時(shí)間：2023-08-09 17:33:24
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇醫(yī)學(xué)技術(shù)分類，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進(jìn)步。
隨著信息技術(shù)及計(jì)算機(jī)硬件技術(shù)的迅速發(fā)展,引發(fā)了數(shù)據(jù)的大量累積。數(shù)據(jù)規(guī)模爆炸性增長,而人們卻無法直接獲取隱藏在這些數(shù)據(jù)背后的信息。這就形成了“數(shù)據(jù)豐富但信息貧乏”的困境。人們迫切需要使用一種有效工具來擺脫這種困境,于是數(shù)據(jù)挖掘技術(shù)走進(jìn)了人們的視線。數(shù)據(jù)挖掘源于人工智能的機(jī)器學(xué)習(xí),由多種技術(shù)交叉融合而成。數(shù)據(jù)挖掘技術(shù)最早是應(yīng)用在關(guān)系數(shù)據(jù)庫上,這是因?yàn)榻Y(jié)構(gòu)化數(shù)據(jù)能夠非常方便的用于數(shù)據(jù)挖掘的研究。而隨著圖像等多媒體數(shù)據(jù)的大量累積,引起了學(xué)者們對(duì)多媒體數(shù)據(jù)挖掘研究的關(guān)注。多媒體數(shù)據(jù)挖掘年會(huì)的召開,促進(jìn)了多媒體數(shù)據(jù)挖掘技術(shù)研究的發(fā)展,數(shù)據(jù)挖掘的研究也因此向非結(jié)構(gòu)化數(shù)據(jù)方向發(fā)展。由于圖像對(duì)象結(jié)構(gòu)的復(fù)雜性,該領(lǐng)域的挖掘技術(shù)發(fā)展相對(duì)比較緩慢。2002 年的 MDM/KDD 年會(huì)表明對(duì)醫(yī)學(xué)圖像的數(shù)據(jù)挖掘研究已經(jīng)成為數(shù)據(jù)挖掘一個(gè)新的研究領(lǐng)域。圖像挖掘的研究工作可以分為面向特定領(lǐng)域的研究和通用方法的研究。面向特殊領(lǐng)域的圖像挖掘的研究主要集中在如何從圖像中提取最相關(guān)的特征,并組織成適合數(shù)據(jù)挖掘的形式。通用的圖像挖掘的研究主要集中在如何生圖像模式,幫助人們理解圖像表達(dá)的含義。醫(yī)學(xué)圖像數(shù)據(jù)挖掘?qū)儆诿嫦蛱囟I(lǐng)域的研究。醫(yī)學(xué)圖像挖掘就是從醫(yī)學(xué)圖像數(shù)據(jù)中挖掘出有助于對(duì)病情診斷的信息,輔助醫(yī)生準(zhǔn)確、快速的做出醫(yī)療診斷。隨著醫(yī)學(xué)影像設(shè)備的使用,非結(jié)構(gòu)化的醫(yī)學(xué)圖像信息已經(jīng)加入到醫(yī)學(xué)信息數(shù)據(jù)庫中。醫(yī)學(xué)信息數(shù)據(jù)庫的擴(kuò)展,為醫(yī)學(xué)圖像數(shù)據(jù)挖掘提供了豐富的數(shù)據(jù)源。鑒于挖掘?qū)ο蟮膹?fù)雜性,對(duì)傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)的簡單應(yīng)用已不再適合醫(yī)學(xué)圖像數(shù)據(jù),需要將數(shù)據(jù)挖掘技術(shù)和醫(yī)學(xué)領(lǐng)域知識(shí)結(jié)合起來進(jìn)行研究。
1.2 研究背景和意義
近年來,各醫(yī)院不斷引進(jìn)先進(jìn)的數(shù)字醫(yī)療設(shè)備,產(chǎn)生了大量復(fù)雜并蘊(yùn)含豐富信息的醫(yī)學(xué)圖像。醫(yī)學(xué)圖像除了具有圖像特征信息難以表達(dá)的特點(diǎn)外,還具有高分辨特性,異構(gòu)性和噪聲等顯著特性。醫(yī)學(xué)圖像不同于其它類的圖像,它是患者的組織器官信息在圖像上的反映,通過醫(yī)學(xué)圖像的挖掘?qū)颊叩臏?zhǔn)確診斷及治療都具有十分重要的意義。目前,醫(yī)生在進(jìn)行臨床診斷時(shí),多數(shù)依靠個(gè)人的臨床經(jīng)驗(yàn)和通過肉眼觀察圖像中的病變區(qū)域進(jìn)行臨床診斷。這樣顯然帶來以下不足:(1)人眼對(duì)圖像的識(shí)別能力有限,這樣客觀存在而肉眼無法識(shí)別的醫(yī)學(xué)圖像信息就會(huì)丟失,降低了醫(yī)學(xué)圖像信息的利用率;(2)對(duì)于臨床經(jīng)驗(yàn)不夠豐富的醫(yī)生,憑借臨床經(jīng)驗(yàn)進(jìn)行診斷,診斷準(zhǔn)確率不高;(3)不同醫(yī)生對(duì)同一圖像的診斷結(jié)果不同,這樣就會(huì)有誤診或漏診的可能;(4)對(duì)于多個(gè)圖像,醫(yī)生對(duì)其診斷勢(shì)必會(huì)耗時(shí)很多。作為人體的高級(jí)神經(jīng)中樞所在地,腦組織的機(jī)能是否正常直接關(guān)系到一個(gè)人能否正常生活,因此發(fā)生在腦組織的疾病歷來都深受醫(yī)學(xué)界的高度重視。腦部疾病(尤其是腦瘤)嚴(yán)重影響人的生活甚至危及生命,而利用無損傷的醫(yī)學(xué)圖像及早發(fā)現(xiàn)病變已經(jīng)成為全球性防癌抗癌的發(fā)展趨勢(shì)。因此及早的發(fā)現(xiàn)病變信息和提高診斷能力就變得愈加迫切和重要
第 2 章 數(shù)據(jù)挖掘相關(guān)知識(shí)
數(shù)據(jù)挖掘能從海量的數(shù)據(jù)中挖掘出有用的信息或知識(shí)即將數(shù)據(jù)轉(zhuǎn)換為有用的信息或知識(shí),自產(chǎn)生以來一直受到廣大研究者的關(guān)注。人們?cè)诓粩嗟难芯恐?發(fā)展了數(shù)據(jù)挖掘技術(shù)并將這些技術(shù)應(yīng)用到各個(gè)領(lǐng)域。下面將給出數(shù)據(jù)挖掘的相關(guān)概述并對(duì)數(shù)據(jù)挖掘中的分類進(jìn)行詳細(xì)描述。
2.1 數(shù)據(jù)挖掘概述
隨著信息技術(shù)不斷發(fā)展,各行各業(yè)產(chǎn)生了大量的數(shù)據(jù)并且先進(jìn)的科技為這些數(shù)據(jù)的存儲(chǔ)提供了支持。雖然這些數(shù)據(jù)中蘊(yùn)含著許多有用的信息,但是卻沒有可用的工具從海量的數(shù)據(jù)中獲取信息,一時(shí)間人們陷入了知識(shí)獲取困難的境地,迫切需要跨過數(shù)據(jù)與知識(shí)之間的鴻溝,數(shù)據(jù)挖掘就是在這種需求下產(chǎn)生的。簡言之,數(shù)據(jù)挖掘就是利用有效的挖掘工具,從海量數(shù)據(jù)中提取出對(duì)研究有意的知識(shí)。數(shù)據(jù)挖掘的全過程定義描述如圖 2.1 所示。
2.2 分類的概述
每天我們都會(huì)做出一些決定,例如出行前是否需要帶傘,當(dāng)天的天氣是否適合晾曬被子等。為了給出較為準(zhǔn)確的決定,我們就要當(dāng)前的具體情況信息并結(jié)合自己的經(jīng)驗(yàn)知識(shí)對(duì)收集的信息進(jìn)行分析和評(píng)定,最終給出決策信息。在決策的過程中,我們必須掌握足夠的信息才能保證決策的可靠性。這種可靠性可能是造成最少的損失,給出最優(yōu)解等。如何從大量的信息中給出可靠的決策,這就是數(shù)據(jù)挖掘領(lǐng)域研究的分類問題。分類是數(shù)據(jù)分析的形式之一,可以用于對(duì)海量數(shù)據(jù)的模型提取或發(fā)展趨勢(shì)的預(yù)測。它首先找出對(duì)象之間的共性,然后按照分類模型對(duì)它們進(jìn)行分類。例如,可以通過建立分類模型,對(duì)是否會(huì)購買電腦的人群進(jìn)行分類;也可以通過建立分類模型,給出病例的診斷分析等。分類已成為數(shù)據(jù)挖掘方法中一種重要的分析手段。分類是一種有監(jiān)督的學(xué)習(xí),它通過對(duì)帶有類別標(biāo)號(hào)的訓(xùn)練集的分析和歸納生成分類模型,并通過分類模型給出測試數(shù)據(jù)的類標(biāo)號(hào)。數(shù)據(jù)分類通常分為兩步:第一步
第 1 章 緒 論.................1
1.1 引言.....................1
1.2 研究背景和意義..............2
1.3 國內(nèi)外研究現(xiàn)狀.................3
1.4 問題的提出...................4
1.5 研究內(nèi)容....................5
1.6 論文的組織結(jié)構(gòu)..............5
第 2 章 數(shù)據(jù)挖掘相關(guān)知識(shí).............7
2.1 數(shù)據(jù)挖掘概述....................7
2.2 分類的概述..................9
2.3 決策樹分類......................10
2.4 集成分類.....................14
2.5 本章小結(jié)....................17
【關(guān)鍵詞】中醫(yī)學(xué)；數(shù)據(jù)挖掘；知識(shí)發(fā)現(xiàn)
1 數(shù)據(jù)挖掘
數(shù)據(jù)挖掘（DM ：Data Mining）作為仍在不斷完善和發(fā)展的技術(shù)，到目前為止數(shù)據(jù)挖掘技術(shù)到現(xiàn)在還沒有形成統(tǒng)一的普遍的定義，目前比較公認(rèn)的定義為：數(shù)據(jù)挖掘是從海量數(shù)據(jù)中提取或“挖掘”出有用的知識(shí)[1-2]使用數(shù)據(jù)挖掘技術(shù)可以對(duì)這些復(fù)雜的定性描述和隱性知識(shí)進(jìn)行挖掘，揭示其規(guī)律并使隱性知識(shí)顯性化[3]。數(shù)據(jù)挖掘[4]（DM ：Data Mining）是一個(gè)集合數(shù)據(jù)庫、數(shù)理統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、可視化和信息科學(xué)技術(shù)為一體的新興的交叉學(xué)科。不僅計(jì)算機(jī)學(xué)科由于它的出現(xiàn)得到了快速的發(fā)展，并且也能為過程控制、商務(wù)管理、科學(xué)研究、優(yōu)化查詢、醫(yī)藥研發(fā)等領(lǐng)域提供新的方法和注入新的活力，從而推進(jìn)各個(gè)學(xué)科的不斷發(fā)展。
2 數(shù)據(jù)挖掘中的基本概念
2.1 數(shù)據(jù)集
數(shù)據(jù)集是從某個(gè)環(huán)境或過程中取得的一系列測量結(jié)果。對(duì)于一些基本的情況，我們有一系列的測量對(duì)象，每一個(gè)測量對(duì)象都有統(tǒng)一的t個(gè)測量數(shù)據(jù)，此時(shí)可以把這p個(gè)對(duì)象的一系列測量結(jié)果看作是一個(gè)p×t的數(shù)據(jù)矩陣。矩陣中的t列表示對(duì)每個(gè)對(duì)象所作的t種測量，稱為變量、特征、屬性或者字段。這個(gè)數(shù)據(jù)矩陣中的n行表示被測量的p個(gè)對(duì)象，亦可稱為個(gè)體、實(shí)例、實(shí)體或記錄。
1.2 模式
模式是一個(gè)用語言A來表示的表達(dá)式B，它可用來描述數(shù)據(jù)集C中數(shù)據(jù)的特性，B所描述的數(shù)據(jù)是集合C的一個(gè)子集CB。T作為一個(gè)模式要求它列舉出數(shù)據(jù)子集CB中所有元素的描述方法簡單。舉例說明，例如，“如果考試成績?cè)?1―100之間，則成績優(yōu)秀”可稱為一個(gè)模式，而“如果成績?yōu)?1、92、93、94、95、96、97、98、99或100，則成績優(yōu)秀”就不能稱之為一個(gè)模式。模式有很多種，按功能可分為預(yù)測型模式和描述型模式等。從數(shù)據(jù)集中發(fā)現(xiàn)模式是數(shù)據(jù)挖掘的主要任務(wù)。
3 數(shù)據(jù)挖掘過程
數(shù)據(jù)挖掘[4]（DM ：Data Mining）是一個(gè)集合數(shù)據(jù)庫、數(shù)理統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、可視化和信息科學(xué)技術(shù)為一體的新興的交叉學(xué)科。不僅計(jì)算機(jī)學(xué)科由于它的出現(xiàn)得到了快速的發(fā)展，并且也能為過程控制、商務(wù)管理、科學(xué)研究、優(yōu)化查詢、醫(yī)藥研發(fā)等領(lǐng)域提供新的方法和注入新的活力，從而推進(jìn)各個(gè)學(xué)科的不斷發(fā)展。
圖1 數(shù)據(jù)庫知識(shí)發(fā)展（KDD）過程
4 數(shù)據(jù)挖掘主要方法
數(shù)據(jù)挖掘從不同的視角看有幾種分類方法，主要是：根據(jù)發(fā)現(xiàn)知識(shí)的種類分類、根據(jù)采掘的數(shù)據(jù)庫的種類分類、根據(jù)應(yīng)用和根據(jù)采用的技術(shù)分類分類等[5]。
根據(jù)發(fā)現(xiàn)知識(shí)的種類分類：這種分類方法有：關(guān)聯(lián)規(guī)則挖掘、偏差分析、分類規(guī)則挖掘、聚類規(guī)則挖掘、序列模式挖掘、趨勢(shì)分析等。根據(jù)采用的技術(shù)分類：最近鄰技術(shù)、決策樹、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)、可視化技術(shù)）等。根據(jù)挖掘的數(shù)據(jù)庫分類：關(guān)系型、事務(wù)型、多媒體、主動(dòng)型空間型、時(shí)間型、面向?qū)ο笮汀⑽谋拘汀愘|(zhì)數(shù)據(jù)庫和遺留系統(tǒng)等。
5 在中醫(yī)學(xué)研究中應(yīng)用數(shù)據(jù)挖掘技術(shù)的必要性
祖國醫(yī)學(xué)是中華民族的一顆璀璨明珠，在幾千年的發(fā)展之中積累了中華民族與疾病斗爭的寶貴經(jīng)驗(yàn)，幾千年以來，我國的傳統(tǒng)醫(yī)學(xué)積累浩瀚的方劑和豐富的經(jīng)驗(yàn)，是世界上任何國家都無法比擬的。歷代醫(yī)家遺留了大量的經(jīng)典方劑，這些方劑之中內(nèi)中蘊(yùn)涵著豐富的內(nèi)容，要繼承和發(fā)揚(yáng)這些名醫(yī)名家的學(xué)術(shù)經(jīng)驗(yàn)，就迫切需要我們運(yùn)用現(xiàn)代先進(jìn)的科學(xué)技術(shù)手段對(duì)其進(jìn)行研究。而今人類社會(huì)正在處在大規(guī)模、高速度的信息化時(shí)代，信息已經(jīng)成為人類社會(huì)發(fā)展、進(jìn)步和賴以生存的重要資源和基本資源。但是目前，先進(jìn)的科學(xué)技術(shù)尚未能充分利用于中醫(yī)藥學(xué)領(lǐng)域，大量寶貴的經(jīng)典方劑流失，這嚴(yán)重影響了祖國醫(yī)學(xué)的發(fā)展。
在這樣的背景下，中醫(yī)醫(yī)學(xué)現(xiàn)代化的利用、轉(zhuǎn)化和傳播的速度及能力是我國傳統(tǒng)醫(yī)學(xué)現(xiàn)代化發(fā)展的關(guān)鍵性因素。如果僅單靠“師傳徒學(xué)”或個(gè)人研讀古代經(jīng)方揣摩名醫(yī)名家經(jīng)驗(yàn)信息效率是十分低下的，并且中醫(yī)學(xué)的很多征候還具備很強(qiáng)的辯證性，描述疾病的主觀不確切和證候信息所體現(xiàn)出的客觀不完整，形成了中醫(yī)證候信息的復(fù)雜性。這就阻礙了祖國醫(yī)學(xué)的快速發(fā)展，要實(shí)現(xiàn)中醫(yī)現(xiàn)代化，就要將我國豐富的中醫(yī)信息資源和現(xiàn)代計(jì)算機(jī)方法相結(jié)合，整理歸納浩如煙海的古代經(jīng)典中醫(yī)文獻(xiàn)資料，實(shí)現(xiàn)中醫(yī)藥信息資源處理、轉(zhuǎn)化及傳播的現(xiàn)代化。現(xiàn)有的中醫(yī)數(shù)據(jù)庫中的大量數(shù)據(jù)為建立中醫(yī)學(xué)數(shù)據(jù)挖掘系統(tǒng)提供了充分的基礎(chǔ)，通過先進(jìn)的計(jì)算機(jī)信息處理技術(shù)，建立新的知識(shí)體系構(gòu)建形成新的知識(shí)，為我國傳統(tǒng)中醫(yī)學(xué)發(fā)揚(yáng)光大提供新的思路。
【參考文獻(xiàn)】
[1]喬延江.中藥（復(fù)方）KDD研究開發(fā)的意義[J].北京中醫(yī)藥大學(xué)學(xué)報(bào).1998，21（3）：15-17.
