数据挖掘在中文病历分类中的应用

总第２５７期　２０１ｉ年第３期　计算机与数字工程　

Ｃｏｍｐｕｔｅｒ＆Ｄｉｇｉｔａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｖ０１．３９　Ｎｏ．３　

１６Ｏ　

数据挖掘在中文病历分类中的应用　崔　园　（成都医学院人文信息管理学院计算机教研室成都６１００８３）　

摘要文中展示了一种新的基于短语匹配的中文电子病历分类算法。这种方法能够充分地运用信息量更大的短语　匹配而不是独立的字词匹配，并且它能够保留文档结构信息。通过用向量空间表示匹配的短语，每个病历记录被表示为一　个向量，向量中每个元素表示一个短语在记录中出现的次数。所有的向量组成了病例数据集，并把它作为自组织神经网络　的输入数据。实验表示，将这种方法应用在不同病种的数据集分类上具有较高的正确率，分类正确率平均值为９５．４１７　。分　类结果能够有效地辅助医务工作者诊断疾病，帮助他们总结出不同病种问以前从未发现的重要表现特征。　关键词ＤＩＧ算法；电子病历；文本分类　中图分类号Ｒ３　

Ｄａｔａ　Ｍｉｎｉｎｇ　Ｍｅｔｈｏｄ　ｗｉｔｈ　ｉｔｓ　Ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ｔｈｅ　Ｃａｔｅｇｏｒｉｚａｔｉｏｎ　ｏｆ　ｔｈｅ　Ｃｈｉｎｅｓｅ　Ｍｅｄｉｃａｌ　Ｒｅｃｏｒｄｓ　

ＣＵｉ　Ｙｕａｎ　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ，Ｃｈｅｎｇｄｕ　Ｍｅｄｉｃａｌ　Ｃｏｌｌｅｇｅ，Ｃｈｅｎｇｄｕ　６１００８３）　

Ａｂｓｔｒａｃｔ　Ｔｈｉｓ　ｐａｐｅｒ　ｄｅｖｅｌｏｐｓ　ａ　ｐｈｒａｓｅ－ｂａｓｅｄ　ｍｅｔｈｏｄ　ｆｏｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｔｈｅ　Ｃｈｉｎｅｓｅ　ｍｅｄｉｃａ１　ｃａｓｅ　ｒｅｃｏｒｄｓ．Ｔｈｉｓ　ｍｅｔｈ—　ｏｄ　ｍａｋｅｓ　ｇｏｏｄ　ｕｓｅ　ｏｆ　ｍｏｒｅ　ｉｎｆｏｒｍａｔｉｖｅ　ｐｈｒａｓｅ　ｍａｔｃｈｉｎｇ　ｒａｔｈｅｒ　ｔｈａｎ　ｉｎｄｉｖｉｄｕａｌ　ｗｏｒｄｓ　ｍａｔｃｈｉｎｇ，ａｎｄ　ｔｈｅ　ｄｏｃｕｍｅｎｔ　ｓｔｒｕｃｔｕｒｅ　ｉｓ　ｍａｉｎｔａｉｎｅｄ．Ｂｙ　ｕｓｉｎｇ　ｖｅｃｔｏｒ　ｓｐａｃｅ　ｍｏｄｅｌ　ｗｉｔｈ　ｐｈｒａｓｅ　ｍａｔｃｈｉｎｇ，ｅａｃｈ　ｍｅｄｉｃａｌ　ｃａｓｅ　ｒｅｃｏｒｄ　ｃａｎ　ｂｅ　ｔｒａｎｓｆｏｒｍｅｄ　ｉｎｔｏ　ａ　ｖｅｃｔｏｒ，　ｅａｃｈ　ｅｌｅｍｅｎｔ　ｏｆ　ｔｈｅ　ｖｅｃｔｏｒ　ｃｏｒｒｅｓｐｏｎｄｓ　ｔｏ　ａ　ｆｅａｔｕｒｅ　ｗｉｔｈ　ｔｈｅ　Ｄｕｍｂｅｒ　ｏｆ　ｔｈｅ　ｐｈｒａｓｅ　ａｐｐｅａｒ　ｔｉｍｅｓ　ｉｎ　ｔｈｅ　ｒｅｃｏｒｄ　ａｓ　ｉｔｓ　ｖａｌｕｅ．Ａ１ｌ　ｏｆ　ｓｕｃｈ　ｖｅｃｔｏｒｓ　ｃｏｍｐｏｓｅ　ｔｈｅ　ｍｅｄｉｃａｌ　ｃａｓｅ　ｒｅｃｏｒｄｓ　ｄａｔａ　ｓｅｔ，ｗｈｉｃｈ　ｉｓ　ｕｓｅｄ　ａｓ　ｔｈｅ　ｉｎｐｕｔ　ｏｆ　ｔｈｅ　Ｓｅｌｆ＿ｏｒｇａｎｉｚｉｎｇ　Ｍａｐｐｉｎｇ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ（Ｓ（）Ｍ　ＮＮ）．Ｅｘｐｅｒｉｍｅｎｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｃａｎ　ｈａｖｅ　ｈｉｇｈ　ｐｅｒｆｏｒｍａｎｃｅ　ｉｎ　ｔｅｒｍｓ　ｏｆ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｍｅｄｉｃａｌ　ｃａｓｅ　ｒｅｃｏｒｄｓ　ｃｏｖｅｒｉｎｇ　ｄｉｆｆｅｒｅｎｔ　ｋｉｎｄｓ　ｏｆ　ｄｉｓｅａｓｅｓ．Ｔｈｅ　ａｖｅｒａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｉｓ　９５．４１７％．Ｓｕｃｈ　ｒｅｓｕｌｔｓ　ｃａｎ　ｈｅｌｐ　ｔｈｅ　ｍｅｄｉｃａｌ　ｓｔａｆｆ　ｄｉａｇｎｏｓｅ　ｄｉｓｅａｓｅｓ　ａｎｄ　ｉｎｖｅｓｔｉｇａｔｅ　ｔｈｅ　ｆｅａｔｕｒｅｓ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｄｉｓｅａｓｅｓ，ｗｈｉｃｈ　ｍａｙ　ｎｏｔ　ｈａｖｅ　ｂｅｅｎ　ｄｉｓｃｏｖｅｒｅｄ　ｂｅｆｏｒｅ．　Ｋｅｙ　Ｗｏｒｄｓ　ＤＩＧ，ｅｌｅｃｔｒｏｎｉｃ　ｍｅｄｉｃａｌ　ｃａｓｅ　ｒｅｃｏｒｄｓ，ｃａｔｅｇｏｒｉｚａｔｉｏｎ　ｏｆ　ｔｅｘｔ　Ｃｌａｓｓ　Ｎｕｍｂｅｒ　Ｒ３　

