時間：2023-08-09 17:33:24
開篇：寫作不僅是一種記錄，更是一種創造，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篇醫學技術分類，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
隨著信息技術及計算機硬件技術的迅速發展,引發了數據的大量累積。數據規模爆炸性增長,而人們卻無法直接獲取隱藏在這些數據背后的信息。這就形成了“數據豐富但信息貧乏”的困境。人們迫切需要使用一種有效工具來擺脫這種困境,于是數據挖掘技術走進了人們的視線。數據挖掘源于人工智能的機器學習,由多種技術交叉融合而成。數據挖掘技術最早是應用在關系數據庫上,這是因為結構化數據能夠非常方便的用于數據挖掘的研究。而隨著圖像等多媒體數據的大量累積,引起了學者們對多媒體數據挖掘研究的關注。多媒體數據挖掘年會的召開,促進了多媒體數據挖掘技術研究的發展,數據挖掘的研究也因此向非結構化數據方向發展。由于圖像對象結構的復雜性,該領域的挖掘技術發展相對比較緩慢。2002 年的 MDM/KDD 年會表明對醫學圖像的數據挖掘研究已經成為數據挖掘一個新的研究領域。圖像挖掘的研究工作可以分為面向特定領域的研究和通用方法的研究。面向特殊領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的特征,并組織成適合數據挖掘的形式。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的含義。醫學圖像數據挖掘屬于面向特定領域的研究。醫學圖像挖掘就是從醫學圖像數據中挖掘出有助于對病情診斷的信息,輔助醫生準確、快速的做出醫療診斷。隨著醫學影像設備的使用,非結構化的醫學圖像信息已經加入到醫學信息數據庫中。醫學信息數據庫的擴展,為醫學圖像數據挖掘提供了豐富的數據源。鑒于挖掘對象的復雜性,對傳統的數據挖掘技術的簡單應用已不再適合醫學圖像數據,需要將數據挖掘技術和醫學領域知識結合起來進行研究。
1.2 研究背景和意義
近年來,各醫院不斷引進先進的數字醫療設備,產生了大量復雜并蘊含豐富信息的醫學圖像。醫學圖像除了具有圖像特征信息難以表達的特點外,還具有高分辨特性,異構性和噪聲等顯著特性。醫學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,通過醫學圖像的挖掘對患者的準確診斷及治療都具有十分重要的意義。目前,醫生在進行臨床診斷時,多數依靠個人的臨床經驗和通過肉眼觀察圖像中的病變區域進行臨床診斷。這樣顯然帶來以下不足:(1)人眼對圖像的識別能力有限,這樣客觀存在而肉眼無法識別的醫學圖像信息就會丟失,降低了醫學圖像信息的利用率;(2)對于臨床經驗不夠豐富的醫生,憑借臨床經驗進行診斷,診斷準確率不高;(3)不同醫生對同一圖像的診斷結果不同,這樣就會有誤診或漏診的可能;(4)對于多個圖像,醫生對其診斷勢必會耗時很多。作為人體的高級神經中樞所在地,腦組織的機能是否正常直接關系到一個人能否正常生活,因此發生在腦組織的疾病歷來都深受醫學界的高度重視。腦部疾病(尤其是腦瘤)嚴重影響人的生活甚至危及生命,而利用無損傷的醫學圖像及早發現病變已經成為全球性防癌抗癌的發展趨勢。因此及早的發現病變信息和提高診斷能力就變得愈加迫切和重要
第 2 章 數據挖掘相關知識
數據挖掘能從海量的數據中挖掘出有用的信息或知識即將數據轉換為有用的信息或知識,自產生以來一直受到廣大研究者的關注。人們在不斷的研究中,發展了數據挖掘技術并將這些技術應用到各個領域。下面將給出數據挖掘的相關概述并對數據挖掘中的分類進行詳細描述。
2.1 數據挖掘概述
隨著信息技術不斷發展,各行各業產生了大量的數據并且先進的科技為這些數據的存儲提供了支持。雖然這些數據中蘊含著許多有用的信息,但是卻沒有可用的工具從海量的數據中獲取信息,一時間人們陷入了知識獲取困難的境地,迫切需要跨過數據與知識之間的鴻溝,數據挖掘就是在這種需求下產生的。簡言之,數據挖掘就是利用有效的挖掘工具,從海量數據中提取出對研究有意的知識。數據挖掘的全過程定義描述如圖 2.1 所示。
2.2 分類的概述
每天我們都會做出一些決定,例如出行前是否需要帶傘,當天的天氣是否適合晾曬被子等。為了給出較為準確的決定,我們就要當前的具體情況信息并結合自己的經驗知識對收集的信息進行分析和評定,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,給出最優解等。如何從大量的信息中給出可靠的決策,這就是數據挖掘領域研究的分類問題。分類是數據分析的形式之一,可以用于對海量數據的模型提取或發展趨勢的預測。它首先找出對象之間的共性,然后按照分類模型對它們進行分類。例如,可以通過建立分類模型,對是否會購買電腦的人群進行分類;也可以通過建立分類模型,給出病例的診斷分析等。分類已成為數據挖掘方法中一種重要的分析手段。分類是一種有監督的學習,它通過對帶有類別標號的訓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據的類標號。數據分類通常分為兩步: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 國內外研究現狀.................3