[2]Jiawei Han Micheline Kamber.范明，孟小峰等譯.數(shù)據(jù)挖掘概念與技術(shù)[J].北京：電子工業(yè)出版社.2001，3-5.
[3]Fayyad U Piatet sky-Shapiro，Smyth，Uthurussmy[Z].Advances in Knowledge Discovery and Data Mining MIT Press. 1996.
[關(guān)鍵詞]檢驗(yàn)醫(yī)學(xué)，轉(zhuǎn)換角色；；伍床醫(yī)學(xué)
檢驗(yàn)醫(yī)學(xué)是指對(duì)臨床標(biāo)本進(jìn)行正確地收集和測定，提供準(zhǔn)確和及時(shí)的報(bào)告，并能為l臨床提供咨詢服務(wù)，幫助臨床將這些數(shù)
據(jù)正確地應(yīng)用于診斷治療和預(yù)防工作中去的一門學(xué)科。它的基
本任務(wù)是通過生物、微生物、血清、抗原抗體、細(xì)胞或其它體液的檢驗(yàn)，與其它檢查技術(shù)相配合以確定患者的臨床診斷。
1檢驗(yàn)醫(yī)學(xué)的涵蓋內(nèi)容和擴(kuò)展更加廣泛
現(xiàn)在，醫(yī)院檢驗(yàn)早已經(jīng)告別了手工操作時(shí)代，目前各種類型的自動(dòng)化化學(xué)分析儀已經(jīng)取代了以前的手工操作，而醫(yī)院實(shí)驗(yàn)室從原來手工作坊式的工作模式，逐步發(fā)展成為具有良好組織和工作條件的現(xiàn)代化實(shí)驗(yàn)室。其技術(shù)含量得到大幅度的提升。
例如：在臨床生物化學(xué)的檢測技術(shù)方面，原先所用的化學(xué)檢測方法逐步為靈敏度更高的酶偶聯(lián)比色法所替代，同時(shí)引人酶
偶聯(lián)連續(xù)監(jiān)測的免疫學(xué)方法。在試劑的應(yīng)用上，也由原來的凍干試劑發(fā)展到液體雙試劑，從而使臨床標(biāo)本的檢測結(jié)果更具精確
性和準(zhǔn)確性。在臨床免疫學(xué)方面，隨著單克隆抗體的間世，標(biāo)記免疫學(xué)的發(fā)展以及各種光化學(xué)免疫分析方法的應(yīng)用，也使得抗
原抗體檢測的靈敏度大大地提高。在臨床微生物學(xué)檢驗(yàn)方面，各
種試劑的標(biāo)準(zhǔn)化、商品化，使得各種培養(yǎng)基的質(zhì)量得到保證。尤其在應(yīng)用了核素14C標(biāo)記技術(shù)和特殊的C02感受器以及利用熒光洋滅的原理來判斷血培養(yǎng)的結(jié)果，并采用微生物數(shù)字分類鑒定和計(jì)算機(jī)專家分析系統(tǒng)進(jìn)行結(jié)果分析，不僅使整修檢測時(shí)間大大縮短，結(jié)果更加詳細(xì)準(zhǔn)確，而且整修流程更顯得標(biāo)準(zhǔn)化。在血液和體液的檢測方面，由于全自動(dòng)多分類血球計(jì)數(shù)儀和凝血儀進(jìn)入實(shí)驗(yàn)室，淘汰了凝血時(shí)間的手工測試，同時(shí)擴(kuò)展了白細(xì)胞表面分子標(biāo)記物的檢測，從而使得DIC診斷及臨床抗凝療法的監(jiān)測更為可靠。白血病的分類從原來單純性的形態(tài)學(xué)分類發(fā)展到目前及將來的染色體、遺傳學(xué)、免疫學(xué)和分子生物學(xué)的綜合分類，大大提高了白血病診療的準(zhǔn)確性。
在這種情勢(shì)之下，傳統(tǒng)醫(yī)學(xué)檢驗(yàn)本身巳經(jīng)不能完全涵蓋因
82I大眾健康2012第5期
此而給檢驗(yàn)帶來的巨大變化。而這正是檢驗(yàn)醫(yī)學(xué)產(chǎn)生并得以迅速發(fā)展的緣由。
2檢驗(yàn)醫(yī)學(xué)己發(fā)展成一門學(xué)科
隨著醫(yī)學(xué)檢驗(yàn)的不斷發(fā)展，其不僅與傳統(tǒng)醫(yī)學(xué)檢驗(yàn)的差別越來越巨大，它區(qū)別于其他醫(yī)學(xué)專業(yè)的特點(diǎn)也開始表露出來：
2.1它比其他醫(yī)學(xué)專業(yè)更加強(qiáng)調(diào)整體協(xié)作。現(xiàn)在的檢驗(yàn)醫(yī)學(xué)，早
已突破了過去以血、尿、便三大常規(guī)為主的檢驗(yàn)。面對(duì)琳瑯滿目的諸多檢驗(yàn)項(xiàng)目和越來越準(zhǔn)確的檢驗(yàn)要求，非常需要整體協(xié)同運(yùn)作。僅就檢測結(jié)果準(zhǔn)確性要求而言，不僅涉及到標(biāo)本采集時(shí)間、部位、方法的確定，還包括對(duì)檢驗(yàn)方法的選擇，以盡量減少不
同方法檢測同一目標(biāo)時(shí)的干擾、盡量減少不同試劑檢測同一目
標(biāo)時(shí)的差異、盡量減少不同儀器檢測同一目標(biāo)時(shí)的差異、盡量減少個(gè)體操作間的差異、盡量減少不同實(shí)驗(yàn)室間的差異，如果這其中有一個(gè)環(huán)節(jié)出現(xiàn)失誤，就會(huì)導(dǎo)致最終檢測結(jié)果的不客觀。
2.2檢驗(yàn)醫(yī)學(xué)對(duì)新技術(shù)的應(yīng)用比其他專業(yè)更為敏銳，其學(xué)科的發(fā)
展與新技術(shù)的關(guān)系也更為密切。以分子生物學(xué)技術(shù)為例，對(duì)于檢驗(yàn)醫(yī)學(xué)來講，分子生物學(xué)使檢驗(yàn)醫(yī)學(xué)的工作起圍得到了極大的
拓展，不僅使檢驗(yàn)可以從事后性判斷向前瞻性轉(zhuǎn)變，而且其應(yīng)用范圍也可以擴(kuò)展到診斷、治療效果的評(píng)價(jià)、預(yù)后的評(píng)估、預(yù)測個(gè)體發(fā)生疾病的趨向、流行病學(xué)、健康狀態(tài)的評(píng)價(jià)、藥敏靶點(diǎn)的選擇。
2.3自動(dòng)化的融入使檢驗(yàn)更迅速。這一點(diǎn)對(duì)于治療至關(guān)重要。在
不久的將來，臨床醫(yī)學(xué)實(shí)驗(yàn)室將面臨著一個(gè)質(zhì)的變化：首先是臨床生物化學(xué)、免疫學(xué)、微生物學(xué)和血液學(xué)之間將不再存在一個(gè)明顯的學(xué)科分界線，檢測手段將更加自動(dòng)化、一體化和智能化。大
量的生物技術(shù)如：基因克隆技術(shù)、生物芯片技術(shù)、核酸雜交技術(shù)和生物傳感技術(shù)以及各種PCR等技術(shù)的應(yīng)用和引進(jìn)，將使得|臨
床實(shí)驗(yàn)室的科技水平更高、學(xué)術(shù)氛圍更濃、人員素質(zhì)更好。
3較色轉(zhuǎn)換檢驗(yàn)醫(yī)學(xué)在現(xiàn)代醫(yī)學(xué)中的作用愈發(fā)的明顯，它不僅與病人、
醫(yī)生息息相關(guān)，還跟整個(gè)醫(yī)院的醫(yī)療水平密切相關(guān)。準(zhǔn)確的檢驗(yàn)指標(biāo)不僅可以評(píng)價(jià)治療效果，而且可以指導(dǎo)醫(yī)生臨床用藥，這就為提高醫(yī)藥的整體醫(yī)療水平提供了相當(dāng)?shù)目赡堋＠纾寒?dāng)敗血癥血培養(yǎng)陽性時(shí)，既可明確疾病的病原診斷，進(jìn)一步的藥敏試驗(yàn)又為患者的治療提出明確的辦法。這就避免了醫(yī)生根據(jù)自己的用藥習(xí)慣，對(duì)患同一種疾病的不同患者，使用同樣的醫(yī)療方法和藥品問題。
另外，它在疾病的預(yù)防中的作用也非常顯著，這是因?yàn)榧膊≡缙谕狈γ黠@癥狀和體征，患者一般不加以注意，往往是通過實(shí)驗(yàn)室檢查得到確診，并接受及時(shí)的治療。今天檢驗(yàn)醫(yī)學(xué)在現(xiàn)代醫(yī)學(xué)中的角色已經(jīng)悄然發(fā)生了變化，已經(jīng)從醫(yī)療輔助角色轉(zhuǎn)變?yōu)楝F(xiàn)代醫(yī)療中的重要組成部分。
4檢驗(yàn)醫(yī)學(xué)與臨床醫(yī)學(xué)緊密結(jié)合的重要性和必要性檢驗(yàn)醫(yī)學(xué)與臨床醫(yī)學(xué)的關(guān)系密不可分，臨床實(shí)驗(yàn)室工作的
核心是檢驗(yàn)質(zhì)量問題，為此檢驗(yàn)科負(fù)責(zé)人應(yīng)主動(dòng)與臨床科室交
流、溝通、對(duì)話、協(xié)作。
4.11S015189文件的核心是醫(yī)學(xué)實(shí)驗(yàn)室全面質(zhì)量管理體系，強(qiáng)調(diào)醫(yī)學(xué)檢驗(yàn)的分析前、中、后全過程的管理。在分析后質(zhì)控中，要求檢驗(yàn)人員對(duì)所?結(jié)果進(jìn)行合理解釋，并收集臨床科室（或病人）的反饋意見、接受合理建議、要求、改進(jìn)檢驗(yàn)科工作，或開展新業(yè)務(wù)，滿足臨床需求。在交流、對(duì)話中，檢驗(yàn)科人員還可以宣傳、講解、新技術(shù)新項(xiàng)目的臨床意義，合理及如何有效地利用它幫助臨
床醫(yī)生對(duì)疾病進(jìn)行診斷。如厭氧菌培養(yǎng)，雖然不是新項(xiàng)目，但很多醫(yī)院，甚至較大醫(yī)院臨床科對(duì)其使用并不夠多，其中有對(duì)該項(xiàng)
養(yǎng)，回報(bào)結(jié)果未生長細(xì)菌時(shí)，醫(yī)生則認(rèn)為檢驗(yàn)科技術(shù)欠住。實(shí)際上很可能是厭氧菌感染而醫(yī)生未申請(qǐng)做厭氧培養(yǎng)所致。
4.2在醫(yī)院的全面質(zhì)量管理方案中檢驗(yàn)科負(fù)責(zé)人參加臨床會(huì)診，
病例討論等，有利于雙方溝通和提高。而檢驗(yàn)醫(yī)師更應(yīng)主動(dòng)走出去，到臨床科查看病人或病例，對(duì)檢驗(yàn)過程中的可疑結(jié)果，進(jìn)行
調(diào)查核實(shí)。
4.3檢驗(yàn)科主動(dòng)參與協(xié)作：由檢驗(yàn)醫(yī)學(xué)的地位與作用，說明檢驗(yàn)醫(yī)學(xué)的任務(wù)絕不僅是被動(dòng)地提供數(shù)據(jù)或結(jié)果。過去很長時(shí)期，檢驗(yàn)科被定位于"輔助科室"。即檢驗(yàn)科只能向臨床醫(yī)生提供所需求的檢驗(yàn)結(jié)果，一旦檢驗(yàn)科提供了未受指定的檢驗(yàn)結(jié)果，就被認(rèn)為"越位"，這種片面、消極的，落后于時(shí)代的偏見應(yīng)予糾正。
檢驗(yàn)醫(yī)學(xué)是現(xiàn)代實(shí)驗(yàn)室科學(xué)技術(shù)與臨床在高層次上的結(jié)合，是門多學(xué)科交叉，相互滲透的新興學(xué)科。目前正朝著高理論、高科技、高水平方向發(fā)展。由于檢驗(yàn)科開展項(xiàng)目的增多，新技術(shù)的應(yīng)用及方法學(xué)上的革命性變革，使檢驗(yàn)質(zhì)量和水平顯著提
高，使越來越多的臨床醫(yī)生依靠檢驗(yàn)信息綜合分析，進(jìn)行診斷、治療和預(yù)后判斷，故實(shí)驗(yàn)室的工作在臨床診療工作中發(fā)揮著重
要作用。總之，檢驗(yàn)醫(yī)學(xué)與臨床醫(yī)學(xué)必須緊密結(jié)合，互相滲透、溝通，
相互學(xué)習(xí)，才能使以病人為中心的共同目標(biāo)真正落實(shí)，才能更完美的實(shí)現(xiàn)檢驗(yàn)醫(yī)學(xué)與臨床醫(yī)學(xué)的共同發(fā)展。
參考文獻(xiàn)：
【關(guān)鍵詞】數(shù)據(jù)挖掘；醫(yī)學(xué)領(lǐng)域
一、引言
目前信息技術(shù)已滲透到包括醫(yī)學(xué)在內(nèi)的各個(gè)領(lǐng)域。隨著醫(yī)院信息系統(tǒng)（HIS）的應(yīng)用和發(fā)展，數(shù)據(jù)庫中的數(shù)據(jù)量迅速膨脹，數(shù)據(jù)庫規(guī)模逐漸擴(kuò)大，復(fù)雜程度日益增加。盡管積累了大量的業(yè)務(wù)數(shù)據(jù)，但真正能將這些數(shù)據(jù)的價(jià)值挖掘出來，并運(yùn)用到醫(yī)院的臨床輔助診斷和日常管理決策中的卻很少。提出建立基于HIS系統(tǒng)的醫(yī)學(xué)信息數(shù)據(jù)倉庫，在此基礎(chǔ)上，對(duì)數(shù)據(jù)倉庫中的醫(yī)療數(shù)據(jù)進(jìn)行疾病監(jiān)測、預(yù)測、醫(yī)院管理輔助決策等方面的數(shù)據(jù)挖掘。為醫(yī)務(wù)工作者、臨床管理人員、科研人員提供輔助決策與綜合分析的工具。在醫(yī)療方面具有重要的意義。
二、數(shù)據(jù)挖掘相關(guān)概述
（一）數(shù)據(jù)挖掘的概念及特點(diǎn)
數(shù)據(jù)挖掘是20世紀(jì)80年代后期出現(xiàn)的一個(gè)數(shù)據(jù)和信息系統(tǒng)應(yīng)用的學(xué)科前沿，又被稱為數(shù)據(jù)中的知識(shí)發(fā)現(xiàn)（ KDD ），數(shù)據(jù)挖掘（ Data Mining） ，是從海量數(shù)據(jù)中挖掘出隱含在其中的知識(shí)。數(shù)據(jù)挖掘一般有如下幾個(gè)步驟 ： 數(shù)據(jù)收集、整理、挖掘、挖掘結(jié)果評(píng)價(jià)、分析決策。這需要一個(gè)循環(huán)反復(fù)的過程才可能達(dá)到預(yù)期效果。詳細(xì)來說，所在的應(yīng)用領(lǐng)域不同，則其處理方法也不一樣，例如在醫(yī)學(xué)領(lǐng)域中步驟為：一、在該領(lǐng)域中認(rèn)識(shí)到所要處理的問題具有的意義，并確定目標(biāo)及標(biāo)準(zhǔn)；二、了解并清楚數(shù)據(jù)用途；三、根據(jù)研究的領(lǐng)域處理數(shù)據(jù)、建立數(shù)據(jù)倉庫，這是一個(gè)動(dòng)態(tài)的循環(huán)過程；四、數(shù)據(jù)挖掘，包括數(shù)據(jù)模型選擇、訓(xùn)練和驗(yàn)證過程、建模和模型評(píng)價(jià)，對(duì)于同一過程可利用不同的算法，這僅僅是對(duì)數(shù)據(jù)的不同角度理解，每種算法均有合理的可能性，實(shí)際運(yùn)用中要反復(fù)驗(yàn)證和比較；五、對(duì)結(jié)果進(jìn)行評(píng)估，給予提取的新知識(shí)以合理解釋，并需要具有一定的應(yīng)用價(jià)值。
