问题：数据挖掘在医学中的应用

逍遥侠 · 发表于 2005-12-13 21:44:46

<img src='images/smiles/undecided.gif' smilietext=':undecided:' border='0' style='vertical-align:middle' alt=':undecided:' /> 你好，我是初学者，版主能不能具体讲一下数据挖掘在医学中的应用啊。
 谢谢了

Cacheman · 发表于 2005-12-14 20:28:18

<div class='quotetop'>引用

逍遥侠 @ 2005-12-13 13:44)</div><div class='quotemain'><img src='images/smiles/undecided.gif' smilietext=':undecided:' border='0' style='vertical-align:middle' alt=':undecided:' />   你好，我是初学者，版主能不能具体讲一下数据挖掘在医学中的应用啊。
 谢谢了</div>
 我刚刚看过最新版本的speedminer,已经可以实现在海量数据中寻找2个东西的关联性。不过还不完善。需要设置限定。估计过个2年会有大突破。
 
 不过这已经远远高于我现在看到的大部分挖掘技术。目前我看到的技术是：一个经验丰富的教授长期比较积累２种事物的关联性的假设，用计算机进行验证。但对原来不知道关联性，要从海量数据中进行比较而找出２者的规律，还不行，因为用穷举法太慢了。

有空常来 · 发表于 2006-2-13 16:32:40

<div class='quotetop'>引用

Cacheman @ 2005-12-14 20:28)</div><div class='quotemain'>我刚刚看过最新版本的speedminer,已经可以实现在海量数据中寻找2个东西的关联性。不过还不完善。需要设置限定。估计过个2年会有大突破。
 不过这已经远远高于我现在看到的大部分挖掘技术。目前我看到的技术是：一个经验丰富的教授长期比较积累２种事物的关联性的假设，用计算机进行验证。但对原来不知道关联性，要从海量数据中进行比较而找出２者的规律，还不行，因为用穷举法太慢了。</div>
 请问：你所指的speedminer是汉化版的？怎么才能弄到它？