１　引言　电子病历是临床医学常见的文本数据，不同病　人的不同病种构成了一类文本数据集，人们对这些　数据集进行数据挖掘及分类是非常有必要的＿１］。　在本研究中，通过实验讲述一种新的数据挖掘应用　到中文电子病历集中的方法，即对中文电子病历数　据集进行分类的方法。此方法能自动从病历数据　集中提取出主要的特征，从而对病历进行分类，这　样能很好地帮助医务工作人员诊断疾病，并且总结　出不同病种间有哪些以前从未发现的不同的表现　特征。另外，在实验中所用到的数据集是取自于成　都医学院附属医院的真实病历。　

２病历的采集和预处理　在我们的病历分类实验中所用到的数据主要　包括高血压、冠心病、糖尿病、胃病四个病种的病　历，这些病历是我们在住院病历库中不分年龄、性　

收稿日期：２０１０年９月２３日，修回日期：２０１０年ｌＯ月２４日　作者简介：崔园，女，硕士，讲师，研究方向：数据挖掘，人工智能。　２０１１年第３期　计算机与数字工程　别随机抽取的。整个试验过程包括数据预处理阶　段、特征提取阶段以及神经网络训练阶段。　图１展示了病历分类实验的全过程。第１步　首先是数据的收集，即收集不同病种的数据。第２　步紧接着是数据的预处理，此过程是在保持数据的　真实性的基础上进行的。然后是非常重要的一步　即数据特征提取，因为特征提取的方法直接影响实　验的结果。最后一步用Ｓ０Ｍ（自组织神经网络）的　方法训练实验集。　

一　０ｎ　Ｄａｔａｂａｓｅ　Ｄａｔａｂａｓｅ　Ｆｅａｔｕｒｅ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ａｃｑｕｉｓｉｔｉｏｎ　Ｅｎｈａｎｃｅｍｅｎｔ　Ｅｘｔｒａｃｔｉｏｎ　