（二）數(shù)據(jù)挖掘的常用技術(shù)
數(shù)據(jù)挖掘是一門誕生時(shí)間不長卻飛速發(fā)展的計(jì)算機(jī)分析技術(shù)， 在這些年來， 數(shù)據(jù)挖掘理論日趨成熟， 并在實(shí)踐中大放異彩。在各個(gè)領(lǐng)域的應(yīng)用中， 最常用的數(shù)據(jù)挖掘技術(shù)主要有決策樹、神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則、聚類分析、統(tǒng)計(jì)學(xué)、模糊集和粗糙集等。
（1）決策樹。決策樹技術(shù)是用于數(shù)據(jù)挖掘中分類和預(yù)測的主要技術(shù)。決策樹學(xué)習(xí)算法是對(duì)分類問題進(jìn)行深入分析的一種方法。決策樹能從一個(gè)或多個(gè)預(yù)測變量中， 針對(duì)類別因變量的選項(xiàng)， 預(yù)測出個(gè)例的趨勢(shì)變化關(guān)系等， 也可以由結(jié)果來反推原因。就其方法論而言， 決策樹分析與判別分析、聚類分析、非參數(shù)統(tǒng)計(jì)以及非線性估計(jì)所提供的功能是一樣的。但是決策樹的設(shè)置形式靈活， 使得其更具吸引力。常用決策樹算法有： CLS算法， ID3算法， C4.5算法， CART算法， SLIQ 算法， SPR INT算法， PUBLIC算法等。
（2）神經(jīng)網(wǎng)絡(luò)。在數(shù)據(jù)挖掘中， 對(duì)神經(jīng)網(wǎng)絡(luò)的改進(jìn)重點(diǎn)是為了解決兩個(gè)問題： 知識(shí)表達(dá)和知識(shí)獲取。知識(shí)表達(dá)是使神經(jīng)網(wǎng)絡(luò)中抽象的權(quán)值代表一定的知識(shí)。知識(shí)獲取是給定一個(gè)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，從中提取顯式的知識(shí)。神經(jīng)網(wǎng)絡(luò)是一個(gè)不依賴于模型的自適應(yīng)函數(shù)估計(jì)器， 其突出的優(yōu)點(diǎn)是能夠并行處理， 并具有學(xué)習(xí)能力、適應(yīng)能力和很強(qiáng)的容錯(cuò)能力， 可以建構(gòu)非線性的模型， 模型的準(zhǔn)確度高， 具有良好的推廣性， 對(duì)于未知的輸入也可以得到正確的輸出， 可以接受不同種類的變量作為輸入， 可應(yīng)用的領(lǐng)域相當(dāng)廣泛， 模型建構(gòu)能力強(qiáng)， 具有模糊推論能力， 允許輸出輸入變量具有模糊性。
（3）關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則用來揭示數(shù)據(jù)與數(shù)據(jù)之間未知的相互依賴關(guān)系， 他的任務(wù)就是： 給定一個(gè)事務(wù)數(shù)據(jù)庫， 在基于支持度/置信度框架中， 發(fā)現(xiàn)數(shù)據(jù)與項(xiàng)目之間大量有趣的相互聯(lián)系， 生成所有的支持度和可信度分別高于用戶給定的最小支持度和最小可信度的關(guān)聯(lián)規(guī)則。優(yōu)秀的關(guān)聯(lián)規(guī)則算法主要有： Apriori算法， AprioriTid算法， FP-Tree算法。
（4）聚類分析。聚類分析是由樣本分組， 尋找到多維數(shù)據(jù)點(diǎn)中的差異之處。它與判別分析不同在于： 聚類分析的分類方式并不需要預(yù)先設(shè)定一個(gè)指針變量， 它屬于一種非參數(shù)分析方法， 所以并沒有非常嚴(yán)謹(jǐn)?shù)臄?shù)理依據(jù)， 也無需假設(shè)總體為正態(tài)分布。聚類分析的一般過程是： 搜集數(shù)據(jù)， 轉(zhuǎn)換成相似矩陣。聚類分析可以作為一個(gè)獲得數(shù)據(jù)分布情況， 觀察每個(gè)類的特征和對(duì)特定類進(jìn)一步分析的獨(dú)立工具。通過聚類， 能夠識(shí)別密集和稀疏的區(qū)域， 發(fā)現(xiàn)全局的分布模式， 以及數(shù)據(jù)屬性之間的相互關(guān)系等。主要的聚類分析方法有： 距離的方法， 基于層次的方法， 基于密度的方法， 基于網(wǎng)絡(luò)的方法。
（5）統(tǒng)計(jì)學(xué)習(xí)。統(tǒng)計(jì)學(xué)習(xí)理論是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論。機(jī)器學(xué)習(xí)的研究目標(biāo)是以觀測數(shù)據(jù)為基礎(chǔ)， 通過對(duì)數(shù)據(jù)的研究得出目前尚不能通過原理分析得到的規(guī)律。然后利用這些規(guī)律去分析現(xiàn)實(shí)中的客觀現(xiàn)象， 對(duì)未來的數(shù)據(jù)進(jìn)行預(yù)測。現(xiàn)實(shí)應(yīng)用中存在著大量人類尚無法準(zhǔn)確認(rèn)識(shí)但卻可以進(jìn)行觀測的事物， 因此機(jī)器學(xué)習(xí)在從現(xiàn)在科學(xué)技術(shù)到社會(huì)、經(jīng)濟(jì)等各領(lǐng)域都有著十分重要的應(yīng)用。
貝葉斯學(xué)習(xí)： 貝葉斯推理是在知道新的信息后修正數(shù)據(jù)集概論分布的基本工具， 用來處理數(shù)據(jù)挖掘中的分類問題。
回歸分析： 回歸分析方法是研究相關(guān)關(guān)系的一種有力的數(shù)學(xué)工具。它是建立在對(duì)客觀事物大量試驗(yàn)和觀察的基礎(chǔ)上， 用來尋找隱藏在看上去不確定的現(xiàn)象中的統(tǒng)計(jì)規(guī)律的數(shù)理統(tǒng)計(jì)方法。
（6）模糊集和粗糙集： 模糊集用隸屬函數(shù)來刻畫對(duì)象對(duì)集合屬于程度的連續(xù)的過渡性， 即元素從屬于集合到不屬于集合的漸變過程。模糊集是一種邊界不分明的集合， 一個(gè)元素對(duì)于模糊集合來說， 它可以既屬于該集合又不屬于該集合， 邊界是模糊的。粗糙集理論是一種刻畫不完整性和不確定性的數(shù)學(xué)工具， 能有效地分析和處理不精確、不完整等各種不完備的信息， 并從中發(fā)現(xiàn)隱含的知識(shí)， 揭示潛在的規(guī)律。粗糙集和遺傳算法相結(jié)合、和模糊集相結(jié)合， 以及和神經(jīng)網(wǎng)絡(luò)相結(jié)合來用于數(shù)據(jù)挖掘。
三、數(shù)據(jù)挖掘在醫(yī)學(xué)中的應(yīng)用
（一）疾病診斷：正確的診斷對(duì)于指導(dǎo)病人的用藥及康復(fù)顯然是重要的，在臨床中有些疾病錯(cuò)綜復(fù)雜，數(shù)據(jù)挖掘的有關(guān)分類分析可以應(yīng)用于疾病的診斷。粗糙集理論、神經(jīng)網(wǎng)絡(luò)、模糊邏輯分析在疾病診斷方面是有效的。例如Roshawrma Scales等基于人工神經(jīng)網(wǎng)絡(luò)理論及模糊邏輯開發(fā)的對(duì)心血管疾病診斷的工具對(duì)疾病診斷的正確率達(dá)到92%。采用數(shù)據(jù)挖掘可以通過對(duì)患者資料數(shù)據(jù)庫中大量歷史數(shù)據(jù)的處理，挖掘出有價(jià)值的診斷規(guī)則，根據(jù)患者的年齡、性別、輔助檢查結(jié)果、生理生化指標(biāo)等給出診斷結(jié)論，并進(jìn)一步排除人為因素干擾。
（二）疾病相關(guān)因素分析：在病案信息庫中有大量的關(guān)于病人的病情和病人的個(gè)人信息，包括年齡、性別、居住地、職業(yè)、生活情況等，對(duì)數(shù)據(jù)庫中的信息進(jìn)行關(guān)聯(lián)規(guī)則分析可以發(fā)現(xiàn)有意義的關(guān)系及模式，某種疾病的相關(guān)發(fā)病危險(xiǎn)因素分析可以指導(dǎo)患者如何預(yù)防該疾病。
（三）疾病預(yù)測：確定某些疾病的發(fā)展模式，根據(jù)病人的病史預(yù)測病情的發(fā)展趨勢(shì)，從而有針對(duì)性的預(yù)防疾病的發(fā)生。應(yīng)用粗糙集理論根據(jù)以往病例歸納出診斷規(guī)則，用來預(yù)測新的疾病的發(fā)生，現(xiàn)有的人工預(yù)測早產(chǎn)的準(zhǔn)確率只有17%～38%，應(yīng)用粗糙集理論則可提高到68%～90%。
（四）在醫(yī)療質(zhì)量管理中的應(yīng)用：醫(yī)療質(zhì)量管理的核心是數(shù)據(jù)、標(biāo)準(zhǔn)、計(jì)劃以及治療的質(zhì)量，這些質(zhì)量可以用不同的指數(shù)來衡量。數(shù)據(jù)挖掘可以發(fā)現(xiàn)新的關(guān)于數(shù)據(jù)、標(biāo)準(zhǔn)、計(jì)劃以及治療的質(zhì)量指數(shù)的假說并檢驗(yàn)這些指數(shù)是否有效。利用數(shù)據(jù)挖掘技術(shù)構(gòu)建數(shù)據(jù)模型、選用適當(dāng)算法就可以實(shí)現(xiàn)預(yù)測醫(yī)院利潤、未來一些時(shí)間段內(nèi)哪些藥品使用頻率最高，哪些疾病發(fā)病率最高等和人們的現(xiàn)實(shí)生活密切相關(guān)的一系列問題。
（五）在醫(yī)學(xué)圖像中的應(yīng)用：醫(yī)學(xué)領(lǐng)域中越來越多地應(yīng)用圖像作為疾病診斷的工具，如SPECT、CT、MRI、PET等，數(shù)據(jù)挖掘可以應(yīng)用于醫(yī)學(xué)圖像的分析。Sacha等成功地運(yùn)用基于貝葉斯分類的數(shù)據(jù)挖掘模式對(duì)心肌SPECT圖像進(jìn)行分類診斷。
（六）在藥物開發(fā)中的應(yīng)用：一些新藥的開發(fā)研究，其重要關(guān)鍵的是對(duì)先導(dǎo)化合物的發(fā)掘。一般有2種途徑：隨機(jī)篩選、意外發(fā)現(xiàn)和定向發(fā)掘。采用數(shù)據(jù)挖掘技術(shù)建立的藥物開發(fā)系統(tǒng)可以用來尋找和藥效學(xué)相關(guān)的化學(xué)物質(zhì)基礎(chǔ)，確定藥效基團(tuán)，進(jìn)一步指導(dǎo)新藥的研究，縮短開發(fā)周期，降低開發(fā)費(fèi)用。
（七）在遺傳學(xué)方面的應(yīng)用：用序列模式分析DNA序列，不同基因在疾病的不同階段可能起著不同的作用。若能找到疾病發(fā)展的不同階段遺傳因素序列，就有可能開發(fā)針對(duì)疾病不同階段的治療藥物，取得有效的治療效果。
四、展望
目前數(shù)據(jù)挖掘技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用還處于起步階段，但隨著該方法的日益普及，其必將在醫(yī)學(xué)領(lǐng)域得到更加廣泛的應(yīng)用。醫(yī)學(xué)數(shù)據(jù)挖掘是計(jì)算機(jī)技術(shù)、人工智能、統(tǒng)計(jì)學(xué)與現(xiàn)代醫(yī)學(xué)相融合的產(chǎn)物，是面向整個(gè)醫(yī)學(xué)信息庫提取知識(shí)的過程，是醫(yī)療服務(wù)整體決策科學(xué)化的重要組成成分；而由于醫(yī)學(xué)數(shù)據(jù)挖掘?qū)ο蟮膹V泛性、算法要求高效性、提取知識(shí)以及決策建議要求更高的準(zhǔn)確性加之現(xiàn)有醫(yī)學(xué)信息庫相對(duì)于數(shù)據(jù)挖掘的要求還存在不完備性；這些都需要計(jì)算機(jī)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)以及廣大醫(yī)療工作者的多方協(xié)作，從而在信息的多方融合、算法的高效性、獲取知識(shí)準(zhǔn)確性等關(guān)鍵技術(shù)上得以更大的突破。
五、結(jié)語
醫(yī)學(xué)領(lǐng)域的數(shù)據(jù)構(gòu)成一個(gè)復(fù)雜的數(shù)據(jù)庫，包括電子病歷、醫(yī)學(xué)影像、病理參數(shù)、化驗(yàn)結(jié)果等。隨著數(shù)據(jù)挖掘技術(shù)的廣泛應(yīng)用和各種挖掘算法的不斷改進(jìn)完善，結(jié)合生物醫(yī)學(xué)信息自身的特殊性和復(fù)雜性，處理好挖掘過程中的關(guān)鍵技術(shù)，使數(shù)據(jù)挖掘技術(shù)在處理生物醫(yī)學(xué)資料中的功能日益強(qiáng)大。數(shù)據(jù)挖掘技術(shù)在生物醫(yī)學(xué)研究、醫(yī)療衛(wèi)生管理與決策中的應(yīng)用范圍也會(huì)越來越廣，并帶來可觀的經(jīng)濟(jì)和社會(huì)效益。
參考文獻(xiàn)：
[1]康曉東.基于數(shù)據(jù)倉庫的數(shù)據(jù)挖掘技術(shù)[M].北京：機(jī)械工業(yè)出版社，2004.