老贼 · 发表于 2006-3-16 10:43:20

转载数据挖掘的定义　　2.1 技术上的定义及含义 　　数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 与　　数据挖掘相近的同义词有数据融合、数据分析和决策支持等。这个定义包括好几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。 　　----何为知识?从广义上理解，数据、信息也是知识的表现形式，但是人们更把概念、规则、模式、规律和约束等看作知识。人们把数据看作是形成知识的源泉，好像从矿石中采矿或淘金一样。原始数据可以是结构化的，如关系数据库中的数据；也可以是半结构化的，如文本、图形和图像数据；甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。发现的知识可以被用于信息管理，查询优化，决策支持和过程控制等，还可以用于数据自身的维护。因此，数据挖掘是一门交叉学科，它把人们对数据的应用从低层次的简单查询，提升到从数据中挖掘知识，提供决策支持。在这种需求牵引下，汇聚了不同领域的研究者，尤其是数据库技术、人工智能技术、数理统计、可视化技术、并行计算等方面的学者和工程技术人员，投身到数据挖掘这一新兴的研究领域，形成新的技术热点。 　　这里所说的知识发现，不是要求发现放之四海而皆准的真理，也不是要去发现崭新的自然科学定理和纯数学公式，更不是什么机器定理证明。实际上，所有发现的知识都是相对的，是有特定前提和约束条件，面向特定领域的，同时还要能够易于被用户理解。最好能用自然语言表达所发现的结果。 　　2.2 商业角度的定义 　　数据挖掘是一种新的商业信息处理技术，其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助商业决策的关键性数据。 　　简而言之，数据挖掘其实是一类深层次的数据分析方法。数据分析本身已经有很多年的历史，只不过在过去数据收集和分析的目的是用于科学研究，另外，由于当时计算能力的限制，对大数据量进行分析的复杂数据分析方法受到很大限制。现在，由于各行业业务自动化的实现，商业领域产生了大量的业务数据，这些数据不再是为了分析的目的而收集的，而是由于纯机会的（Opportunistic）商业运作而产生。分析这些数据也不再是单纯为了研究的需要，更主要是为商业决策提供真正有价值的信息，进而获得利润。但所有企业面临的一个共同问题是：企业数据量非常大，而其中真正有价值的信息却很少，因此从大量的数据中经过深层分析，获得有利于商业运作、提高竞争力的信息，就像从矿石中淘金一样，数据挖掘也因此而得名。 　　因此，数据挖掘可以描述为：按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。 　　2.3 数据挖掘与传统分析方法的区别 　　数据挖掘与传统的数据分析(如查询、报表、联机应用分析)的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识.数据挖掘所得到的信息应具有先未知,有效和可实用三个特征. 　　先前未知的信息是指该信息是预先未曾预料到的,既数据挖掘是要发现那些不能靠直觉发现的信息或知识,甚至是违背直觉的信息或知识,挖掘出的信息越是出乎意料,就可能越有价值.在商业应用中最典型的例子就是一家连锁店通过数据挖掘发现了小孩尿布和啤酒之间有着惊人的联系. 　　2.4 数据挖掘和数据仓库 　　大部分情况下，数据挖掘都要先把数据从数据仓库中拿到数据挖掘库或数据集市中（见图1）。从数据仓库中直接得到进行数据挖掘的数据有许多好处。就如我们后面会讲到的，数据仓库的数据清理和数据挖掘的数据清理差不多，如果数据在导入数据仓库时已经清理过，那很可能在做数据挖掘时就没必要在清理一次了，而且所有的数据不一致的问题都已经被你解决了。　　数据挖掘库可能是你的数据仓库的一个逻辑上的子集，而不一定非得是物理上单独的数据库。但如果你的数据仓库的计算资源已经很紧张，那你最好还是建立一个单独的数据挖掘库。 　　当然为了数据挖掘你也不必非得建立一个数据仓库，数据仓库不是必需的。建立一个巨大的数据仓库，把各个不同源的数据统一在一起，解决所有的数据冲突问题，然后把所有的数据导到一个数据仓库内，是一项巨大的工程，可能要用几年的时间花上百万的钱才能完成。