计算机辅助医学诊断系统的数据挖掘和知识发现研究_瞿爱珍课件

1、计算机辅助医学诊断系统的数据挖掘和知识发现研究瞿爱珍,庄天戈(上海交通大学生物医学工程系,上海200030)和最终可理解的模式的非平凡过程;而知识发现(KDD)是指从数据发现有用知识的总过程。数据挖掘可被认为是知识发现中的一步,它是KDD的核心,两术语可交换使用。KDD是众多学科如人工智能,机器学习,模式识别,统计学,数据库和知识库,数据可视化等相互交融所形成的一个有广阔发展前景的新兴领域。2计算机辅助医学诊断系统中的数据挖掘和知识发现方法计算机辅助医学诊断系统的原始处理对象为医学信息数据库,此对象实际上是一个多媒体数据库,它可能包含医生诊断使用的病人医学影像,有关病理参数,化验结果,诊断结果

2、及相关的参考参数如年龄、性别、病史,出院/入院时间等,总之是既有文本、图形/图像,又有数字/数据信息等的多媒体数据库。然而目前的数据挖掘技术主要应用于以结构化数据为主的关系数据库、事务数据库和数据仓库,对复杂类型数据的挖掘尚处在起步阶段,复杂数据包括复杂对象、空间数据、多媒体数据、时间序列数据、文本数据和W eb数据。因而要对医学信息数据库进行数据挖掘和知识发现,发现其中的医学诊断规则和模式,从而辅助医生进行疾病诊断,是一件具有挑战性和有发展前途的工作。目前的数据挖掘对象医学信息数据库,可归纳为两类:第一类为医学影像+其它有关的医学参数的数据库;第二类为无医学影像的纯医学参数的数据库。大多数情

3、况下,对医学数据库进行数据挖掘和知识发现的目标应该是像医生那样,根据先前的经验来诊断疾病或发现疾病分类的医学诊断规则,如诊断乳腺肿瘤是良性还是恶性,根据脑部的MRI图像数据区分病人是脑膜瘤还是星细胞瘤1,由病人心脏的SPECT图像对其心肌灌注进行分类2或诊断有冠状动脉疾病还是无此疾病3,分类胸痛的12种疾病种类4等。另外还有序列的时间模式发现(如HIV疾病进程中时间模式的发现5)和医学参数的模式提取及各参数间因果关系模式发现(如对孩子的骨折数据库和脊柱侧凸病数据库的模式提取和其医学参数的因果关系发现6)。对医学信息数据库的数据挖掘和知识发现遵循一般的知识发现的8步过程:理解应用领域/识别KDD

4、过程的目标;产生目标数据集;数据清除与预处理;数据减少与投影;将目标与特殊数据挖掘方法匹配;数据挖掘;解释和评估所挖掘到的模式;使用所发现的知识。KDD过程具体应用到医学诊断系统中每步可详细解释如下。2.1理解应用领域/识别KDD过程的目标理解医学领域问题的范围和KDD过程的目标就是要明确数据挖掘的医学对象和要得到的结果。一般医学对象为上述的两类医学信息数据库,利用以往的有确诊病例的各种特定疾病医学数据库,通过KDD过程得到其疾病的若干诊断规则,最终帮助医生进行正确预测或诊断各种疾病。因为对病人作疾病诊断是一件生死攸关的事,而目前的计算机智能水平还达不到很高的程序,尤其是与专家(如各种专科医生

5、)的诊断水平相比,因而我们在利用以往的经验即医学信息数据库产生医学智能诊断系统的过程中,自始至终都应和医生不断交流和探讨,最终结果还是要经医生的分析、验证而作出最后的一致性的诊断。例如Sacha JP2等研究开发的心脏SPECT诊断的自动化,目标是提出能用于评估心脏SPECT图像的诊断规则,数据挖掘对象的输入变量是从SPECT图像提取来的特征值和一些来自病人记录的变量如年龄、体重、身高、吸烟者或不吸烟者等;解剖结构的不同决定了采用不同的男性和女性模型,所选择的数据挖掘方法应能产生为用户理解的产生式规则;在数据挖掘前,应完成三个子目标:建一个数据仓库以接受各种现有数据和以后的增加数据并可便于SQ