[2]張世紅，徐國桓，劉會(huì)霞，龔文濤.數(shù)據(jù)挖掘在醫(yī)學(xué)上的應(yīng)用[J]. 醫(yī)學(xué)情報(bào)工作.2004-6
[3]沈小慶，盛炳義，方曙等. 數(shù)據(jù)挖掘技術(shù)及其在醫(yī)院藥學(xué)中的應(yīng)用[ J ] . 中國醫(yī)院管理，2005，25（12）.
生物學(xué)和醫(yī)學(xué)的區(qū)別是二者的含義不同。生物學(xué)是研究生物的結(jié)構(gòu)、功能、發(fā)生和發(fā)展規(guī)律的科學(xué)，是自然科學(xué)的一個(gè)部分，目的在于闡明和控制生命活動(dòng)，改造自然，為農(nóng)業(yè)、工業(yè)和醫(yī)學(xué)等實(shí)踐服務(wù)。醫(yī)學(xué)是通過科學(xué)或技術(shù)的手段處理生命的各種疾病或病變的一種學(xué)科，促進(jìn)病患恢復(fù)健康的一種專業(yè)。它是生物學(xué)的應(yīng)用學(xué)科，分基礎(chǔ)醫(yī)學(xué)、臨床醫(yī)學(xué)。
二者的學(xué)科分類不同。生物學(xué)的分類主要分為形態(tài)學(xué)、生理學(xué)、遺傳學(xué)、胚胎學(xué)、生態(tài)學(xué)、生物物理學(xué)、生物數(shù)學(xué)以及分子生物學(xué)等。醫(yī)學(xué)可分為現(xiàn)代醫(yī)學(xué)和傳統(tǒng)醫(yī)學(xué)等多種醫(yī)學(xué)體系，不同地區(qū)和民族都有相應(yīng)的一些醫(yī)學(xué)體系，宗旨和目的不相同。研究領(lǐng)域大方向包括基礎(chǔ)醫(yī)學(xué)、臨床醫(yī)學(xué)、法醫(yī)學(xué)、檢驗(yàn)醫(yī)學(xué)、預(yù)防醫(yī)學(xué)、保健醫(yī)學(xué)、康復(fù)醫(yī)學(xué)等。
（來源：文章屋網(wǎng) ）
關(guān)鍵詞：醫(yī)學(xué)圖像；配準(zhǔn)；非剛性
中圖分類號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2012）012-0175-02
0引言
醫(yī)學(xué)圖像配準(zhǔn)是指在源圖像和目標(biāo)圖像之間尋求某種變換，使得兩幅圖像上的特征點(diǎn)達(dá)到空間上的一致，是醫(yī)學(xué)圖像信息融合和知識(shí)發(fā)現(xiàn)的關(guān)鍵技術(shù)，在疾病診斷、臨床治療、手術(shù)、療效評(píng)估等方面得到了廣泛應(yīng)用。對(duì)于人體四肢骨骼圖像和頭部這樣不易變形部位的圖像的配準(zhǔn)，采用剛性配準(zhǔn)技術(shù)。剛性配準(zhǔn)中，圖像內(nèi)部任意兩點(diǎn)間的距離變換前后保持不變，因而采取縮放、平移和旋轉(zhuǎn)等線性變換方法即能進(jìn)行配準(zhǔn)。
但是對(duì)于胸部、腹部這樣容易變形部位的圖像的配準(zhǔn)，對(duì)于不同個(gè)體之間圖像的配準(zhǔn)或者發(fā)生圖像變形的情況，在圖像變換前后，內(nèi)部任意兩點(diǎn)間的距離不再保持不變，需要采用非剛性配準(zhǔn)技術(shù)。作為一個(gè)正在進(jìn)行的研究領(lǐng)域，同剛性配準(zhǔn)相比，非剛性配準(zhǔn)技術(shù)還不成熟，大多數(shù)算法仍在擴(kuò)展和評(píng)估階段，計(jì)算效率和穩(wěn)定性還有待提高。
1非剛性配準(zhǔn)分類
可以根據(jù)配準(zhǔn)的對(duì)象和配準(zhǔn)的機(jī)理對(duì)醫(yī)學(xué)圖像非剛性配準(zhǔn)進(jìn)行分類。利用前一種分類法可以將醫(yī)學(xué)圖像非剛性配準(zhǔn)分為：
（1）同一對(duì)象，同一模式，不同時(shí)間。待配準(zhǔn)圖像來源于同一個(gè)體、同一成像設(shè)備，但獲取時(shí)間不同。主要目的是利用圖像間的差異，對(duì)感興趣區(qū)域或目標(biāo)的生長、形變等過程進(jìn)行觀察，從而監(jiān)視疾病的發(fā)展或?qū)χ委熜ЧM(jìn)行評(píng)估。
（2）同一對(duì)象，不同模式。待配準(zhǔn)圖像來源于同一個(gè)體、不同成像設(shè)備。主要目的是利用不同圖像之間的信息互補(bǔ)優(yōu)勢(shì)，比如將解剖信息和功能信息相結(jié)合，提供更加全面、可靠的綜合信息。這類配準(zhǔn)在疾病診斷和臨床治療中最為常見，是醫(yī)學(xué)圖像非剛性配準(zhǔn)的重點(diǎn)研究方向。
（3）不同對(duì)象，同一模式。待配準(zhǔn)圖像來源于不同個(gè)體，但是來自于同一成像設(shè)備。其主要目的一是建立統(tǒng)計(jì)圖譜和基于圖譜進(jìn)行自動(dòng)醫(yī)學(xué)圖像分割；二是將受試者圖像和正常人相同部位圖像進(jìn)行對(duì)比以確定前者是否正常，或者在已經(jīng)異常的情況下與一些疾病的典型圖像進(jìn)行對(duì)比，以確定受試者是否患有某種疾病。
（4）不同對(duì)象，不同模式。待配準(zhǔn)圖像來源于不同個(gè)體，不同成像設(shè)備。此種情況下，即使是同一類型圖像，例如CT或者M(jìn)R，因?yàn)閬碜圆煌某上裨O(shè)備，若對(duì)其進(jìn)行配準(zhǔn)，前述的同一模式下的配準(zhǔn)方法也不再適用，需要研究新的配準(zhǔn)方法。
根據(jù)圖像配準(zhǔn)的機(jī)理，可以將醫(yī)學(xué)圖像非剛性配準(zhǔn)分為基于幾何特征對(duì)應(yīng)的配準(zhǔn)和基于體素相似性配準(zhǔn)兩類。基于幾何特征對(duì)應(yīng)的配準(zhǔn)，就是將待配準(zhǔn)圖像中的點(diǎn)、線、曲面、區(qū)域等幾何圖元相互對(duì)應(yīng)。基于體素相似性的配準(zhǔn)，就是利用圖像全體像素信息，對(duì)不同影像的灰度統(tǒng)計(jì)特征進(jìn)行全局最優(yōu)化，從而實(shí)現(xiàn)圖像配準(zhǔn)。
2非剛性配準(zhǔn)方法
對(duì)于非剛性配準(zhǔn)，人們已經(jīng)提出了基于空間變換和基于偽物理模型兩大類方法。前者采用圖像的空間變換擬合圖像的變形，后者基于圖像間的差異由物理變形引起的假設(shè)，從而構(gòu)造能夠擬合這種變形的物理模型。
2.1基于空間變換的方法
第一種方法是多項(xiàng)式函數(shù)法，該法能夠模擬全局形狀改變，不能調(diào)整局部形狀改變，高多項(xiàng)式次數(shù)可導(dǎo)致贗像。
第二種方法是樣條法，該法基于可以在源圖像和目標(biāo)圖像當(dāng)中能夠確定一組對(duì)應(yīng)點(diǎn)（控制點(diǎn)），在變換中將目標(biāo)圖像中的控制點(diǎn)映射到源圖像中的對(duì)應(yīng)點(diǎn)。薄板樣條是目前使用較多的一種樣條配準(zhǔn)法，其優(yōu)點(diǎn)是可以將諸如剛性約束、方向約束等附加的約束加入模型以提高配準(zhǔn)精度，缺點(diǎn)是因?yàn)榭刂泣c(diǎn)對(duì)變換具有全局影響，導(dǎo)致難以模擬局部變形。B-樣條函數(shù)能夠模擬自由變形，可以用來控制局部變形。
第三種是基函數(shù)法，使用一組基函數(shù)的線性組合來描述變形場，常用傅立葉基函數(shù)或小波基函數(shù)的線性組合。
2.2基于偽物理模型的方法
第一種是彈性模型，原理是將源圖像到目標(biāo)圖像的形變過程建模為一個(gè)類似于拉伸橡皮這樣的彈性材料的物理過程。該過程由兩種力——外力和內(nèi)力來控制，外力是外界作用于彈性體的力，內(nèi)力是抵消使彈性體從平衡形狀變形的力，當(dāng)內(nèi)力和外力達(dá)到平衡時(shí)變形過程結(jié)束。在彈性模型中，因?yàn)閴毫?dǎo)致變形能量隨變形強(qiáng)度按比例增加，不能模擬高度的局部變形，但適用于組織變形較小的情形。
第二種是粘性流體模型，原理是將源圖像建模為粘性流體，該流體在內(nèi)力作用下擬合目標(biāo)圖像。內(nèi)力在圖像隨時(shí)間變形的過程中得到釋放，完全釋放后流體停止流動(dòng)。粘性流體模型能夠模擬高度局部化的變形，也能夠模擬大變形，原則上可以實(shí)現(xiàn)任何復(fù)雜的變形。
第三種是光流場模型。光流的概念最早出現(xiàn)在計(jì)算機(jī)視覺中，是為了補(bǔ)償時(shí)序圖像的兩幅連續(xù)幀之間物體和視點(diǎn)的相對(duì)運(yùn)動(dòng)。目前最著名的是Demons算法，它把圖像配準(zhǔn)問題看作物理學(xué)中的擴(kuò)散問題，把固定圖像中對(duì)象的邊界看作半可滲透的薄膜，把浮動(dòng)圖像看作可形變的網(wǎng)格。網(wǎng)格在位于薄膜中的受動(dòng)器作用下進(jìn)行擴(kuò)散。算法判斷出浮動(dòng)圖像上各個(gè)像素點(diǎn)的運(yùn)動(dòng)方法，通過對(duì)各個(gè)像素點(diǎn)的移動(dòng)來實(shí)現(xiàn)醫(yī)學(xué)圖像非剛性配準(zhǔn)。
3醫(yī)學(xué)圖像非剛性配準(zhǔn)研究熱點(diǎn)
3.1多模態(tài)非剛性配準(zhǔn)
利用不同模態(tài)圖像之間的信息互補(bǔ)優(yōu)勢(shì)，比如將解剖圖像和功能圖像進(jìn)行配準(zhǔn)后，進(jìn)行圖像信息融合，可以為診斷和治療提供更加全面、可靠的信息。這是醫(yī)學(xué)圖像非剛性配準(zhǔn)的重點(diǎn)研究方向，也是熱點(diǎn)方向。目前，多模態(tài)配準(zhǔn)已有所發(fā)展，但是僅限于兩種模態(tài)的配準(zhǔn)，如MR和CT圖像的配準(zhǔn)，將來有可能發(fā)展到三種以上模態(tài)圖像的配準(zhǔn)，還有許多問題有待解決。
3.2高效的全局優(yōu)化算法
可以將醫(yī)學(xué)圖像配準(zhǔn)的過程歸結(jié)為一個(gè)多參數(shù)優(yōu)化問題。傳統(tǒng)的局部優(yōu)化算法容易陷入局部極值，從而導(dǎo)致配準(zhǔn)誤差。解決此問題的方法一是將局部優(yōu)化算法與多分辨率策略或者多尺度方法相結(jié)合；二是使用全局優(yōu)化算法。使用全局優(yōu)化算法如粒子群、遺傳算法、模擬退火算法能夠取得有效的醫(yī)學(xué)圖像配準(zhǔn)，但是需要非常大的時(shí)間代價(jià)，這就需要研究高效的全局優(yōu)化算法。
3.3并行、分布式環(huán)境下的算法模型
利用并行計(jì)算、分布式等計(jì)算技術(shù)可以提高全局優(yōu)化算法的執(zhí)行速度，但是需要研究這些計(jì)算環(huán)境下的算法模型。
4結(jié)語
同剛性配準(zhǔn)相比，非剛性醫(yī)學(xué)圖像配準(zhǔn)還不成熟。大多已提出的非剛性配準(zhǔn)算法仍在擴(kuò)充和評(píng)估階段，其效率與穩(wěn)定性有待提高。因此，醫(yī)學(xué)圖像非剛性配準(zhǔn)是一個(gè)非常活躍的研究領(lǐng)域，值得進(jìn)一步深入研究。
參考文獻(xiàn)：
[1]李雄飛，張存利.醫(yī)學(xué)圖像配準(zhǔn)技術(shù)進(jìn)展[J].計(jì)算機(jī)科學(xué)，2010（7）.
[2]王海南，郝重陽.非剛性醫(yī)學(xué)圖像配準(zhǔn)研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2005（11）.
[3]徐克虎，王小香.非剛性醫(yī)學(xué)圖像配準(zhǔn)與融合[J].模式識(shí)別與人工智能，2003（4）.
[4]隋美蓉，胡俊峰.醫(yī)學(xué)圖像配準(zhǔn)方法及其應(yīng)用[J].臨床醫(yī)學(xué)工程，2009（5）.
[5]于穎，聶生東.醫(yī)學(xué)圖像配準(zhǔn)技術(shù)及其研究進(jìn)展[J].中國醫(yī)學(xué)物理雜志，2009（6）.
