劉玉文，張 鈺，楊 樞

蚌埠醫(yī)學(xué)院衛(wèi)生管理系，蚌埠，233030

?

基于LDA模型和電子病歷的疾病輔助診斷方法

劉玉文，張 鈺，楊 樞

蚌埠醫(yī)學(xué)院衛(wèi)生管理系，蚌埠，233030

采用分詞軟件對電子病歷進(jìn)行分詞，然后用LDA模型對分詞后的電子病歷進(jìn)行建模。通過建立病歷、疾病、特征三者之間的依賴關(guān)系，生成病歷-疾病和疾病-特征兩個分布矩陣。并基于歐氏距離的相似度計算方法，利用標(biāo)準(zhǔn)化歐氏距離公式，計算測試樣本病歷與疾病-特征分布的相似度，推斷出測試樣本病歷中不同疾病的出現(xiàn)概率。結(jié)果表明：運(yùn)用該方法，疾病診斷準(zhǔn)確率達(dá)81.99%，高于C4.5算法的79.61%和ID3算法的77.19%，取得了良好的疾病輔助診斷效果。

LDA模型；電子病歷；疾病特征；輔助診斷；歐氏距離

隨著醫(yī)院病歷管理系統(tǒng)的廣泛應(yīng)用，我國各級醫(yī)院中保存著大量的電子病歷。這些病歷完整地記錄了病人從入院到出院間接受治療的全過程，病歷中蘊(yùn)含著大量潛在的有價值信息[1]，這些信息對疾病的診斷和治療具有十分重要的意義。因此，高效地對病歷進(jìn)行分析，從中識別出疾病的特征是醫(yī)療數(shù)據(jù)分析領(lǐng)域的研究重點內(nèi)容之一。

計算機(jī)疾病輔助診斷就是運(yùn)用隱含在醫(yī)療大數(shù)據(jù)里的知識和規(guī)律對疾病進(jìn)行推斷的過程，其中，基于電子病歷的疾病診斷研究是一個重要研究方向。如文獻(xiàn)[2]提出了一種基于關(guān)聯(lián)規(guī)則的疾病診斷方法，該方法通過計算電子病歷中特征項集與疾病之間的關(guān)聯(lián)程度，找出疾病的關(guān)聯(lián)特征，建立疾病與特征的關(guān)聯(lián)規(guī)則集，最后依據(jù)關(guān)聯(lián)規(guī)則集進(jìn)行疾病診斷。文獻(xiàn)[3]提出了基于ID3算法的病歷分類方法，該方法把病歷按照疾病的不同進(jìn)行分類，然后對病歷進(jìn)行監(jiān)督學(xué)習(xí)，找出疾病的特征向量，最后通過疾病的特征向量進(jìn)行疾病輔助診斷。文獻(xiàn)[4]提出了基于C4.5的疾病預(yù)測方法，該方法首先建立疾病分類決策樹，然后根據(jù)決策樹對疾病進(jìn)行預(yù)測。雖然，這些方法在疾病輔助診斷方面取得了一定的成效，但仍然存在疾病特征識別精度低、推斷不準(zhǔn)確等問題?；诖?，文本提出了一種基于LDA模型和電子病歷的疾病輔助診斷方法。該方法首先使用LDA模型對病歷、疾病、疾病特征三者進(jìn)行建模，得出病歷-疾病和疾病-特征兩個分布矩陣，然后通過計算測試病歷與疾病-特征的相似度來推斷測試病歷中的疾病分布，從而達(dá)到疾病輔助診斷的目的。

1 LDA模型

1.1 基本原理

隱狄利克雷分配(Latent Dirichlet Allocation，簡稱LDA)是一種無監(jiān)督文檔主題生成模型[5]，它能自動從大規(guī)模語料庫中識別出潛在主題。LDA模型基于一個假設(shè)，即文檔以一定的概率選擇某個主題，而主題又以一定的概率選擇每個詞，因此，文檔可以視為是主題的混合，主題是詞的混合。LDA采用詞袋(bag of words)方法[6]，把每個文檔看作一個詞頻向量，把文本信息轉(zhuǎn)化成數(shù)字信息，沒有考慮詞之間的順序關(guān)系，簡化了建模復(fù)雜度。LDA模型定義了4個變量：文本-主題分布向量θ、主題-詞匯分布向量φ、主題z和詞匯w，其中，主題z依賴于θ，w依賴于z。由于z是隱含變量，w是唯一可觀測變量，詞匯w在文檔d中出現(xiàn)的概率為P(w|d) =P(z|d)P(w|z)，所以LDA本質(zhì)上是一個三層貝葉斯網(wǎng)絡(luò)，其生產(chǎn)過程如圖1所示。