只是为了数据挖掘，你可以把一个或几个事务数据库导到一个只读的数据库中，就把它当作数据集市，然后在他上面进行数据挖掘。　　2.5 数据挖掘和在线分析处理（OLAP） 　　一个经常问的问题是，数据挖掘和OLAP到底有何不同。下面将会解释，他们是完全不同的工具，基于的技术也大相径庭。 　　OLAP是决策支持领域的一部分。传统的查询和报表工具是告诉你数据库中都有什么（what happened），OLAP则更进一步告诉你下一步会怎么样（What next）、和如果我采取这样的措施又会怎么样（What if）。用户首先建立一个假设，然后用OLAP检索数据库来验证这个假设是否正确。比如，一个分析师想找到什么原因导致了贷款拖欠，他可能先做一个初始的假定，认为低收入的人信用度也低，然后用OLAP来验证他这个假设。如果这个假设没有被证实，他可能去察看那些高负债的账户，如果还不行，他也许要把收入和负债一起考虑，一直进行下去，直到找到他想要的结果或放弃。 　　也就是说，OLAP分析师是建立一系列的假设，然后通过OLAP来证实或推翻这些假设来最终得到自己的结论。OLAP分析过程在本质上是一个演绎推理的过程。但是如果分析的变量达到几十或上百个，那么再用OLAP手动分析验证这些假设将是一件非常困难和痛苦的事情。 数据挖掘与OLAP不同的地方是，数据挖掘不是用于验证某个假定的模式（模型）的正确性，而是在数据库中自己寻找模型。他在本质上是一个归纳的过程。比如，一个用数据挖掘工具的分析师想找到引起贷款拖欠的风险因素。数据挖掘工具可能帮他找到高负债和低收入是引起这个问题的因素，甚至还可能发现一些分析师从来没有想过或试过的其他因素，比如年龄。 　　数据挖掘和OLAP具有一定的互补性。在利用数据挖掘出来的结论采取行动之前，你也许要验证一下如果采取这样的行动会给公司带来什么样的影响，那么OLAP工具能回答你的这些问题。 　　而且在知识发现的早期阶段，OLAP工具还有其他一些用途。可以帮你探索数据，找到哪些是对一个问题比较重要的变量，发现异常数据和互相影响的变量。这都能帮你更好的理解你的数据，加快知识发现的过程。 　　2.6 数据挖掘，机器学习和统计 　　数据挖掘利用了人工智能（AI）和统计分析的进步所带来的好处。这两门学科都致力于模式发现和预测。 　　数据挖掘不是为了替代传统的统计分析技术。相反，他是统计分析方法学的延伸和扩展。大多数的统计分析技术都基于完善的数学理论和高超的技巧，预测的准确度还是令人满意的，但对使用者的要求很高。而随着计算机计算能力的不断增强，我们有可能利用计算机强大的计算能力只通过相对简单和固定的方法完成同样的功能。 　　一些新兴的技术同样在知识发现领域取得了很好的效果，如神经元网络和决策树，在足够多的数据和计算能力下，他们几乎不用人的关照自动就能完成许多有价值的功能。 　　数据挖掘就是利用了统计和人工智能技术的应用程序，他把这些高深复杂的技术封装起来，使人们不用自己掌握这些技术也能完成同样的功能，并且更专注于自己所要解决的问题。 　　2.7 软硬件发展对数据挖掘的影响 　　使数据挖掘这件事情成为可能的关键一点是计算机性能价格比的巨大进步。在过去的几年里磁盘存储器的价格几乎降低了99%，这在很大程度上改变了企业界对数据收集和存储的态度。如果每兆的价格是￥10，那存放1TB的价格是￥10,000,000，但当每兆的价格降为1毛钱时，存储同样的数据只有￥100,000！ 　　计算机计算能力价格的降低同样非常显著。每一代芯片的诞生都会把CPU的计算能力提高一大步。内存RAM也同样降价迅速，几年之内每兆内存的价格由几百块钱降到现在只要几块钱。通常PC都有64M内存，工作站达到了256M，拥有上G内存的服务器已经不是什么新鲜事了。 　　在单个CPU计算能力大幅提升的同时，基于多个CPU的并行系统也取得了很大的进步。目前几乎所有的服务器都支持多个CPU，这些SMP服务器簇甚至能让成百上千个CPU同时工作。 　　基于并行系统的数据库管理系统也给数据挖掘技术的应用带来了便利。如果你有一个庞大而复杂的数据挖掘问题要求通过访问数据库取得数据，那么效率最高的办法就是利用一个本地的并行数据库。 　　所有这些都为数据挖掘的实施扫清了道路，随着时间的延续，我们相信这条道路会越来越平坦。 <div>此帖由老贼在 2006-03-16 10:46 进行编辑...</div>

