基于数据挖掘技术的放疗数据分析与评估技术应用探析

摘要：为实现不同结构和不同类别放疗数据的统一管理，并提升其二次利用水平，探析基于数据挖掘技术的放疗数据分析与评估技术。该技术以数据挖掘模型原理为依据，结合放疗数据的特点，采用MVC框架作为放疗数据的数据库结构，并且将数据挖掘模型和聚类算法相结合挖掘放疗数据，以此构建放疗数据库；实现放疗数据的统一存储和管理；并且通过用户的主观层面、挖掘模型的客观层面，进行数据挖掘模型的评估，分析其在放疗数据管理中的应用效果。测试结果表明：该技术具有较好的放疗数据库的构建效果，数据库中相同数据类别的离散度常数结果均在0.025以下；能够实现数据库中放疗数据的解析。

关键词：数据挖掘技术；放疗数据；分析与评估；模型评估；数据特点；聚类算法

中图分类号：TP391        文献标识码：A

文章编号：1009-3044（2023）25-0064-03

开放科学（资源服务）标识码（OSID） ：<G：＼飞翔打包文件一＼电脑2023年第二十五期打包文件＼6.03xs202325＼Image＼image1.jpeg>

0 引言

放疗数据是恶性肿瘤治疗过程中产生的相关数据，其产生的途径主要分为3方面，一是由医院信息管理系统、电子健康记录以及个人健康记录中产生；二是由放射治疗计划管理中产生；三是由医学影像设备产生[1]。这些放射数据中包含患者所有的个人信息、诊断结果、治疗记录以及用药和住院治疗等多个方面的详细信息[2]；这些信息结构复杂，类别较多，包含医学影响、诊断记录、病历档案等，整体可分为结构化信息、半结构化信息以及非结构化信息[3]，具有显著的多源异构特性，因此在一定程度上呈现相互孤立、且分散程度较高等分布状态。除此之外，放疗数据存储于不同的治疗科室内，导致医生在进行临床应用时，无法全面掌握数据情况，到时数据的可利用程度较低[4]。近几年恶性肿瘤的临床治疗病例显著增加，各大医院对于该类患者进行治疗过程中，均需依据放疗数据完成，因此，导致各大医院对于放疗数据的管理需求也逐渐增加，如何有效、全面、合理的实现放疗数据的整合和管理[5]，对于患者情况的掌握以及其放疗数据的分析具有重要意义。

数据挖掘技术属于人工智能领域中的一项重要的大数据处理技术，该技术具有良好的大数据处理能力，可获取海量数据中的隐藏信息。并且该技术具有不同类型数据的挖掘和处理能力[6]，能够较好地完成具有多源异构特性的分析和处理；除此之外，其还能够完成数据库的挖掘。因此，本文针对放疗数据的管理需求，提出基于数据挖掘的放疗数据分析与评估技术，并对该技术的应用情况展开相关分析和测试。

1 基于数据挖掘技术的放疗数据管理

1.1 放疗数据挖掘模型原理

由于放疗数据为多源异构数据，数据的类别较多、结构较为复杂，因此，本文为实现放疗数据的全面、有效管理，主要依据基于数据挖掘模型进行放疗数据的挖掘，该模型结构如图1描述。

数据挖掘模型在进行放疗数据挖掘时，可以对各个部门中的患者档案、电力病例以及相关治疗记录文档和表格进行深度挖掘，并且对挖掘和抽取的放疗数据进行加载和转换处理后，实现放疗数据的高效整合[7]，以此构建统一的元数据库。以元数据库为基础，利用数据引擎获取其中的放疗数据和信息，并且通过可视化界面，将所需的放疗数据呈现给用户。通过该模型即可有效解决临床中放疗数据的分散现象，实现放疗数据的整体化管理，提升放疗数据的管理水平。

1.2 基于数据挖掘技术的放疗数据挖掘

由图1可知，放疗数据库的构建是以元数据库为基础，因此，本文为保证放疗数据库构建后数据的调用能力以及数据完整性，文中采用MVC框架作为放疗数据的数据库结构，该框架主要分为模型层、视图层以及控制层，通过3层之间的相互支撑，完成数据库基础结构的构建。其中，模型层是数据库框架的基础，其主要作用是为数据库构建提供相应功能支撑，保证放疗数据业务处理流程满足相关标准和规则；视图层主要是用于实现数据库的可视化和交互，使用户能够查看数据库中的数据结果；控制层属于数据库框架中的中间层，主要用于另外两层之间的数据传送和操作的协调和控制。

采用数据挖掘技术进行放疗数据挖掘时，以元数据库为基础，利用数据挖掘引擎获取其中的放疗数据，形成不同主题的放疗数据集，实现放疗数据库构建。本文为保证放疗数据的挖掘效果以及数据库的质量，在进行放疗数据挖掘和存储过程中，主要采用聚类算法完成。