圖1 LDA模型的貝葉斯網(wǎng)絡(luò)圖

LDA模型中各變量的含義如表1所示。

表1 LDA模型變量含義

雖然LDA模型在文本主題識別中存在明顯的優(yōu)勢，但主題數(shù)必須事先確定，這是它的主要缺陷[7]。如果主題數(shù)確定不合理，則會大大影響算法的精度。

1.2 動態(tài)主題數(shù)計算

本文采用目前最流行的基于貝葉斯的計算方法來尋找文本數(shù)據(jù)集的最優(yōu)主題數(shù)[8]，計算公式如(1)和(2)所示：

(1)

(2)

2 基于LDA的疾病輔助診斷方法

本文把LDA模型運(yùn)用到電子病歷的分析上，通過對病歷的學(xué)習(xí)，找出病歷中潛在的疾病和疾病的特征，再使用相似度計算方法進(jìn)行疾病輔助診斷。通過分析病歷可以發(fā)現(xiàn)，一個病人可能會同時生幾種疾病，每種疾病又由特定的特征詞來描述。因此，基于LDA的病歷學(xué)習(xí)基于一個假設(shè)，即一個病歷文檔以一定的概率選擇某種疾病，每種疾病又以一定的概率選擇某個特征詞。這樣，病歷可以看作是多種疾病的組合，而疾病又是多種特征的組合。設(shè)D={d1,d2,…,dm}表示由m個病歷文檔組成的病歷語料庫，S={s1,s2,…,sk}表示D中潛在的疾病集合，V={w1,w2,…,wn}表示由D中所有詞語組成的集合。

病歷語料庫D中每個病歷d生成不同疾病的概率為θd=ps1,…,psk，其中，psi表示d對應(yīng)S中第i個疾病的概率。計算公式為psi=nsi/n，其中nsi表示d中對應(yīng)第i個s的詞的數(shù)目，n是d中所有詞的總數(shù)。

疾病集合S中每種疾病(s)生成不同單詞的概率為φs=pw1,…,pwm，其中，pwi表示s生成V中第i個單詞的概率。計算公式為pwi=nwi/n，其中nwi表示對應(yīng)到s的V中第i個單詞的數(shù)目，n表示所有對應(yīng)到s的單詞總數(shù)。

LDA模型首先從病歷-疾病分布中選擇一個疾病，然后再從疾病-詞匯分布中選擇一個詞，其生成過程如下：

(1)對每篇病歷文檔，從病歷-疾病分布中抽取一種疾病，使得sdn～Multi(θd)；

(2)從上述被抽到的疾病所對應(yīng)的疾病-詞匯分布中抽取一個詞，使得wfn～Multi(φs)；

(3)重復(fù)上述過程直至遍歷病歷中的每個詞。

由于θ和S是隱變量，W是可觀測到的詞匯，則LDA生成一個病歷的疾病分布、再生成N種疾病、然后再生成這篇病歷的N個詞的聯(lián)合概率如公式(3)所示：

P(θ,Z,W|α,β)

(3)

式中，θ是病歷的疾病分布向量，S是N維的疾病向量，W是N個詞組成的向量。由于θ和S是隱變量，求W的邊緣分布將θ和S消去得到病歷中每個單詞的生成概率，如公式(4)所示：

P(w|α,β)

(4)

LDA通過可觀測值w訓(xùn)練出病歷-疾病分布矩陣θ和病歷-詞匯分布矩陣φ。采用變分貝葉斯方法估算預(yù)測值，并利用EM算法來對參數(shù)θ和φ進(jìn)行估計。本文通過吉布斯采樣來訓(xùn)練模型的兩個分布矩陣，采樣公式如(5)所示：

(5)

每次采樣中，θ、φ的更新公式如(6)和(7)所示：

(6)

(7)

對公式(5)進(jìn)行反復(fù)迭代，當(dāng)θ和φ達(dá)到穩(wěn)定狀態(tài)后，得到最終的θ和φ分布結(jié)果。

3 實驗分析

3.1 數(shù)據(jù)來源與預(yù)處理

實驗數(shù)據(jù)來源于蚌埠醫(yī)學(xué)院第一附屬醫(yī)院。選取該院2013年到2015年內(nèi)科住院電子病歷28 168份，其中27 000份作為訓(xùn)練樣本，1 168份作為測試樣本。由于病歷包含病人基本信息、主訴、現(xiàn)病史、檢查結(jié)果、診斷、治療過程等信息。首先對病歷進(jìn)行去隱私，去無用信息處理，只保留主訴和現(xiàn)病史兩項內(nèi)容。然后用中國科學(xué)院分詞軟件ICTCLAS對處理后的電子病歷進(jìn)行分詞并去除停用詞。分詞結(jié)果存放在文本文件disTxt中，每行存放一個電子病歷的分詞結(jié)果。

