基于数据挖掘的触诊成像乳腺癌智能诊断模型和方法

基于数据挖掘的触诊成像乳腺癌智能诊断模型和方法

张旭东, 孙圣力, 王洪超

北京大学软件与微电子学院，北京 100089

北京先通康桥医药科技有限公司，北京 101300

 

摘要：为了辅助医护人员利用触诊成像技术判定乳腺癌，提出了触诊成像乳腺癌智能诊断模型和方法。采用乳腺癌早期筛查及风险评估的临床数据，以触诊成像诊断结果为对比数据，通过决策树等机器学习算法以及投票法，对乳腺肿瘤的良恶性质进行判定。使用SMOTE算法对数据进行处理，建立了诊断模型和方法，自动完成对乳腺肿瘤性质的诊断。实验结果表明，乳腺癌正确筛查的准确性达到98%，提出的方法具有很好的应用价值。

关键词： 智能诊断 ; 临床数据 ; 机器学习 ; SMOTE算法

论文引用格式：

张旭东, 孙圣力, 王洪超. 基于数据挖掘的触诊成像乳腺癌智能诊断模型和方法. 大数据[J], 2019, 5(1): 68-76

ZHANG X D, SUN S L, WANG H C. Intelligent diagnosis model and method of palpation imaging breast cancer based on data mining. Big data research[J], 2019, 5(1): 68-76

1 引言

近年来，乳腺癌已成为威胁女性健康的恶性疾病，发病年龄集中于45~55岁，发病率则随着年龄的增长呈上升态势。提高广大妇女的乳腺健康意识，加强和规范乳腺癌筛查工作，以便早诊早治，对于降低乳腺癌死亡率至关重要。在乳腺癌筛查中应以较少的人力、物力取得较大的 会效益，即选择灵敏、经济的检测手段，制定最佳的筛查方案。

2 乳腺癌智能诊断建模流程

综合考虑各方面因素和临床数据的特点，运用机器学习中常用的决策树、神经 络、支持向量机（support vector machine,SVM）、逻辑回归及贝叶斯 络5种算法，再结合多种投票法，进行乳腺肿瘤的形态预测和判定。

数据在经过预处理等相关操作后，运用合成少数类过采样技术（synthetic minority over-sampling technique, SMOTE），将阳性样本进行合理范围的增量，以解决不平衡数据集问题。对模型进行测试及改进，选择最佳分类模型和方法，并综合利用准确率、召回率等指标，评估分类模型的优劣，得到高质量的乳腺诊断模型，提升总体辅助诊断水平。

整个建模流程如图1所示。

图1   乳腺癌智能诊断建模流程

3 数据清洗与准备

依据数据清洗（data cleaning）的原则，按图2所示过程进行数据清洗。

图2   数据清洗流程

原始临床数据有位置、象限、压力值、肋骨干扰、3D峰值、2D颜色、3D峰顶形状、3D形状、3D基底、3D动态、2D形状、2D动态颜色分布、血流灌注指数（PI）诊断结果及病理结果14个属性。其中，压力值及肋骨干扰两个属性对智能诊断系统并无显著影响，故而剃除。为确保数据的完整性，将36个含有缺失值及62个含有噪音值的数据样本剔除。各属性数据缺失量与噪音数据量如图3所示。

图3   各属性数据缺失量与噪音数据量

整个数据集内初始的阳性样本有135个，占所有数据的0.85%。由于阳性数据与阴性数据的比例极不平衡，故而进行了样本数据的整理。在数据查重时，发现排除位置及象限两个不影响结果的属性后，有168个阴性数据与阳性数据属性相同。为避免错失恶性病例情况的发生，将这168个原本标为阴性而实则为阳性的数据样本更改成阳性，以提高数据的准确性。查重前后阳性数据数量见表1。

SMOTE算法通过采样操作解决类别间比例相差悬殊的问题。当数据集类别不均衡时，一般采取随机欠采样和随机过采样两种方式来处理。本研究中抽取新值的SMOTE算法示意如图4所示，依次遍历数据集中每个集合，直到处理完所有数据为止。最后，将新增加点的集合加至原有数据集的恶性病例类别中，并构成新的数据集。该算法避免了随机过采样复制样本带来的样本数据不准确的问题，解决了模型学习到的信息过于特别而不够泛化的问题。

