大數據背景下生物醫學(xué)論文
1大數據
來(lái)自生物、醫藥、醫械、臨床實(shí)驗與健康管理等各個(gè)方面的數據，構成生物醫學(xué)的各類(lèi)大數據資源，它們形式多樣，具有自身的特殊性，主要表現在以下幾個(gè)方面：
�。�1）原始數據量大，且呈異構、多樣性。
�。�2）難以用數學(xué)方式表達其結構及特征。例如：醫生對醫學(xué)影像、信號和其他臨床數據的解釋多是非結構化的語(yǔ)言或文字形式自由的口述，難以標準化。
�。�3）數據可能包含冗余的、無(wú)意義的或不一致的屬性，并且數據經(jīng)常要更新。
�。�4）數據采集很難完全避免噪聲干擾，而噪聲往往會(huì )影響處理結果。生物醫學(xué)大數據處理包括數據的收集、抽取與集成、分析與挖掘、解釋和共享等諸多方面，涉及數據庫、信息科學(xué)、統計學(xué)、高性能計算、網(wǎng)絡(luò )科學(xué)、心理學(xué)等多個(gè)領(lǐng)域。
2生物醫學(xué)信息處理
2.1數據挖掘在生物醫學(xué)信息分析中的應用
數據挖掘是對海量數據進(jìn)行處理和分析，找出數據間的隱含聯(lián)系，發(fā)現未知規律，最終獲得知識的過(guò)程。挖掘的過(guò)程包括信息收集、數據集成、數據規約、數據清理、數據變換、數據挖掘、模式評估和知識表示8個(gè)步驟[5]。近年來(lái)，數據挖掘是生物醫學(xué)信息分析的常用手段，尤其是在循證醫學(xué)研究、基因組和蛋白質(zhì)組的研究領(lǐng)域中有很廣泛的應用價(jià)值。KDNuggets在2011年全球數據挖掘應用行業(yè)調查的結果表明：健康行業(yè)位居10大數據挖掘應用領(lǐng)域的第3位。生物醫學(xué)領(lǐng)域大數據多是不完整的、不一致的、有噪聲的，數據具有獨特的復雜性、豐富性、規模和重要性，需要數據挖掘的特殊關(guān)注。數據挖掘經(jīng)典算法，如：分類(lèi)、聚類(lèi)、關(guān)聯(lián)分析、序列等在生物醫學(xué)數據挖掘時(shí)都可使用。
2.1.1 分類(lèi)（Classification）
分類(lèi)是根據己知數據的特征和分類(lèi)結果，為每個(gè)類(lèi)找到合理的模型(構造分類(lèi)器)，然后用這些模型對新數據進(jìn)行分類(lèi)。K最鄰近算法、決策樹(shù)、支持向量機、神經(jīng)網(wǎng)絡(luò )等是常用的分類(lèi)模型構造方法。疾病的診斷和鑒別就是典型的分類(lèi)過(guò)程。例如：美國學(xué)者利用數據挖掘軟件Clementine，以決策樹(shù)算法為模型，分析挖掘了醫療機構HealthOrg的數據倉庫中有關(guān)年齡、BMI指數、腰臀比和周鍛煉次數等數據，得出糖尿病患病危險因素的分析結果。此外，還有一些國內外研究者針對肺癌、乳腺癌的診斷數據，通過(guò)分類(lèi)挖掘的方法提高診斷的精確性。
2.1.2 聚類(lèi)（Clustering）
分析聚類(lèi)分析是將有共同特征或相似度高的數據對象實(shí)例聚成一類(lèi)的過(guò)程，常用來(lái)研究樣品或指標分類(lèi)問(wèn)題。聚類(lèi)分析在生物醫學(xué)領(lǐng)域已經(jīng)得到廣泛的應用，例如：可以根據流行病學(xué)特征屬性的相似程度將病例數據劃分成若干類(lèi)，通過(guò)比較各個(gè)類(lèi)別之間的臨床醫學(xué)狀態(tài)特征屬性的差異來(lái)分析某類(lèi)疾病。國外學(xué)者選取SEER數據庫中的217558例肺癌病例，通過(guò)分析每個(gè)病例的22個(gè)臨床醫學(xué)特征屬性和23個(gè)流行病學(xué)特征屬性的相似度后，將這些病例劃分為20類(lèi)，這就是典型的聚類(lèi)分析。
2.1.3 關(guān)聯(lián)（Association）分析
關(guān)聯(lián)反映的是一個(gè)事件和其他事件之間依賴(lài)或關(guān)聯(lián)的知識，可以通過(guò)表征事物特征的兩個(gè)或多個(gè)變量的取值之間存在的某種規律性，找出數據之間隱藏的關(guān)聯(lián)關(guān)系。關(guān)聯(lián)現象在生物醫學(xué)領(lǐng)域普遍存在，例如：臨床上的某些疾病會(huì )同時(shí)呈現幾種不同的病癥，這些病癥之間就表現為一定程度的關(guān)聯(lián)性，而醫生診斷病癥的過(guò)程常常以觀(guān)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律排列構成的一系列符號、數值或事件。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，分析序列數據能找到其統計規律或發(fā)現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(xué)研究中最常用方法。此外，還可用時(shí)間序列數據進(jìn)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(guò)Internet采集糖尿病患者的連續監測數據，經(jīng)時(shí)間序列分析后找到患者一天內血糖水平變化的規律和趨勢，為醫生調整或精確胰島素治療方案提供有效的數據和支持。
2.1.5 圖挖掘（GraphMining）
