基于聚類的血清質(zhì)譜數(shù)據(jù)和體檢數(shù)據(jù)關(guān)聯(lián)規(guī)則分析

王 玉，韓家新

（西安石油大學(xué)計算機(jī)學(xué)院，西安 710065）

0 引言

體檢報告是指對身體進(jìn)行檢查而生成的數(shù)據(jù)文檔。它是將血液標(biāo)本與抗凝劑均勻混合，經(jīng)全自動血液細(xì)胞分析儀遵循相關(guān)制度進(jìn)行檢驗(yàn)得到的數(shù)據(jù)［1］。當(dāng)體檢報告中的數(shù)據(jù)高于或低于參考值時，此數(shù)據(jù)有助于醫(yī)生分析病情，同時對患者起到警示作用。血清質(zhì)譜數(shù)據(jù)是將血液傳入質(zhì)譜，并在粒子區(qū)域?qū)ζ溥M(jìn)行離子化，通過質(zhì)荷比對進(jìn)入質(zhì)譜儀的粒子進(jìn)行分離，對離子信號進(jìn)行檢測并記錄峰強(qiáng)得到的［2］。體檢報告與血清質(zhì)譜數(shù)據(jù)都是使用血液樣本通過不同的分析儀器得到的數(shù)據(jù)，通過數(shù)據(jù)挖掘得到質(zhì)譜數(shù)據(jù)和體檢數(shù)據(jù)之間的關(guān)聯(lián)性。

關(guān)聯(lián)規(guī)則是最常見的數(shù)據(jù)挖掘任務(wù)，可以用來構(gòu)建推薦體系。通過收集到的用戶使用、購買等數(shù)據(jù)，挖掘出相關(guān)性，形成知識，作為推薦的依據(jù)在電商廣告、新聞推送等相關(guān)推薦場景應(yīng)用。另一種對數(shù)據(jù)的挖掘，如氣象因素分析、事故因素分析等通過過往數(shù)據(jù)總結(jié)規(guī)則。質(zhì)譜數(shù)據(jù)和體檢數(shù)據(jù)之間的關(guān)聯(lián)意義也逐漸被研究人員看到。用關(guān)聯(lián)規(guī)則算法對血清質(zhì)譜數(shù)據(jù)和體檢數(shù)據(jù)的屬性進(jìn)行挖掘，分析質(zhì)譜數(shù)據(jù)與體檢數(shù)據(jù)之間的對應(yīng)關(guān)系，這對醫(yī)學(xué)血液檢測的發(fā)展有積極的意義。

1 相關(guān)理論

1.1 聚類方法

血清數(shù)據(jù)是一組無序的連續(xù)性數(shù)據(jù)，在傳統(tǒng)數(shù)據(jù)分析過程中，對于連續(xù)性數(shù)據(jù)的屬性需要進(jìn)行離散化。在當(dāng)前數(shù)據(jù)分析中，關(guān)于數(shù)據(jù)離散化的方法有：聚類、等寬法、等頻法。因?yàn)榈葘挿▽﹄x群點(diǎn)比較敏感，不均勻地分布數(shù)據(jù)；等頻法可能將相同的數(shù)據(jù)分到不同的區(qū)間；聚類離散化適用于任意屬性的數(shù)據(jù)集，可以靈活控制不同層次的聚類粒度。由于質(zhì)譜數(shù)據(jù)高維且各屬性維度不同的特點(diǎn)，使用聚類對數(shù)據(jù)進(jìn)行離散化。

面對一組數(shù)據(jù)K={K1,K2,…,Kn}，將這組數(shù)據(jù)分為m組（m＜n），這樣的過程被稱為聚類。當(dāng)前的主要聚類方法有［3］：

（1）基于距離的聚類：以空間中k個點(diǎn)為中心進(jìn)行聚類，對最靠近它們的對象歸類。該方法的優(yōu)點(diǎn)是速度快、簡單。

（2）層次聚類方法：主要基于二叉樹的數(shù)據(jù)結(jié)構(gòu)，它的優(yōu)點(diǎn)是不需要預(yù)先估計當(dāng)前數(shù)據(jù)有多少個類別，但在面對高維數(shù)據(jù)時速度降低。

（3）基于密度的聚類：具有任意形狀簇的噪聲魯棒性［4］，然而該方法在面對具有多種密度的簇的情況下，大部分基于密度的流數(shù)據(jù)聚類方法難以獲得滿意的聚類結(jié)果。