Cacheman · 发表于 2006-3-17 09:53:42

<div class='quotetop'>引用

有空常来 @ 2006-02-13 08:32)</div><div class='quotemain'> 请问：你所指的speedminer是汉化版的？怎么才能弄到它？</div> 购买.

tyq · 发表于 2006-3-17 13:59:21

如何知道挖出来的是石头还是钻石呢？

Cacheman · 发表于 2006-3-17 15:07:46

<div class='quotetop'>引用

tyq @ 2006-03-17 05:59)</div><div class='quotemain'>如何知道挖出来的是石头还是钻石呢？</div> 让speedminer的员工给你演示不就行了吗?

小城医生 · 发表于 2006-3-19 21:06:12

是石头还是钻石关键看自己，speedminer只是个工具。同样的锅碗，同样的油盐酱醋，不同师父炒出来的菜不一样。关键是客户提出高质量的需求，也许客户可以凭借公司的平台，分享其他医院良好的经验。还是在于自己的思索与创意，每个超市都有“尿布”与“啤酒” 然而沃尔玛确确率先发现关联关系。

J.C.Chan · 发表于 2006-3-20 21:26:19

<div class='quotetop'>引用

小城医生 @ 2006-03-19 21:06)</div><div class='quotemain'>每个超市都有“尿布”与“啤酒” 然而沃尔玛确确率先发现关联关系。</div> 这句话经典。

url · 发表于 2006-3-21 06:36:30

没有一个高度智能、能够理解语句的搜索引擎，单靠海量数据库，靠人为建立的字典和关系，这样的数据挖掘只能算是低层次的挖掘。但或许是目前阶段研发的重点？

wushiqi · 发表于 2006-6-22 14:22:43

<div class='quotetop'>引用

Cacheman @ 2005-12-14 20:28)</div><div class='quotemain'> 我刚刚看过最新版本的speedminer,已经可以实现在海量数据中寻找2个东西的关联性。不过还不完善。需要设置限定。估计过个2年会有大突破。 不过这已经远远高于我现在看到的大部分挖掘技术。目前我看到的技术是：一个经验丰富的教授长期比较积累２种事物的关联性的假设，用计算机进行验证。但对原来不知道关联性，要从海量数据中进行比较而找出２者的规律，还不行，因为用穷举法太慢了。</div> 你讲的2个东西的关联性指的是哪两个东西,我不懂,请教一下!!

zilu85 · 发表于 2007-7-23 09:29:37

我编的，请多多指教啊。
http://www.dinghaobook.com/xiangxi2295293/

医学数据挖掘-简介:
本书是国内第一部关于医学数据挖掘的教材。包括基础篇、核心篇和应用篇三个部分。基础篇介绍数据挖掘的基本概念和理论，核心篇介绍数据挖掘的主要算法和工具，应用篇则分别介绍数据挖掘在医学临床、分子生物学、预防医学、医院管理、文本和Web挖掘中的具体应用。本书首先强调数据挖掘的基本概念和基本方法，重点介绍该领域的基本概念、基本过程和方法；各种算法以介绍其适用条件和原理为主，尽量少涉及具体算法的数学公式。其次，本书以应用为主，介绍数据挖掘方法在医学研究和服务中的应用实例，为学生今后进一步从事这一方面的深入研究提供基础。最后，本书在内容组织上力求全面系统，突出重点。由浅入深、突出交叉学科的特色的同时，注重所介绍知识的层次，适合不同水平读者的学习需要。

[ 本帖最后由 zilu85 于 2007-7-23 09:32 编辑 ]

