第八章 中医证型关联规则挖掘
8.1 背景与挖掘目标
中医药治疗恶性肿瘤，从整体出发，调整机体气血、阴阳、脏腑功能的平衡，根据不同的临床证候进行辩证论治。确定“先证而治”的方向：即后续证候尚未出现之前，需要截断恶化病情的哪些后续证候。发现中医症状间的关联关系和诸多症状间的规律性，并且依据规则分析病因、预测病情发展以及为未来临床诊治提供有效借鉴。
挖掘目标：
1）借助三阴乳腺癌患者的病理信息，挖掘患者的症状与中医证型之间的关联关系。
2）对截断治疗提供依据，挖掘潜性证素。
8.2 分析方法与过程
由于患者在围手术期、围化疗期、围放疗期和内分泌治疗期等各个病程阶段，基本都会出现特定的临床症状，因此运用中医截断疗法进行治疗。截断扭转的主要观点是强调早期治疗，力图快速控制病情，截断病情邪变深入，扭转阻止疾病恶化。
由于临床病理信息大部分记录在纸张，本章采用问卷调查方式收集数据；运用数据挖掘技术对收集的数据进行数据探索与预处理，形成建模数据；采用关联规则算法，挖掘各中医证素与乳腺癌TNM分期之间的关系，其中乳腺癌TNM分期是乳腺癌分期基本原则，I期较轻，IV期较严重。探索不同分期阶段的三阴乳腺癌患者的中医证素分布规律，以及采用截断病变发展、先期干预的治疗思路，指导三阴乳腺癌的中医临床治疗。
挖掘步骤：
1）以问卷调查的方式对数据进行收集，并将问卷信息整理成原始数据。
2）对原始数据集进行数据预处理，包括数据清洗、属性规约、数据变换。
3）利用步骤2）形成的建模数据，采用关联规则算法，调整模型输入参数，获取各中医证素与乳腺癌TNM分期之间的关系。
4）结合实际业务，对模型结果进行分析，且将模型结果应用到实际业务中，最后输出关联规则结果。
8.2.1 数据获取
采用调查问卷形式的数据获取具体过程如下：
1）拟定调查问卷表并形成原始指标表
2）定义纳入标准与排除标准
3）将收集回来的问卷表整理成原始数据
8.2.2 数据预处理
1.数据清洗
在收回的问卷中剔除无效的问卷，将有效问卷整理成原始数据。
2.属性规约
本案例收集到的数据有73个属性，将其中的冗余属性与挖掘任务不相关属性剔除。选取六种证型得分、TNM分期的属性值构成数据集。
3.数据变换
首先通过属性构造，获得证型系数，然后通过聚类算法对数据进行离散化处理，形成建模数据。
（1）属性构造
为了更好反应出中医证素分布的特征，采用证型系数代替具体单证型的证素得分，证型系数=该证型得分/该证型总分。
（2）数据离散化
由于Apriori关联规则算法无法处理连续性数值变量，对数据进行离散化。本案例采用聚类算法对各个证型系数进行离散化处理，将每个属性聚成四类。
import pandas as pd
from sklearn.cluster import KMeans
datafile = './demo/data/data.xls' # 待聚类的数据文件
processedfile = './demo/tmp/data_processed.xlsx' # 处理后的文件
typelabel = {'肝气郁结证型系数':'A', '热毒蕴结证型系数':'B', '冲任失调证型系数':'C', '气血两虚证型系数':'D', '脾胃虚弱证型系数':'E',
'肝肾阴虚证型系数':'F'}
k = 4 # 需要的聚类类别数
# 读取数据并且进行聚类
data = pd.read_excel(datafile)
keys = list(typelabel.keys())
result = pd.DataFrame()
if __name__ == '__main__': # 判断是否主窗口运行
'''
当.py文件被直接运行时，if __name__ == '__main__'之下的代码块将被运行；
当.py文件以模块形式被导入时，if __name__ == '__main__'之下的代码块不被运行。
'''
for i in range(len(keys)): # 调用k-means算法,进行聚类离散化
print('正在进行 "%s" 的聚类...' % keys[i])
kmodel = KMeans(n_clusters=k)
kmodel.fit(data[[keys[i]]].values) # 训练模型
r1 = pd.DataFrame(kmodel.cluster_centers_, columns=[typelabel[keys[i]]]) # 聚类中心
r2 = pd.Series(kmodel.labels_).value_counts() # 分类统计
r2 = pd.DataFrame(r2, columns=[typelabel[keys[i]]+'n']) # 转为DataFrame，记录各个类别的数目