（4）基于譜圖的聚類：在規(guī)則的數(shù)據(jù)集中效果比較明顯。

（5）基于神經(jīng)網(wǎng)絡(luò)的聚類：通常用于識別檢測，圖像處理等領(lǐng)域，在無監(jiān)督學(xué)習(xí)中學(xué)習(xí)效率比較低［5］。

質(zhì)譜數(shù)據(jù)有維度高、不規(guī)則的特點(diǎn)，基于此特點(diǎn)，本文選擇使用基于距離的改進(jìn)K-means聚類對連續(xù)屬性進(jìn)行離散化。

1.2 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則算法是從大量數(shù)據(jù)中發(fā)現(xiàn)數(shù)據(jù)項(xiàng)集之間關(guān)聯(lián)性，分析得出關(guān)聯(lián)規(guī)則，對制定決策起到關(guān)鍵性作用。目前關(guān)聯(lián)規(guī)則挖掘算法主要有：

（1）層次算法：是一種針對挖掘布爾型數(shù)據(jù)頻繁項(xiàng)集的算法，它是比較經(jīng)典的關(guān)聯(lián)規(guī)則算法。

（2）搜索算法：指在讀取數(shù)據(jù)集的時侯，對該數(shù)據(jù)集事務(wù)中的所有項(xiàng)目集進(jìn)行整體規(guī)劃處理。它需要計算出數(shù)據(jù)集中的所有數(shù)據(jù)項(xiàng)目集的支持?jǐn)?shù)，候選項(xiàng)目集數(shù)量的龐大會導(dǎo)致計算效率明顯下降。

（3）數(shù)據(jù)集劃分算法：是將整個數(shù)據(jù)集分為多個可以存放在內(nèi)存中進(jìn)行處理的數(shù)據(jù)小塊。

（4）抽樣算法：通過對數(shù)據(jù)集抽樣產(chǎn)生所需的樣本數(shù)據(jù)集，然后針對樣本數(shù)據(jù)集進(jìn)行數(shù)據(jù)挖掘，一般適用于對挖掘效率要求較高，而對挖掘準(zhǔn)確性要求不太高的關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘［6］。

根據(jù)質(zhì)譜數(shù)據(jù)及體檢數(shù)據(jù)的特征分析，選用層次算法。其中的典型代表是Apriori和FP-Growth算法，使用Apriori算法分析血清質(zhì)譜數(shù)據(jù)和體檢數(shù)據(jù)關(guān)聯(lián)規(guī)則，并且使用FP-Growth算法與Apriori算法對得出的關(guān)聯(lián)規(guī)則進(jìn)行驗(yàn)證。

2 方法

2.1 改進(jìn)K-means算法

K-means算法將一組有限數(shù)據(jù)集劃分為多個簇的過程。簇中所有元素的均值為該簇的中心，即質(zhì)心。隨機(jī)選取初始質(zhì)心之后，將每個數(shù)據(jù)分配到離它們最近的質(zhì)心，生成n個簇，對于每個簇，重新計算該簇的質(zhì)心并且將樣本點(diǎn)重新分配給各簇，如此迭代，直到質(zhì)心位置不再發(fā)生變化。

傳統(tǒng)K-means方法主要采用隨機(jī)選取初始質(zhì)心的方式，但是這種方式會導(dǎo)致一個局部最優(yōu)解的問題，即將一個比較大的簇分裂，同時將兩個小的簇進(jìn)行合并。由于K-means算法具有不穩(wěn)定性，初始質(zhì)心選擇不同，結(jié)果也不同。

改進(jìn)K-means算法中質(zhì)心初始值采用等差方式進(jìn)行選取，其中μi為第i個質(zhì)心，a為數(shù)據(jù)中最大值，b為數(shù)據(jù)中最小值，n為質(zhì)心個數(shù)。

根據(jù)公式（1），初始化質(zhì)心μ={μ1,μ2,…,μk}，計算當(dāng)前對象與μ的距離dis(Xi,μj)。

式（2）中，μj( 1 ≤j≤k)表示第j個質(zhì)心，Xt( 1 ≤t≤m)表示第t個屬性，μjt表示第j個聚類的第t個屬性。根據(jù)公式（2）可以獲得距離矩陣Di s={dis1,dis2,…,disn}，其中disi={dXiμ1,dXiμ2,…,dXiμk}，依次將每個X分配到min(disi)所在的μ的簇中。簇內(nèi)樣本均值計算公式如下：