图１病历分类实验的全过程　３数据的量化过程　数据预处理过程是数据清洗过程，特征提取过　程必须在原始数据经过预处理阶段后才能进行，否　则实验结果很难达到很好的效果。特征提取的方　法很多［　］，例如：　１）Ｍｅａｎ　２）ｖａｒｉａｎｃｅ　３）Ｓｋｅｗｎｅｓｓ　４）Ｋｕｒｔｏｓｉｓ　但由于我们考虑到现实病历中，对于相同病种　的病症有很大程度的相似性，相反对于完全不同病　种的病症的相似性就很小，凶此我们采用文本短语　匹配的方法来提取病历特征。　基于短语的特征提取方法主要是用图表示文　档结构，也就是要建立文档索引图（Ｄｏｃｕｍｅｎｔ　Ｉｎ　ｄｅｘ　Ｇｒａｐｈ，ＤＩＧ）＿＿『４　ｊ，ＤＩＧ不仅能保持源文件中整　个句子结构，而且比独立的单词匹配更让我们充分　利用信息进行短语匹配。另外，ＤＩＧ通过用图的形　式展示源文结构可以提取源文件中不同层次的意　义。在建立了ＤＩＧ之后便是要求短语的匹配程　度，然后根据文档间短语的匹配程度求出文档的相　似度。　我们改进的ＤＩＧ算法其基本思想是：构建文　本数据集的公共匹配短语库，用这个短语库向量量　化每一个文本文档，再用Ｓ（）Ｍ实现文本数据集的　分类。而这里的公共匹配短语库是基于改进的　ＤＩＧ算法得到的　。改进的ＤＩＧ算法即文本算　法的步骤如图２所示。　获得数据库中每对义档的匹配短语集合　ｄ　｛ｓ　：　一１，……Ｐ｝　ｉ≠　，ｚ　Ｉ　．　将所有的　组成一个集合Ｌ，除去集合中重复的匹配短语　｛ｄ　：ｆ　１，…，Ｎ）　Ｊ　用Ｌ向量量化每一个文档，并归一化　ｖ　＝（　Ｉ，Ｆｚ，ｒ　，…，ｒ　）　Ｊ　ｌ用ｓｏＭ创建一个对应于这个向量集合的分类器ｌ　Ｉ　ｌ可视化分类结果ｌ　图２改进的ＤＩＧ算法步骤　把以上所述的短语匹配算法应用到每一对病　历，我们可以获得一个匹配短语集合。这个过程可　以表示为：　ｄ　一｛Ｓ　：忌一１，…，Ｐ　｝　≠　，　＜　（１）　在这里ｄ　表示文档ｉ和Ｊ的相匹配短语集合；Ｓ　表　示匹配短语是；　表示文档ｉ和Ｊ的匹配短语的个　数。　用同样的方法处理每一对病历记录，我们可以　获得一个匹配短语库。　Ｌ＝＝＝｛ｄ　ｉ，　＝＝＝ｌ，…，Ｎ｝　（２）　在这里Ｌ是所有匹配短语的集合，其中去掉重复出　现的短语。ｄ　的定义和等式（２）中的定义相同。Ｎ　是病历记录数据库中的文档数目。应该指出的是，　Ｌ可能包括很多重复短语。这些重复的短语应该　去除。这样能确保Ｌ中的短语唯一性。然后，计算　文档Ｌ中的每个短语在Ｌ中的重复次数，我们可　以获得：　一（ｒｌ，ｒ２，ｒ３，…，　）　（３）　在这里　是一个代表文档ｉ的向量。　代表短语　五在文档ｉ中的重复出现次数。结果是数据库中的　每一个文档被映射成一个向量。数据库的分类问　题转换成向量集合　的分类问题。为了得到正确　的结果ｍ应该被给归一化，这样才能相互比较。　最后，用自组织映射神经网络应用于向量集合　可以得到分类结果。总之，短语匹配算法可以归纳　为如下的步骤ｌ８卅］：　１）获得数据库中每对文档的匹配短语集合。　２）创建一个包括步骤１所有集合的集合，去　除这个集合中重复的匹配短语。　３）把每个文档表示为一个向量，并归一化。　４）用ＳＯＭ创建一个对应于这个向量集合的　分类器。　５）可视化分类结果，找出和每一类相关的特　征短语。　崔　园：数据挖掘在中文病历分类中的应用　第３９卷　４　实验结果　下面，我们将包括高血压、冠心病、糖尿病、胃　病这四种病历的病历集分成三种情况进行分类实　验，其中病历文本的序号是不分病种混乱排列的。　在数据进行了预处理并且已对病历文本进行了向　量化的情况下，我们将对量化后的结果用自组织神　经网络（ＳｏＭ）分别进行实验。　１）由高血压、糖尿病、胃病组成的共１２０份病　历，其中每种病历包含４０例。　

