2025年医学信息人才大数据挖掘试卷与答案

2025年医学信息人才大数据挖掘试卷与答案一、单项选择题（每题2分，共20分）1.以下哪项不属于医学大数据的核心来源？A.医院信息系统（HIS）B.实验室信息系统（LIS）C.社交媒体用户健康话题讨论D.医学影像存档与通信系统（PACS）2.在医学数据预处理中，处理缺失值时若某指标缺失率超过70%，最合理的处理方式是？A.用均值填充B.用中位数填充C.删除该指标列D.用KNN算法预测填充3.针对电子健康记录（EHR）中“主诉”字段的文本挖掘，最适合的特征提取方法是？A.独热编码（One-HotEncoding）B.TF-IDF向量化C.主成分分析（PCA）D.标准化（Z-Score）4.以下哪种算法更适合处理医学影像的分类任务？A.逻辑回归（LogisticRegression）B.支持向量机（SVM）C.卷积神经网络（CNN）D.随机森林（RandomForest）5.在评估医学预测模型时，若目标是减少漏诊（假阴性），应重点关注哪个指标？A.准确率（Accuracy）B.精确率（Precision）C.召回率（Recall）D.F1分数6.医学大数据隐私保护中，“k-匿名”技术的核心是？A.对敏感字段进行加密B.确保至少k条记录无法通过准标识符区分C.限制数据访问权限层级D.对数据进行差分隐私扰动7.以下哪项属于非结构化医学数据？A.患者年龄、性别B.检验报告中的数值结果C.医生手写的病程记录D.电子病历中的诊断编码（ICD-10）8.在构建疾病风险预测模型时，若特征变量存在多重共线性，最有效的解决方法是？A.增加样本量B.进行特征选择（如LASSO）C.对变量进行标准化D.改用非线性模型9.医学文本挖掘中，识别“糖尿病”与“视网膜病变”之间关联关系的任务属于？A.命名实体识别（NER）B.关系抽取（RelationExtraction）C.文本分类（TextClassification）D.情感分析（SentimentAnalysis）10.以下哪种技术最适合处理大规模医学数据的实时分析？A.HadoopHDFSB.SparkStreamingC.SQL数据库D.NoSQL数据库（如MongoDB）二、多项选择题（每题3分，共15分，少选、错选均不得分）11.医学大数据的“5V”特征包括？A.容量（Volume）B.速度（Velocity）C.多样性（Variety）D.价值（Value）E.真实性（Veracity）12.数据清洗的主要步骤包括？A.缺失值处理B.异常值检测C.数据标准化D.重复记录删除E.特征工程13.以下属于监督学习算法的有？A.K-means聚类B.决策树（DecisionTree）C.支持向量机（SVM）D.主成分分析（PCA）E.逻辑回归（LogisticRegression）14.医学大数据应用中，需遵守的伦理与法律规范包括？A.《个人信息保护法》B.《医疗数据管理暂行办法》C.HIPAA（健康保险携带和责任法案）D.GDPR（通用数据保护条例）E.《生物安全法》15.以下哪些方法可用于解决医学数据类别不平衡问题？A.过采样（如SMOTE）B.欠采样C.调整分类阈值D.使用加权损失函数E.增加特征维度三、填空题（每题2分，共10分）16.医学术语标准化常用的编码系统中，用于疾病分类的国际标准是__________。17.自然语言处理（NLP）中，将非结构化文本转换为计算机可处理向量的常用方法包括__________和词嵌入（WordEmbedding）。18.在医学影像大数据中，DICOM是__________的缩写，是医学影像存储与传输的国际标准。19.关联规则挖掘中，衡量规则重要性的两个核心指标是支持度（Support）和__________。20.医学大数据平台的底层架构通常包括数据采集层、__________、计算处理层和应用服务层。四、简答题（每题8分，共32分）21.简述医学大数据预处理的主要步骤及其目的。22.对比随机森林（RandomForest）与XGBoost算法在医学预测模型中的优缺点。23.说明在电子健康记录（EHR）分析中，如何解决时间序列数据的特征提取问题（如患者就诊时间、用药顺序）。24.结合《个人信息保护法》与医学伦理，阐述医学大数据挖掘中隐私保护的关键措施。五、案例分析题（共23分）某三甲医院希望利用近10年的电子健康记录（EHR）数据，构建“糖尿病患者3年内发生心血管并发症”的预测模型。已知数据包含以下字段：患者基本信息（年龄、性别、BMI）、实验室检查（空腹血糖、糖化血红蛋白、血脂）、用药记录（胰岛素、二甲双胍等）、既往病史（高血压、吸烟史）、随访记录（是否发生心血管事件）。要求：（1）设计数据预处理的具体步骤（6分）；（2）选择2种适合的机器学习算法并说明理由（6分）；（3）提出模型性能评估的关键指标及原因（5分）；（4）列举需重点关注的隐私与伦理问题（6分）。