如果放疗数据聚类质心点用[akKk=1]表示，其中[K]表示质心点数量，如果任意一个放疗数据样本用[e]表示，其所属类别用[ci]表示，其计算公式为：

[ci=argminime-αi2] （1）

式中：[me]表示所有质心数量；[αi]表示质心，属于同一个放疗数据样本，其计算公式为：

[αi=e=1Xcimee=1XK] （2）

式中：[X]表示放疗数据总样本。

为避免挖掘的放疗数据存在储过程中发生畸变，文中引入畸变函数对挖掘的放疗数据进行约束，其计算公式为：

[J（c，α）=e=1Xme-αce2] （3）

式中：[J（c，α）]表示距离平方和，对应样本点和其质心之间，保证其取值为最小结果，同时完成[（c，α）]的收敛，以此获取放疗数据局部最优结果。在此基础上，依据概率强度和关联重要程度，提升放疗数据库的应用效果，确保放疗数据的存储和管理效果。

1.3 数据挖掘结果评估

依据上述小节完成放疗数据的挖掘后，为衡量挖掘结果对于临床的应用效果，挖掘的放疗数据是否为有价值数据，文中直接对数据挖掘结果进行评估。该评估主要从两个方面进行，分别为用户的主观层面以及挖掘模型的客观层面；前者主要通过3种标准进行衡量，分别为易于理解程度、数据有效程度、潜在价值情况；后者则通过主观度量进行评估，该度量需具有放疗数据特征给定能力，同时满足已经定义的信息需求。

本文在进行挖掘模型客观层面评估时，度量信息能够通过3个层次的度量，进行数据挖掘模型的评估，分别为基本度量、派生度量以及指示器。挖掘模型的评估度量构造模型如图2描述。

对数据挖掘模型在进行放疗数据挖掘后，会获取若干条模式，其中也会存在一定的无价值模式，因此，对挖掘模型的挖掘结果进行评估，是保证数据挖掘结果的有效手段；依据评估结果可去除没有价值的模式，并且提升数据挖掘的效率。

2 应用结果分析

为分析数据挖掘技术在放疗数据分析与评估上的应用效果，以某医院的放疗数据作为实例分析对象展开相关测试，测试主要包含两个方向：一是放疗数据库构建效果，二是放疗数据分析效果。

放疗数据库构建效果对于放疗数据的应用效果存在直接影响，文中采用离散度常数作为衡量指标，用于分析数据库中，同类放疗数据的差异性，该指标的取值范围在0～1之间，越接近1表示数据库的构建效果越差。该指标的计算公式为：

[σ2=1n-1j=1n（ij-mean）2] （4）

式中：mean表示加权平均数；ij表示放疗数据元素的一个项。

依据该公式获取本文技术进行放疗数据库构建后，在不同的数据类别下，随着数据量的逐渐增加，[σ2]的测试结果，如表1描述。

由表1结果可知：在数字化结构数据、影像数据以及结构化数据三种数据类别下，随着数据量的逐渐增加，采用本文技术进行数据挖掘后，构建数据库，数据库发的离散度常数[σ2]结果均在0.025以下，表示同类放疗数据之间的差异性较小，能够有效完成放疗数据挖掘，数据库的构建效果较好。

为验证本文技术应用后，对于放疗数据的分析效果，随机抽取一条数据库中存储的放疗信息，并对该信息记性分析，获取分析结果如图3所示。

由图3结果可知：本文技术应用后，能够实现数据库中放疗数据的解析，并获取解析结果，该结果中包含患者的CT检查数据以及部分的治疗信息。因此，本文技术具有放疗数据分析能力，能够精准掌握数据库中放疗数据详情。

3 结论

数据挖掘技术对于大数据的处理具有显著优势，放疗数据包含多个类别的数据信息，对于数据的利用、患者情况分析等均具有一定影响。因此，为保障放疗数据的二次利用，同时分析数据挖掘结果的可靠程度，本文探析数据挖掘技术在放疗数据分析与评估上的应用情况。以数据挖掘模型为基础，并依据该模型挖掘放疗数据，构建数据库，实现放疗数据的统一封装和管理，并且评估挖掘效果，确保放疗数据的管理效果。

参考文献：

[1] 谢彬.数据挖掘与分析在医疗业务中的应用[J].电子技术与软件工程，2021（15）：181-182.

[2] 于慧，王尊博，张洋.医疗产业发展视角下数据挖掘技术在医院信息分析中的应用[J].中国市场，2021（1）：195-196.

[3] 牟德武，孟朔，陈茂山，等.基于SEER数据库分析放疗对初诊Ⅳ期保乳术后乳腺癌患者预后的影响[J].中国医学工程，2021，29（10）：6-11.

[4] 庞倩，蒙绪君，肖钦晓.基于数据挖掘分析FAM64A在肺腺癌中的表达模式和作用机制[J].东南大学学报（医学版），2022，41（5）：629-636.

[5] 曲超，张冰冰，姜楠，等.基于数据挖掘和网络药理学的早期DN用药规律及机制分析[J].沈阳药科大学学报，2021，38（5）：498-512.

【通联编辑：闻翔军】