6、L查询;产生一个标准化的LV模型;决定增加什么样的病人信息到SPECT图像提取的特征值中产生诊断规则。Kavalerchuk B7等研究的对乳腺癌进行计算机辅助系统、专家规则和数据库知识的一致性医学诊断就是另一典型例子,这个项目的目标集中于从专家和数据库提取足够、完整和可比较的两套规则,然后识别它们之间的分歧,最终达成一致的医学诊断。2.2产生目标数据库为了得到最终的结果,需要生成一个完整记录病人医学诊断信息的数据库,各个诊断系统根据不同的目标来组织其数据库,其中应包含充足的各类病例或一定比率的正病例和反病例作为数据挖掘的训练例和测试例,以便最终能得到令人满意和正确的结果。各种实际医学诊断系统

7、使用的具体病例情况参见表1。大多数的情况下,我们可以用SQL结构化查询语言来准备所需的数据库(因主要的数据库系统支持标准的SQL)。例如心脏SPECT诊断自动·98·国外医学生物医学工程分册2002年第25卷第3期课题5所使用的医学数据库,其原始数据存于M icrosoftExcel文件中,每个记录数据包含的病人个人信息有:年龄、性别、身高,有关处理步骤的信息,心脏病学家对SPECT图像的解释,心脏灌注分类等共有184个域, 4 275个记录,还有6 817个SPECT图像文件,相应于约613个病例。其中只有仅一半的病例有完整的诊断,包括ROIS的灌注分类代码和总的左心室灌

8、注分类。首先为了组织数据库,将电子表格中包含的数据转化到一个关系数据库中,专用的SPECT图像文件格式已处理成可允许最关键的信息被提取实际的3-D图像和病人标识信息被储存在文件头中,产生了根据病人标识信息来自动检索图像的程序;SPECT图像文件被存储在数据库外的预先定义好的目录结构中,已写好的软件可用几种方式浏览具有图像显示的病人记录,数据库还可储存进行各种数据挖掘后产生的数据,诸如从SPECT图像所提取的特征值和左心室的标准化模型等。表1各种医学数据库的知识发现计算机辅助诊断系统特性一览表诊断的原始数据类型计算机辅助医学诊断系统目标数据挖掘方法使用的病例数特征值个数分类精度(产生的规则数目)

9、比较的其它数据挖掘方法医学影像+其它医学参数1.心脏SPECT诊断的自动化课题2评估心脏SPECT图像后对心脏灌注进行分类基于决策树的C4. 5分类器和简单的统计朴素贝叶斯613 44错误率最低14. 6±3. 44(7 /9:仅CT数时/CT数和附加数据集)常数分类器, C4. 5树/规则,朴素贝叶斯,离散朴素贝叶斯2.诊断心肌灌注的知识发现系统3根据心肌灌注情况诊断有或无冠状动脉疾病CLIP3机器学习算法,它结合了决策树概念和基于规则的算法185 ( 161个正常/24有病)12(6图像特征值)最高精度为62. 7%(8 /6:正例为正常时/正例为有病时,或5 /4:仅对男性例学

10、习结果)3.乳腺癌诊断的一致性知识发现系统7区分乳腺肿瘤良性/恶性发现规则的机器学习方法MMDR1 /2 /3156(良性/恶性:77 /73)11MMDR2 /390% /96. 6% /( 44 /30 /18)线性判别分类,神经网络,决策树4.从MRI数据诱导逻辑编程发现知识1区分脑部的两种肿瘤即脑膜瘤还是星细胞瘤ILP诱导逻辑编程(Pro-gol)28 (脑膜瘤/星细瘤: 18 /10)1 100% (1)无医学影像的医学参数值5.胸痛诊断的遗传编程知识发现4分类胸痛的12种疾病遗传编程GP138(训练/测试例:90 /48)165 87. 5% (12)规则产生法C5. 0(其分类精

11、度79. 2% )6.使用进化算法从医学数据库发现知识6对孩子骨折*和脊柱侧凸病人*两数据库进行模式提取和其有关医学参数的因果关系发现进化算法(基因编程GP,类基因编程GGP,最小总描述长度基因编程MDLGP,遗传算法GAS)和贝叶斯网络* 6500(训练/测试例:随机)8 (17)* * 500(训练/测试例:随机)20 (18)7.自动发现临床数据库中的正例和反例知识9进行头痛信息()、脑血管疾病()和脑膜炎()三个数据库的诊断规则发现粗糙集模型的规则产生. 52119(训练/测试例:随机)147 91. 3% (至少2个). 7620(如上)85589. 3% (5) (至少2个). 1