图３买际分类与经ＳＯＭ分类结果　由图３可以看出高血压、糖尿病、胃病这三种　病历经过ＳＯＭ神经网络训练后能完全被分类，这　说明了这三种病历集中不同病种的病历间匹配程　度很低，相似性也很低，也就是说不同病种病历间　的病症几乎不同；另一方面也说明了一种病历集中　不同病历间病症的相似性较高。　２）由高血压、冠心病组成的８０份病历，其中　每种病历包含４０例。　

图４买际分类与经ＳＯＭ分类结果　由图４可以看出高血压、冠心病这两种病历经　过ＳＯＭ神经网络训练后少数病历不能被正确地　分类，这说明这两种病历集中不同病种的病历问匹　配程度比前一实验中的匹配程度要高，相似性也相　对前一实验高，也就是说病症有相同之处，从此可　推出若根据病症较难区分是这两种病种中的哪一　种。　３）由高血压、冠心病、糖尿病、胃病这四种病　组成的１６０份病历，其中每种病历包含４０例。　由图５可以看出高血压、冠心病、糖尿病、胃病　这四种病历经过ｓＯＭ神经网络训练后糖尿病、胃　图５实际分类与经ＳＯＭ分类结果　病基本上都能被正确地分类，而高血压与冠心病中　有些病历不能被正确分类，这说明这两种病历分别　与糖尿病、胃病的病历间匹配程度很低，相似性也　很低，病症几乎不同；而高血压和冠心病这两种病　历若从症状上判断是哪一种病难度较大，易混淆。　表１显示的是对上面三个实验结果的分析情　况，由高血压、糖尿病、胃病三个病种的病历组成的　数据集能被分类的正确率为１００　；而由高血压和　冠心病组成的数据集被分类的正确率为９５　；由　高血压、冠心病、糖尿病和胃病组成的数据集能被　分类的正确率为９１．２５　。　表１　三个实验中数据集被分类的正确率　病历集分类（Ｍｅｄｉｃａｌ　ｃａｓｅ　ｒｅｃｏｒｄｓ　ｄａｔａ－正确率Ｓｕｃｃｅｓｓ　曼竺！里璺　皇曼　！　垒！　！　！璺　竺！竺曼　璺ｇ曼　高血压、冠心病（Ｈｙｐｅｒｔｅｎｓｉｏｎ、ｃｏｒｏ一９５　ｎａｒｙ　ｈｅａｒｔ　ｄｉｓｅａｓｅ）　高血压、糖尿病、胃病（Ｈｙｐｅｒｔｅｎｓｉｏｎ、ｉ００　ｄｉａｂｅｔｅｓ、ｔｕｍｍｙ　ｂｕｇ）　高血压、冠心病、糖尿病、胃病（Ｈｙｐｅｒ一９１．２５　ｔｅｎｓｉｏｎ、ｃｏｒｏｎａｒｙ　ｈｅａｒｔ　ｄｉｓｅａｓｅ、ｄｉａｂｅ一　。　、　ｍｍｙ　ｂｕ　Ａｖｅ　：９５．４１７％　５　结语　我们在这个实验中，介绍了一种中文病历数据　集的分类方法。这一方法使用了ＳｏＭ对特征向　量进行分类，在这里每个特征向量代表一个病历。　我们使用了基于短语的文本分类技术对病历集进　行特征提取和向量化。　在实验中所用到的数据集是取自于成都医学　院附属医院的真实病历，在实验结果中分类正确率　平均值达到９１．２５　。在患有高血压和冠心病的　病历中有很多相似的特征，根据病历很难区分是患　有高血压还是冠心病，但在我们的实验中两种病分　类正确率达到了９５　。从结果上看，我们使用基　于短语的文本分类技术对中文病历进行分类确实　达到了很好的效果。　我们的这一研究通过文本数据挖掘和人工神　经网络已成功地实现了对中文真实病历集进行分　类，在这里将来还有很多需要继续研究的工作和方