1.4 問題的提出...................4
1.5 研究內容....................5
1.6 論文的組織結構..............5
第 2 章 數據挖掘相關知識.............7
2.1 數據挖掘概述....................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....................17
【關鍵詞】中醫學；數據挖掘；知識發現
1 數據挖掘
數據挖掘（DM ：Data Mining）作為仍在不斷完善和發展的技術，到目前為止數據挖掘技術到現在還沒有形成統一的普遍的定義，目前比較公認的定義為：數據挖掘是從海量數據中提取或“挖掘”出有用的知識[1-2]使用數據挖掘技術可以對這些復雜的定性描述和隱性知識進行挖掘，揭示其規律并使隱性知識顯性化[3]。數據挖掘[4]（DM ：Data Mining）是一個集合數據庫、數理統計、機器學習、可視化和信息科學技術為一體的新興的交叉學科。不僅計算機學科由于它的出現得到了快速的發展，并且也能為過程控制、商務管理、科學研究、優化查詢、醫藥研發等領域提供新的方法和注入新的活力，從而推進各個學科的不斷發展。
2 數據挖掘中的基本概念
2.1 數據集
數據集是從某個環境或過程中取得的一系列測量結果。對于一些基本的情況，我們有一系列的測量對象，每一個測量對象都有統一的t個測量數據，此時可以把這p個對象的一系列測量結果看作是一個p×t的數據矩陣。矩陣中的t列表示對每個對象所作的t種測量，稱為變量、特征、屬性或者字段。這個數據矩陣中的n行表示被測量的p個對象，亦可稱為個體、實例、實體或記錄。
1.2 模式
模式是一個用語言A來表示的表達式B，它可用來描述數據集C中數據的特性，B所描述的數據是集合C的一個子集CB。T作為一個模式要求它列舉出數據子集CB中所有元素的描述方法簡單。舉例說明，例如，“如果考試成績在91―100之間，則成績優秀”可稱為一個模式，而“如果成績為91、92、93、94、95、96、97、98、99或100，則成績優秀”就不能稱之為一個模式。模式有很多種，按功能可分為預測型模式和描述型模式等。從數據集中發現模式是數據挖掘的主要任務。
3 數據挖掘過程
數據挖掘[4]（DM ：Data Mining）是一個集合數據庫、數理統計、機器學習、可視化和信息科學技術為一體的新興的交叉學科。不僅計算機學科由于它的出現得到了快速的發展，并且也能為過程控制、商務管理、科學研究、優化查詢、醫藥研發等領域提供新的方法和注入新的活力，從而推進各個學科的不斷發展。
圖1 數據庫知識發展（KDD）過程
4 數據挖掘主要方法
數據挖掘從不同的視角看有幾種分類方法，主要是：根據發現知識的種類分類、根據采掘的數據庫的種類分類、根據應用和根據采用的技術分類分類等[5]。
根據發現知識的種類分類：這種分類方法有：關聯規則挖掘、偏差分析、分類規則挖掘、聚類規則挖掘、序列模式挖掘、趨勢分析等。根據采用的技術分類：最近鄰技術、決策樹、遺傳算法、人工神經網絡、可視化技術）等。根據挖掘的數據庫分類：關系型、事務型、多媒體、主動型空間型、時間型、面向對象型、文本型、異質數據庫和遺留系統等。
5 在中醫學研究中應用數據挖掘技術的必要性
祖國醫學是中華民族的一顆璀璨明珠，在幾千年的發展之中積累了中華民族與疾病斗爭的寶貴經驗，幾千年以來，我國的傳統醫學積累浩瀚的方劑和豐富的經驗，是世界上任何國家都無法比擬的。歷代醫家遺留了大量的經典方劑，這些方劑之中內中蘊涵著豐富的內容，要繼承和發揚這些名醫名家的學術經驗，就迫切需要我們運用現代先進的科學技術手段對其進行研究。而今人類社會正在處在大規模、高速度的信息化時代，信息已經成為人類社會發展、進步和賴以生存的重要資源和基本資源。但是目前，先進的科學技術尚未能充分利用于中醫藥學領域，大量寶貴的經典方劑流失，這嚴重影響了祖國醫學的發展。
在這樣的背景下，中醫醫學現代化的利用、轉化和傳播的速度及能力是我國傳統醫學現代化發展的關鍵性因素。如果僅單靠“師傳徒學”或個人研讀古代經方揣摩名醫名家經驗信息效率是十分低下的，并且中醫學的很多征候還具備很強的辯證性，描述疾病的主觀不確切和證候信息所體現出的客觀不完整，形成了中醫證候信息的復雜性。這就阻礙了祖國醫學的快速發展，要實現中醫現代化，就要將我國豐富的中醫信息資源和現代計算機方法相結合，整理歸納浩如煙海的古代經典中醫文獻資料，實現中醫藥信息資源處理、轉化及傳播的現代化。現有的中醫數據庫中的大量數據為建立中醫學數據挖掘系統提供了充分的基礎，通過先進的計算機信息處理技術，建立新的知識體系構建形成新的知識，為我國傳統中醫學發揚光大提供新的思路。
【參考文獻】
[1]喬延江.中藥（復方）KDD研究開發的意義[J].北京中醫藥大學學報.1998，21（3）：15-17.
