基于特征提取與聚類的醫(yī)院檔案數(shù)據(jù)分類方法

張寧

(石家莊市第五醫(yī)院， 河北，石家莊 050000)

0 引言

隨著醫(yī)療衛(wèi)生事業(yè)的蓬勃發(fā)展，海量的醫(yī)院檔案數(shù)據(jù)也被記錄和積累下來，如何有效地對這些海量數(shù)據(jù)進行分類對于充分發(fā)揮檔案資源以史鑒今的作用至關(guān)重要。而現(xiàn)有的醫(yī)院檔案數(shù)據(jù)分類方法主要為人工分類[1]以及傳統(tǒng)的數(shù)據(jù)庫技術(shù)[2]。前者過于依賴人工經(jīng)驗并且耗時耗力;后者雖然可以滿意一般數(shù)據(jù)規(guī)模下的檔案分類，但是也難以適應突發(fā)公共衛(wèi)生事件中醫(yī)療救治定點醫(yī)院的檔案管理[3]。

王紅等[4]利用注意力機制與雙向門控循環(huán)單元方法提取民航突發(fā)事件領(lǐng)域本體的關(guān)系，為獲取民航本體關(guān)系提供了新的方法。何喜軍等[5]提出基于語義相似聚類的技術(shù)需求分級方法，并在新能源領(lǐng)域得到了應用和推廣。TANG等[6]利用貝葉斯方法框架為每一個類別選擇確定的特征，并在多個真實的數(shù)據(jù)集中驗證了所提的文本分類方法的有效性。陳果等[7]提出融合領(lǐng)域元知識實體關(guān)系分類，并以心血管數(shù)據(jù)為例進行仿真實驗。近期，白亦霆[8]設(shè)計了一種醫(yī)院檔案信息化管理系統(tǒng)解決了傳統(tǒng)的檔案管理系統(tǒng)中缺少有效的管理數(shù)據(jù)庫問題。

本文利用改進的LDA模型結(jié)合GMM算法對醫(yī)院文檔數(shù)據(jù)進行特征提取和聚類，實現(xiàn)醫(yī)院檔案數(shù)據(jù)的準確和智能分類。主要貢獻如下。

(1) 加權(quán)的LDA模型(WLDA)不但可以提取文檔數(shù)據(jù)的特征，而且可以消除多種主題內(nèi)相關(guān)度詞語之間的影響。

(2) 將提取的特征作為GMM模型的輸入并依關(guān)聯(lián)性的大小進行聚類，用已有的檔案數(shù)據(jù)訓練Naive Bayes模型，實現(xiàn)檔案數(shù)據(jù)的智能分類。

(3) 快速有效地應用現(xiàn)有檔案資料指導醫(yī)療救治、院感防控等工作的開展，充分發(fā)揮檔案資源的參考作用。

1 所提方法

1.1 LDA模型

LDA模型是在PLSA模型基礎(chǔ)上改進得到的,其主要結(jié)構(gòu)如圖1所示。

圖1中，α和β分別表示文檔和詞語的超參數(shù)，z和w為主題和詞語級的參數(shù)。LDA模型的聯(lián)合概率可表示為

p(θ,z,w,φ|α,β)=Πp(θ|α)p(zn|θ)p(φ|β)p(wn|θ)

(1)

經(jīng)過N次循環(huán)之后，整個語料N的生成概率為

p(N|α,β)=Πp(wn|α,β)

(2)

圖1 LDA模型流程圖

1.2 WLDA模型

醫(yī)院檔案數(shù)據(jù)中主題內(nèi)部之間的相關(guān)性較高，主題間相關(guān)性和詞語相關(guān)性如下：

(3)

其中,w為詞語，sim為詞語之間的相似性，得到主題權(quán)重w′:

w′=2δ(S-S′)

(4)

其中，S′是S的均值，δ為平衡參數(shù)，用于調(diào)節(jié)S′和S對w′大小影響的程度。圖2給出了當δ=1時，w′、S′以及S間的關(guān)系。

圖2 權(quán)重w′、S′以及S之間的關(guān)系

1.3 GMM模型

GMM算法假設(shè)類別標簽服從多項分布，并對給定的標簽樣本滿足多值高斯分布：

(xi|zi=j)～N(μj,Σj)

(5)

進而得到聯(lián)合分布:

P(xi,zi)=P(xi|zi)P(zi)

(6)

1.4 Naive Bayes模型

假設(shè)Naive Bayes模型的后驗概率為P(y,x)，由貝葉斯公式可知：

(7)

其中,x=x1,x2…為聯(lián)合事件。

2 基于特征提取與聚類的檔案數(shù)據(jù)分類方法流程

此算法的具體步驟介紹如下。

離線建模：

(1) 將原始檔案數(shù)據(jù)輸入到LWDA模型中；

(2) 利用GMM模型對LWDA提取的特征依相關(guān)性進行聚類；

圖3 基于所提方法的醫(yī)院檔案數(shù)據(jù)智能分類框架

(3)將測試樣本的聚類結(jié)果保存。

在線分類：

(1) 將新采集的醫(yī)院檔案數(shù)據(jù)按照離線步驟1～2進行依特征的聚類；

(2) 計算相應的樣本概率P(xi,zi)；

(3) 將樣本概率作為Naive Bayes模型的輸入，并計算得到相應的分類結(jié)果。

3 實驗結(jié)果分析

利用石家莊市第五醫(yī)院的真實檔案數(shù)據(jù)進行實驗，由于涉及病人的隱私，文檔數(shù)據(jù)用編號表示。該訓練集有8 425個檔案文檔，測試集6 896個檔案文檔，共包含16種文本數(shù)據(jù)。

3.1 WLDA+GMM聚類結(jié)果

本文只選擇其中的8種類別(C1～C8)進行聚類,如表1所示。

表1 8類檔案數(shù)據(jù)

通過準確率、F1值、召回率等來刻畫所提的WLDA+GMM模型在醫(yī)院數(shù)據(jù)聚類方面的可靠性。首先利用WLDA對檔案數(shù)據(jù)進行特征提取，得到與文本數(shù)據(jù)對應的維度為16的文檔特征向量，并利用GMM模型對這些特征進行聚類。由表1可知，所選擇的8種檔案數(shù)據(jù)具有類別不平衡性，所以加權(quán)平均的定量指標更能體現(xiàn)算法的聚類性能，具體實驗結(jié)果如表2所示。

表2 不同聚類算法的F1值比較

從表2中可以看出，由于本文所提的WLDA+GMM算法考慮了不同特征之間的關(guān)聯(lián)性并以概率的形式進行聚類準則，所以比傳統(tǒng)的LDA+k-means取得了更好的聚類效果。WLDA+GMM在表2中的四種評價指標上都比LDA+k-means方法有一定程度上的提升(最低10%，最高16%)，說明本文方法能夠更好地對醫(yī)院文檔數(shù)據(jù)進行聚類。

3.2 檔案數(shù)據(jù)分類結(jié)果

為了驗證所提算法的醫(yī)院檔案數(shù)據(jù)分類精度，選擇其中的5種類別(C1～C5)共2 969個樣本進行仿真實驗，將所提取的特征作為輸入來訓練Naive Bayes模型，并以SVM作為對比算法，2種方法的分類結(jié)果分別如表3和表4所示。

表3 SVM模型分類結(jié)果

表4 Naive Bayes模型分類結(jié)果

由表3可知，SVM算法的宏平均、微平均和加權(quán)平均為90%，并且最高的指標為95%(C5的召回率和C3的F1)，最低的定量指標只有82%(C5的精度)，說明SVM模型在測試集中總體表現(xiàn)較差。由表4可知,所提方法取得了較好的分類結(jié)果，基本可以替代基于人工的醫(yī)院檔案分類。

為了更加直觀地展示所提方法的分類優(yōu)勢，以F1指標為例來進行說明，結(jié)果如圖4所示。從圖4中可以看出,所提方法的分類精度在5個類別上的F1值都高于SVM，并且最高的F1值已經(jīng)達到100%。

圖4 2種方法在5種類別上的F1值

4 總結(jié)

本文提出一種新的醫(yī)院檔案數(shù)據(jù)的智能分類方法，可以進行檔案數(shù)據(jù)的智能分類，并在石家莊市第五醫(yī)院的檔案數(shù)據(jù)集中驗證了本文方法的有效性。但是針對醫(yī)院豐富圖片和聲音數(shù)據(jù)檔案還未有涉及，這將是未來研究的重點方向之一。