r = pd.concat([r1, r2], axis=1).sort_values(by= typelabel[keys[i]]) # 匹配聚类中心和类别数目,并按值排序
r.index = [1, 2, 3, 4]
r[typelabel[keys[i]]] = r[typelabel[keys[i]]].rolling(2).mean() # rolling().mean()用来计算相邻2列的均值，以此作为边界点
r[typelabel[keys[i]]][1] = 0.0 # 将原来的聚类中心改为边界点
result = result.append(r.T)
result = result.sort_index() # 以index排序，即以ABCDEF排序
result.to_excel(processedfile)
原始数据预处理后
import pandas as pd
data = pd.read_excel('./demo/data/data.xls')
print(data)
for i in range(len(data)):
if data['肝气郁结证型系数'][i] <= 0.179:
data['肝气郁结证型系数'][i] = 'A1'
elif data['肝气郁结证型系数'][i] <= 0.258:
data['肝气郁结证型系数'][i] = 'A2'
elif data['肝气郁结证型系数'][i] <= 0.35:
data['肝气郁结证型系数'][i] = 'A3'
else:
data['肝气郁结证型系数'][i] = 'A4'
if data['热毒蕴结证型系数'][i] <= 0.15:
data['热毒蕴结证型系数'][i] = 'B1'
elif data['热毒蕴结证型系数'][i] <= 0.296:
data['热毒蕴结证型系数'][i] = 'B2'
elif data['热毒蕴结证型系数'][i] <= 0.485:
data['热毒蕴结证型系数'][i] = 'B3'
else:
data['热毒蕴结证型系数'][i] = 'B4'
if data['冲任失调证型系数'][i] <= 0.201:
data['冲任失调证型系数'][i] = 'C1'
elif data['冲任失调证型系数'][i] <= 0.288:
data['冲任失调证型系数'][i] = 'C2'
elif data['冲任失调证型系数'][i] <= 0.415:
data['冲任失调证型系数'][i] = 'C3'
else:
data['冲任失调证型系数'][i] = 'C4'
if data['气血两虚证型系数'][i] <= 0.172:
data['气血两虚证型系数'][i] = 'D1'
elif data['气血两虚证型系数'][i] <= 0.251:
data['气血两虚证型系数'][i] = 'D2'
elif data['气血两虚证型系数'][i] <= 0.357:
data['气血两虚证型系数'][i] = 'D3'
else:
data['气血两虚证型系数'][i] = 'D4'
if data['脾胃虚弱证型系数'][i] <= 0.154:
data['脾胃虚弱证型系数'][i] = 'E1'
elif data['脾胃虚弱证型系数'][i] <= 0.256:
data['脾胃虚弱证型系数'][i] = 'E2'
elif data['脾胃虚弱证型系数'][i] <= 0.375:
data['脾胃虚弱证型系数'][i] = 'E3'
else:
data['脾胃虚弱证型系数'][i] = 'E4'
if data['肝肾阴虚证型系数'][i] <= 0.178:
data['肝肾阴虚证型系数'][i] = 'F1'
elif data['肝肾阴虚证型系数'][i] <= 0.261:
data['肝肾阴虚证型系数'][i] = 'F2'
elif data['肝肾阴虚证型系数'][i] <= 0.353:
data['肝肾阴虚证型系数'][i] = 'F3'
else:
data['肝肾阴虚证型系数'][i] = 'F4'
print(data)
data.to_excel('./demo/tmp/data_model.xlsx',index=False)
这里不知道掩码方式怎么处理数据。。就用的最笨的if条件语句
8.2.3 模型构建
关联规则算法主要用于寻找数据集中项之间的关联关系，其揭示了数据项之间的未知关系，基于样本的统计规律，进行关联规则挖掘。当置信度达到某一阈值时，就可以认为规则成立。