[2]Jiawei Han Micheline Kamber.范明，孟小峰等譯.數據挖掘概念與技術[J].北京：電子工業出版社.2001，3-5.
[3]Fayyad U Piatet sky-Shapiro，Smyth，Uthurussmy[Z].Advances in Knowledge Discovery and Data Mining MIT Press. 1996.
[關鍵詞]檢驗醫學，轉換角色；；伍床醫學
檢驗醫學是指對臨床標本進行正確地收集和測定，提供準確和及時的報告，并能為l臨床提供咨詢服務，幫助臨床將這些數
據正確地應用于診斷治療和預防工作中去的一門學科。它的基
本任務是通過生物、微生物、血清、抗原抗體、細胞或其它體液的檢驗，與其它檢查技術相配合以確定患者的臨床診斷。
1檢驗醫學的涵蓋內容和擴展更加廣泛
現在，醫院檢驗早已經告別了手工操作時代，目前各種類型的自動化化學分析儀已經取代了以前的手工操作，而醫院實驗室從原來手工作坊式的工作模式，逐步發展成為具有良好組織和工作條件的現代化實驗室。其技術含量得到大幅度的提升。
例如：在臨床生物化學的檢測技術方面，原先所用的化學檢測方法逐步為靈敏度更高的酶偶聯比色法所替代，同時引人酶
偶聯連續監測的免疫學方法。在試劑的應用上，也由原來的凍干試劑發展到液體雙試劑，從而使臨床標本的檢測結果更具精確
性和準確性。在臨床免疫學方面，隨著單克隆抗體的間世，標記免疫學的發展以及各種光化學免疫分析方法的應用，也使得抗
原抗體檢測的靈敏度大大地提高。在臨床微生物學檢驗方面，各
種試劑的標準化、商品化，使得各種培養基的質量得到保證。尤其在應用了核素14C標記技術和特殊的C02感受器以及利用熒光洋滅的原理來判斷血培養的結果，并采用微生物數字分類鑒定和計算機專家分析系統進行結果分析，不僅使整修檢測時間大大縮短，結果更加詳細準確，而且整修流程更顯得標準化。在血液和體液的檢測方面，由于全自動多分類血球計數儀和凝血儀進入實驗室，淘汰了凝血時間的手工測試，同時擴展了白細胞表面分子標記物的檢測，從而使得DIC診斷及臨床抗凝療法的監測更為可靠。白血病的分類從原來單純性的形態學分類發展到目前及將來的染色體、遺傳學、免疫學和分子生物學的綜合分類，大大提高了白血病診療的準確性。
在這種情勢之下，傳統醫學檢驗本身巳經不能完全涵蓋因
82I大眾健康2012第5期
此而給檢驗帶來的巨大變化。而這正是檢驗醫學產生并得以迅速發展的緣由。
2檢驗醫學己發展成一門學科
隨著醫學檢驗的不斷發展，其不僅與傳統醫學檢驗的差別越來越巨大，它區別于其他醫學專業的特點也開始表露出來：
2.1它比其他醫學專業更加強調整體協作。現在的檢驗醫學，早
已突破了過去以血、尿、便三大常規為主的檢驗。面對琳瑯滿目的諸多檢驗項目和越來越準確的檢驗要求，非常需要整體協同運作。僅就檢測結果準確性要求而言，不僅涉及到標本采集時間、部位、方法的確定，還包括對檢驗方法的選擇，以盡量減少不
同方法檢測同一目標時的干擾、盡量減少不同試劑檢測同一目
標時的差異、盡量減少不同儀器檢測同一目標時的差異、盡量減少個體操作間的差異、盡量減少不同實驗室間的差異，如果這其中有一個環節出現失誤，就會導致最終檢測結果的不客觀。
2.2檢驗醫學對新技術的應用比其他專業更為敏銳，其學科的發
展與新技術的關系也更為密切。以分子生物學技術為例，對于檢驗醫學來講，分子生物學使檢驗醫學的工作起圍得到了極大的
拓展，不僅使檢驗可以從事后性判斷向前瞻性轉變，而且其應用范圍也可以擴展到診斷、治療效果的評價、預后的評估、預測個體發生疾病的趨向、流行病學、健康狀態的評價、藥敏靶點的選擇。
2.3自動化的融入使檢驗更迅速。這一點對于治療至關重要。在
不久的將來，臨床醫學實驗室將面臨著一個質的變化：首先是臨床生物化學、免疫學、微生物學和血液學之間將不再存在一個明顯的學科分界線，檢測手段將更加自動化、一體化和智能化。大
量的生物技術如：基因克隆技術、生物芯片技術、核酸雜交技術和生物傳感技術以及各種PCR等技術的應用和引進，將使得|臨
床實驗室的科技水平更高、學術氛圍更濃、人員素質更好。
3較色轉換檢驗醫學在現代醫學中的作用愈發的明顯，它不僅與病人、
