摘要：选择基于Medline的医学数据挖掘系统中应用效果较好,具有普遍特性的3个系统进行分析,探讨系统的研究背景,在具体实现上所采取的技术思路和方法,总结其在设计和实现中普遍性和规律性的特点,供实践参考。

摘要：为了培养医学生掌握医学数据挖掘方法并应用于临床科研工作,提高医学生的信息素养,该研究设计实现了医学数据挖掘在线教学平台,并于2020年春季学期面向协和研究生的“医学数据挖掘实用技术”教学实践中投入使用,该平台有效弥补实践类课程短板,能够满足不同学科背景的学生需求。学生课后反馈结果表明,该平台的应用降低了技术类课程的学习门槛,激发了医学生对于数据挖掘类课程的学习积极性,有助于其实践能力的提升。

摘要：模糊分析方法已广泛应用于医学实践包括对心理疾病的辅助诊断.属性约简方法在过滤冗余信息并提取关键信息时起到了重要作用,使整个临床决策过程更加准确和高效.这些方法抽取的有价值信息可以从新的视角揭示深层次医学知识.很多未经培训的参与者很难识别心理量表中选项间模糊的界线,即很难区分拥有相同意义但程度不同的选项.临床心理学自身的模糊性和心理测量数据的模糊性都将带来噪声.如果将心理测量数据中的属性看作信息系统的条件属性,利用降维算法可提取关键属性,从而简化对疑似患者的临床筛查过程.实际使用时,可对提取的关键属性或者拥有高权重的属性进行重点关注,从而迅速定位拥有异常关键属性的患者,对其优先处理.由此该文提出一种称为FOAD(Fuzzy-Option based Attribute Discriminant method)的基于模糊选项关系的关键属性提取方法,包括三个主要步骤:数据获取、模糊选项的选择与约简以及关键属性的排序与提取.每个参与者样本包含若干身体症状属性,为每个属性都选择一个程度选项.选择模糊选项时须同时考虑选择该选项的样本数量和选项的程度含义.而模糊选项约简算法作为整个方法的核心,可以将模糊选项合并到其他选项,以降低心理测量数据中选项的模糊度.实验中采用两个真实临床数据集验证FOAD算法的性能.首先使用各种属性提取算法对测试数据集进行处理,获取关键属性,然后将输出的关键属性作为条件属性,以诊断结论作为分类标签,利用逻辑回归方法对样本数据进行分类.实验结果表明:FOAD算法在不增加时间复杂度的前提下能将分类准确率普遍提高3.3%～14.1%.虽然选项约简操作造成部分信息的损失,但是合并模糊选项使选项分布更加清晰.FOAD作用下的LDA(Linear Discrimination Analysis)对各种参数敏感,尤其是对保留属性的个数.LDA的预测准确率从保留最少属性时提高6.7%,上升到保留最多属性时提高14.1%.PCA(Principal Component Analysis)算法选择的投影方向会使数据方差最大,保留的信息量最多,但分类效果差.因此FOAD算法很难应用于提高PCA的预测准确率,甚至在个别情况下,出现了FOAD引起PCA分类准确率降低的情况.此外,实验发现基于FOAD的LDA算法比其他属性模糊提取算法具有更高预测准确率.心理诊断数据具有明显的模糊性,一般的统计分析方法往往不能得到需要的结果.而利用最新的模糊集和粗糙集等特殊的数据预处理方法可以消除这种数据噪声,提高临床诊断效果.

摘要：“应用数学”团队依托河南省应用数学中心和大数据统计分析与优化控制河南省工程实验室,充分发挥数学在交叉学科中的优势地位,以具有鲜明“数理医学”特色的生物医学数据挖掘和具有“数工结合”特色的智能优化控制为主线,开展以下3个方面的研究:(1)基于组学数据的癌症早期精准诊断和免疫治疗响应预测研究,分析肿瘤微环境并筛选致病基因和表型相关的细胞亚群;(2)数据驱动建模与控制研究,解决智能交通、智慧电网等领域中的系统建模、协调控制和动态管理等问题;(3)高性能算法设计及应用研究,开发面向工业过程和核心产品的状态监测与预警、智能调度、全寿命周期成本管理等系统软件和算法.