12、1211(如上)4192. 5% (6) (至少2个)仅有正例的知识发现, C4. 5和医学专家,三种数据库医学专家的分类精度()95. 0% /92. 9%/93. 2%8.在疾病进程数据库中发现其时间模式5发现人类免疫缺陷病毒(HIV )病人疾病过程的时间模式时间模式发现系统TEMPADIS,它使用了自己提出的事件集序列方法和对GSP算法的进一步调整1100 (训练/测试例:随机)20最小72% /平均80% (发现的事件序列模式包含6个事件组)GSP算法(中间的特征值提取使用了NevProp3神经网络软件和决策树产生学习机器方法)2.3清理与预处理数据此步的目的是从数据中去除噪声,处理丢

13、失数据的策略及作必要的改变。清除数据是一耗时而繁重的任务,可用手工和SQL语句来对数据库操作,有时为了节省时间,可从原始数据库中选择一些重要的部分作原始目标进行处理。这一步是重要的,将·99·国外医学生物医学工程分册2002年第25卷第3期响到数据挖掘的结果,因此我们应采用对噪声较少敏感的数据挖掘方法。例如,文献5中的HIV病人数据库由1 100个病人的医学信息组成,研究人员随机从1 100个病人中选400个病人来作为主要的数据库,以便不损失原始目标,其中有许多类似于配药数据的误拼和药物错误编码的纠正等,用SQL语句和手工清理这400个病人的数据花了大约3个多月,注意到他们

14、成功地纠正明显的错误是很重要的。还有文献2中数据质量检查是用半手工和SQL查询的方法将图像集与数据库记录进行匹配,发现一些图像和病人的记录不匹配,结果大多数是印刷错误,但仍有一些确实不匹配,就删除它们。另外还要检查图像集的完整性和单个图像的质量(如应有充足的对比度等)。2.4数据约简和投影此步目的是发现依赖于目标的有用特征值来代表数据,包括使用维数降低或变换方法来减少考虑的有效变量数或发现数据的不变代表,也就是用最少数目的变量数更好地代表数据。对有医学图像的医学数据库进行知识发现,首先要对其图像进行特征提取,例如心脏SPECT诊断自动化课题2中,先将3D SPECT图像转换为2D SPECT图

15、像,且对各个2D SPECT图像进行配准后划分成若干重点的区域ROI,再对各ROI进行特征提取(CT数),最后共得到22个ROI和44个特征值,这些特征值用于数据挖掘;对SPECT图像的ROI区域进行特征值提取还可通过计算象素值与区域象素平均值偏差大于2. 5的象素所占的百分比得到。此外还有对病人肺部或肝部等的CT、HRCT图像和超声图像8进行各种纹理参数的提取及对乳腺病人CT图像进行其钙化体积和数量、钙化形状和密度等特征参数提取。从医学图像提取特征可能是带医学图像的医学数据库的数据挖掘和知识发现过程中最复杂而且极重要的部分,它将直接影响到数据挖掘结果。在有些情况下,为了减少有效变量获得等效信

16、息,还可利用数据挖掘算法来产生一些所需变量,例如,在Ram irez JCG5等开发的发现HIV病人疾病进程的时间模式的知识系统中,就使用了决策树产生的机器学习技术和NevProp3神经网络软件得到两个重要参数:病人健康状况值(HS)和病人恢复时间(WTR),它们被作为后面的数据挖掘的主要参数。2.5将目标与特殊数据挖掘方法匹配此步目的决定什么数据模型可能适合搜索数据中的模式,使用什么数据挖掘方法与此KDD过程目标相匹配。模型选择通常基于要挖掘什么类型的数据,数据挖掘方法选择根据需要什么样的最终结果,通常是发现或预测。数据挖掘有以下几个最重要的提取数据特性的模型:概括用少量特征/属性来描述聚集