醫生息息相關，還跟整個醫院的醫療水平密切相關。準確的檢驗指標不僅可以評價治療效果，而且可以指導醫生臨床用藥，這就為提高醫藥的整體醫療水平提供了相當的可能。例如：當敗血癥血培養陽性時，既可明確疾病的病原診斷，進一步的藥敏試驗又為患者的治療提出明確的辦法。這就避免了醫生根據自己的用藥習慣，對患同一種疾病的不同患者，使用同樣的醫療方法和藥品問題。
另外，它在疾病的預防中的作用也非常顯著，這是因為疾病早期往往缺乏明顯癥狀和體征，患者一般不加以注意，往往是通過實驗室檢查得到確診，并接受及時的治療。今天檢驗醫學在現代醫學中的角色已經悄然發生了變化，已經從醫療輔助角色轉變為現代醫療中的重要組成部分。
4檢驗醫學與臨床醫學緊密結合的重要性和必要性檢驗醫學與臨床醫學的關系密不可分，臨床實驗室工作的
核心是檢驗質量問題，為此檢驗科負責人應主動與臨床科室交
流、溝通、對話、協作。
4.11S015189文件的核心是醫學實驗室全面質量管理體系，強調醫學檢驗的分析前、中、后全過程的管理。在分析后質控中，要求檢驗人員對所?結果進行合理解釋，并收集臨床科室（或病人）的反饋意見、接受合理建議、要求、改進檢驗科工作，或開展新業務，滿足臨床需求。在交流、對話中，檢驗科人員還可以宣傳、講解、新技術新項目的臨床意義，合理及如何有效地利用它幫助臨
床醫生對疾病進行診斷。如厭氧菌培養，雖然不是新項目，但很多醫院，甚至較大醫院臨床科對其使用并不夠多，其中有對該項
養，回報結果未生長細菌時，醫生則認為檢驗科技術欠住。實際上很可能是厭氧菌感染而醫生未申請做厭氧培養所致。
4.2在醫院的全面質量管理方案中檢驗科負責人參加臨床會診，
病例討論等，有利于雙方溝通和提高。而檢驗醫師更應主動走出去，到臨床科查看病人或病例，對檢驗過程中的可疑結果，進行
調查核實。
4.3檢驗科主動參與協作：由檢驗醫學的地位與作用，說明檢驗醫學的任務絕不僅是被動地提供數據或結果。過去很長時期，檢驗科被定位于"輔助科室"。即檢驗科只能向臨床醫生提供所需求的檢驗結果，一旦檢驗科提供了未受指定的檢驗結果，就被認為"越位"，這種片面、消極的，落后于時代的偏見應予糾正。
檢驗醫學是現代實驗室科學技術與臨床在高層次上的結合，是門多學科交叉，相互滲透的新興學科。目前正朝著高理論、高科技、高水平方向發展。由于檢驗科開展項目的增多，新技術的應用及方法學上的革命性變革，使檢驗質量和水平顯著提
高，使越來越多的臨床醫生依靠檢驗信息綜合分析，進行診斷、治療和預后判斷，故實驗室的工作在臨床診療工作中發揮著重
要作用。總之，檢驗醫學與臨床醫學必須緊密結合，互相滲透、溝通，
相互學習，才能使以病人為中心的共同目標真正落實，才能更完美的實現檢驗醫學與臨床醫學的共同發展。
參考文獻：
【關鍵詞】數據挖掘；醫學領域
一、引言
目前信息技術已滲透到包括醫學在內的各個領域。隨著醫院信息系統（HIS）的應用和發展，數據庫中的數據量迅速膨脹，數據庫規模逐漸擴大，復雜程度日益增加。盡管積累了大量的業務數據，但真正能將這些數據的價值挖掘出來，并運用到醫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系統的醫學信息數據倉庫，在此基礎上，對數據倉庫中的醫療數據進行疾病監測、預測、醫院管理輔助決策等方面的數據挖掘。為醫務工作者、臨床管理人員、科研人員提供輔助決策與綜合分析的工具。在醫療方面具有重要的意義。
二、數據挖掘相關概述
（一）數據挖掘的概念及特點
數據挖掘是20世紀80年代后期出現的一個數據和信息系統應用的學科前沿，又被稱為數據中的知識發現（ KDD ），數據挖掘（ Data Mining） ，是從海量數據中挖掘出隱含在其中的知識。數據挖掘一般有如下幾個步驟 ： 數據收集、整理、挖掘、挖掘結果評價、分析決策。這需要一個循環反復的過程才可能達到預期效果。詳細來說，所在的應用領域不同，則其處理方法也不一樣，例如在醫學領域中步驟為：一、在該領域中認識到所要處理的問題具有的意義，并確定目標及標準；二、了解并清楚數據用途；三、根據研究的領域處理數據、建立數據倉庫，這是一個動態的循環過程；四、數據挖掘，包括數據模型選擇、訓練和驗證過程、建模和模型評價，對于同一過程可利用不同的算法，這僅僅是對數據的不同角度理解，每種算法均有合理的可能性，實際運用中要反復驗證和比較；五、對結果進行評估，給予提取的新知識以合理解釋，并需要具有一定的應用價值。