Research on Non-rigid Medical Image Registration
關(guān)鍵詞：醫(yī)學(xué)信息工程；課程體系；新興產(chǎn)業(yè)
中圖分類號(hào)：G642.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1002-4107（2017）07-0039-03
地方高校轉(zhuǎn)型改革以國務(wù)院《關(guān)于加快發(fā)展現(xiàn)代職業(yè)教育的決定》（國發(fā)〔2014〕19號(hào)）文件為指針，把創(chuàng)新創(chuàng)業(yè)教育融入職業(yè)技術(shù)人才培養(yǎng)全過程各環(huán)節(jié)，實(shí)施協(xié)同育人行動(dòng)計(jì)劃，推動(dòng)人才培養(yǎng)聯(lián)盟建設(shè)。以適應(yīng)技術(shù)進(jìn)步和生產(chǎn)方式變革、產(chǎn)業(yè)升級(jí)發(fā)展的需要，深化“校企”合作、“產(chǎn)教”融合，培養(yǎng)高素質(zhì)的技術(shù)技能人才。在這個(gè)背景前提下，作為七大新興產(chǎn)業(yè)之一的信息產(chǎn)業(yè)，高校如何應(yīng)對(duì)信息產(chǎn)業(yè)發(fā)展培養(yǎng)專業(yè)人才，開發(fā)信息產(chǎn)業(yè)，促進(jìn)科技成果轉(zhuǎn)化或產(chǎn)業(yè)化，達(dá)成產(chǎn)教實(shí)質(zhì)性融合，我們認(rèn)為制定以人才培養(yǎng)方案為核心的課程體系是基礎(chǔ)，也是核心。其能從培養(yǎng)方案的多方面體現(xiàn)出“以人為本、質(zhì)量領(lǐng)先，以生為本、追求卓越”的人才質(zhì)量理念[1]。
一、醫(yī)學(xué)信息工程專業(yè)發(fā)展現(xiàn)狀
我國醫(yī)學(xué)信息工程專業(yè)本科教育，起步較晚，只有10多年的歷史發(fā)展記載。2003年，四川大學(xué)以重點(diǎn)學(xué)科為依托，在全國首次開辦醫(yī)學(xué)信息工程本科專業(yè)教育。2010年，教育部批準(zhǔn)為第七批國家級(jí)特色專業(yè)建設(shè)點(diǎn)，隸屬于新一代信息產(chǎn)業(yè)。2014年8月統(tǒng)計(jì)，全國現(xiàn)有24所院校開辦本科專業(yè)教育。其中，一分類是大學(xué)牌頭15所，學(xué)院9所；二分類是綜合院校13所、中醫(yī)藥院校7所、其他類院校4所。從表述專業(yè)培養(yǎng)目標(biāo)方面來看，許多院校認(rèn)為是培養(yǎng)具有良好政治思想素質(zhì)、人文社科素養(yǎng)，具備醫(yī)學(xué)、電子技術(shù)、計(jì)算機(jī)與信息科學(xué)的基礎(chǔ)知識(shí)，具有從事醫(yī)學(xué)信息技術(shù)采集、傳輸、處理、分析、存儲(chǔ)等能力，能在醫(yī)院信息化、公共衛(wèi)生工程、醫(yī)藥電子商務(wù)等領(lǐng)域從事研究、設(shè)計(jì)、開發(fā)、管理及維護(hù)的應(yīng)用型高級(jí)專門人才。而自發(fā)稿前，筆者到中國知網(wǎng)搜索文獻(xiàn)，關(guān)于專業(yè)課程研究論文報(bào)道僅有6篇，表明醫(yī)學(xué)信息工程學(xué)科建設(shè)與教學(xué)研究還是處于初期，權(quán)威性報(bào)道少見。
二、新興產(chǎn)業(yè)視野下醫(yī)學(xué)信息工程專業(yè)人才
培養(yǎng)的重新定位
工程教育是當(dāng)代中國技術(shù)經(jīng)濟(jì)發(fā)展的基石。而新興代的信息產(chǎn)業(yè)則是振興技術(shù)經(jīng)濟(jì)的重業(yè)結(jié)構(gòu)調(diào)整的關(guān)鍵時(shí)期，黨的“十八”明確提出要加快發(fā)展現(xiàn)代職業(yè)教育，推動(dòng)高等教育內(nèi)涵式發(fā)展，建設(shè)中國特色的現(xiàn)代職業(yè)教育體系，打通從中職、專科、本科到研究生上升通道，引導(dǎo)一批普通本科高校向應(yīng)用技術(shù)型高校轉(zhuǎn)型，為產(chǎn)業(yè)結(jié)構(gòu)調(diào)整服務(wù)，化解大學(xué)生結(jié)構(gòu)性就業(yè)難問題。明確專業(yè)規(guī)模體系，在當(dāng)前高校轉(zhuǎn)型發(fā)展中，質(zhì)量與規(guī)模、質(zhì)量與資源的矛盾在“校企合作”、“產(chǎn)教融合”的路徑選擇上與有效實(shí)施的矛盾仍然突出，要勃興新一代信息產(chǎn)業(yè)，必須做好推動(dòng)人才培養(yǎng)聯(lián)盟建設(shè)工程、制定發(fā)展戰(zhàn)略。
專業(yè)目標(biāo)定位是專業(yè)建設(shè)標(biāo)準(zhǔn)及其學(xué)科發(fā)展的出發(fā)點(diǎn)與歸宿，是制約教學(xué)內(nèi)涵的核心因素，也是國家、社會(huì)、行業(yè)及高校內(nèi)部評(píng)估的基本標(biāo)準(zhǔn)。作為新興產(chǎn)業(yè)視野下的專業(yè)人才培養(yǎng)，應(yīng)借鑒高校轉(zhuǎn)型發(fā)展機(jī)遇，做好應(yīng)用技術(shù)型本科專業(yè)人才“定位”，以適應(yīng)國家、社會(huì)行業(yè)經(jīng)濟(jì)建設(shè)的需要，突出人才規(guī)格與行業(yè)崗位的對(duì)接，應(yīng)用技術(shù)與教學(xué)服務(wù)相融，體現(xiàn)地方性、行業(yè)性、產(chǎn)業(yè)性需要及其特征。
從直觀角度上看目標(biāo)的解析，目標(biāo)是被“活化”的思想、文化、身心等方面的素質(zhì)要求與融合點(diǎn)。在知識(shí)結(jié)構(gòu)方面涵蓋專業(yè)學(xué)科的知識(shí)、技術(shù)、技能的規(guī)定性。教育者應(yīng)學(xué)會(huì)在目標(biāo)內(nèi)涵中找發(fā)展機(jī)會(huì)與優(yōu)勢(shì)，在專業(yè)特色中找差異性，在共性標(biāo)準(zhǔn)中，找教育教學(xué)發(fā)展規(guī)律，這就是活化目標(biāo)的主體路徑，也是定好本科專業(yè)人才培養(yǎng)目標(biāo)的基本點(diǎn)。
三、醫(yī)學(xué)信息工程本科專業(yè)課程體系構(gòu)建的思路
課程體系如何改革，涉及兩方面。一是改革方向問題；二是如何定位，是規(guī)范、標(biāo)準(zhǔn)問題。也就是說，課程體系改革以定方向?yàn)橄龋远ㄎ粸楸荆鞔_課程理性，以人才培養(yǎng)戰(zhàn)略為課程體系的主導(dǎo)定位，以專業(yè)目標(biāo)定位為課程體系的主體定位。面對(duì)信息產(chǎn)業(yè)，體現(xiàn)專業(yè)人才培養(yǎng)目標(biāo)與要求，筆者從四個(gè)維度進(jìn)行描述性研究。
一維在國家教育宏觀維度上，要求符合中華人民共和國教育部高教育司新增的本科教學(xué)目錄中列出醫(yī)學(xué)信息工程專業(yè)人才培養(yǎng)總體規(guī)范要求，奠定了本科專業(yè)的方向標(biāo)。
二維在社會(huì)行業(yè)中觀角度上，要求設(shè)計(jì)應(yīng)有企業(yè)或行業(yè)專家參與，滿足企業(yè)和社會(huì)所需的專業(yè)人才的培養(yǎng)目標(biāo)等，借鑒國內(nèi)高校醫(yī)學(xué)信息工程專業(yè)課體系的建設(shè)經(jīng)驗(yàn)，力求解決好知識(shí)、能力與素質(zhì)，基礎(chǔ)與專業(yè)，理論與實(shí)踐主干學(xué)科以及相關(guān)學(xué)科的關(guān)系[2]。同時(shí)吸納陳娜[3]、蔡曉鴻[4]、張穎[5]、肖曉霞等人[6]研究的課程結(jié)構(gòu)的理論與實(shí)踐成果。主干核心課程與信息工程軟件開發(fā)與應(yīng)用平臺(tái)課程，突出應(yīng)用技術(shù)型本科與應(yīng)用技術(shù)產(chǎn)業(yè)型本科教育相結(jié)合。最終以突出傳統(tǒng)應(yīng)用型人才培養(yǎng)與現(xiàn)代職業(yè)技術(shù)技能型人才培養(yǎng)差異化特點(diǎn)，傾注于應(yīng)用技術(shù)本科專業(yè)轉(zhuǎn)型實(shí)質(zhì)性改革。
醫(yī)學(xué)影像成像原理是醫(yī)學(xué)影像技術(shù)專業(yè)開設(shè)的一門專業(yè)基礎(chǔ)課程，其教學(xué)目標(biāo)是使學(xué)生理解醫(yī)學(xué)影像成像的過程、基本原理及方法，了解醫(yī)學(xué)影像設(shè)備的臨床應(yīng)用，為后續(xù)的專業(yè)課程學(xué)習(xí)奠定成像理論和圖像質(zhì)量評(píng)價(jià)的基礎(chǔ)。在對(duì)傳統(tǒng)的課程內(nèi)容、教材及教學(xué)實(shí)施認(rèn)真分析的基礎(chǔ)上，發(fā)現(xiàn)其存在著不適應(yīng)現(xiàn)代職業(yè)教育發(fā)展要求的一些問題，主要體現(xiàn)在下述4個(gè)方面。
1 課程目標(biāo)與工作崗位要求脫節(jié)
醫(yī)學(xué)影像成像原理的課程目標(biāo)是使學(xué)生掌握醫(yī)學(xué)影像設(shè)備的成像原理、基本概念及結(jié)構(gòu)組成，而通過問卷調(diào)研及專家訪談，對(duì)比分析醫(yī)學(xué)影像成像原理課程目標(biāo)和醫(yī)院放射科工作崗位職責(zé)及要求，發(fā)現(xiàn)傳統(tǒng)課程的目標(biāo)與放射技術(shù)人員的崗位要求不符，與全國衛(wèi)生職業(yè)資格要求存在一定偏差；部分課程內(nèi)容陳舊，與各級(jí)、各類醫(yī)院的診療工作實(shí)際情況不符。醫(yī)院對(duì)放射科工作人員的要求是能夠正確按照成像流程完成患者的檢查操作，并進(jìn)行圖像質(zhì)量評(píng)價(jià)及處理。然而，在課程目標(biāo)的教學(xué)效果評(píng)價(jià)方面，理論考核僅僅從知識(shí)的學(xué)習(xí)方面反映學(xué)生的培養(yǎng)情況，在評(píng)價(jià)內(nèi)容和形式上與放射技師職業(yè)資格考試脫節(jié)。
2 課程內(nèi)容與課程特點(diǎn)不符
醫(yī)學(xué)影像成像原理課程內(nèi)容除基本的醫(yī)學(xué)圖像概念以外，更多以設(shè)備成像流程、圖像處理流程、圖像質(zhì)量評(píng)價(jià)流程等形式進(jìn)行體現(xiàn)，在知識(shí)體系上過程性知識(shí)比重較大。課程的傳統(tǒng)教學(xué)內(nèi)容以陳述性知識(shí)為框架，按照成像設(shè)備的類型分類對(duì)基本概念、成像方法、分類特點(diǎn)、影響因素及評(píng)價(jià)指標(biāo)進(jìn)行理論知識(shí)的闡述，知識(shí)結(jié)構(gòu)缺乏與實(shí)際工作的連貫性，凸顯課程內(nèi)容與課程特點(diǎn)不符。隨著醫(yī)學(xué)影像設(shè)備在科學(xué)技術(shù)和智能化方向的不斷革新，儀器的功能和操作流程發(fā)生了明顯的變化，因此課程的知識(shí)體系更應(yīng)以過程性知識(shí)架構(gòu)進(jìn)行改革和完善。
3 教學(xué)模式與專業(yè)核心課程銜接不足
醫(yī)學(xué)技術(shù)系的專業(yè)核心課程《醫(yī)學(xué)影像技術(shù)》、《醫(yī)學(xué)影像診斷》、《醫(yī)學(xué)影像信息技術(shù)》和《醫(yī)學(xué)影像設(shè)備》按照工作過程導(dǎo)向理念進(jìn)行了課程改革，以崗位工作為任務(wù)模版，開發(fā)實(shí)訓(xùn)項(xiàng)目，開展理論實(shí)踐一體的教學(xué)模式。然而，作為以上專業(yè)核心課程的基礎(chǔ)課程，《醫(yī)學(xué)影像成像原理》的教學(xué)模式以理論講授為主，陳述性知識(shí)框架、實(shí)驗(yàn)觀摩的能力培養(yǎng)模式與工作導(dǎo)向模式差別較大，所學(xué)課程與專業(yè)核心課程的應(yīng)用不能很好地銜接，并不能較好地滿足專業(yè)核心課程的基礎(chǔ)需要。
4 實(shí)訓(xùn)平臺(tái)與能力培養(yǎng)目標(biāo)脫節(jié)
衛(wèi)生職業(yè)學(xué)院醫(yī)學(xué)影像實(shí)訓(xùn)室配置進(jìn)口數(shù)字X線攝影系統(tǒng)2臺(tái)、CT設(shè)備1臺(tái)、多普勒超聲診斷儀5臺(tái)、國產(chǎn)數(shù)字胃腸機(jī)1臺(tái)和PACS系統(tǒng)1套，先進(jìn)的數(shù)字化實(shí)訓(xùn)條件為醫(yī)學(xué)影像專業(yè)技能的培養(yǎng)奠定了基礎(chǔ)。但是，醫(yī)學(xué)影像成像原理在知識(shí)學(xué)習(xí)和能力培養(yǎng)方面，僅以觀摩和講解的方式開展教學(xué)，不能充分利用現(xiàn)有實(shí)訓(xùn)平臺(tái)的優(yōu)勢(shì)，且能力培養(yǎng)效果欠佳。
關(guān)鍵字：數(shù)據(jù)挖掘；HIS；特點(diǎn)；任務(wù)
1 引言
近年來，隨著電子信息技術(shù)的迅速發(fā)展，醫(yī)院信息系統(tǒng)（HIS）、數(shù)字醫(yī)療設(shè)備和醫(yī)藥企事業(yè)單位信息系統(tǒng)的廣泛應(yīng)用，各醫(yī)療衛(wèi)生單位計(jì)算機(jī)中的數(shù)據(jù)容量不斷膨脹。數(shù)據(jù)庫技術(shù)的發(fā)展在不斷地解決海量數(shù)據(jù)的存儲(chǔ)和數(shù)據(jù)檢索的效率問題，但無法改變“數(shù)據(jù)爆炸但只是貧乏”的現(xiàn)象，如何充分應(yīng)用這些寶貴的醫(yī)學(xué)數(shù)據(jù)資源來為疾病的診斷和治療提供科學(xué)的決策，促進(jìn)醫(yī)學(xué)研究，已成為人們關(guān)注的焦點(diǎn)。
數(shù)據(jù)挖掘（Data Mining，DM）是一個(gè)近些年才發(fā)展起來的信息處理技術(shù)，它是從大量數(shù)據(jù)中提取出可信的、新穎的、有效的并最終能被人理解的信息模式處理過程，它涉及數(shù)據(jù)庫、人工智能、統(tǒng)計(jì)學(xué)、模式識(shí)別、可視化技術(shù)、并行計(jì)算等眾多領(lǐng)域知識(shí)。醫(yī)學(xué)數(shù)據(jù)挖掘是一門涉及面廣.技術(shù)難度大的新興交叉學(xué)科，它需要從事智能信息處理、計(jì)算機(jī)、應(yīng)用數(shù)學(xué)的科研人員與醫(yī)務(wù)工作者通力合作，將數(shù)據(jù)挖掘技術(shù)應(yīng)用到醫(yī)學(xué)數(shù)據(jù)庫中，用以發(fā)現(xiàn)其中的醫(yī)學(xué)診斷規(guī)則和模式，從而輔助醫(yī)生進(jìn)行疾病診斷，幫助管理者發(fā)現(xiàn)并創(chuàng)造新的管理方法和手段。
2 數(shù)據(jù)挖掘的定義
從商用角度來看，數(shù)據(jù)挖掘可定義為一種類深層次的數(shù)據(jù)分析方法，是按照企業(yè)既定業(yè)務(wù)目標(biāo)，對(duì)大量企業(yè)數(shù)據(jù)進(jìn)行探索和分析，揭示隱藏的、未知的或驗(yàn)證已知的規(guī)律性，為企業(yè)決策提供真正有價(jià)值的信息，并進(jìn)而獲取利潤的一種模型化的先進(jìn)方法。
從技術(shù)角度來看，數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又有潛在有用的信息和知識(shí)的過程。
由定義可看出，數(shù)據(jù)挖掘與傳統(tǒng)數(shù)據(jù)分析（如查詢、報(bào)表、聯(lián)機(jī)應(yīng)用分析等）的本質(zhì)區(qū)別在于數(shù)據(jù)挖掘是在沒有明確假設(shè)的前提下挖掘信息、發(fā)現(xiàn)知識(shí)，換言之，數(shù)據(jù)挖掘所得到的信息應(yīng)當(dāng)具有預(yù)知未知、有效和可實(shí)用3個(gè)特征。