17、形式;聚类或分割发现高维数据和自然群;回归模型;分类分类器可被认为是回归模型的特殊化;概念描述;相关性分析;序列分析。在医学信息诊断中,大多数情况下是要我们对疾病进行分类的诊断,因此,可使用分类的数据模型,也有少数相关性分析和序列分析,而选择好了数据模型后,可使用的数据挖掘方法有:机器学习、决策树、粗糙集、进化算法和神经网络等。具体使用时,采用哪一种方法要根据实际的医学信息数据库类型和特点来决定,有时还要用几种方法进行探索比较。每一种数据挖掘方法有许多的具体实现方法,而同一实现方法也涉及到不同的参数选择,因此应对数据模型作调整和精确化,以适合具体的数据挖掘对象和产生较好的挖掘结果。例如,HIV

18、病人疾病过程的时间模式发现文献5中,先采用一般序列模式算法(GSP)作为数据挖掘方法,后经实验提出了自己的事件集序列方法和对GSP算法的进一步调整即TEMPADIS时间模式发现系统。2.6数据挖掘对医学信息数据库进行数据挖掘和知识发现的主要目的是预测和分类疾病。分类和预测是两种数据分析形式,可以用于提取描述重要数据类的模型或预测未来的数据趋势。分类是预测分类号(或离散值),而预测是建立连续函数模型;数据分类的基本技术有决策树归纳、贝叶斯分类和贝叶斯网络及神经网络。其它的分类方法还有K-最临近分类,基于案例的推理,遗传算法,粗糙集和模糊逻辑技术。预测方法有线性、非线性和广义线性回归模型。具体情况

19、下,可对上述的这些技术进行适当的修改、扩充和优化,从而能应用到各种特殊的医学数据库中进行疾病的分类和预测。例如,W angML5等对孩子骨折数据库和脊柱侧凸病人数据库使用进化算法(包括类基因编程GGP,遗传编程GP,最小总描述长度基因编程MDLGP,遗传算法GAS)和贝叶斯网络来进行模式提取和发现各变量因果关系的网络;而Tsumoto S9在头痛信息、脑血管疾病和脑膜炎的诊断系统中,采用了基于粗糙集模型的规则产生法,由于更密切地代表了医学专家的推理,使产生的规·100·国外医学生物医学工程分册2002年第25卷第3期摘要:计算机辅助诊断系统中,使用医学数据库的数据挖掘和知识

20、发现技术具有重要意义和其发展的必然性。文章分析和综合了此类系统研究开发的一般规律及其特殊性,并指出了其中一些需要解决的问题和今后的研究发展方向。关键词:医学数据库;数据挖掘;知识发现;医学图像中图分类号: R318;TN911. 73文献标识码: A文章编号: 1001-1110(2002)03-0097-07The research of datam ining and know ledge discovery incomputer aided medical diagnosing systemQU A i-zhen,ZHUANG Tian-ge(Dept ofBiomedicalEngin

21、eering,Shanghai Jiao Tong University,Shanghai 200030,China)Abstract: It is urgently needed in the development of computer aided medical diagnosing system using data m ining andknow ledge discovery technology onmedicaldatabases.This paper analyses and synthesizes this kind of system s and givestheir

22、general rules and particularity.The paper also points out a number of problem s to be solved and the direction of re-search and development in future.Key words:medical database; datam ining; know ledge discovery;medical image收稿日期: 2001-10-251引言随着医院的计算机化,尤其是许多医院开始使用PACS系统(Picture Archiving and Commun

23、ica-tion System),它们已收集了大量病人的医学影象(包括SPECT,X-CT,PET,MRI,HRCT等)和其它的有关医学参数,而如何充分利用以前的确诊病例和医生的诊断经验加上当前病人的信息,使计算机帮助医生快速、有效地正确诊断疾病,正是计算机辅助医学诊断系统的目标。以往的许多医学辅助诊断系统都是基于知识的专家系统,它往往存在若干的缺陷:知识获取的瓶颈;知识脆弱性;推理单调性。具体表现为:开发基于规则和知识的专家系统大约60%到70%的时间花费在知识获取上,采取的方法是由专家通过一系列的领域规则来表示它们的启发式分类经验,由于绝大多数专家在显示他们的领域知识方面存在困难,应用效果

