面向循证医学的大规模医学信息关联模式挖掘技术研究

近年来，计算机信息技术的发展使得医学相关数据大规模增长。循证医学研究指出，基于大规模医学信息，构建医学知识库，支持临床决策，有助于实现更精确的诊断和更有效的治疗，具有重要的研究价值和应用前景。.由于医学数据包含了多种数据类型，涉及医生、患者、医学证据等多方面多层次因素，具有多元异构的特点，给医学知识库的统一构建与医学信息的综合利用造成了困难。另一方面，医学数据规模大、噪声多，为建立有效医学知识挖掘模型提出了严峻挑战。.本课题面向循证医学需求，应用信息处理与数据挖掘前沿技术，研究不同类型、多元异构的医学信息的统一表示，深入挖掘非结构化的医学文献数据以及结构化的医院信息系统中电子病历数据中的关联模式，实现医学信息的动态过滤与个性化推荐，并在设计模型时充分考虑医学数据规模对算法性能的影响。该课题是计算机技术和医学研究交叉融合的前瞻性研究，对实现循证医学模式、支持临床决策具有重要意义。

本项目按照预期研究目标，面向循证医学研究需求，以辅助临床诊断为目标，应用信息处理与数据挖掘前沿技术，围绕大规模多元异构医学信息数据挖掘的理论、方法和工具展开深入研究。. 医学数据包含了多种数据类型，涉及医生、患者、医学证据等多方面多层次因素，具有多元异构的特点；另一方面，医学数据规模大、噪声多，具有数据稀疏、知识偏斜的特点。针对医学数据专业特点，我们用统一的概率图模型框架建模医学数据中潜在因素之间的生成关系，提出了多实体并行建模和稀疏因子图建模算法，通过无监督与半监督学习方法自动挖掘多种医学实体之间的关联模式，并以糖尿病电子病历和中医文献为代表医学数据，将医学关联模式挖掘应用于疾病预测、治疗方案推荐，辅助支持医学临床决策。. 具体来说，我们完成了以下三个方面的研究工作：1）面向多元异构数据的医学主题挖掘算法研究；2）电子病历相关性度量，医学证据和治疗方案自动挖掘与个性化推荐；3）多元异构医学文献的关联模式挖掘算法研究。.. 基于本项目的研究内容，我们已经发表论文4篇，其中SCI索引国际期刊Data Mining Knowledge Discovery, Neurocomputing论文两篇，数据挖掘领域国际顶级会议ACM International Conference on Information and Knowledge Management(CIKM'13)、National Conference on Artificial Intelligence(AAAI'14)论文两篇。CIKM为数据挖掘领域根据引用率排名第三的国际会议。2013年会议口头报告论文录稿率为16.86%。AAAI为人工智能领域排名第一的国际会议。我们的会议论文均被接收为口头报告论文，在会议上向来自世界各地的研究人员报告我们的研究成果。另外，还有一篇论文已经投稿国际生物信息学领域顶级期刊Journal of the American Medical Informatics Association (JAMIA)，在第二轮审稿之中；另一篇论文正在准备投稿之中。