在聚類算法中，針對無標(biāo)簽數(shù)據(jù)集通常采用輪廓系數(shù)來評價聚類結(jié)果的好壞。由于原始血清質(zhì)譜數(shù)據(jù)是沒有真實(shí)標(biāo)簽的，因此主要通過輪廓系數(shù)來選擇最優(yōu)聚類結(jié)果。單個樣本的輪廓系數(shù)公式如下：

每個樣本的S值越接近1，代表聚類效果越好；越接近-1，代表聚類效果越差。通過計算每個樣本的輪廓系數(shù)的均值Sˉ可判定離散化是否符合簇內(nèi)差異小，簇外差異大的特點(diǎn)，即判定聚類效果好壞。

2.2 Apriori算法

Apriori算法是通過連接產(chǎn)生候選項(xiàng)及其支持度然后通過剪枝生成頻繁項(xiàng)集，它是一種基于二叉樹逐層搜索的迭代方法［7］。對于一組可能具有關(guān)聯(lián)性的事務(wù)，它所對應(yīng)的集合表示為A={a1,a2,…,ai,…,an}，n為樣本數(shù)量。Ai中的全部項(xiàng)集表示為ai={b1,b2,…,bi,…,bm}，m為每個樣本的特征數(shù)量，bi為每個樣本的每一項(xiàng)。說明原始數(shù)據(jù)集是一個n*m的數(shù)據(jù)集。

（1）頻繁項(xiàng)集Lk={l1,l2,…,li,…,ln}，n為候選項(xiàng)集的個數(shù)，li={b1,b2,…,bi,…,bn}，k為頻繁k項(xiàng)集；

（a）當(dāng)k!=1時，k為頻繁k項(xiàng)集，頻繁項(xiàng)集中的每一項(xiàng)li都符合以下公式：

Conf i d ence為最小置信度，置信度代表了一個項(xiàng)集在數(shù)據(jù)集中出現(xiàn)的頻繁程度。在一個樣本中bi出現(xiàn)的條件下，則li出現(xiàn)的概率。Num(l1)為項(xiàng)集l1在數(shù)據(jù)集中出現(xiàn)的次數(shù)。

此外，谷祺教授還曾于1992～1993年在《遼寧財會》連續(xù)發(fā)表了十幾篇有關(guān)資產(chǎn)評估的學(xué)術(shù)論文，對資產(chǎn)評估的理論與方法進(jìn)行了系統(tǒng)論述，并就其中的一些核心問題提出了獨(dú)到見解，對于完善資產(chǎn)評估學(xué)的學(xué)科體系做出了積極、有益的貢獻(xiàn)。

（b）當(dāng)k=1時，即為頻繁1項(xiàng)集，頻繁1項(xiàng)集中的每一項(xiàng)li都滿足以下公式：

Frequency為最小頻繁度。低于Frequency的項(xiàng)集在整個數(shù)據(jù)集中出現(xiàn)的次數(shù)太少，研究認(rèn)為它所結(jié)合生成的頻繁項(xiàng)集不具備普遍性，即對它進(jìn)行剪枝處理。

（2）候選項(xiàng)集Ck={ }c1,c2,…,ci,…,cn，n為候選項(xiàng)集的個數(shù)，ci={ }b1,b2,…,bi,…,bk，k為候選k項(xiàng)集。L1,L2,…,LK-1中的頻繁項(xiàng)集兩兩結(jié)合，生成候選項(xiàng)集di={ }b1,b2,…,bi,…,bq，若q=k，則di就是候選k項(xiàng)集ck。

（3）關(guān)聯(lián)規(guī)則：利用已經(jīng)搜集到的頻繁項(xiàng)集，挖掘物品或者屬性之間存在的內(nèi)在關(guān)系。關(guān)聯(lián)規(guī)則發(fā)現(xiàn)是指找出置信度大于等于Confident的規(guī)則。

3 實(shí)驗(yàn)過程

3.1 原始數(shù)據(jù)描述

實(shí)驗(yàn)室共收集到200人的血清樣本及其體檢數(shù)據(jù)。

3.1.1 血清質(zhì)譜數(shù)據(jù)

每個樣本包含十組血清質(zhì)譜數(shù)據(jù)。以其中一個編號為#4的血清樣本的前兩組為例，如表1所示，為該樣本的血清質(zhì)譜數(shù)據(jù)。