24、有时不甚理想,且专家在利用这类知识时,更多地是采用联想等形象思维方法。简言之,从专家那里获取知识与表达困难,且带有定性和主观的特点,难于定量和客观地表示。为克服上述缺点,出现了类似于NNES(神经网络专家系统)7等的智能诊断系统,其优点为:具有学习功能,大规模并行分布式处理,全局集体作用实现知识获取自动化,可以实现并行联想和自适应推理,系统具有实时处理能力和较好的鲁棒性,良好的启发性、灵活性。和传统的ES相比,在分类、诊断以及基于分类的智能控制和优化求解等方面,此类智能诊断系统有更优越的性能,但也有一些固有缺点,如:适用于解决一些规模较小的问题;在很大程度上受训练数据集的限制;受限于常识问题知

25、识的获取;知识表示,处理繁杂而低效,存在“黑箱”操作。这一切决定目前的智能诊断系统不可能具有很高的智能水平。然而,在此类系统中如引入数据挖掘和知识发现可缓解或部分地解决一些上述问题,这也是先进智能诊断系统的发展方向。数据挖掘是从人工智能的分支机器学习发展而来,至今已有十多年历史,数据挖掘就是从数据库中获取正确、新颖、有潜在应用价值精度大大提高,几乎接近专家的预测精度,见表1中()处。Bojarczuk CC4等在胸痛疾病的诊断系统中使用了遗传编程GP,这种方法是一种有前途的数据挖掘方法,此系统根据165个预测特征值进行12种不同胸痛疾病的分类,得到了87. 5%的分类精度,大于C5. 0决策树

26、算法(79. 2% )。2.7解释和评估所挖掘到的模式从上述可知,对医学数据库进行数据挖掘的技术采用了对经典的方法(如决策树方法)进行改进、优化和组合,以便适合特定的数据库挖掘对象,有的系统采用了目前的先进方法(如遗传算法、粗糙集方法、模糊逻辑技术等)较好地适应了其处理对象并得到了良好的结果。一般来说,对分类和预测的数据挖掘结果可用以下的标准进行比较和评估:(1)预测正确度涉及模型正确地预测新的或先前未见过的数据的类的能力。(2)计算速度涉及产生和使用模型的计算花费。(3)鲁棒性涉及给定噪声数据或具有空缺值的数据,模型正确预测的能力。(4)可伸缩性涉及给定大量数据,有效地构造模型的能力。(5)

27、可理解性学习模型提供的理解和洞察层次。然而,目前对许多不同分类方法的比较仍然为一个研究课题,尚未发现有一种方法对所有数据优于其它方法。必须要考虑准确性、训练时间、鲁棒性、可理解性和可伸缩性,可能涉及一折衷方案,可探索优化组合各种算法以求得较好的结果,比如出现了研究模糊神经网络、模糊决策树等先进的数据挖掘方法。心肌灌注诊断系统中,采用CLIP3机器学习算法,此算法结合了决策树概念和基于规则的算法,而心脏SPECT诊断的自动化课题中,采用了基于决策树的C4. 5和简单的统计朴素贝叶斯。另外,在乳腺癌的诊断中,使用基于统计方法的发现规则机器学习方法MMDR1/MMDR2/MMDR3(它们是对于0.

28、05级别的F规则分别有0. 75、0. 85和0. 95条件概率,产生统计有意义的诊断规则的方法)等。从表1中的医学数据库发现诊断知识的各种疾病诊断系统,均就其使用的数据挖掘算法结果给予了医学解释和评估,而且其中许多还与其它的数据挖掘算法就精度、可理解性等进行了比较,有时还强调了产生的诊断规则的有用性及其价值,但较少考虑算法的鲁棒性、计算速度和可伸缩性。2.8使用所发现的知识计算机辅助诊断系统是以咨询系统的形式提供的,目的是使医生的诊断过程更客观和容易,提高诊断效率,且可训练缺乏经验的新医生,就目前医学数据库发现知识系统的实用性来说,尚处于研究开发阶段,有的知识发现诊断系统在发现知识后识别出数

