久久精品视,精品少妇一区二区三区视频,亚洲码和欧洲码168区,国产乱妇乱子视频在播放

性能評估 需要選擇特定的度量參數(shù)，在數(shù)據(jù)挖掘之后，通過實(shí)驗(yàn)和測試來評估模型的性能。與此同時(shí)，預(yù)先選取的度量參數(shù)可用于指導(dǎo)和約束知識發(fā)現(xiàn)過程。

交互迭代 知識發(fā)現(xiàn)是一個(gè)反復(fù)迭代的過程。對于數(shù)據(jù)挖掘所得到的模式和知識，需要通過持續(xù)的分析、反饋與糾正實(shí)現(xiàn)進(jìn)一步優(yōu)化，從而獲得相對理想的知識模型。例如，基于數(shù)據(jù)挖掘的結(jié)果，分析是否需要從內(nèi)外部數(shù)據(jù)源獲取更多的數(shù)據(jù)，或者需要重新對數(shù)據(jù)進(jìn)行處理。

知識表示 利用標(biāo)簽云、熱力圖、樹狀圖等可視化技術(shù)直觀展示所發(fā)現(xiàn)的知識，基于關(guān)聯(lián)關(guān)系和時(shí)間序列還可實(shí)現(xiàn)患者畫像。知識發(fā)現(xiàn)的結(jié)果可用于病歷檢索、疾病預(yù)測、藥物發(fā)現(xiàn)、臨床輔助決策、智能問答、精準(zhǔn)醫(yī)療以及臨床教學(xué)等醫(yī)學(xué)應(yīng)用。

關(guān)鍵技術(shù)

數(shù)據(jù)預(yù)處理

數(shù)據(jù)清洗 數(shù)據(jù)清洗包括填補(bǔ)空缺值、平滑噪聲數(shù)據(jù)和糾正不一致數(shù)據(jù)來改善數(shù)據(jù)質(zhì)量等任務(wù)。由于人工填補(bǔ)數(shù)據(jù)工作量大且可行性差，可采用貝葉斯和決策樹等機(jī)器學(xué)習(xí)方法來預(yù)測最佳默認(rèn)值。對于數(shù)據(jù)源中的異常屬性值，可采用分箱、回歸、聚類等平滑噪聲數(shù)據(jù)處理方法。數(shù)據(jù)的不一致性可通過數(shù)據(jù)之間的相關(guān)性分析來糾正。

數(shù)據(jù)集成 數(shù)據(jù)集成的作用在于將多來源的臨床文本數(shù)據(jù)集成至統(tǒng)一的數(shù)據(jù)存儲中，提高數(shù)據(jù)挖掘的準(zhǔn)確性和速度。數(shù)據(jù)集成需要解決異構(gòu)數(shù)據(jù)集成時(shí)的表達(dá)不一致和冗余數(shù)據(jù)問題，可通過相關(guān)分析來檢測，卡方檢驗(yàn)是常用的分析方法。

數(shù)據(jù)轉(zhuǎn)換 數(shù)據(jù)轉(zhuǎn)換的作用在于將原始數(shù)據(jù)轉(zhuǎn)換成適合于數(shù)據(jù)挖掘的統(tǒng)一形式。數(shù)據(jù)轉(zhuǎn)換方法包括平滑噪聲、數(shù)據(jù)聚合和數(shù)據(jù)規(guī)范化。其中，常用的規(guī)范化方法有最小-最大規(guī)范化、零-均值規(guī)范化和小數(shù)定標(biāo)規(guī)范化。

數(shù)據(jù)歸約 基于醫(yī)療大數(shù)據(jù)的文本處理，需要在確保數(shù)據(jù)完整性的前提下，通過數(shù)據(jù)歸約可獲得精簡的數(shù)據(jù)集合，提高數(shù)據(jù)挖掘的效率。數(shù)據(jù)歸約可采用數(shù)據(jù)立方體聚集、維度歸約、數(shù)值歸約和數(shù)據(jù)壓縮等方法。其中，維度歸約通過去除數(shù)據(jù)集中的無關(guān)變量或?qū)傩葬t(yī)療智能問答系統(tǒng)的作用，可有效控制數(shù)據(jù)處理的數(shù)量，主要技術(shù)包括小波變換、主成分分析等。