（二）數據挖掘的常用技術
數據挖掘是一門誕生時間不長卻飛速發展的計算機分析技術， 在這些年來， 數據挖掘理論日趨成熟， 并在實踐中大放異彩。在各個領域的應用中， 最常用的數據挖掘技術主要有決策樹、神經網絡、關聯規則、聚類分析、統計學、模糊集和粗糙集等。
（1）決策樹。決策樹技術是用于數據挖掘中分類和預測的主要技術。決策樹學習算法是對分類問題進行深入分析的一種方法。決策樹能從一個或多個預測變量中， 針對類別因變量的選項， 預測出個例的趨勢變化關系等， 也可以由結果來反推原因。就其方法論而言， 決策樹分析與判別分析、聚類分析、非參數統計以及非線性估計所提供的功能是一樣的。但是決策樹的設置形式靈活， 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）神經網絡。在數據挖掘中， 對神經網絡的改進重點是為了解決兩個問題： 知識表達和知識獲取。知識表達是使神經網絡中抽象的權值代表一定的知識。知識獲取是給定一個已經訓練好的神經網絡，從中提取顯式的知識。神經網絡是一個不依賴于模型的自適應函數估計器， 其突出的優點是能夠并行處理， 并具有學習能力、適應能力和很強的容錯能力， 可以建構非線性的模型， 模型的準確度高， 具有良好的推廣性， 對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， 可應用的領域相當廣泛， 模型建構能力強， 具有模糊推論能力， 允許輸出輸入變量具有模糊性。
（3）關聯規則。關聯規則用來揭示數據與數據之間未知的相互依賴關系， 他的任務就是： 給定一個事務數據庫， 在基于支持度/置信度框架中， 發現數據與項目之間大量有趣的相互聯系， 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聯規則。優秀的關聯規則算法主要有： 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， 尋找到多維數據點中的差異之處。它與判別分析不同在于： 聚類分析的分類方式并不需要預先設定一個指針變量， 它屬于一種非參數分析方法， 所以并沒有非常嚴謹的數理依據， 也無需假設總體為正態分布。聚類分析的一般過程是： 搜集數據， 轉換成相似矩陣。聚類分析可以作為一個獲得數據分布情況， 觀察每個類的特征和對特定類進一步分析的獨立工具。通過聚類， 能夠識別密集和稀疏的區域， 發現全局的分布模式， 以及數據屬性之間的相互關系等。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， 基于網絡的方法。
（5）統計學習。統計學習理論是一種專門研究小樣本情況下機器學習規律的理論。機器學習的研究目標是以觀測數據為基礎， 通過對數據的研究得出目前尚不能通過原理分析得到的規律。然后利用這些規律去分析現實中的客觀現象， 對未來的數據進行預測。現實應用中存在著大量人類尚無法準確認識但卻可以進行觀測的事物， 因此機器學習在從現在科學技術到社會、經濟等各領域都有著十分重要的應用。
貝葉斯學習： 貝葉斯推理是在知道新的信息后修正數據集概論分布的基本工具， 用來處理數據挖掘中的分類問題。
回歸分析： 回歸分析方法是研究相關關系的一種有力的數學工具。它是建立在對客觀事物大量試驗和觀察的基礎上， 用來尋找隱藏在看上去不確定的現象中的統計規律的數理統計方法。
（6）模糊集和粗糙集： 模糊集用隸屬函數來刻畫對象對集合屬于程度的連續的過渡性， 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， 一個元素對于模糊集合來說， 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學工具， 能有效地分析和處理不精確、不完整等各種不完備的信息， 并從中發現隱含的知識， 揭示潛在的規律。粗糙集和遺傳算法相結合、和模糊集相結合， 以及和神經網絡相結合來用于數據挖掘。