zilu85 · 发表于 2007-7-23 09:36:30

医学数据挖掘-目录:
基础篇
第一章概述
第一节数据挖掘与知识发现的基本概念
一、数据挖掘的产生
二、什么是数据挖掘和知识发现
三、数据挖掘的知识表示
第二节知识发现和数据挖掘的步骤、算法与工具
一、知识发现和数据挖掘的基本步骤
二、知识发现和数据挖掘的算法
三、数据挖掘的工具
第三节数据挖掘系统的体系结构
一、数据库管理模块
二、挖掘前处理模块
三、挖掘操作模块
四、模式评估模块
五、知识输出模块
第四节数据挖掘和知识发现的应用
一、数据挖掘和知识发现在科学研究中的应用
二、数据挖掘和知识发现在商业上的应用
三、Web挖掘
第二章数据挖掘的对象
第一节关系型数据库
一、关系型数据库的定义
二、关系组成与性质
三、关系型数据库的数据挖掘
第二节数据仓库
一、数据仓库的定义和结构
二、数据仓库的特征
三、多维数据模型
四、数据仓库的数据挖掘
第三节文本数据库
一、语种识别
二、特征提取
三、文本聚类
四、文本分类
第四节复杂类型数据库
一、空间数据库
二、Web数据库
三、时序数据库
第三章数据挖掘的步骤
第一节跨行业数据挖掘过程标准
一、产生背景
二、CRISP-DM过程模型
三、数据挖掘工具
第二节业务理解
一、确定商业目标
二、状况评估
三、确定数据挖掘目标
四、建立项目计划
第三节数据准备
一、理解数据
二、数据选择
三、数据清洗
四、数据转换
五、数据集成
六、数据归约
第四节模型建立和评估
一、模型的种类
二、模型的精确度
三、模型评估
核心篇
第四章关联规则与关联分析
第一节关联规则基本概念和关联规则挖掘分类
一、关联规则的基本概念
二、关联规则挖掘的基本过程与分类
第二节关联分析的原理
一、单维布尔关联规则挖掘
二、多层关联规则挖掘
三、多维关联规则挖掘
第三节关联分析的应用和实例
一、关联分析的应用
二、关联分析的应用实例
第五章聚类分析
第一节聚类分析概述
一、聚类分析的定义
二、聚类分析的应用
第二节聚类分析中的数据结构和数据类型
一、数据结构
二、数据类型
第三节聚类分析方法
一、基于划分的聚类方法
二、基于层次的聚类方法
三、基于密度的方法
四、基于网格的方法
五、基于模型的方法
第四节孤立点(异常数据)分析
第五节聚类分析的应用和实例
第六章决策树
第一节决策树的概念和原理
一、决策树的概念
二、决策树的原理
第二节 ID3算法和树剪枝
一、ID3算法
二、树枝修剪
第三节决策树的应用
一、分类规则的获取
二、决策树医学领域中应用
第四节决策树的可扩展性和优缺点
一、决策树的可扩展性
二、决策树的优缺点
第七章内容概括相关技术
第一节概念描述
一、概念描述的定义
二、概念描述的方法
第二节信息抽取
一、信息抽取概述
二、信息抽取的发展历史
三、信息抽取系统的体系结构
四、信息抽取中的关键技术
五、展望
第八章人工神经网络
第一节人工神经阿络概述
一、人工神经网络的概念
二、人工神经网络的研究历史
三、人工神经网络的属性
第二节神经元的结构、组成及基本模型
一、神经元的结构
二、人工神经元的组成
三、基本神经元模型
第三节人工神经网络的结构、工作原理及模型
一、人工神经网络的结构
二、人工神经网络的工作原理
三、神经网络的学习方法
四、神经网络模型
第四节人工神经网络在医学中的应用
一、人工神经网络应用于临床诊断
二、人工神经网络应用于预后研究
三、人工神经网络应用于临床决策分析
四、人工神经网络应用于医学信号分析处理
第九章遗传算法
第一节遗传算法概述
一、遗传算法的产生和发展
二、遗传算法的基本思想和原理
三、遗传算法的特点
第二节遗传算法的步骤与实现
一、遗传算法的处理步骤
二、遗传算法的实现技术
三、遗传算法的理论基础
第三节遗传算法的应用
第十章粗糙集理论及其应用
第一节粗糙集理论
一、粗糙集理论的产生和发展
二、知识的概念
三、不可区分关系和基本集
四、近似空间概念
五、集合的下近似、上近似及边界区
六、新型隶属关系
第二节决策表