隱私保護(hù) 我國于2011年印發(fā)了《電子病歷系統(tǒng)功能規(guī)范（試行）》醫(yī)療智能問答系統(tǒng)的作用，明確了在電子病歷過程使用過程中需進(jìn)行隱私保護(hù)。醫(yī)療大數(shù)據(jù)的隱私保護(hù)所涉及的技術(shù)問題包括數(shù)據(jù)加密、隱私匿名處理和訪問控制等，常用的算法有K-、L-、T-、差分隱私、同態(tài)加密、零知識證明等。

文本處理與信息抽取

中文分詞 目前分詞技術(shù)較為成熟，開源的中文分詞系統(tǒng)包括有NLPIR、Jieba、、LTP、 等。然而，醫(yī)療文本在語言表達(dá)方面具有獨(dú)特性，例如，精煉的語句表達(dá)要求使得其語法成分不完整，存在大量醫(yī)學(xué)術(shù)語、數(shù)學(xué)符號和英文縮寫等。針對專業(yè)性要求較強(qiáng)的醫(yī)療領(lǐng)域，需要基于先驗(yàn)知識、權(quán)威詞典、語料庫來提高分詞的效果。

文本標(biāo)注 醫(yī)療文本的標(biāo)注需要有標(biāo)注規(guī)范的指導(dǎo)，例如，i2b2 2010的標(biāo)注規(guī)范包括有醫(yī)療實(shí)體類型、實(shí)體間關(guān)系以及修飾類型。語料的標(biāo)注的模式包括傳統(tǒng)模式、眾包模式和團(tuán)體模式，均離不開人工的參與，而人工標(biāo)注是一項(xiàng)耗時(shí)耗力的工作，特別是對于醫(yī)療領(lǐng)域，需要有較強(qiáng)專業(yè)背景知識的專家指導(dǎo)標(biāo)注?；谏倭咳斯?biāo)注數(shù)據(jù)實(shí)現(xiàn)機(jī)器自動標(biāo)注是一種可取的方法，可有效節(jié)約標(biāo)注成本并提高標(biāo)注效率。標(biāo)注的效果可通過F值和Kappa值等評價(jià)指標(biāo)來對標(biāo)注的一致性進(jìn)行評估。

命名實(shí)體識別 命名實(shí)體識別是信息提取的重要組成部分，也是醫(yī)療文本挖掘的基礎(chǔ)。命名實(shí)體識別方法主要有基于詞典的方法、基于規(guī)則的方法和基于機(jī)器學(xué)習(xí)的方法。醫(yī)療數(shù)據(jù)包含大量的醫(yī)學(xué)術(shù)語，詞典是醫(yī)學(xué)知識發(fā)現(xiàn)所需的重要資源，基于詞典和規(guī)則的方法適用于規(guī)律性較強(qiáng)的簡單任務(wù)，單純的基于詞典和規(guī)則的方法難以應(yīng)對復(fù)雜語言的處理要求。基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法具有較好的健壯性，其中，條件隨機(jī)場（ Field，CRF）模型在基于機(jī)器學(xué)習(xí)方法中得到廣泛應(yīng)用。隨著機(jī)器學(xué)習(xí)的發(fā)展，基于CNN、RNN、LSTM等模型的深度學(xué)習(xí)方法備受關(guān)注，該方法同時(shí)具備良好的非線性函數(shù)擬合能力和強(qiáng)大的序列建模能力。

關(guān)系抽取 關(guān)系抽取的方法主要有基于共現(xiàn)的方法、基于模式匹配的方法以及基于機(jī)器學(xué)習(xí)的方法?；诠铂F(xiàn)方法的基本思想是當(dāng)兩個(gè)實(shí)體出現(xiàn)在同一個(gè)句子中時(shí)，則這兩個(gè)實(shí)體之間存在關(guān)聯(lián)，且共現(xiàn)的頻率越高，則關(guān)系越強(qiáng)?；谀Ｊ狡ヅ涞姆椒ㄐ枰谡Z言學(xué)知識預(yù)先構(gòu)造模式集合，再將經(jīng)過處理后的醫(yī)療文本與之匹配進(jìn)行關(guān)系抽取。對于基于機(jī)器學(xué)習(xí)的關(guān)系抽取方法，其中監(jiān)督學(xué)習(xí)方法的基本思路是將醫(yī)療關(guān)系抽取視為分類問題，半監(jiān)督學(xué)習(xí)方法主要通過基于少量標(biāo)注語料來抽取關(guān)系，無監(jiān)督的方法則主要基于上下文信息對語義關(guān)系進(jìn)行聚類，該方法存在一定的盲目性，其性能有待提升。