1大數據

來自生物、醫藥、醫械、臨床實驗與健康管理等各個方面的數據，構成生物醫學的各類大數據資源，它們形式多樣，具有自身的特殊性，主要表現在以下幾個方面：

（1）原始數據量大，且呈異構、多樣性。

（2）難以用數學方式表達其結構及特征。例如：醫生對醫學影像、信號和其他臨床數據的解釋多是非結構化的語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、無意義的或不一致的屬性，并且數據經常要更新。

（4）數據采集很難完全避免噪聲干擾，而噪聲往往會影響處理結果。生物醫學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、統計學、高性能計算、網絡科學、心理學等多個領域。

2生物醫學信息處理

2.1數據挖掘在生物醫學信息分析中的應用

數據挖掘是對海量數據進行處理和分析，找出數據間的隱含聯系，發現未知規律，最終獲得知識的過程。挖掘的過程包括信息收集、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個步驟[5]。近年來，數據挖掘是生物醫學信息分析的常用手段，尤其是在循證醫學研究、基因組和蛋白質組的研究領域中有很廣泛的應用價值。KDNuggets在2011年全球數據挖掘應用行業調查的結果表明：健康行業位居10大數據挖掘應用領域的第3位。生物醫學領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注。數據挖掘經典算法，如：分類、聚類、關聯分析、序列等在生物醫學數據挖掘時都可使用。

2.1.1　分類（Classification）

分類是根據己知數據的特征和分類結果，為每個類找到合理的模型(構造分類器)，然后用這些模型對新數據進行分類。K最鄰近算法、決策樹、支持向量機、神經網絡等是常用的分類模型構造方法。疾病的診斷和鑒別就是典型的分類過程。例如：美國學者利用數據挖掘軟件Clementine，以決策樹算法為模型，分析挖掘了醫療機構HealthOrg的數據倉庫中有關年齡、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，通過分類挖掘的方法提高診斷的精確性。

2.1.2　聚類（Clustering）

分析聚類分析是將有共同特征或相似度高的數據對象實例聚成一類的過程，常用來研究樣品或指標分類問題。聚類分析在生物醫學領域已經得到廣泛的應用，例如：可以根據流行病學特征屬性的相似程度將病例數據劃分成若干類，通過比較各個類別之間的臨床醫學狀態特征屬性的差異來分析某類疾病。國外學者選取SEER數據庫中的217558例肺癌病例，通過分析每個病例的22個臨床醫學特征屬性和23個流行病學特征屬性的相似度后，將這些病例劃分為20類，這就是典型的聚類分析。

2.1.3　關聯（Association）分析

關聯反映的是一個事件和其他事件之間依賴或關聯的知識，可以通過表征事物特征的兩個或多個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聯關系。關聯現象在生物醫學領域普遍存在，例如：臨床上的某些疾病會同時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聯性，而醫生診斷病癥的過程常常以觀察癥狀為基礎。

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，這是生物信息學研究中最常用方法。此外，還可用時間序列數據進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Internet采集糖尿病患者的連續監測數據，經時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模型，然后從圖中尋找頻繁出現的子圖，從而挖掘出有價值的信息。例如：美國學術界整合出2003年H5N1禽流感感染風險地圖，經過圖挖掘分析出2013年H7N9人類病例區域[11]。此外，從政府管理角度來看，公共衛生部門可以針對覆蓋全國患者的電子病歷數據庫進行圖挖掘，從而完成全面疫情的監測。

2.2文本挖掘——生物醫學文獻信息的大數據處理

2.2.1　文本挖掘

目前，全球醫藥類期刊近3萬種，每年發表論文200多萬篇，并且以每年7%速度遞增，互聯網上的信息資源約有30%以上的是與醫學信息相關的。文本挖掘（Text-Mining）和信息可視化（InformationVisualization）是分析這些數據，揭示知識領域的內在聯系的最有效手段。文本挖掘主要結合文字處理技術，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、網頁等），抽取散布在文本文件中的有價值知識，并轉化為可利用的知識的過程，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步驟的預處理工作。文本挖掘多以計算機技術實現，文檔聚類、文檔分類和摘要抽取是應用最多的技術。文檔聚類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、相似信息等功能。文檔分類多以統計方法或機器學習自動實現，簡單貝葉斯分類法，矩陣變換法、K最鄰近分類算法以及SVM等都是其常用的分類方法。摘要抽取主要是利用計算機自動地從原始文檔中提取全面、準確反映該文檔中心內容的簡單連貫的短文。此外，文本挖掘的結果評價常用分類正確率、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行評價。生物醫學信息處理領域所涉及的DNA序列綜合特征分析、蛋白質功能和相互作用分析、疾病基因發現、藥物作用靶點預測等都與文本挖掘技術密不可分。在我國，已經有一些研究者利用文本挖掘技術來研究醫學文獻背后隱藏的知識。臨床上，醫生用文本挖掘技術對疾病的處方和中藥用藥規律進行了分析。

2.2.2　信息可視化

信息可視化是一種運用計算機圖形學和圖像處理技術，將信息轉換為具有一定意義圖形或圖像，并進行交互處理的理論、方法和技術。它能有效發掘、過濾和研究海量數據，以更直觀、有效的方式使研究人員更容易發現隱藏在信息內部的特征和規律，深層次地發掘包括生物醫學領域在內的多個學科的研究熱點和研究前沿信息，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、節點鏈接圖、技術報告展示等功能。例如：國外學者針對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，使相關領域的科研人員很直觀的了解了該領域的研究狀況。

3總結與展望

生物醫學領域的大數據時代已經來臨，與大數據處理相關的新理論、新技術和新方法將給該領域的實質性進展提供有效的技術支持，不斷進步的信息處理技術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，我國相關的大數據的技術和應用還處在學習和跟隨的階段，掌握生物醫學知識和大數據處理技術的復合型人才還十分有限，亟需在國家層面制定生物醫學領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環境。同時，重視大數據科學和生物醫學的基礎研究和相關人才的培養。此外，在生物醫學飛速發展越來越依賴數據的同時，也應該多關注隱私問題、數據的安全性問題以及由此涉及的倫理道德問題。我們相信，通過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信息處理的各項任務，為我國的生物醫學發展做出更大的貢獻。

作者：張艷 單位：上海理工大學光電信息與計算機工程學院 復旦大學數字醫學研究中心 上海市醫學圖像處理與計算機輔助手術重點實驗室