图4   SMOTE算法示意

本研究依 据混淆矩阵的分类指标进行模型定量评估，包括准确率（accuracy）、精确度（precision）、召回率（recall）、真阳性率（true positive rate）、F值，其中，召回率又被称为灵敏度（sensitivity）。机器学习中常用准确率与召回率作为参考指标，各指标定义如下：TP为将阳性样本预测为阳性样本的样本数，FN为将阳性样本预测为阴性样本的样本数，FP为将阴性样本预测为阳性样本的样本数，TN为将阴性样本预测为阴性样本的样本数。准确率（正确率）=(TP+TN)/总样本数，精确率=TP/(TP+FP)，召回率=TP/(TP+FN),F值=正确率×召回率×2/(正确率+召回率)。

通过使用SMOTE算法3次处理数据后，近邻点K值在1到7中选择并比较结果。近邻点K值是SMOTE算法中生成新样本的参数。经过对比发现，K=7时呈现过拟合的现象，即分类结果有明显下滑的趋势，故选择结果表现较优秀的值，即K=6值。

4 模型训练与预测

随后进行数据集抽取。乳腺癌分类属二元分类问题，故将数据内容定义为标准型数值{N,P}，符合数据集要求。在实验设计过程中，将数据集分为训练集及测试集两部分。首先从数据清洗及查重后的数据集内抽取90%的数据作为训练集；在经数据清洗后的数据集内，随机抽取6份数据组成测试集（A~F），每份抽取10%的数据样本，特殊测试集1、特殊测试集2由两份单独的数据集组成，进行最后的模型评估。数据分布见表3。

在上述基分类器模型预测的基础上，再进行预测算法和模型的优化选择。

图5   乳腺癌组合预测诊断方法流程

通过上述实验，笔者发现决策树、SVM及神经 络3种算法在乳腺癌智能诊断系统中呈现较好的结果，故将贝叶斯 络及逻辑回归两种算法剃除，仅保留决策树、SVM及神经 络3种算法。由表6可以得知，仅以3种算法作为模型，其准确率及精确率都有显著提升。

表7结果显示，在优先保证召回率的前提下，加权投票法A与一票确定法结果相同。综合考虑先前阶段的实验对比，选择加权投票法A作为优化后模型的投票方法。

5 实验结果和分析

将使用SMOTE算法的次数设为3、近邻点K设为6，采用3种算法（决策树、SVM、神经 络）及加权投票法A进行最终的训练并建模。随机测试集A~F、特殊数据集1和特殊数据集2对训练集模型验证的结果见表8。

图6的结果是8份测试集的平均结果，包括召回率、精确率、准确度及F值4项结果。表8结果显示，8份测试集的准确率达97%，说明模型对数据的判断能力很高。此外，随机测试集A~F、特殊数据集1和特殊数据集2的召回率皆达100%，即所有阳性样本都能被正确地判断出来，说明预测方法的判断结果具有良好的临床辅助诊断应用价值。

图6   测试集平均结果

 6 结束语

张旭东（1991- ），男，北京大学软件与微电子学院硕士生，主要研究方向为深度学习、计算机视觉等。

孙圣力（1979- ），男，北京大学软件与微电子学院副教授，主要研究方向为大数据管理、数据挖掘、图数据库、智慧医疗等。

王洪超（1968- ），男，就职于北京先通康桥医药科技有限公司，主要研究方向为乳腺触诊成像技术的开 发和临床应用研究。

《大数据》期刊

《大数据（Big Data Research，BDR）》双月刊是由中华人民共和国工业和信息化部主管，人民邮电出版 主办，中国计算机学会大数据专家委员会学术指导，北京信通传媒有限责任公司出版的中文科技核心期刊。

---

往期文章回顾

数据安全治理的几个基本问题

“全息数字人”——健康医疗 大数据应用的新模式

医疗数据治理——构建高质量医疗大数据智能分析数据基础

基于深度学习的异构时序事件患者数据表示学习框架

人工智能在医学影像中的研究与应用

---