《数据挖掘技术在口腔诊疗中的应用.docx》由会员分享，可在线阅读，更多相关《数据挖掘技术在口腔诊疗中的应用.docx（3页珍藏版）》请在三一文库上搜索。
1、数据挖掘技术在口腔诊疗中的应用摘要： 目的：构造能够利用口腔疾病数据预测其他临床疾病致病规律的决策树,并提取分类规则。方法：使用weka软件，利用数据挖掘技术的ID3算法对口腔诊疗数据进行分析，并针对ID3算法的准确率进行改进。结果：得到了预期的决策树和分类规则。结论：改进的ID3算法准确率高于改进前，所得的结果能够对医师起到指导作用。关键词：数据挖掘；口腔疾病；weka；决策树；ID3算法引言 随着医院信息系统（Hospital Information System，HIS）的广泛应用，医院数据库系统中的各种医疗信息每天都在迅速增长。面对这些海量数据，我们很希望能够从中找到一些有价值的信息。
2、 口腔医学领域充斥着大量医疗数据信息，如果我们不能把这些信息转化为对我们有用的知识，这些数据就显得用途不大了【2】。因此，我们需要使用数据挖掘技术对这些医疗数据进行深层次的分析，以便更好的将数据加以利用，为医生的临床诊断或科研实验提供有力帮助。 1原始数据的获取及预处理 1.1 原始数据的获取 本课题所用的数据采集于邢台医专第二附属医院的HIS系统数据库，医院信息系统采用北京天健公司的“军卫一号”，数据库采用甲骨文公司的Oracle 10g，使用weka软件进行数据挖掘。本课题研究的是口腔疾病与其他临床疾病之间的关系，仅选用同时患有口腔疾病与其他临床疾病患者的数据信息。原始数据中有些属性是对挖
3、掘无用的，如体检号、体检科室、诊断项目编号等冗余属性，要全部去除。 1.2原始数据的预处理 经过数据清理、数据集成、数据变换、数据归约四个步骤，便得到预处理结果，如图1所示： 图1数据预处理结果 2用ID3算法分析数据 2.1ID3算法 第一步：通过计算给定数据集所有属性的信息增益，寻找根结点，并计算数据集分类的信息熵I。 第二步：由根结点属性的不同取值建立分支。 第三步：根据第一步，采用递归方法，确定各分支的子结点【5】。 由以上几个步骤就能构造一棵ID3决策树，可以用它来对新的样本进行分类。 2.2数据处理 在类别属性原发病中，胃溃疡、糖尿病、心脏病的实例数目分别为296、169、95，类
4、别属性的信息熵为： I= 1.4419917 需要计算每个属性的信息熵。龋病属性中，深龋、浅龋、无的实例数目分别为344、127、89。 患深龋的病人中患胃溃疡、糖尿病、心脏病的数目分别为255、47、42，则： I（深龋）= 1.0829416 患浅龋的病人中患胃溃疡、糖尿病、心脏病的数目分别为26、96、5，则： I（浅龋）= 0.9573660 不患龋病的病人中患胃溃疡、糖尿病、心脏病的数目分别为15、26、48，则： I（无）= 1.4319919 由此可得，龋病的熵值为： Entropy（龋病）=1.1099369 计算它的信息增益为： Gain（龋病）=I-Entropy（龋病）=
5、0.3320548 同理可得其他属性的信息熵和信息增益如下： 表1属性的信息熵和信息增益 牙髓炎根尖周炎牙石牙周袋牙着色Entropy1.38136141.44196081.24673981.2978921.4256026Gain0.06063030.00003090.19525190.14409970.0163891由以上结果可以看出，信息增益最大属性的是龋病，因此，龋病是构造决策树的根结点，根尖周炎的信息增益最小，比除它之外最小的属性牙着色还要小500多倍，由此可知，根尖周炎对决策树影响最小，为了简化决策树，将这一属性及其对应的数据删除。以龋病为根，根据龋病的三个分类，深龋、浅龋、无，构造
6、决策树的分枝和叶结点。 2.3准确率分析 由weka软件输出信息中的Correctly Classified Instances一项可知，总共560个样本中的474个被正确分类，占总样本数的84.6429 %，然后用训练集、测试集方法进行准确性测试，加载测试集数据文件，运行结果显示，根据先前生成的决策树，测试集数据中，总共288个样本中的238被正确预测，占测试集总样本的82.6389 %，分类器预测效果散点图如图2所示： 图2分类器预测效果散点图 x轴表示测试集中原有数据的原发病属性，y轴表示由训练集生成的模型对测试集预测的原发病属性，坐标图中的“”表示预测正确的样本，“”表示预测错误的样本