3 數(shù)據(jù)挖掘技術(shù)在醫(yī)院信息系統(tǒng)中的應(yīng)用
數(shù)據(jù)挖掘技術(shù)的產(chǎn)生時(shí)間不長，但其在商業(yè)、產(chǎn)業(yè)、電信等領(lǐng)域的應(yīng)用已相當(dāng)廣泛，并取得了客觀的經(jīng)濟(jì)和社會(huì)效益。由于醫(yī)療衛(wèi)生系統(tǒng)本身具有的復(fù)雜和時(shí)變的特性，導(dǎo)致數(shù)據(jù)挖掘技術(shù)在醫(yī)療衛(wèi)生領(lǐng)域的應(yīng)用尚處于起步階段。但醫(yī)學(xué)技術(shù)作為一門驗(yàn)證性的科學(xué)，因此在該領(lǐng)域的數(shù)據(jù)挖掘具有較強(qiáng)的實(shí)用價(jià)值和廣闊的應(yīng)用前景。
3.1 醫(yī)院信息系統(tǒng)的數(shù)據(jù)特點(diǎn)
醫(yī)院信息系統(tǒng)中包含了醫(yī)療過程和醫(yī)患活動(dòng)的全部數(shù)據(jù)資源，既有臨床醫(yī)療信息，又有醫(yī)院管理的相關(guān)信息。這些信息反映了醫(yī)學(xué)的獨(dú)特性。
3.1.1 多態(tài)性
醫(yī)院信息系統(tǒng)中的數(shù)據(jù)包括純數(shù)據(jù)（如體征參數(shù)、檢驗(yàn)結(jié)果等）、影像（如CT、B超等）、信號(hào)（如ECG、EEG等）、文字（如患者檢查檢驗(yàn)結(jié)果、病歷記錄等）等，因此其具有模式的多態(tài)性，這也是其區(qū)別于其他領(lǐng)域的顯著特征。
3.1.2 不完整性
醫(yī)院信息系統(tǒng)中的數(shù)據(jù)是在對(duì)患者進(jìn)行診療的過程中收集的，是以對(duì)患者進(jìn)行診斷并最終治愈為目的，并非以研究為目的，再加之人為因素也可導(dǎo)致數(shù)據(jù)記錄的偏差和缺失，因此搜集的數(shù)據(jù)具有疾病信息的客觀不完整性和描述疾病的主觀不完整性。
3.1.3 冗余性
醫(yī)院信息系統(tǒng)是一個(gè)特殊的系統(tǒng)，系統(tǒng)中的某些數(shù)據(jù)關(guān)乎患者的健康安全，如發(fā)藥信息、檢查檢驗(yàn)結(jié)果數(shù)據(jù)等，為進(jìn)行數(shù)據(jù)校驗(yàn)，保證數(shù)據(jù)的正確性，系統(tǒng)會(huì)保存大量重復(fù)的、甚至是相互矛盾的數(shù)據(jù)記錄。
3.1.4 隱私性
醫(yī)院信息系統(tǒng)中保存了患者的所有信息，包括身份信息、診療信息、費(fèi)用信息等，也不可避免地會(huì)涉及到患者的隱私，一旦這些隱私信息被暴露，并對(duì)患者的日常生活造成侵?jǐn)_，就會(huì)涉及到較多的倫理、法律等問題。
3.2 醫(yī)院信息系統(tǒng)數(shù)據(jù)挖掘的步驟
數(shù)據(jù)挖掘可分為預(yù)處理和挖掘分析兩個(gè)階段如圖l所示。由于醫(yī)學(xué)數(shù)據(jù)具有前文所介紹諸多特性，需要對(duì)帶挖掘數(shù)據(jù)進(jìn)行篩選、清洗、匿名化、標(biāo)識(shí)轉(zhuǎn)換等操作，因此通常需要花費(fèi)較多時(shí)間，通常約占總時(shí)間的60%。
3.3 醫(yī)院信息系統(tǒng)數(shù)據(jù)挖掘的任務(wù)
3.3.1 分類
分類是指根據(jù)一個(gè)可預(yù)測屬性將事例分為多個(gè)類別，是最常見的數(shù)據(jù)挖掘任務(wù)之一。醫(yī)生根據(jù)望聞切診以及輔助檢查對(duì)患者進(jìn)行疾病診斷，實(shí)際就是一個(gè)疾病分類的過程，即根據(jù)患者的疾病特征，將其劃分為某個(gè)疾病或某類疾病。典型的分類算法有決策樹、神經(jīng)網(wǎng)絡(luò)和貝葉斯算法。
3.3.2 聚類
聚類也稱細(xì)分，是基于一組特定的屬性對(duì)事例進(jìn)行分組的數(shù)據(jù)挖掘方法。利用聚類分析工具分析患者的疾病診斷數(shù)據(jù)，進(jìn)行探索性的數(shù)據(jù)分析，生成聚類結(jié)果，并考察其意義。例如，對(duì)糖尿病患者，可按照年齡、性別、體重和血壓指數(shù)等產(chǎn)生聚類模式，得到糖尿病患者典型分型，在臨床上具有重要意義。
3.3.3 關(guān)聯(lián)
關(guān)聯(lián)規(guī)則最典型的商用案例就是一家連鎖店通過數(shù)據(jù)挖掘發(fā)現(xiàn)了尿片與啤酒之間有著驚人的聯(lián)系。使用關(guān)聯(lián)規(guī)則，可以發(fā)現(xiàn)臨床數(shù)據(jù)間的關(guān)聯(lián)性，通過病歷系統(tǒng)中患者的診斷信息、用藥情況等，可以挖掘出某種疾病的常規(guī)用藥方案，并形成臨床路徑。
3.3.4 預(yù)測
預(yù)測是醫(yī)學(xué)數(shù)據(jù)挖掘最重要的―項(xiàng)任務(wù)。預(yù)測技術(shù)使用的是時(shí)間序列數(shù)據(jù)集，即有時(shí)序關(guān)系的一組觀察值，而患者的診療過程所記錄的數(shù)據(jù)也是具備時(shí)序性的，應(yīng)用預(yù)測技術(shù)對(duì)這些診療數(shù)據(jù)進(jìn)行分析，可預(yù)測患者疾病的發(fā)展趨勢(shì)甚至預(yù)后情況，并根據(jù)預(yù)測結(jié)果對(duì)診療方案進(jìn)行修正，以獲得最佳的療效和預(yù)后。
關(guān)鍵詞：數(shù)據(jù)挖掘；知識(shí)；醫(yī)學(xué)；智能
中圖分類號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2011)30-7365-02
隨著信息技術(shù)的飛速發(fā)展，計(jì)算機(jī)信息管理系統(tǒng)在各類醫(yī)療、研究機(jī)構(gòu)得到了廣泛的應(yīng)用。大量關(guān)于病人治療的臨床信息，醫(yī)院管理信息等信息的不斷累積使得醫(yī)學(xué)數(shù)據(jù)庫迅速膨脹。傳統(tǒng)數(shù)據(jù)庫查詢檢索策略及統(tǒng)計(jì)學(xué)分析方法只能從大量的數(shù)據(jù)中獲取一些表層信息，而無法發(fā)現(xiàn)數(shù)據(jù)之間內(nèi)在關(guān)聯(lián)及隱藏知識(shí)。利用數(shù)據(jù)挖掘技術(shù)從海量的醫(yī)學(xué)信息中提取有價(jià)值的知識(shí)和規(guī)則，以智能的方法來處理和分析科學(xué)實(shí)驗(yàn)或臨床研究數(shù)據(jù)，從而更好地為醫(yī)院的決策管理、醫(yī)療和科研服務(wù)已成為一個(gè)非常重要的研究課題[1]。
1 數(shù)據(jù)挖掘的基本概念
目前有關(guān)數(shù)據(jù)挖掘的定義有很多，比較公認(rèn)的一種是：數(shù)據(jù)挖掘（Data Mining）是從大量的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中提取隱含在其中的、人們未知的、潛在的有用信息和知識(shí)。這些信息可表示為概念、規(guī)則、規(guī)律和模式等。廣義的數(shù)據(jù)挖掘?qū)ο蟀〝?shù)據(jù)庫、數(shù)據(jù)倉庫、文件系統(tǒng)、Web信息及各種形式的數(shù)據(jù)集。數(shù)據(jù)挖掘所要處理的問題，就是在龐大的數(shù)據(jù)集中尋找出有價(jià)值的隱藏事件加以分析，并以一定的置信度對(duì)未來進(jìn)行預(yù)測，將這些有意義的信息歸納成結(jié)構(gòu)模式，用來對(duì)決策形成參考。
2 醫(yī)學(xué)數(shù)據(jù)挖掘特點(diǎn)
1）處理數(shù)據(jù)的規(guī)模十分巨大。由于醫(yī)療工作自身的特點(diǎn)――如病情觀察的不可間斷、各種醫(yī)療檢查結(jié)果的紛繁復(fù)雜，醫(yī)學(xué)數(shù)據(jù)庫是一個(gè)涉及面廣、信息量大的海量信息庫，醫(yī)學(xué)數(shù)據(jù)挖掘經(jīng)常會(huì)面對(duì)尺度為GB甚至TB數(shù)量級(jí)的數(shù)據(jù)庫。
2）挖掘?qū)ο笫菑?fù)雜的、各種類型的數(shù)據(jù)。醫(yī)學(xué)數(shù)據(jù)庫中含有各種不同來源，不同性質(zhì)的數(shù)據(jù)，包括純數(shù)據(jù)記錄（如患者生命體征的各項(xiàng)參數(shù)、化驗(yàn)結(jié)果）、文字（如患者的病歷記錄、診斷結(jié)果）、信號(hào)(如肌電、腦電信號(hào))、圖像(如B超、CT檢測結(jié)果)，以及音頻和視頻等形式的健康傳媒類信息[2]。
3）挖掘結(jié)果是潛在的、未知的信息，這些信息有助于預(yù)測未來趨勢(shì)及行為，為醫(yī)療活動(dòng)做出前瞻性的科學(xué)決策。對(duì)醫(yī)學(xué)數(shù)據(jù)進(jìn)行挖掘的一個(gè)主要目的是預(yù)測疾病發(fā)作，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于醫(yī)學(xué)領(lǐng)域可以對(duì)正常人的各項(xiàng)體征數(shù)據(jù)和生物數(shù)據(jù)進(jìn)行各種分析對(duì)比，挖掘出相關(guān)關(guān)系，對(duì)某些疾病的前兆特征分析，以便能預(yù)防或及時(shí)救治，挽救患者生命。
3 醫(yī)學(xué)數(shù)據(jù)挖掘方法
數(shù)據(jù)挖掘的任務(wù)有兩個(gè)，即描述和預(yù)測。與之對(duì)應(yīng)，數(shù)據(jù)挖掘方法分為描述型方法和預(yù)測型方法。前者是通過判別數(shù)據(jù)之間的關(guān)系或模式，探索被分析數(shù)據(jù)的隱藏屬性；后者利用從歷史數(shù)據(jù)中發(fā)現(xiàn)的已知結(jié)果，推斷或預(yù)測未知的可能值。在實(shí)際應(yīng)用中，需根據(jù)對(duì)象的性質(zhì)及要解決的具體問題，采用不同的數(shù)據(jù)挖掘方法。
1）決策樹法。決策樹方法是一種通過逼近離散值目標(biāo)函數(shù)的方法，利用信息增益原理，將數(shù)據(jù)庫中具有最大信息量的屬性字段作為決策樹一個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)的每一個(gè)后繼分支對(duì)應(yīng)于該屬性的一個(gè)可能值，在每個(gè)分支子集中重復(fù)建立樹的下層節(jié)點(diǎn)和分支。決策樹方法主要應(yīng)用于醫(yī)學(xué)數(shù)據(jù)挖掘中的分類過程――通過現(xiàn)有醫(yī)療數(shù)據(jù)，對(duì)患者的病癥信息進(jìn)行分類，分析患有該類疾病病人的共同特征以及可能患有的疾病類型，找出真正原因，從而做出針對(duì)該類疾病的最佳治療方案。利用決策樹法可大大增加診斷的準(zhǔn)確度，提高診斷效率。
2）神經(jīng)網(wǎng)絡(luò)（neural networks）。人工神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)的，通過訓(xùn)練來學(xué)習(xí)的非線性預(yù)測模型，具有很強(qiáng)的容錯(cuò)性、自組織性和魯棒性。神經(jīng)網(wǎng)絡(luò)以人工神經(jīng)元為基本運(yùn)算單元的，能夠?qū)Υ罅繌?fù)雜的數(shù)據(jù)進(jìn)行分析，并完成及其復(fù)雜的模式抽取及趨勢(shì)分析，在醫(yī)學(xué)數(shù)據(jù)挖掘中具有非常廣泛的應(yīng)用。利用神經(jīng)網(wǎng)絡(luò)可動(dòng)態(tài)監(jiān)測病人的麻醉深度，從而控制物的使用劑量；采用貝葉斯（Bayesian）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠找出服用抗精神病藥物與心肌炎和心肌病發(fā)作的關(guān)系；還可以運(yùn)用組合神經(jīng)網(wǎng)絡(luò)可對(duì)危及生命的心率失常進(jìn)行歸類等。
3）關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則描述和分析了數(shù)據(jù)庫中一組對(duì)象之間某種共生現(xiàn)象，反映了事物之間存在的關(guān)聯(lián)性――如兩者“同時(shí)發(fā)生”或“兩者存在因果關(guān)系”等。在醫(yī)學(xué)領(lǐng)域同樣存在關(guān)聯(lián)現(xiàn)象，若某種疾病同時(shí)表現(xiàn)出若干種癥狀，則這幾種癥狀與該疾病之間存在著關(guān)聯(lián)性，且癥狀之間也呈現(xiàn)某種關(guān)聯(lián)[3]。關(guān)聯(lián)規(guī)則分析可為疾病的鑒別診斷提供參考依據(jù)。有研究者利用關(guān)聯(lián)規(guī)則分析法對(duì)糖尿病數(shù)據(jù)庫進(jìn)行多維數(shù)據(jù)分析，以期望發(fā)現(xiàn)長期血糖濃度過高與并發(fā)癥之間的關(guān)聯(lián)；還有研究者對(duì)37000例腎病患者的癥狀（包括臨床檢驗(yàn)和檢測）進(jìn)行了追蹤觀察，監(jiān)測尿蛋白水平、腎小球過濾率以及患者貧血狀況，結(jié)果發(fā)現(xiàn)以上三種生理指標(biāo)中的任何一項(xiàng)異常都伴隨著心臟病發(fā)病率的上升[4]。
4）聚類分析。聚類分析是根據(jù)所選樣本間關(guān)聯(lián)的標(biāo)準(zhǔn)將其劃分為幾個(gè)組，同組內(nèi)的樣本具有較高的相似度，不同組的則相異。聚類分析方法適用于對(duì)孤立點(diǎn)的檢測及用于探討樣本間的內(nèi)部關(guān)系，從而對(duì)樣本結(jié)構(gòu)做出合理的評(píng)價(jià)。有研究者[5]利用聚類方法分析流行病學(xué)因素對(duì)肺癌患者臨床醫(yī)學(xué)狀況的影響。首先從SEER的數(shù)據(jù)庫中選取21758例肺癌病例，每一例數(shù)據(jù)包含23個(gè)流行病學(xué)特征屬性和22個(gè)臨床臨床醫(yī)學(xué)狀態(tài)特征屬性，繼而根據(jù)流行病學(xué)特征屬性的相似程度將病例數(shù)據(jù)劃分成20類，比較各類別之間的臨床醫(yī)學(xué)狀態(tài)特征屬性的差異，在此基礎(chǔ)上還可更進(jìn)一步分析各類流行病學(xué)因素對(duì)肺癌患者臨床醫(yī)學(xué)狀況的不同影響。
3 結(jié)束語
醫(yī)學(xué)數(shù)據(jù)挖掘是信息網(wǎng)絡(luò)技術(shù)、人工智能、模式識(shí)別、統(tǒng)計(jì)學(xué)等學(xué)科與醫(yī)療科學(xué)相結(jié)合的產(chǎn)物，對(duì)提高醫(yī)療服務(wù)質(zhì)量和醫(yī)院科研、管理水平發(fā)揮著重要作用，具有極其廣闊的應(yīng)用前景。醫(yī)學(xué)數(shù)據(jù)挖掘面向整個(gè)醫(yī)學(xué)數(shù)據(jù)庫或醫(yī)學(xué)信息集合提供知識(shí)和決策，因此挖掘?qū)ο笫巧婕懊鎻V、數(shù)據(jù)量大、且包含著各種類型數(shù)據(jù)的海量信息庫；在挖掘方法中，決策樹法、人工神經(jīng)網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則、聚類分析等方法顯示出了獨(dú)特的優(yōu)勢(shì)，已經(jīng)在醫(yī)學(xué)信息處理和疾病診療方面得到了應(yīng)用。隨著理論研究的深入和進(jìn)一步的實(shí)踐探索，數(shù)據(jù)挖掘技術(shù)將在臨床、科研、教學(xué)以及醫(yī)院決策管理等方面發(fā)揮巨大的作用。
參考文獻(xiàn)：
[1] 王華,江啟成,胡學(xué)鋼.數(shù)據(jù)挖掘在醫(yī)學(xué)上的應(yīng)用[J].安徽醫(yī)藥,2008.12(8):746-748.
