希望通過輔助檢查將病人劃分至已有的病人群組，供后續治療參考，或從病人群組中找到可幫助診療的分析結果。

本案例采用MDS降維算法與K-Means聚類算法，針對表2中的病理診斷報告、B超報告、磁共振診斷報告和乳腺鉬靶診斷報告，將病人群組分為6類，降維和聚類結果如圖6所示。在降維和聚類過程中，由于算法具有隨機性，可通過交互調整算法中的參數，如K-Means中的K值優化結果。通過散點圖觀察降維和聚類結果是否符合預期（分布是否均勻，有無噪點），以便進行后續分析。

圖6 降維和聚類結果Fig.6 Clustering results after dimensionality reduction

病人群組分類結果如圖7所示，同一群組中病人的南丁格爾圖較為相似，而不同群組之間則差異較大。群組1和群組2對應的特征描述詞云如圖8所示，此有助于確認2個群組間的差異。對總體樣本而言，囊性增生和淋巴結腫大是其主要特征；對群組1而言，除了囊性增生外，腫塊和腫瘤標志物（CA）也較為突出；對群組2而言，結節和囊性增生是其突出特征。此外，可發現CA伴隨腫塊一起出現，且隨腫塊出現頻率的增加而增加。對比群組1與群組2可知，腫塊出現的病人較結節出現的病人患惡性腫瘤的可能性更高。

圖7 病人群組分類結果Fig.7 Nightingale diagram for different cohorts

圖9 為選擇CA、腫塊和結節屬性后的病人群組圖。從圖9中可發現，腫塊與CA呈伴隨出現的特點。對同時具有3類特征的病人，其腫塊也較大，病情更為嚴重。

此外，在群組1中，病人的BI-RADS分級均較高，平均在4c級以上，見圖7（a）；而在群組2中，病人的分級較低，基本為4a和4b，見圖7（b）。為進一步探究兩者之間的差異，圖10展示了此2個群組的比較直方圖。對于BI-RADS屬性，群組1（藍色）中大部分病人為偏惡性與惡性，良性僅占極小部分。病理檢查顯示，其中90%為浸潤性乳腺癌，且組織學分級在Ⅱ、Ⅲ級，淋巴結轉移比例較高，表明該類病人病情嚴重。大部分病人在手術方案上選擇單側切除或改良根治術。相比之下，在群組2（綠色）中，病人的BI-RADS分級較低，且腫塊大多小于4 cm，大部分未出現轉移現象，為保障術后生活質量等，大多病人選擇切除腫塊、保留乳房的手術方案。

圖8 特征描述詞云Fig.8 T heme word cloud for different cohorts

圖9 選擇腫塊、結節、CA特征后的病人群組圖Fig.9 Nightingale diagram that focuses on lumps，nodules，and CA

圖10 群組1與群組2比較直方圖Fig.10 Comparison of histograms for cohort 1 and cohort 2

通過觀察群組1和群組2，進一步推測病人選擇手術方案時受腫塊、浸潤性的影響較大。對腫塊較大和可能感染到周圍組織的浸潤性乳腺癌，因復發與轉移可能性較大，傾向于選擇單側乳腺切除或改良根治術。對于病情較輕的群組2，因腫瘤還未浸潤到其他組織，大多選擇切除腫塊的方案。此推測的合理性得到驗證，在乳腺彩超與病理結果的關聯分析中亦得到證明，本系統對乳腺癌早期篩查是有效的。

5.2 病理特征分析

選擇表1中的免疫組化報告和病理報告數據，對140位病人進行特征分析，以證明系統的實用性和有效性。

在對病理報告做整合處理后，排除了部分缺失數據，最后得到138位病人免疫組化中的ER、PR、Ki-67、CerbB-2四個特征和病理報告中的淋巴結情況、腫塊大小、病理類型、組織學分級、手術方案，并進行聯合分析，經MDS降維和K-Means聚類后，得到6個病人群組。

如圖11所示，通過比較群組2（綠色）和群組3（藍色）發現，群組3中淋巴結陽性表達較少，而群組2中淋巴結陽性表達較多。進一步分析發現，在群組3中，大多腫塊較小（<2 cm），且在組織學分級中多表現為高分化低惡性；而在群組2中，大多腫塊大于2 cm，組織學分級大多在Ⅱ級以上，浸潤性低分化惡性腫瘤占大多數。由此可猜測，淋巴結是否發生轉移與病人的腫塊大小及其組織學分級有較大關系。此結論已得到乳腺科醫生的證實。

5.3 治療方案設計

通過選擇平行坐標進行屬性相關性探索，圖12（a）以平行坐標的方式展示了隨機選取的94位患者的屬性。可觀察到ER和PR屬性在很大程度上擁有相同的陽性表現，具有很強的相關性。ER屬性值越大，陽性越強，病人的BI-RADS分級也越高，腫塊直徑大多在2 cm以上，且組織學分級主要分布在Ⅱ和Ⅲ級。

圖12（b）展示的為組織學分級為Ⅰ級的病人，可以明顯看到此類病人的ER和PR屬性大多為陰性。進一步過濾腫塊大于2 cm的病人，發現大部分病人選擇了腫塊部分切除的手術方案。由此可推斷，ER和PR等免疫組化屬性的表達與腫瘤的惡性程度有較大關系。當ER和PR屬性未呈現陽性且腫塊較小時，可采取只切除腫瘤部分的手術方案。

圖11 群組2與群組3比較直方圖Fig.11 Comparison of histograms for cohort 2 and cohort 3

圖12 病人屬性平行坐標展示Fig.12 Patients'features displayed by the parallel coordinate

圖4展示了預測模型在治療方案預測過程中各特征在各分類器中重要程度。從中可發現：

（1）對所有分類器而言，患者的年齡均展示在黃色方塊中，表明年齡并不是影響治療方案選擇的主要因素。

（2）針對全切與保乳分類器，腫塊大小的絕對權重值最高，其他分類器的權重值均較小，說明在考量全切還是保乳手術的決策過程中，腫塊大小是決定性因素。

（3）ER和PR等屬性與淋巴結轉移情況對改良根治手術的選擇影響較大，此結論得到了醫生的證實。在改良根治手術中，在切除乳房的同時會清掃腋下淋巴結組織，較適合有轉移的病人。

對50位病人的治療方案預測結果見圖13，四類治療方案分別為腫塊切除（藍色）、乳房單側切除（綠色）、改良根治（紅色）和新輔助治療（紫色）。由圖13可知，大部分病人采用腫塊切除（藍色）方案，而采用新輔助治療（紫色）的病人較少。雖然部分采用腫塊切除與乳房單側切除的病人在預測過程中可能出現混淆，但總體來說，能較準確預測大部分患者的治療方案。

圖13 治療方案預測結果Fig.13 Prediction of treatment plans

6 結 論

為幫助醫生有效地探索和分析乳腺癌患者的電子病歷數據，設計并實現了一個基于相似病人群組的可視分析系統。該系統通過用戶驅動的方式選擇特征，對病人信息進行降維和聚類，以幫助醫生分析不同群組之間的區別與聯系。該系統還可分析不同治療方案和屬性之間的相關性，以幫助醫生進行術前決策，提高診斷效率。

未來工作將嘗試分析更為龐大的數據集，并進行多角度探索，如預測患者生存率、追蹤疾病的發展模式等，緊密結合醫生需求，提高系統的普適性、完整性和實用性。