三、數據挖掘在醫學中的應用
（一）疾病診斷：正確的診斷對于指導病人的用藥及康復顯然是重要的，在臨床中有些疾病錯綜復雜，數據挖掘的有關分類分析可以應用于疾病的診斷。粗糙集理論、神經網絡、模糊邏輯分析在疾病診斷方面是有效的。例如Roshawrma Scales等基于人工神經網絡理論及模糊邏輯開發的對心血管疾病診斷的工具對疾病診斷的正確率達到92%。采用數據挖掘可以通過對患者資料數據庫中大量歷史數據的處理，挖掘出有價值的診斷規則，根據患者的年齡、性別、輔助檢查結果、生理生化指標等給出診斷結論，并進一步排除人為因素干擾。
（二）疾病相關因素分析：在病案信息庫中有大量的關于病人的病情和病人的個人信息，包括年齡、性別、居住地、職業、生活情況等，對數據庫中的信息進行關聯規則分析可以發現有意義的關系及模式，某種疾病的相關發病危險因素分析可以指導患者如何預防該疾病。
（三）疾病預測：確定某些疾病的發展模式，根據病人的病史預測病情的發展趨勢，從而有針對性的預防疾病的發生。應用粗糙集理論根據以往病例歸納出診斷規則，用來預測新的疾病的發生，現有的人工預測早產的準確率只有17%～38%，應用粗糙集理論則可提高到68%～90%。
（四）在醫療質量管理中的應用：醫療質量管理的核心是數據、標準、計劃以及治療的質量，這些質量可以用不同的指數來衡量。數據挖掘可以發現新的關于數據、標準、計劃以及治療的質量指數的假說并檢驗這些指數是否有效。利用數據挖掘技術構建數據模型、選用適當算法就可以實現預測醫院利潤、未來一些時間段內哪些藥品使用頻率最高，哪些疾病發病率最高等和人們的現實生活密切相關的一系列問題。
（五）在醫學圖像中的應用：醫學領域中越來越多地應用圖像作為疾病診斷的工具，如SPECT、CT、MRI、PET等，數據挖掘可以應用于醫學圖像的分析。Sacha等成功地運用基于貝葉斯分類的數據挖掘模式對心肌SPECT圖像進行分類診斷。
（六）在藥物開發中的應用：一些新藥的開發研究，其重要關鍵的是對先導化合物的發掘。一般有2種途徑：隨機篩選、意外發現和定向發掘。采用數據挖掘技術建立的藥物開發系統可以用來尋找和藥效學相關的化學物質基礎，確定藥效基團，進一步指導新藥的研究，縮短開發周期，降低開發費用。
（七）在遺傳學方面的應用：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。若能找到疾病發展的不同階段遺傳因素序列，就有可能開發針對疾病不同階段的治療藥物，取得有效的治療效果。
四、展望
目前數據挖掘技術在醫學領域的應用還處于起步階段，但隨著該方法的日益普及，其必將在醫學領域得到更加廣泛的應用。醫學數據挖掘是計算機技術、人工智能、統計學與現代醫學相融合的產物，是面向整個醫學信息庫提取知識的過程，是醫療服務整體決策科學化的重要組成成分；而由于醫學數據挖掘對象的廣泛性、算法要求高效性、提取知識以及決策建議要求更高的準確性加之現有醫學信息庫相對于數據挖掘的要求還存在不完備性；這些都需要計算機、數學、統計學以及廣大醫療工作者的多方協作，從而在信息的多方融合、算法的高效性、獲取知識準確性等關鍵技術上得以更大的突破。
五、結語
醫學領域的數據構成一個復雜的數據庫，包括電子病歷、醫學影像、病理參數、化驗結果等。隨著數據挖掘技術的廣泛應用和各種挖掘算法的不斷改進完善，結合生物醫學信息自身的特殊性和復雜性，處理好挖掘過程中的關鍵技術，使數據挖掘技術在處理生物醫學資料中的功能日益強大。數據挖掘技術在生物醫學研究、醫療衛生管理與決策中的應用范圍也會越來越廣，并帶來可觀的經濟和社會效益。
參考文獻：
[1]康曉東.基于數據倉庫的數據挖掘技術[M].北京：機械工業出版社，2004.
[2]張世紅，徐國桓，劉會霞，龔文濤.數據挖掘在醫學上的應用[J]. 醫學情報工作.2004-6
[3]沈小慶，盛炳義，方曙等. 數據挖掘技術及其在醫院藥學中的應用[ J ] . 中國醫院管理，2005，25（12）.