[2] 袁占花,李祥生.數(shù)據(jù)挖掘在醫(yī)學(xué)信息系統(tǒng)中的應(yīng)用[J].電腦開發(fā)與應(yīng)用,2009,22(7):55-57.
[3] 龔著琳,陳瑛,蘇懿,等.數(shù)據(jù)挖掘在生物醫(yī)學(xué)數(shù)據(jù)分析中的應(yīng)用[J].上海交通大學(xué)學(xué)報(bào):醫(yī)學(xué)版,2010,30(11).
現(xiàn)今,生物醫(yī)學(xué)圖像在醫(yī)療診斷中起著不可低估的重作用。核磁共振(MagneticResonance,簡稱MR)、計(jì)算機(jī)X射斷層掃描(ComputedTomography,簡稱CT)、超聲波(Ultrasound)以及其他的成像技術(shù)等,都是無侵害性的器官體外成像的力手段。這些技術(shù)豐富了正常的以及病狀的解剖知識(shí),同它也成為了診斷和治療體系重要的組成部分。隨著醫(yī)學(xué)圖像在數(shù)量和大小上的增加,越來越有必要用計(jì)算機(jī)處理并分析這些圖像。有一種算法用于找出解剖構(gòu)和其它感興趣的區(qū)域,這種算法叫做圖像分割算法(imagsegmentationalgorithms)。圖像分割是由圖像處理到圖像分的關(guān)鍵步驟[1],它在大量的生物醫(yī)學(xué)圖像的應(yīng)用起著至關(guān)重要的作用,比如:解剖結(jié)構(gòu)的研究、診斷等。在承擔(dān)自然科學(xué)基金項(xiàng)目的過程中,為研究分割算法在醫(yī)學(xué)圖像中的應(yīng)用,我們對(duì)過去國內(nèi)外二十多年里醫(yī)學(xué)圖像分割算法的發(fā)展和現(xiàn)今廣泛使用的分割法進(jìn)行了較詳細(xì)的調(diào)研,感到國內(nèi)在這方面的文獻(xiàn)和研究還比較少。為進(jìn)一步推動(dòng)圖像分割在生物醫(yī)學(xué)工程中的應(yīng)用,本文結(jié)合我們目前的研究結(jié)果,對(duì)醫(yī)學(xué)分割算法、特別是其應(yīng)用做了介紹。
2現(xiàn)今廣泛使用的生物醫(yī)學(xué)圖像分割方法
利用“區(qū)域間不連續(xù)性”和“區(qū)域內(nèi)相似性”兩個(gè)準(zhǔn)則,分割算法可分為的“基于邊界的算法”和“基于區(qū)域的算法”。另外,根據(jù)分割過程中“判斷和決定是否可獨(dú)立地和同時(shí)地做出”的處理策略,分割算法又可分為“并行算法”和“串行算法”。所以分割算法可根據(jù)這兩個(gè)分成四類[1]。那么對(duì)于生物醫(yī)學(xué)圖像,也有相應(yīng)的四類分割法。圖像、成像方式以及其它因素。比如:對(duì)腦組織分割的要求就不同于對(duì)肝臟的要求,MR圖像有異于超聲圖像。更進(jìn)一步的情況,成像中的人為和不可抗拒的天然因素(例如噪聲和物體的運(yùn)動(dòng)等)也會(huì)在很大程度上影響后繼的分割。所以,至今沒有一種適用于任何醫(yī)學(xué)圖像的通用的分割技術(shù)。我們總結(jié)了現(xiàn)今國內(nèi)外廣泛使用的生物醫(yī)學(xué)圖像分割方法。重點(diǎn)放在對(duì)方法的介紹上,和使用時(shí)會(huì)面臨的具體問題上。方法的詳細(xì)數(shù)學(xué)推導(dǎo)超出了本文的范圍,讀者可以查閱參考文獻(xiàn)。雖然這些方法是分開描述的,但在實(shí)際應(yīng)用中,很多復(fù)合法也用于解決各種不同的實(shí)際分割問題。我們將這些方法分為四類6種:1)并行區(qū)域法:閾值法。2)串行區(qū)域法:區(qū)域生長法。3)結(jié)合特定理論工具的方法:①模式識(shí)別法(分類器法,聚類法);②人工神經(jīng)網(wǎng)絡(luò)法;③可變模型法。4)其他方法。
2.1閾值法
閾值分割法是將灰度圖像變?yōu)槎祱D像以達(dá)到分割目的的方法[4],它是一種PR(并行區(qū)域)法。閾值法的過程是決定一個(gè)灰度值,用以區(qū)分不同的類,這個(gè)灰度值就叫做“閾值”。把灰度值大于閾值的所有像素歸為一類,小于閾值的所有像素歸為另一類。閾值法是一種簡單但是非常有效的方法,特別是不同物體或結(jié)構(gòu)之間的有很大的強(qiáng)度對(duì)比時(shí),能夠得到很好的效果。此分割法通常是交互式的。因?yàn)殚撝捣軌驅(qū)崿F(xiàn)實(shí)時(shí)操作,所以它更能夠建立在用戶視覺估計(jì)的基礎(chǔ)上。閾值法一般可以作為一系列圖像處理過程的第一步。它的主要局限是,最簡單形式的閾值法只能產(chǎn)生二值圖像來區(qū)分兩個(gè)不同的類。另外,它只考慮像素本身的值[1],一般都不考慮圖像的空間特性,這樣就對(duì)噪聲很敏感。針對(duì)它的不足,有許多經(jīng)典閾值法的更新算法被提了出來[5]。
2.2區(qū)域生長法
區(qū)域生長法是根據(jù)預(yù)先定義的標(biāo)準(zhǔn),提取圖像中相連接的區(qū)域的方法[4]。這個(gè)標(biāo)準(zhǔn)可以是灰度信息,也可以是圖像的邊界,或者是兩者的聯(lián)合。在此法的最簡單形式中,先人工給出一個(gè)種子點(diǎn),然后提取出和種子具有相同灰度值的所有像素。和閾值法一樣,區(qū)域生長法一般不單獨(dú)使用,而是放在一系列處理過程中,特別用它來描繪諸如腫瘤和傷口等小而且簡單的結(jié)構(gòu)。它主要的缺陷是,每一個(gè)需要提取的區(qū)域都必須人工給出一個(gè)種子點(diǎn),這樣有多個(gè)區(qū)域就必須給出相應(yīng)的種子個(gè)數(shù)。此法對(duì)噪聲也很敏感,會(huì)造成孔狀甚至是根本不連續(xù)的區(qū)域。相反的,局部且大量的影響還會(huì)使本來分開的區(qū)域連接起來。為減輕這些缺點(diǎn),產(chǎn)生了諸如模糊分類的區(qū)域增長法[6]和其他方法。
2.3模式識(shí)別法
2.3.1分類器法
分類器法是一種統(tǒng)計(jì)模式識(shí)別的方法[7],用以區(qū)分從已知標(biāo)記的圖像數(shù)據(jù)衍生而來的特征空間。灰度直方圖,就是最常見最典型的一維特征空間的例子。因?yàn)榉诸惼鞣ㄐ枰靡阎娜斯し指罱Y(jié)果作為訓(xùn)練樣本、對(duì)分類器進(jìn)行訓(xùn)練后才能自動(dòng)分割新的數(shù)據(jù),所以它是有監(jiān)督的模式識(shí)別方法。它的訓(xùn)練方法有很多種,其中,最簡單的一種是“非參數(shù)最近鄰”分類器。它將像素或者體素劃分在與其灰度值最接近的那一類中。而參數(shù)分類器中,使用得最多的是貝葉斯分類器(Bayesclassifier)[5]。標(biāo)準(zhǔn)的分類器要求被分割的結(jié)構(gòu)具有明顯的定量特征。因?yàn)槿绻?xùn)練樣本數(shù)據(jù)能夠被標(biāo)記,分類器就能夠?qū)⑦@些可以明顯區(qū)分的標(biāo)記轉(zhuǎn)化為新的數(shù)據(jù)而不需要反復(fù)迭代。所以相對(duì)于閾值法,在區(qū)分多區(qū)域圖像時(shí)它有較高的計(jì)算效率。它的缺點(diǎn)是是,需要人工交互方式獲得訓(xùn)練數(shù)據(jù)。另一方面,對(duì)于大量的生物圖像使用相同的訓(xùn)練樣本,會(huì)因?yàn)闆]有考慮不同物體的解剖特性和物理特性而導(dǎo)致不準(zhǔn)確的結(jié)果。
2.3.2聚類法
聚類法的基本原理和分類器法大體是相同的,不同點(diǎn)在于它不需要訓(xùn)練樣本數(shù)據(jù)。所以它是無監(jiān)督的模式識(shí)別方法。為了彌補(bǔ)沒有訓(xùn)練數(shù)據(jù)這一點(diǎn),聚類方法反復(fù)做兩件工作:分割圖像和刻畫每個(gè)類的特征,從而使用已有的數(shù)據(jù)訓(xùn)練自身以達(dá)到分割的目的。最常用的聚類方法是模糊C-均值算法[1],它通過對(duì)目標(biāo)函數(shù)的迭代優(yōu)化實(shí)現(xiàn)集合劃分,并且可以表示出各個(gè)像素屬于不同類別的程度。雖然聚類算法不需要訓(xùn)練樣本數(shù)據(jù),但是它需要一個(gè)初始的分割。和分類器方法一樣,聚類法同樣不考慮空間建模,所以對(duì)噪聲和非同質(zhì)的灰度很敏感。然而,這一缺陷卻加快了計(jì)算速度。
2.4人工神經(jīng)網(wǎng)絡(luò)法
人工神經(jīng)網(wǎng)絡(luò)法是使用大量的平行的神經(jīng)網(wǎng)絡(luò)達(dá)到對(duì)圖像分割的目的[8]。這些網(wǎng)絡(luò)由模擬生物學(xué)習(xí)機(jī)理的節(jié)點(diǎn)或者元素組成,網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)能夠執(zhí)行最基本的運(yùn)算。通過調(diào)整節(jié)點(diǎn)之間的權(quán)值可以達(dá)到網(wǎng)絡(luò)對(duì)生物機(jī)理的學(xué)習(xí)。比如,用它實(shí)現(xiàn)圖像的邊緣檢測[8]。文獻(xiàn)[9]局部興奮全局抑制振蕩網(wǎng)絡(luò)(LEGION,LocallyExcitatoryGloballyInhibitoryOscillatorNetwork)就是一種基于人類視覺特性的人工神經(jīng)網(wǎng)絡(luò)方法。LEGION是一個(gè)由張弛振子構(gòu)成的網(wǎng)絡(luò),每個(gè)振子皆由一個(gè)興奮單元x和一個(gè)抑制單元y組成(圖2)。分割結(jié)果見圖3。可以看出,與LEGION分割所得圖像相比,單閾值法所得圖像區(qū)域單一,細(xì)節(jié)較差,一些細(xì)小結(jié)構(gòu)未能表現(xiàn)出來。將LEGION這種算法完善,自適應(yīng)設(shè)置神經(jīng)網(wǎng)絡(luò)中的參數(shù),并且將它應(yīng)用在彩色圖像上。使用神經(jīng)網(wǎng)絡(luò)法的時(shí)候,因?yàn)榫W(wǎng)絡(luò)中有許多相互連接,所以空間信息就能很容易包涵在分類過程中。雖然神經(jīng)網(wǎng)絡(luò)法具有平行繼承性,但是它的處理過程和標(biāo)準(zhǔn)的串行計(jì)算機(jī)很類似,這樣就降低了它計(jì)算方面的潛在優(yōu)勢(shì)。
2.5可變模型法
可變模型法是基于模型的、使用閉合參數(shù)曲線或曲面描繪邊界的分割方法[3]。它的最初思想來源于物理概念:為了描繪出物體的邊界,首先設(shè)置一個(gè)離真實(shí)曲線或曲面不遠(yuǎn)的初始曲面或曲線,在外力和內(nèi)力的作用下,推動(dòng)這個(gè)曲面或曲線移動(dòng),最后在圖像能量最低處停下來。因?yàn)榍€或曲面的移動(dòng)類似于蛇,所以這個(gè)模型又叫做Snake模型,曲線或曲面叫做Snake。在圖像輪廓處灰度變化率(即梯度)最大,定義此處能量最小,那么Snake停下的地方就是真實(shí)邊界。由于1988年Kass首次提出的經(jīng)典Snake的外力場捕獲區(qū)很小[3],這就使得初始化和進(jìn)入凹陷區(qū)很困難。為此,科學(xué)家們多次改進(jìn)這一算法。其中,1998年Hopkins大學(xué)的ChenyangXu和JerryL.Prince[12]用梯度矢量流代替經(jīng)典外力場,這就是有名的GVF理論(GradientVectorFlow)。它很好地解決了經(jīng)典Snake中的初始化問題和凹陷區(qū)問題。[12]是采用GVFSnake對(duì)左心室核磁共振圖像的腔體分割。
2.6其它方法
還有一些生物圖像的分割方法,比如:微分算子的邊緣檢測[1],Hough變換[4],它們均屬PB法(并行邊界)的范疇;用樣條進(jìn)行曲線擬合,它是一種SB法(串行邊界)。因?yàn)樯镝t(yī)學(xué)圖像中軟組織的物理和解剖特性,以上的方法一般不單獨(dú)使用,而是融入其它的方法里。此外,基于信息論[9]和基于小波分析[1]的分割技術(shù)也逐漸被應(yīng)用在生物圖像中。