7、。从图中可以看出，绝大多数样本被正确分类了。 3ID3算法的改进及对比 3.1改进策略 本文是针对属性的选择对ID3算法进行改进，ID3算法计算属性A的信息增益时，用分类属性的总熵减去属性A的熵，如果引入一个参数，将公式修改为： 则可以加强重要属性，降低非重要的属性，使决策树减少对取值较多属性的依赖，从而改善大数据淹没小数据的状况。式中，为属性A的权值, 即属性A的取值个数，在选择属性时，将信息增益度最大的属性选择为分支属性, 取代了原来的信息增益。由此公式，可以得出训练集中各属性的信息增益度，如下所示： Gain（龋病）=0.51148006 Gain（牙髓炎）=0.226167147 Ga
8、in（根尖周炎）=0.217046029 Gain（牙石）=0.48972287 Gain（牙周袋）=0.238730544 Gain（牙着色）=0.219508183 3.2改进前后对比 随机选取10个数据集，每个数据集都进行了50次实验，然后求出分类准确率的平均值，这样一来，实验数据更加具有一般性，通过分析这些数据，对比ID3算法与改进的ID3算法在分类精度方面的差异。所有实验都是在相同的软硬件环境下进行的。 每个数据集set1set10的实例数目分别为，set1：235，set2：335，set3：435，set4：535，set5：635，set6：735，set7：835，set8：
9、935，set9：1035，set10：1135。分别用ID3算法与改进的ID3算法进行学习，得到不同实例数目下的分类准确率，通过对比，得到如下结果： 表2准确度比较 分组实例数量ID3算法准确率/%改进ID3算法准确率/%set123577.353278.5284set233579.438980.3561set343582.546883.0732set453584.368984.8962set563586.093487.5309set673589.580291.5179set783590.471193.8153set893591.409294.7126set9103592.547194.51
10、19set10113593.592395.1358平均值68586.740188.4078为了更直观的显示对比结果，我们可以用一个图来表示，如图3所示： 图3 准确度比较 4. 讨论 从ID3算法改进后的结果可以看出，没有出现像改进前，某个属性的信息增益比其他属性小很多的现象。第2节信息增益的计算部分，将根尖周炎这个信息增益远小于其他属性的属性删除，看似是去掉了非重要属性，简化了决策树的规模，但从医学角度来讲，根尖周炎也是判定口腔健康、预测其他疾病的重要因素，将其去掉并不合适。将ID3算法改进后，各个属性的信息增益度相差不大，从而避免了小数据被大数据淹没，这样就保证了决策树在实际应用中的可靠性
11、。 从表2可以看出，随着测试数据集实例的增加，ID3算法与改进的ID3算法的准确率都逐步增加，但改进的ID3算法准确率更高。图3是ID3算法改进前后的准确率对比，横轴代表实例数目，纵轴代表准确率，上面的曲线是改进的ID3算法的准确率，下面的是ID3算法的准确率。从图中可以看出，相同的实例数目，改进后的ID3算法的准确率高于改进前。通过与医学知识对照，可以得出本文构造的决策树是有实际意义的。 参考文献： 【1】 周利宏, 陈洁. 浅析数据挖掘技术在电子病历中的应用. 医学信息学杂志, 2009, 30(2): 44-46 【2】 戴召洋. 浅谈临床医疗信息数据挖掘. 中国农村卫生事业管理,2009, (06): 470-471 【3】 L.M.WANG,X.L.LI,C.H.CAO,et al.Combining Decision Tree and Naive Bayes for Classification. Knowledge-Based Systems, 2006: 19(7): 511-515 【4】 李贤鹏, 何松华, 赵孝敏, 等. 改进的ID3算法在客户流失预测中的应用.计算机工程与应用, 2009, (10): 242-244 【5】 翟俊海, 张素芳, 王熙照. ID3算法的理论基础.兰州大学学报(自然科学版), 2007, (06) :66-69