生物學和醫學的區別是二者的含義不同。生物學是研究生物的結構、功能、發生和發展規律的科學，是自然科學的一個部分，目的在于闡明和控制生命活動，改造自然，為農業、工業和醫學等實踐服務。醫學是通過科學或技術的手段處理生命的各種疾病或病變的一種學科，促進病患恢復健康的一種專業。它是生物學的應用學科，分基礎醫學、臨床醫學。
二者的學科分類不同。生物學的分類主要分為形態學、生理學、遺傳學、胚胎學、生態學、生物物理學、生物數學以及分子生物學等。醫學可分為現代醫學和傳統醫學等多種醫學體系，不同地區和民族都有相應的一些醫學體系，宗旨和目的不相同。研究領域大方向包括基礎醫學、臨床醫學、法醫學、檢驗醫學、預防醫學、保健醫學、康復醫學等。
（來源：文章屋網 ）
關鍵詞：醫學圖像；配準；非剛性
中圖分類號：TP317.4文獻標識碼：A文章編號：1672-7800（2012）012-0175-02
0引言
醫學圖像配準是指在源圖像和目標圖像之間尋求某種變換，使得兩幅圖像上的特征點達到空間上的一致，是醫學圖像信息融合和知識發現的關鍵技術，在疾病診斷、臨床治療、手術、療效評估等方面得到了廣泛應用。對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，采用剛性配準技術。剛性配準中，圖像內部任意兩點間的距離變換前后保持不變，因而采取縮放、平移和旋轉等線性變換方法即能進行配準。
但是對于胸部、腹部這樣容易變形部位的圖像的配準，對于不同個體之間圖像的配準或者發生圖像變形的情況，在圖像變換前后，內部任意兩點間的距離不再保持不變，需要采用非剛性配準技術。作為一個正在進行的研究領域，同剛性配準相比，非剛性配準技術還不成熟，大多數算法仍在擴展和評估階段，計算效率和穩定性還有待提高。
1非剛性配準分類
可以根據配準的對象和配準的機理對醫學圖像非剛性配準進行分類。利用前一種分類法可以將醫學圖像非剛性配準分為：
（1）同一對象，同一模式，不同時間。待配準圖像來源于同一個體、同一成像設備，但獲取時間不同。主要目的是利用圖像間的差異，對感興趣區域或目標的生長、形變等過程進行觀察，從而監視疾病的發展或對治療效果進行評估。
（2）同一對象，不同模式。待配準圖像來源于同一個體、不同成像設備。主要目的是利用不同圖像之間的信息互補優勢，比如將解剖信息和功能信息相結合，提供更加全面、可靠的綜合信息。這類配準在疾病診斷和臨床治療中最為常見，是醫學圖像非剛性配準的重點研究方向。
（3）不同對象，同一模式。待配準圖像來源于不同個體，但是來自于同一成像設備。其主要目的一是建立統計圖譜和基于圖譜進行自動醫學圖像分割；二是將受試者圖像和正常人相同部位圖像進行對比以確定前者是否正常，或者在已經異常的情況下與一些疾病的典型圖像進行對比，以確定受試者是否患有某種疾病。
（4）不同對象，不同模式。待配準圖像來源于不同個體，不同成像設備。此種情況下，即使是同一類型圖像，例如CT或者MR，因為來自不同的成像設備，若對其進行配準，前述的同一模式下的配準方法也不再適用，需要研究新的配準方法。
根據圖像配準的機理，可以將醫學圖像非剛性配準分為基于幾何特征對應的配準和基于體素相似性配準兩類。基于幾何特征對應的配準，就是將待配準圖像中的點、線、曲面、區域等幾何圖元相互對應。基于體素相似性的配準，就是利用圖像全體像素信息，對不同影像的灰度統計特征進行全局最優化，從而實現圖像配準。
2非剛性配準方法
對于非剛性配準，人們已經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，從而構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
第一種方法是多項式函數法，該法能夠模擬全局形狀改變，不能調整局部形狀改變，高多項式次數可導致贗像。
第二種方法是樣條法，該法基于可以在源圖像和目標圖像當中能夠確定一組對應點（控制點），在變換中將目標圖像中的控制點映射到源圖像中的對應點。薄板樣條是目前使用較多的一種樣條配準法，其優點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精度，缺點是因為控制點對變換具有全局影響，導致難以模擬局部變形。B-樣條函數能夠模擬自由變形，可以用來控制局部變形。
第三種是基函數法，使用一組基函數的線性組合來描述變形場，常用傅立葉基函數或小波基函數的線性組合。
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圖像的形變過程建模為一個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——外力和內力來控制，外力是外界作用于彈性體的力，內力是抵消使彈性體從平衡形狀變形的力，當內力和外力達到平衡時變形過程結束。在彈性模型中，因為壓力導致變形能量隨變形強度按比例增加，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，該流體在內力作用下擬合目標圖像。內力在圖像隨時間變形的過程中得到釋放，完全釋放后流體停止流動。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，原則上可以實現任何復雜的變形。
第三種是光流場模型。光流的概念最早出現在計算機視覺中，是為了補償時序圖像的兩幅連續幀之間物體和視點的相對運動。目前最著名的是Demons算法，它把圖像配準問題看作物理學中的擴散問題，把固定圖像中對象的邊界看作半可滲透的薄膜，把浮動圖像看作可形變的網格。網格在位于薄膜中的受動器作用下進行擴散。算法判斷出浮動圖像上各個像素點的運動方法，通過對各個像素點的移動來實現醫學圖像非剛性配準。
3醫學圖像非剛性配準研究熱點
3.1多模態非剛性配準
利用不同模態圖像之間的信息互補優勢，比如將解剖圖像和功能圖像進行配準后，進行圖像信息融合，可以為診斷和治療提供更加全面、可靠的信息。這是醫學圖像非剛性配準的重點研究方向，也是熱點方向。目前，多模態配準已有所發展，但是僅限于兩種模態的配準，如MR和CT圖像的配準，將來有可能發展到三種以上模態圖像的配準，還有許多問題有待解決。
3.2高效的全局優化算法
可以將醫學圖像配準的過程歸結為一個多參數優化問題。傳統的局部優化算法容易陷入局部極值，從而導致配準誤差。解決此問題的方法一是將局部優化算法與多分辨率策略或者多尺度方法相結合；二是使用全局優化算法。使用全局優化算法如粒子群、遺傳算法、模擬退火算法能夠取得有效的醫學圖像配準，但是需要非常大的時間代價，這就需要研究高效的全局優化算法。
3.3并行、分布式環境下的算法模型
利用并行計算、分布式等計算技術可以提高全局優化算法的執行速度，但是需要研究這些計算環境下的算法模型。
4結語
同剛性配準相比，非剛性醫學圖像配準還不成熟。大多已提出的非剛性配準算法仍在擴充和評估階段，其效率與穩定性有待提高。因此，醫學圖像非剛性配準是一個非常活躍的研究領域，值得進一步深入研究。
參考文獻：
[1]李雄飛，張存利.醫學圖像配準技術進展[J].計算機科學，2010（7）.