3.2 疾病識別結(jié)果

在LDA算法中，最優(yōu)疾病數(shù)K采用貝葉斯方法獲取，α設(shè)置為0.5/K,β設(shè)置為0.1，均為經(jīng)驗最優(yōu)值。疾病特征詞個數(shù)disWord概率設(shè)為8。在disTxt上運(yùn)行LDA模型后，產(chǎn)生θ和φ兩個分布，其中φ表示的是疾病和特征詞的分布，由于識別出的疾病種類較多，選取其中6種疾病作為樣例來描述疾病特征的識別結(jié)果，詳情如表2所示。

表2 疾病特征的挖掘結(jié)果

3.3 疾病預(yù)測

根據(jù)疾病-詞匯分布矩陣φ，測試樣本病歷dx與φ中任意疾病特征樣本di的相似度用歐氏距離來表示，如公式(8)所示。

(8)

由于公式(8)無法準(zhǔn)確度量不同量綱特征的重要程度，所以要對其作進(jìn)一步標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化處理如公式(9)所示。

(9)

把公式(9)帶入公式(8)得到標(biāo)準(zhǔn)化的歐氏距離公式，如公式(10)所示。

(10)

其中，σ和μ表示φ中n個病歷樣本在各維特征上的均值向量和標(biāo)準(zhǔn)差向量。dx與di的相似度Sim值越大，說明dx中的疾病與di的疾病越相似。根據(jù)公式(10)，計算測試樣本病歷dx與φ中每個疾病特征樣本的相似度，并按值從大小排序。最終得出dx中可能存在的疾病概率。

3.4 預(yù)測準(zhǔn)確率評價

為了檢測本文方法的疾病診斷準(zhǔn)確性，采用十折交叉法把1 168份數(shù)據(jù)分成10等分，分別對每組數(shù)據(jù)進(jìn)行測試，以ID3算法和C4.5算法作為文本算法的比較對象，測試結(jié)果如圖2所示。

由圖2可以得出，本文提出的算法的綜合準(zhǔn)確率為81.99%，分別優(yōu)于C4.5算法的79.61%和ID3算法的77.19%，取得了良好的疾病輔助診斷效果。

圖2 算法的對比結(jié)果

4 結(jié)束語

以上分析了LDA模型原理，并根據(jù)電子病歷的特點，把LDA模型應(yīng)用到基于電子病歷的疾病特征識別中，找出不同疾病的特征分布。再通過計算測試病歷與疾病特征分布的相似度，判斷測試病歷的疾病種類，從而達(dá)到疾病輔助診斷的目的。實驗結(jié)果表明，本文提出的算法能提高疾病診斷的準(zhǔn)確率。

[2]李準(zhǔn),馮思佳,楊美潔,等.關(guān)聯(lián)規(guī)則技術(shù)在冠心病電子病歷中的應(yīng)用[J].醫(yī)學(xué)信息學(xué)雜志,2015,36(1):58-62

[3]李奮華,趙潤林.基于數(shù)據(jù)挖掘的疾病預(yù)測模型的構(gòu)建與分析[J].現(xiàn)代計算機(jī),2016(18):14-17

[4]陳松景,楊林,吳思竹,等.基于C4.5分類的呼吸系統(tǒng)疾病危險因素定量分析方法[J].中華醫(yī)學(xué)圖書情報雜志,2016,25(8):35-41

[5]BleiDM,NgAY,JordanMI.Latentdirichletallocation[J].JournalofMachineLearningResearch,2003(3):993-1022

[6]AnandkumarA,FosterDP,HsuD,etal.ASpectralAlgorithmforLatentDirichletAllocation[J].Algorithmica,2015,72(1):193-214

[7]NoelGE,PetersonGL.ApplicabilityofLatentDirichletAllocationtomulti-disksearch[J].DigitalInvestigation,2014,11(1):43-56

[8]TirunillaiS,TellisGJ.MiningMarketingMeaningfromOnlineChatter:StrategicBrandAnalysisofBigDataUsingLatentDirichletAllocation[J].JournalofMarketingResearch,2014,51(4):463-479

(責(zé)任編輯：汪材印)

10.3969/j.issn.1673-2006.2017.02.028

2016-11-18

安徽省教育廳自然科學(xué)一般研究項目(KJ2015B061by)；安徽省高校人文社會科學(xué)重點項目(sk2015A405，sk2016A0607)。

劉玉文(1982-)，安徽蚌埠人，碩士，講師，研究方向：數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)。

TP391.41

A

1673-2006(2017)02-0114-04