答案一、单项选择题1.C2.C3.B4.C5.C6.B7.C8.B9.B10.B二、多项选择题11.ABCDE12.ABD13.BCE14.ABCDE15.ABCD三、填空题16.ICD-10（国际疾病分类第10版）17.词袋模型（BagofWords）/TF-IDF18.数字成像和通信医学（DigitalImagingandCommunicationsinMedicine）19.置信度（Confidence）20.存储管理层四、简答题21.主要步骤及目的：（1）数据清洗：处理缺失值（删除/填充）、异常值（修正/剔除）、重复记录（去重），确保数据完整性和准确性；（2）数据集成：整合多源数据（如HIS、LIS、PACS），解决命名冲突、格式不一致问题，形成统一数据集；（3）数据转换：包括标准化（Z-Score）、归一化（Min-Max）处理，将分类变量进行独热编码，文本数据向量化（如TF-IDF），提升模型对不同量纲数据的适应性；（4）数据规约：通过特征选择（如卡方检验、LASSO）或降维（如PCA）减少冗余特征，降低计算复杂度并避免过拟合。22.优缺点对比：随机森林：优点：鲁棒性强，对缺失值和异常值不敏感；可并行训练，计算效率高；能输出特征重要性，解释性较好；缺点：对高维稀疏数据（如文本）效果一般；深度限制可能导致复杂模式捕捉不足。XGBoost：优点：采用正则化防止过拟合，精度通常高于随机森林；支持自定义损失函数，适用于医学中的不平衡数据；梯度提升机制能更高效捕捉数据中的非线性关系；缺点：对超参数敏感（如学习率、树深度），调参成本高；可解释性较弱，难以直观理解特征如何影响预测结果。23.解决时间序列特征提取的方法：（1）时间窗口特征：按固定时间窗口（如3个月、1年）统计就诊频率、用药种类变化、指标均值/最大值/趋势（如糖化血红蛋白是否持续升高）；（2）序列编码：使用循环神经网络（RNN）或长短期记忆网络（LSTM）捕捉就诊顺序、用药顺序中的时序依赖关系；（3）事件间隔特征：计算关键事件（如首次诊断糖尿病、开始胰岛素治疗）之间的时间间隔，作为独立特征；（4）生存分析整合：引入Cox比例风险模型，将时间作为因变量（如从诊断到并发症发生的时间），结合传统机器学习模型提升预测效能。24.隐私保护关键措施：（1）数据去标识化：删除或加密直接标识符（姓名、身份证号），对准标识符（年龄、性别、就诊医院）应用k-匿名或l-多样性技术，防止重识别；（2）访问控制：采用角色权限管理（如仅授权医生、数据科学家访问），结合动态令牌验证，限制数据下载与导出；（3）差分隐私：在数据聚合（如统计发病率）时添加可控噪声，确保单个记录的隐私不被推断；（4）知情同意：明确告知数据用途（仅限研究）、存储期限、共享范围，允许患者随时撤回授权；（5）伦理审查：通过医院伦理委员会审批，确保研究目的正当性、风险收益比合理；（6）安全存储：采用加密存储（如AES-256）、区块链技术记录数据操作日志，防止篡改与泄露。五、案例分析题（1）数据预处理步骤：①清洗：删除缺失率＞50%的字段（如部分不完整的随访记录）；对实验室指标（如空腹血糖）的缺失值，采用基于性别、年龄的分组均值填充；剔除BMI异常值（如＞60或＜15）；②集成：将分散在HIS（就诊记录）、LIS（检验结果）、药房系统（用药记录）的数据按患者唯一ID关联，统一时间格式（如转换为ISO8601）；③转换：将用药记录（如“胰岛素使用”）转换为二进制特征（0/1）或剂量累积特征（如“胰岛素总使用天数”）；对分类变量（性别）进行独热编码；对文本字段（如吸烟史）进行标准化（“无”=0，“偶尔”=1，“长期”=2）；④规约：通过随机森林的特征重要性分析，剔除重要性＜0.01的特征（如无关的门诊科室）；对连续变量（年龄）进行分箱（如＜40岁，40-60岁，＞60岁），提升模型泛化能力。（2）算法选择及理由：①XGBoost：适用于结构化EHR数据，其梯度提升机制能高效捕捉糖尿病相关指标（如糖化血红蛋白）与心血管并发症的非线性关系；支持自定义评估指标（如关注召回率），减少漏诊；②逻辑回归：作为基线模型，可输出各特征的OR值（优势比），明确糖尿病病程、高血压史等因素对并发症的具体影响，满足医学研究的可解释性需求。（3）性能评估指标及原因：①召回率（Sensitivity）：重点关注漏诊（假阴性），即模型正确识别出实际会发生并发症患者的比例，直接关系到临床干预的及时性；②精确率（PositivePredictiveValue）：避免过度诊断（假阳性），减少不必要的医疗资源浪费；③AUC-ROC：综合衡量模型在不同阈值下的分类能力，尤其适用于类别不平衡数据（心血管并发症发生率通常较低）；④校准度（Calibration）：通过校准曲线验证预测概率与实际概率的一致性，确保模型结果可被临床医生信任。（4）隐私与伦理问题：①患者身份泄露：尽管去标识化，年龄、性别、罕见病史（如同时患有1型糖尿病和系统性红斑狼疮）的组合可能导致重识别；②数据使用越界：需严格