1.中医证型关联规则模型
模型实现步骤：首先设置建模参数最小支持度、最小置信度，输入建模样本数据。然后采用Apriori关联规则算法对建模的样本数据进行分析，以模型参数设置的最小支持度、最小置信度以及分析目标作为条件，如果所有的规则都不满足条件，则需要重新调整模型参数，否则输出关联规则结果。
对于如何设置最小支持度和最小置信度，大部分都是根据业务经验设置初始值，然后经过多次调整，获取与业务相符的关联规则结果。本案例选取模型的输入参数为：最小支持度6%、最小置信度75%。
import pandas as pd
from apriori import * # 导入自行编写的高效的Apriori函数
import time # 导入时间库用来计算用时
inputfile = './demo/data/apriori.txt' # 输入事务集文件
data = pd.read_csv(inputfile, header=None, dtype=object)
start = time.perf_counter() # 计时开始(新版本不支持clock，用time.perf_counter()替换)
print('\n转换原始数据至0-1矩阵')
ct = lambda x : pd.Series(1, index=x[pd.notnull(x)]) # 转换0-1矩阵的过渡函数，即将标签数据转换为1
b = map(ct, data.values) # 用map方式执行
data = pd.DataFrame(b).fillna(0) # 实现矩阵转换，除了1外，其余为空，空值用0填充
end = time.perf_counter() # 计时结束
print('\n转换完毕,用时:%0.2f秒' % (end-start))
del b # 删除中间变量b，节省内存
support = 0.06 # 最小支持度
confidence = 0.75 # 最小置信度
ms = '---' # 连接符，默认'--'，用来区分不同元素，如A--B，需要保证原始表格不含有该字符
start = time.perf_counter() # 计时开始
print('\n开始搜索关联规则')
find_rule(data, support, confidence, ms)
end = time.perf_counter() # 计时结束
print('\n转换完毕,用时:%0.2f秒' % (end-start))
2.模型分析
对于关联的结果，我们只关注以H为规则结果的规则。每个关联规则都可以表示成
X
⇒
Y
X \Rightarrow Y
X⇒Y，其中X表示各个证型系数范围标识组合而成的规则，Y表示TNM分期为H4期。A3表示肝气郁结证型系数处于(0.258,0.35]范围内的数值，B2表示热毒蕴结证型系数处于(0.15,0.296]范围内的数值，C3表示冲任失调证型系数处于(0.288,0.415]范围内的数值，F4表示肝肾阴虚证型系数处于(0.353,0.607]范围内的数值。
由此分析得到以下结论。
1）
A
3
、
F
4
⇒
H
4
A3、F4 \Rightarrow H4
A3、F4⇒H4 支持度最大，达到7.85%，置信度最大，达到87.96%，说明肝气郁结证型系数处于(0.258,0.35]范围，肝肾阴虚证型系数处于(0.353,0.607]范围内，TNM分期诊断为H4的可能性为87.96%，而这种情况发生的可能性为7.85%。
2）
C
3
、
F
4
⇒
H
4
C3、F4 \Rightarrow H4
C3、F4⇒H4 支持度达到7.53%，置信度达到87.5%，说明冲任失调证型系数处于(0.288,0.415]范围，肝肾阴虚证型系数处于(0.353,0.607]范围内，TNM分期诊断为H4的可能性为87.5%，而这种情况发生的可能性为7.53%。
3）
B
2
、
F
4
⇒
H
4
B2、F4 \Rightarrow H4
B2、F4⇒H4 支持度达到6.24%，置信度达到79.45%，说明热毒蕴结证型系数处于(0.15,0.296]范围，肝肾阴虚证型系数处于(0.353,0.607]范围内，TNM分期诊断为H4的可能性为79.45%，而这种情况发生的可能性为6.24%。
综上，TNM分期为H4期的三阴乳腺癌患者证型主要为肝肾阴虚证、热毒蕴结证、肝气郁结证和冲任失调，H4期患者肝肾阴虚证和肝气郁结证的临床表现较为突出，其置信度最大达到87.96%、
3.模型应用
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