29、据库中的错误,经验证修改其中的错误;有的还需进一步充实其病例库以便得到更符合实际的诊断规则或更好地预测疾病。另外,在医学专家和数据库发现的知识间有时必然存在不一致或矛盾,这就需要研究开发人员与医学专家进行不断的商榷来消除或解释矛盾,这正是一致性的计算机辅助医学诊断系统最重要的特点,是今后知识发现诊断系统和专家系统融合的发展方向。如上所述的BorisKavaler-chuk7等研究开发的乳腺癌的计算机辅助一致性诊断系统,正是这方面很好的典型例子,它采用以下几步来产生一个一致性的规则库:根据数据库发现数据驱动的规则,而不是通过询问专家来发现;通过医学专家使用可得的已经证实的病例来分析这些新的规则;

30、发现与她/他的知识或理解相矛盾的规则,这意味着两种可能性: (a)这种规则是使用了误导的病例被发现的;必须拒绝此类规则并且对训练数据进行扩展; (b)专家可能承认他/她的想法没有实际的根据,因此系统提高了专家的经验。3医学辅助诊断系统研究和发展的方向总结目前的基于知识发现的计算机辅助诊断系统,今后的发展可在以下三个方面进行探索和研究。(1)在对有医学影像的多媒体医学数据库进行数据挖掘和知识发现时,亟需研究如何更快速而有效地自动提取图像的特征值及如何选择更合适和先进的数据挖掘方法,以便可得到更好的数据挖掘结果即医学诊断规则。从医学图像提取用于诊断的图像特征值需花费整个系统的绝大部分时间,因为人类

31、理解图像比理解大量的数字容易,但计算机正好相反。正因如此,尤其针对图像进行挖掘的多媒体数据挖掘还处于研究起步阶段,医学图像的特征自动提取和模式识别的研究和发展与多媒体数据挖掘具有相互促进的作用。已有用模糊神经网络研究对乳腺医学图像进行特征值的自动提取8对弥漫性的肝疾病进行自动分·101·国外医学生物医学工程分册2002年第25卷第3期等。就数据挖掘方法的采用上,神经网络技术在当今的主要商品化数据挖掘工具中占有绝对的统治地位10,随着对神经网络规则提取的研究和发展,利用神经网络来发现知识和提取分类规则,由于其计算的简单性和具有归纳能力,正引起人们广泛的研究和开发应用1116,

32、而将这种方法如何更好地具体应用到医学数据库的知识发现中,是值得进一步研究和有发展前景的方向。近年来将模糊技术和神经网络技术结合起来的模糊神经网络技术1719成为一个热门研究领域,人们已将此先进技术应用到医学诊断领域2023,并且取得了良好的效果。(2)探讨和开发适合医学数据库知识发现的一般数据挖掘方法和工具。针对各种特定的医学数据库,人们已使用了各种合适的数据挖掘方法来进行其计算机辅助诊断系统的开发。在大量实践的基础上,将来能否利用软件组件技术于知识发现系统24中,集成各种适合医学数据库挖掘的方法为一个开发医学信息数据库的通用工具,从而节省进一步开发整个计算机辅助医学诊断系统的时间,此工具应能

33、自动比较合适方法的各种性能等。(3)开发出性能良好、接近医学专家水平因而能投入实际临床使用的计算机辅助诊断系统。医学诊断是一件有关生命的重大事情。应该在医学数据库知识发现和医学专家知识之间达成一致,出现矛盾要解释或消除,需要将现有的专家系统和知识发现系统进行进一步和真正的融合,不断提高诊断系统的性能,从而使最后的计算机辅助诊断系统成为医生的助手,甚至有一天真正代替医生作出高水平的诊断。参考文献:1 Siromoney A,Raghuram L, Siromoney A, et al. Induc-tive logic programm ing for know ledge discovery

34、fromMRI dataJ. IEEE Engineering inM edicine Biology,2000, 19(4): 72-77.2 Sacha JP, Cios KJ,Goodenday LS. Issues in automat-ing cardiac SPECT diagnosisJ. IEEE Engineering inM edicine Biology, 2000, 19(4): 78-88.3 Cios KJ, Teresinska A,Konieczna S, et al.A know le-dge discovery approach to diagnosing

35、myocardial per-fusion J . IEEE Engineering in M edicine Biology,2000, 19(4): 17-25.4 Bojarczuk CC, Lopes HS, Freitas AA.Genetic progr-amm ing forknow ledge discovery in chest-pain diagno-sisJ. IEEE Engineering in M edicine Biology, 2000,19(4): 38-44.5 Ram irez JCG, Cook DJ, Peterson LL, et al. Tempo