一、信息系统概念
二、决策表的约简
三、属性约简
四、决策表离散化
五、决策表规则获取及简化
第三节粗糙集理论应用
一、粗糙集在医学数据挖掘中的应用
二、基于粗糙集理论的数据挖掘系统
第四节实例应用
一、等价集下近似和依赖度的计算
二、条件属性C中各属性重要度的计算
三、简化决策表
四、约简后的决策表等价集计算
五、决策表获取规则
六、规则简化
七、最后决策表获取的规则
应用篇
第十一章数据挖掘在临床领域中的应用
第一节
临床数据挖掘的特点
一、临床数据的特点
二、临床数据挖掘的过程
第二节数据挖掘临床应用领域
一、疾病诊断与治疗
二、医疗管理
三、医疗资源利用评价
第三节临床数据挖掘应用实例
一、数据挖掘目的v
二、样本
三、数据挖掘方法
四、数据预处理
五、结果
六、结论
第十二章数据挖掘在分子生物学领域中的应用
第一节分子生物学数据挖掘概述
一、分子生物学数据的大量涌现
二、分子生物学领域数据挖掘研究的提出
三、分子生物学数据与信息的特点
第二节数据挖掘在分子生物学中的应用领域和工具
一、数据挖掘在分子生物学中的应用领域
二、分子生物信息挖掘工具
第三节分子生物学数据挖掘实例
一、数据及来源
二、方法
三、结果
第十三章数据挖掘在预防医学领域中的应用
第一节预防医学数据挖掘的意义
一、预防医学研究重要性
二、预防医学数据挖掘的提出
三、预防医学数据挖掘的发展
第二节预防医学数据挖掘的特点
一、预防医学的行业背景
二、预防医学数据挖掘的特点
第三节预防医学数据挖掘实例
一、背景
二、方法
三、结果
第十四章时间序列数据挖掘及其在医院管理中的应用
第一节时间序列的趋势分析
一、时间序列及时间序列数据库’
二、时间序列的构成因素
三、时间序列的分析模型构成
四、时间序列预测方法
第二节时间序列的相似性搜索
一、时间序列相似性搜索概述
二、基于序列变换的相似性搜索
三、基于序列外形特征的相似性搜索
四、基于小波变换的相似性搜索
第三节时间序列模式和周期模式挖掘
一、时间序列模式挖掘
二、时间序列周期模式挖掘
第四节时间序列数据挖掘在医院管理中的应用实例
一、数据挖掘目的
二、数据挖掘方法
三、样本资料
四、数据预处理
五、实验结果
六、讨论
第十五章文本挖掘及其在生物医学领域中的应用
第一节文本挖掘概述
一、文本挖掘的定义
二、文本挖掘的作用
三、文本挖掘的过程
第二节文本挖掘的关键技术
一、文本预处理
二、文本分类
三、文本聚类
四、文本自动摘要
第三节文本挖掘在生物医学领域中的应用
一、概念识别
二、发现关系
三、利用文本分析的方法优化生物学算法
第十六章 Web挖掘
第一节 web挖掘概述
一、Web信息的特点
二、Web挖掘的含义
三、Web挖掘的类型
四、Web挖掘的意义
第二节 web内容挖掘
一、Web内容挖掘及其类型
二、Web文本挖掘
三、web多媒体数据挖掘
第三节 web结构挖掘
一、Web的结构
二、Web结构挖掘的含义
三、Web结构挖掘的算法
四、Web结构挖掘的应用
第四节 web使用挖掘
一、We使用挖掘的特点
二、Web使用挖掘的意义
三、Web使用挖掘的数据来源
四、Web使用挖掘的基本过程
五、web使用挖掘的应用
第十七章数据挖掘工具概述
第一节数据挖掘工具的分类
一、按技术层面分类
二、按应用角度分类
三、按所处理的数据类型分类
四、按所完成的任务类型分类
第二节数据挖掘工具的选择
一、数据挖掘工具的评估指标
二、企业自身因素对数据挖掘工具选择的影响
第三节几种主流数据挖掘工具
一、C1ementine
二、Enterprise Miner
三、Insightful Miner
四、Intelligent Miner
五、Arrowsmith
参考文献

xymu · 发表于 2007-8-3 16:52:08

捧下崔老师

gaogaoye · 发表于 2007-10-14 22:52:32

路过顶下，要学的东西太多。。

		自动登录	找回密码
密码			欢迎注册

问题：数据挖掘在医学中的应用