利用待研究的數據對象構建圖這種數學(xué)模型，然后從圖中尋找頻繁出現的子圖，從而挖掘出有價(jià)值的信息。例如：美國學(xué)術(shù)界整合出2003年H5N1禽流感感染風(fēng)險地圖，經(jīng)過(guò)圖挖掘分析出2013年H7N9人類(lèi)病例區域[11]。此外，從政府管理角度來(lái)看，公共衛生部門(mén)可以針對覆蓋全國患者的電子病歷數據庫進(jìn)行圖挖掘，從而完成全面疫情的監測。
2.2文本挖掘——生物醫學(xué)文獻信息的大數據處理
2.2.1 文本挖掘
目前，全球醫藥類(lèi)期刊近3萬(wàn)種，每年發(fā)表論文200多萬(wàn)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%以上的是與醫學(xué)信息相關(guān)的。文本挖掘（Text-Mining）和信息可視化（InformationVisualization）是分析這些數據，揭示知識領(lǐng)域的內在聯(lián)系的最有效手段。文本挖掘主要結合文字處理技術(shù)，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(yè)等），抽取散布在文本文件中的有價(jià)值知識，并轉化為可利用的知識的過(guò)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(gè)步驟的預處理工作。文本挖掘多以計算機技術(shù)實(shí)現，文檔聚類(lèi)、文檔分類(lèi)和摘要抽取是應用最多的技術(shù)。文檔聚類(lèi)主要完成大規模文檔集內容的概括、識別文檔間隱藏的相似度、減輕瀏覽相關(guān)、相似信息等功能。文檔分類(lèi)多以統計方法或機器學(xué)習自動(dòng)實(shí)現，簡(jiǎn)單貝葉斯分類(lèi)法，矩陣變換法、K最鄰近分類(lèi)算法以及SVM等都是其常用的分類(lèi)方法。摘要抽取主要是利用計算機自動(dòng)地從原始文檔中提取全面、準確反映該文檔中心內容的簡(jiǎn)單連貫的短文。此外，文本挖掘的結果評價(jià)常用分類(lèi)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進(jìn)行評價(jià)。生物醫學(xué)信息處理領(lǐng)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、藥物作用靶點(diǎn)預測等都與文本挖掘技術(shù)密不可分。在我國，已經(jīng)有一些研究者利用文本挖掘技術(shù)來(lái)研究醫學(xué)文獻背后隱藏的知識。臨床上，醫生用文本挖掘技術(shù)對疾病的處方和中藥用藥規律進(jìn)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(xué)和圖像處理技術(shù)，將信息轉換為具有一定意義圖形或圖像，并進(jìn)行交互處理的理論、方法和技術(shù)。它能有效發(fā)掘、過(guò)濾和研究海量數據，以更直觀(guān)、有效的方式使研究人員更容易發(fā)現隱藏在信息內部的特征和規律，深層次地發(fā)掘包括生物醫學(xué)領(lǐng)域在內的多個(gè)學(xué)科的研究熱點(diǎn)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，主要完成數量統計、共現分析和統計圖表、共現矩陣、節點(diǎn)鏈接圖、技術(shù)報告展示等功能。例如：國外學(xué)者針對PubMed數據庫中2002年到2011年的文獻，分析了以“電子健康檔案”、“醫療記錄系統”和“計算機輔助診療”為主題的文獻的引用情況后，用可視化工具展現其研究結果，使相關(guān)領(lǐng)域的科研人員很直觀(guān)的了解了該領(lǐng)域的研究狀況。
3總結與展望
生物醫學(xué)領(lǐng)域的大數據時(shí)代已經(jīng)來(lái)臨，與大數據處理相關(guān)的新理論、新技術(shù)和新方法將給該領(lǐng)域的實(shí)質(zhì)性進(jìn)展提供有效的技術(shù)支持，不斷進(jìn)步的信息處理技術(shù)和方法必將是廣大研究人員和醫生從事研究和診療工作的利器。目前，我國相關(guān)的大數據的技術(shù)和應用還處在學(xué)習和跟隨的階段，掌握生物醫學(xué)知識和大數據處理技術(shù)的復合型人才還十分有限，亟需在國家層面制定生物醫學(xué)領(lǐng)域大數據方面的政策、加大資源投入，從而建立良好的大數據生態(tài)環(huán)境。同時(shí)，重視大數據科學(xué)和生物醫學(xué)的基礎研究和相關(guān)人才的培養。此外，在生物醫學(xué)飛速發(fā)展越來(lái)越依賴(lài)數據的同時(shí)，也應該多關(guān)注隱私問(wèn)題、數據的安全性問(wèn)題以及由此涉及的倫理道德問(wèn)題。我們相信，通過(guò)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學(xué)信息處理的各項任務(wù)，為我國的生物醫學(xué)發(fā)展做出更大的貢獻。
【大數據背景下生物醫學(xué)論文】相關(guān)文章：
醫學(xué)論文05-16
大物實(shí)驗報告09-06
(精品)醫學(xué)論文05-22
[精華]醫學(xué)論文05-25
[優(yōu)]醫學(xué)論文05-25
[推薦]醫學(xué)論文05-20
醫學(xué)論文[薦]05-21
醫學(xué)論文(精華)05-25
【精選】鄉下生活的作文3篇11-26