表1 質(zhì)譜數(shù)據(jù)樣例

每組樣本由Mass和Relative Intensity構(gòu)成。Mass為質(zhì)荷比（m/z：指離子質(zhì)量與電荷數(shù)的比值）；通過觀察實(shí)驗(yàn)中的數(shù)據(jù)，發(fā)現(xiàn)質(zhì)荷比數(shù)據(jù)分布在150～1500之間（這里取前八行展示），數(shù)據(jù)精度保留了小數(shù)點(diǎn)后6位。Relative Intensity為相對豐度，也叫相對強(qiáng)度，在同位素分離理論中常用來表示輕組分的含量，在研究代表質(zhì)荷比的含量，它的數(shù)據(jù)精度保留了小數(shù)點(diǎn)后9位。

3.1.2 體檢數(shù)據(jù)

每一行代表一個樣本數(shù)據(jù)，編號與血清質(zhì)譜數(shù)據(jù)的編號一一對應(yīng)，每個樣本數(shù)據(jù)包含基本信息樣本和血液檢測的基本檢測項(xiàng)目共43項(xiàng)，即每條數(shù)據(jù)有43個屬性。以前三組的體檢數(shù)據(jù)為例，如表2所示，為該體檢數(shù)據(jù)。

表2 體檢數(shù)據(jù)樣例

3.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理技術(shù)是數(shù)據(jù)分析以及數(shù)據(jù)挖掘過程中非常重要的一環(huán)。數(shù)據(jù)預(yù)處理是指在對數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘的主要處理工作之前，先對原始數(shù)據(jù)進(jìn)行必要的清洗、集成、轉(zhuǎn)換、離散、歸約、特征選擇和提取等一系列處理工作，達(dá)到挖掘算法進(jìn)行知識獲取要求的最低規(guī)范和標(biāo)準(zhǔn)［8］。

（1）首先將原始質(zhì)譜數(shù)據(jù)進(jìn)行轉(zhuǎn)置，轉(zhuǎn)換后的數(shù)據(jù)每列代表一種質(zhì)荷比，它們的差值為0.1，每一行代表一組數(shù)據(jù)。

（2）每組質(zhì)譜數(shù)據(jù)與體檢數(shù)據(jù)一一對應(yīng)，并將其合并。

（3）對數(shù)據(jù)中的缺失值進(jìn)行處理。

3.3 聚類離散化

質(zhì)譜數(shù)據(jù)和體檢數(shù)據(jù)的離散化在一定程度上決定了最終得出的關(guān)聯(lián)規(guī)則。研究使用K-means算法和改進(jìn)K-means算法對數(shù)據(jù)進(jìn)行離散化，實(shí)驗(yàn)中選擇將數(shù)據(jù)聚類為三個類簇。

分別得到兩個算法的輪廓系數(shù)均值，K-means算法的值為0.785，改進(jìn)K-means算法的Sˉ值為0.739。可知改進(jìn)K-means算法更具備簇內(nèi)差異小，簇間差異大的特點(diǎn)。所以選擇改進(jìn)K-means算法對數(shù)據(jù)進(jìn)行離散化。離散化后的結(jié)果如表3所示：即聚類層面上的三類，偏低=0，偏正常=1，偏高=2。

表3 數(shù)據(jù)離散化

3.4 關(guān)聯(lián)規(guī)則

研究中使用Apriori算法和FP-Growth算法對于離散后的數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則分析，設(shè)置Con f id ence的閾值為0.95。使用FP-Growth算法與Apriori算法對得出的聚類分析結(jié)果進(jìn)行驗(yàn)證。對同時存在于兩個算法中的關(guān)聯(lián)規(guī)則進(jìn)行保留，作為最終得到的關(guān)聯(lián)規(guī)則。

4 關(guān)聯(lián)規(guī)則結(jié)果分析

為了實(shí)驗(yàn)結(jié)果的精確性，通過FP-Growth算法對基于聚類的Apriori算法得出的結(jié)果進(jìn)行驗(yàn)證。基于聚類的Apriori算法得出的結(jié)果中，如果在FP-Growth算法得到的結(jié)果中也出現(xiàn)則保留。基于聚類的Apriori算法得出180516條關(guān)聯(lián)規(guī)則，F(xiàn)P-Growth算法得出357711條關(guān)聯(lián)規(guī)則，最終保留下來36980條關(guān)聯(lián)規(guī)則。

從數(shù)量上看，血清質(zhì)譜數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則是最多的，說明體檢數(shù)據(jù)屬性與屬性之間有很強(qiáng)的關(guān)聯(lián)性。從概率上來看，選取置信度大于95%的關(guān)聯(lián)規(guī)則，研究生成的關(guān)聯(lián)規(guī)則的置信度比較高。