關(guān)鍵詞 醫(yī)學(xué)檢驗(yàn)儀器；臨床檢驗(yàn)儀器學(xué)；自主學(xué)習(xí)能力
中圖分類號(hào)：G642.4 文獻(xiàn)標(biāo)識(shí)碼：B
文章編號(hào)：1671-489X（2014）06-0074-02
1 引言
雖然醫(yī)學(xué)是一種古老的學(xué)術(shù)，但實(shí)際上即便是時(shí)至今日，同數(shù)理化等精確科學(xué)相比，臨床醫(yī)學(xué)還常被認(rèn)為是一種實(shí)用技藝而非嚴(yán)密科學(xué)。隨著電子技術(shù)和計(jì)算機(jī)技術(shù)的飛速發(fā)展，并不斷向醫(yī)學(xué)檢驗(yàn)儀器深入滲透，醫(yī)學(xué)檢驗(yàn)儀器的性能得到巨大提高，醫(yī)學(xué)檢驗(yàn)儀器成為現(xiàn)代醫(yī)學(xué)重要的臨床診斷手段，對(duì)疾病診斷、病情監(jiān)測、健康評(píng)價(jià)等方面起著重要作用。
在醫(yī)學(xué)檢驗(yàn)儀器性能不斷提高，各類高靈敏度、多功能、智能化的檢驗(yàn)儀器不斷出現(xiàn)和廣泛應(yīng)用的同時(shí)，對(duì)相關(guān)工作人員的檢驗(yàn)儀器知識(shí)、技術(shù)、技能要求也越來越高，培養(yǎng)相關(guān)專業(yè)各層次學(xué)生熟練掌握和使用各類醫(yī)學(xué)檢驗(yàn)儀器，成為醫(yī)學(xué)檢驗(yàn)儀器課程的重要任務(wù)。
2 醫(yī)學(xué)檢驗(yàn)儀器課程特點(diǎn)
醫(yī)學(xué)檢驗(yàn)儀器課程教學(xué)目的 現(xiàn)代醫(yī)學(xué)檢驗(yàn)儀器功能越來越為復(fù)雜，智能化程度越來越高，靈敏度越來越強(qiáng)，并有大量新儀器新設(shè)備不斷涌現(xiàn)并投入實(shí)踐應(yīng)用。與此同時(shí)，現(xiàn)代醫(yī)學(xué)對(duì)醫(yī)學(xué)檢驗(yàn)儀器的依賴性也越來越強(qiáng)，這對(duì)相關(guān)專業(yè)工作者的要求也越來越高。醫(yī)學(xué)檢驗(yàn)儀器課程的設(shè)置，其目的是為了培養(yǎng)和提高相關(guān)專業(yè)學(xué)生熟練掌握、運(yùn)用現(xiàn)代醫(yī)學(xué)檢驗(yàn)儀器的能力，以使其能更好地運(yùn)用醫(yī)學(xué)檢驗(yàn)儀器，為疾病診斷和治療提供支撐。需要讓各相關(guān)專業(yè)學(xué)生及工作人員掌握醫(yī)學(xué)檢驗(yàn)儀器的性能、使用方法、工作原理、故障排除、計(jì)算技術(shù)，并提高其醫(yī)學(xué)檢驗(yàn)儀器的綜合應(yīng)用能力，提高臨床醫(yī)學(xué)檢驗(yàn)儀器實(shí)踐能力。
醫(yī)學(xué)檢驗(yàn)儀器特點(diǎn)分析 目前多數(shù)醫(yī)學(xué)檢驗(yàn)儀器都應(yīng)用于組織、細(xì)胞的存在、組成、結(jié)構(gòu)、特性方面的檢驗(yàn)，需要高精度的定性或定量分析結(jié)果，任何一點(diǎn)兒誤差都可能造成診斷偏差，帶來錯(cuò)誤的診斷和評(píng)價(jià)。醫(yī)學(xué)檢驗(yàn)儀器課程是一門以提高學(xué)生醫(yī)學(xué)檢驗(yàn)儀器應(yīng)用實(shí)踐能力為目的的課程。現(xiàn)代醫(yī)學(xué)檢驗(yàn)儀器通常集光、電、機(jī)于一體，其種類繁多、功能復(fù)雜，自動(dòng)化、智能化不斷增強(qiáng)，結(jié)構(gòu)也越來越復(fù)雜，包括如分離分析檢驗(yàn)、光譜分析檢驗(yàn)、目視檢驗(yàn)、細(xì)胞及分子生物學(xué)檢驗(yàn)以及臨床常規(guī)檢驗(yàn)和非常規(guī)檢驗(yàn)儀器。醫(yī)學(xué)檢驗(yàn)儀器通常涉及光學(xué)、電子、計(jì)算機(jī)、材料、傳感器、生物化學(xué)、放射等多種技術(shù)領(lǐng)域，除了需要了解儀器設(shè)備的使用方法外，還需要不斷掌握新材料、新器件、新的檢驗(yàn)分析方法。
3 醫(yī)學(xué)檢驗(yàn)儀器課程教學(xué)策略
強(qiáng)化基礎(chǔ)理論知識(shí)教學(xué) 基礎(chǔ)理論知識(shí)是醫(yī)學(xué)檢驗(yàn)儀器課程教學(xué)的重要內(nèi)容。醫(yī)學(xué)檢驗(yàn)儀器課程要求學(xué)生掌握常見檢驗(yàn)儀器設(shè)備的原理、結(jié)構(gòu)、性能評(píng)估、使用方法、保養(yǎng)維護(hù)、常見故障排除方法等，這些理論知識(shí)是正確使用醫(yī)學(xué)檢驗(yàn)儀器的重要基礎(chǔ)，掌握基礎(chǔ)理論知識(shí)對(duì)實(shí)踐操作極為重要。包括：光譜分析儀的結(jié)構(gòu)，分光光度計(jì)質(zhì)量評(píng)價(jià)方法；熒光分析儀的基本結(jié)構(gòu)，熒光分析的原理，熒光發(fā)生的機(jī)理；光學(xué)顯微鏡的基本光學(xué)參數(shù)、基本結(jié)構(gòu)、各部分的作用，各種顯微鏡的工作原理；離心機(jī)的基本構(gòu)造、工作原理，離心力的計(jì)算方法，主要技術(shù)參數(shù)和性能指標(biāo)；尿液分析儀的基本結(jié)構(gòu)、基本原理，尿液分析儀的分類、功能應(yīng)用；自動(dòng)生化分析儀的基本結(jié)構(gòu)、評(píng)價(jià)方法、參數(shù)設(shè)定、儀器分類、性能指標(biāo)；電化學(xué)分析原理，電解質(zhì)及血?dú)夥治鰞x的基本結(jié)構(gòu)、常見分類及功能應(yīng)用；血液分析儀中血細(xì)胞分析儀、血液凝固分析儀、血液流變學(xué)分析儀的工作原理、基本結(jié)構(gòu)、功能實(shí)現(xiàn)、性能指標(biāo)、參數(shù)設(shè)置；微生物快速檢測儀的自動(dòng)鑒定，藥敏系統(tǒng)工作原理、性能評(píng)價(jià)、功能實(shí)現(xiàn)；等等。
隨著科學(xué)技術(shù)的迅速發(fā)展，越來越多的新技術(shù)、新方法、新設(shè)備不斷應(yīng)用于醫(yī)學(xué)檢驗(yàn)中，如果僅局限于教材內(nèi)容，勢(shì)必會(huì)造成基礎(chǔ)知識(shí)的相對(duì)滯后，無法適應(yīng)科學(xué)的發(fā)展。因此，在基礎(chǔ)理論知識(shí)的教學(xué)中，不能僅局限于教材，還應(yīng)當(dāng)充分利用各種資料，如報(bào)紙、期刊、網(wǎng)絡(luò)等媒體，對(duì)教學(xué)內(nèi)容進(jìn)行拓展，擴(kuò)大學(xué)生的知識(shí)面，以促使其能更快更好地適應(yīng)今后的臨床醫(yī)學(xué)檢驗(yàn)工作。同時(shí)，只是枯燥的儀器知識(shí)教學(xué)會(huì)極為枯燥，在教學(xué)中還應(yīng)當(dāng)盡量應(yīng)用實(shí)物和多媒體進(jìn)行演示，讓學(xué)生能直觀、清晰地了解儀器設(shè)備的構(gòu)造、性能、原理等知識(shí)。
重視實(shí)踐，提高學(xué)生動(dòng)手操作能力 醫(yī)學(xué)檢驗(yàn)儀器課程具有極強(qiáng)的實(shí)踐性和技能性，提高學(xué)生的動(dòng)手操作能力非常重要。醫(yī)學(xué)檢驗(yàn)儀器課程的實(shí)踐內(nèi)容，可以分為課程實(shí)驗(yàn)、課間見習(xí)、畢業(yè)實(shí)習(xí)、畢業(yè)設(shè)計(jì)、社會(huì)實(shí)踐等五個(gè)方面，在教學(xué)中應(yīng)當(dāng)綜合運(yùn)用這五個(gè)途徑，為學(xué)生提供充足的實(shí)踐操作訓(xùn)練機(jī)會(huì)，讓學(xué)生通過實(shí)踐操作訓(xùn)練掌握各類醫(yī)學(xué)檢驗(yàn)儀器的使用方法、評(píng)價(jià)手段、計(jì)算策略、日常維護(hù)保養(yǎng)以及常見故障的排除，明晰各類醫(yī)學(xué)檢驗(yàn)儀器應(yīng)用中需要注意的問題。這樣一方面能鞏固學(xué)生的基礎(chǔ)理論知識(shí)，為學(xué)生今后的工作和研究打下堅(jiān)實(shí)的基礎(chǔ)；另一方面能提高學(xué)生的動(dòng)手操作能力，幫助學(xué)生更快地適應(yīng)工作實(shí)踐需要。
應(yīng)當(dāng)適當(dāng)增加實(shí)驗(yàn)課，根據(jù)不同儀器的特點(diǎn)、需要掌握的內(nèi)容、學(xué)院儀器設(shè)備現(xiàn)狀，精心設(shè)計(jì)實(shí)驗(yàn)操作課程，讓每一名學(xué)生都能熟練掌握常用醫(yī)學(xué)檢驗(yàn)儀器的使用與維護(hù)。實(shí)驗(yàn)操作可按儀器設(shè)備、儀器特點(diǎn)、設(shè)備現(xiàn)狀，采用分組、個(gè)人、見習(xí)等多種方法進(jìn)行。例如：分析天平、顯微鏡、酸度計(jì)、血細(xì)胞計(jì)數(shù)器、電泳儀等可以采用個(gè)人實(shí)踐操作的方式；設(shè)備維護(hù)保養(yǎng)、常見故障排除、大型儀器可采用分組實(shí)踐操作的方式；一些貴重的、稀有的、自動(dòng)化程度高不適合學(xué)生親自操作實(shí)驗(yàn)的檢驗(yàn)儀器，如自動(dòng)生化分析儀、氣相色譜儀、血?dú)馑釅A分析儀等可以先通過多媒體演示，再組織學(xué)生以見習(xí)的方式進(jìn)行。
促進(jìn)思維，提高學(xué)生自主學(xué)習(xí)能力 醫(yī)學(xué)檢驗(yàn)儀器課程的教學(xué)內(nèi)容是局限于已有的儀器設(shè)備，即便教會(huì)了學(xué)生再多儀器設(shè)備的基本知識(shí)、基本構(gòu)造，讓學(xué)生掌握了再多的儀器操作、維護(hù)方法，如果學(xué)生不會(huì)變通，只會(huì)照本宣科地應(yīng)用，依然很難滿足未來工作的需要，因此提高學(xué)生的自我學(xué)習(xí)能力極為重要。在醫(yī)學(xué)檢驗(yàn)儀器課程中，應(yīng)當(dāng)重視學(xué)生思維能力、理解能力的培養(yǎng)，提升學(xué)生的自我學(xué)習(xí)能力，讓學(xué)生在今后面對(duì)新儀器、新功能、新方法時(shí)能很快地學(xué)會(huì)并應(yīng)用于實(shí)踐中。要提高學(xué)生的自我學(xué)習(xí)能力，教師應(yīng)當(dāng)將自己放到引導(dǎo)地位，更多地對(duì)學(xué)生的學(xué)習(xí)進(jìn)行引導(dǎo)和指導(dǎo)，而不只是簡單地將知識(shí)灌輸給學(xué)生。如在教學(xué)中，可以讓學(xué)生自主分析儀器設(shè)備的結(jié)構(gòu)和工作原理；在實(shí)踐操作中可以適當(dāng)提供一些非課程內(nèi)容的儀器讓學(xué)生探索操作方法、維護(hù)方法；在基礎(chǔ)理論知識(shí)的教學(xué)中可以讓學(xué)生自己通過各種途徑，搜集相關(guān)資料進(jìn)行學(xué)習(xí)。只有提高了學(xué)生的自主學(xué)習(xí)能力，才能使其在今后的實(shí)踐工作中更好地適應(yīng)工作的需要和技術(shù)的發(fā)展。
參考文獻(xiàn)
[1]喬忠，蔣長順.醫(yī)學(xué)檢驗(yàn)專業(yè)進(jìn)行檢驗(yàn)儀器技能培養(yǎng)的探索[J].安徽衛(wèi)生職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2008（4）：96-97.
[2]陳文成，農(nóng)樂根，韋葉生，等.《臨床檢驗(yàn)儀器學(xué)》教學(xué)平臺(tái)建設(shè)初探[J].南方醫(yī)學(xué)教育，2013（2）：20-22.