36、rapattern discovery in course-of-dissease dataJ. IEEEEngineering inM edicine Biology, 2000, 19(4): 63-71.6W angML, Lam W, Leung KS, et al.Discovering kno-w ledge from medical databases using evolutionary al-gorithm sJ. IEEE Engineering in M edicine Biology,2000, 19(4): 45-55.7 Kovalerchuk B,V ityaey

37、 E,Ruiz JF.Consistent know l-edge discovery in medical diagnosis J. IEEE Engi-neering inM edicine Biology, 2000, 19(4): 26-37.8 Pavlopoulos S,KyriacouE, Koutsouris D, et al. Fuzzyneural network-based texture analysis of ultrasonicimages J. IEEE Engineering in M edicine Biology,2000, 19(4): 39-47.9 T

38、sumoto S.Automated discovery of positive and nega-tive know ledge in clinical databases J. IEEE Engi-neering inM edicine Biology, 2000, 19(4): 56-62.10黄飞雪,周东清,孙万军,等.基于神经网络的数据采掘技术J.计算机应用研究, 2000, 17(9): 4-9.11孙晨,周志华,陈兆乾.神经网络规则抽取研究J.计算机应用研究, 2000, 17(2): 34-37.12张朝辉,陆玉昌,张钹.利用神经网络发现分类规则J.计算机学报, 1999, 2

39、2(1): 108-112.13 IshikawaM. Rule extraction by successive regulariza-tionJ.NeuralNetworks, 2000, 13: 1171-1183.14 Ishikawa M. Structural learning w ith forgetting J.NeuralNetworks, 1996, 9(3): 509-521.15 DuchW,Adamczak R,G rabezewskiK.A new method-ology of extraction, optim ization and application o

40、fcrisp and fuzzy logical rulesJ. IEEE Transations onNeuralNetworks, 2001, 12(2): 277-306.16 Roy A.On connectionism, rule extraction, and brain-like learning J . IEEE Transactions on Fuzzy Sys-tem s, 2000, 8(2): 222-227.17 Raveendran P,Palaniappan R,Omatu S.FuzzyARTMAPclassification of invariant feat

41、ures derived using angleof rotation from a neuralnetworkJ. Information Sci-ences, 2000, 130: 67-84.18 A liev RA. Fazlollahi B, Vahidov RM.Genetic algori-thm-based learning of fuzzy neural networks. Part 1feed-forward fuzzy neural networks J . Fuzzy Setsand System s, 2001, 118: 351-358.19 IshibuchiH,

42、N iiM.Numerical analysis of the learningof fuzzified neural networks from fuzzy if-then rulesJ.Fuzzy Sets and System s, 2001, 120: 281-307.20 InnocentPR, John RI,Garibaldi JM.The fuzzymedicagroup in the centre for computational IntelligenceJ.Artificial Intelligence inM edicine, 2001, 21: 163-170.21

43、John RI, Innocent PR, BarnesMR.Neuro-fuzzy clust-ering of radiographic tibia image data using type 2fuzzy setsJ. Information Science, 2000, 125: 65-82.22 BrameierM,BanzhafW.A comparison of linear genet-ic programm ing and neural networks in medical datam ining J. IEEE Transactions on Evolutionary Co

44、m-putation, 2001, 5(1): 17-26.·102·国外医学生物医学工程分册2002年第25卷第3期23 Verma B,Zakes J.A computer-aided diagnosis systemfor digital mammogram s based on fuzzy neural andfeature extraction techniques J. IEEE Transactionson Information Technology in Biomedicine, 2001, 5(1): 46-54.24楼伟进,孔繁胜.软件组件技术与知识发现系统J.微型电脑应用, 1999, 15(12): 4-6.感应电流电阻抗成像的硬件系统向海燕,董秀珍,秦明新,尤富生(第四军医大学生物医学工程系医学电子工程教研室,陕西西安710033)摘要:本文回顾了感应电流电阻抗成像技术的发展历史及现状,指出了其研究意义。对感应电流电阻抗成像的硬件系统主要采用的技术进行了介绍,并讨论了研究中存在的关键问题。最后总结了今后工作可能的研究方向。关键词:生物电阻抗;电阻抗断层成像;感应电流;硬件系统中图分类号:R3