以上實(shí)驗(yàn)得出的結(jié)果將關(guān)聯(lián)規(guī)則可分為三類：體檢數(shù)據(jù)的關(guān)聯(lián)規(guī)則分析，血清質(zhì)譜數(shù)據(jù)的關(guān)聯(lián)規(guī)則分析，體檢數(shù)據(jù)和血清質(zhì)譜數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則分析。由于體檢數(shù)據(jù)屬性之間置信度高于95%的關(guān)聯(lián)規(guī)則只有一個，所以不做分析。選取另兩類關(guān)聯(lián)規(guī)則結(jié)果的前十條進(jìn)行闡述。

4.1 質(zhì)譜數(shù)據(jù)的關(guān)聯(lián)規(guī)則分析

研究得出131031條質(zhì)譜數(shù)據(jù)的關(guān)聯(lián)規(guī)則。從整體上看，質(zhì)譜數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則數(shù)量上是最多的，并且置信度也比較高。觀察發(fā)現(xiàn)，質(zhì)譜數(shù)據(jù)中有關(guān)聯(lián)的屬性都是距離較近的屬性。也就是說，Mass質(zhì)荷比的值相近的更有關(guān)聯(lián)性；置信度較高的關(guān)聯(lián)規(guī)則基本都平均分布在血清質(zhì)譜數(shù)據(jù)的Mass質(zhì)荷比為500～850的區(qū)間，說明質(zhì)譜數(shù)據(jù)中Mass質(zhì)荷比的值介于500～850之間的更有關(guān)聯(lián)性。質(zhì)譜數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則結(jié)果的前五條部分內(nèi)容如表4所示。

表4 質(zhì)譜數(shù)據(jù)mass值之間的關(guān)聯(lián)規(guī)則

4.2 體檢數(shù)據(jù)和質(zhì)譜數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則分析

研究得出共有49484條體檢數(shù)據(jù)和質(zhì)譜數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則。表5為與Mass質(zhì)荷比的值相關(guān)聯(lián)的體檢數(shù)據(jù)屬性，選取置信度最高的五個屬性進(jìn)行展示。

表5 質(zhì)譜數(shù)據(jù)Mass值與體檢數(shù)據(jù)屬性之間的關(guān)聯(lián)規(guī)則

在質(zhì)譜數(shù)據(jù)的Mass質(zhì)荷比中，生成關(guān)聯(lián)規(guī)則最多的520+0，與體檢數(shù)據(jù)的屬性之間的關(guān)聯(lián)規(guī)則有18114項(xiàng)，占此類關(guān)聯(lián)規(guī)則的36.6%，在與520+0關(guān)聯(lián)的置信度前五條中的體檢數(shù)據(jù)屬性，有四個屬性與肝臟功能相關(guān)；與809+0相關(guān)聯(lián)的置信度前五條中的體檢數(shù)據(jù)屬性，有兩個屬性與貧血相關(guān)，兩個屬性與免疫相關(guān)；與688+0相關(guān)聯(lián)的置信度前五條中的體檢數(shù)據(jù)屬性，有三個屬性與貧血相關(guān)。

血清質(zhì)譜數(shù)據(jù)的Mass質(zhì)荷比與體檢數(shù)據(jù)的屬性的關(guān)聯(lián)性非常強(qiáng)，置信度較高的關(guān)聯(lián)規(guī)則比較平均地分布在血清質(zhì)譜數(shù)據(jù)的Mass質(zhì)荷比為介于500～850的區(qū)間，說明血清質(zhì)譜數(shù)據(jù)的Mass質(zhì)荷比介于500～850之間的數(shù)據(jù)無論是在與質(zhì)譜數(shù)據(jù)本身的關(guān)聯(lián)中，還是在與體檢數(shù)據(jù)屬性的關(guān)聯(lián)中都有非常強(qiáng)的關(guān)聯(lián)性。

5 結(jié)語

將數(shù)據(jù)挖掘及關(guān)聯(lián)規(guī)則分析技術(shù)應(yīng)用于體檢數(shù)據(jù)和血清質(zhì)譜數(shù)據(jù)，深入挖掘了血清質(zhì)譜數(shù)據(jù)質(zhì)荷比之間，體檢數(shù)據(jù)屬性之間，質(zhì)譜數(shù)據(jù)的質(zhì)荷比與體檢數(shù)據(jù)屬性之間的關(guān)聯(lián)規(guī)律，挖掘得到了體檢數(shù)據(jù)和血清質(zhì)譜數(shù)據(jù)的關(guān)聯(lián)規(guī)則，為血液檢驗(yàn)提供輔助診斷，促進(jìn)醫(yī)療血液診斷的發(fā)展。