[2]王海南，郝重陽.非剛性醫學圖像配準研究綜述[J].計算機工程與應用，2005（11）.
[3]徐克虎，王小香.非剛性醫學圖像配準與融合[J].模式識別與人工智能，2003（4）.
[4]隋美蓉，胡俊峰.醫學圖像配準方法及其應用[J].臨床醫學工程，2009（5）.
[5]于穎，聶生東.醫學圖像配準技術及其研究進展[J].中國醫學物理雜志，2009（6）.
Research on Non-rigid Medical Image Registration
關鍵詞：醫學信息工程；課程體系；新興產業
中圖分類號：G642.3 文獻標識碼：A 文章編號：1002-4107（2017）07-0039-03
地方高校轉型改革以國務院《關于加快發展現代職業教育的決定》（國發〔2014〕19號）文件為指針，把創新創業教育融入職業技術人才培養全過程各環節，實施協同育人行動計劃，推動人才培養聯盟建設。以適應技術進步和生產方式變革、產業升級發展的需要，深化“校企”合作、“產教”融合，培養高素質的技術技能人才。在這個背景前提下，作為七大新興產業之一的信息產業，高校如何應對信息產業發展培養專業人才，開發信息產業，促進科技成果轉化或產業化，達成產教實質性融合，我們認為制定以人才培養方案為核心的課程體系是基礎，也是核心。其能從培養方案的多方面體現出“以人為本、質量領先，以生為本、追求卓越”的人才質量理念[1]。
一、醫學信息工程專業發展現狀
我國醫學信息工程專業本科教育，起步較晚，只有10多年的歷史發展記載。2003年，四川大學以重點學科為依托，在全國首次開辦醫學信息工程本科專業教育。2010年，教育部批準為第七批國家級特色專業建設點，隸屬于新一代信息產業。2014年8月統計，全國現有24所院校開辦本科專業教育。其中，一分類是大學牌頭15所，學院9所；二分類是綜合院校13所、中醫藥院校7所、其他類院校4所。從表述專業培養目標方面來看，許多院校認為是培養具有良好政治思想素質、人文社科素養，具備醫學、電子技術、計算機與信息科學的基礎知識，具有從事醫學信息技術采集、傳輸、處理、分析、存儲等能力，能在醫院信息化、公共衛生工程、醫藥電子商務等領域從事研究、設計、開發、管理及維護的應用型高級專門人才。而自發稿前，筆者到中國知網搜索文獻，關于專業課程研究論文報道僅有6篇，表明醫學信息工程學科建設與教學研究還是處于初期，權威性報道少見。
二、新興產業視野下醫學信息工程專業人才
培養的重新定位
工程教育是當代中國技術經濟發展的基石。而新興代的信息產業則是振興技術經濟的重業結構調整的關鍵時期，黨的“十八”明確提出要加快發展現代職業教育，推動高等教育內涵式發展，建設中國特色的現代職業教育體系，打通從中職、專科、本科到研究生上升通道，引導一批普通本科高校向應用技術型高校轉型，為產業結構調整服務，化解大學生結構性就業難問題。明確專業規模體系，在當前高校轉型發展中，質量與規模、質量與資源的矛盾在“校企合作”、“產教融合”的路徑選擇上與有效實施的矛盾仍然突出，要勃興新一代信息產業，必須做好推動人才培養聯盟建設工程、制定發展戰略。
專業目標定位是專業建設標準及其學科發展的出發點與歸宿，是制約教學內涵的核心因素，也是國家、社會、行業及高校內部評估的基本標準。作為新興產業視野下的專業人才培養，應借鑒高校轉型發展機遇，做好應用技術型本科專業人才“定位”，以適應國家、社會行業經濟建設的需要，突出人才規格與行業崗位的對接，應用技術與教學服務相融，體現地方性、行業性、產業性需要及其特征。
從直觀角度上看目標的解析，目標是被“活化”的思想、文化、身心等方面的素質要求與融合點。在知識結構方面涵蓋專業學科的知識、技術、技能的規定性。教育者應學會在目標內涵中找發展機會與優勢，在專業特色中找差異性，在共性標準中，找教育教學發展規律，這就是活化目標的主體路徑，也是定好本科專業人才培養目標的基本點。
三、醫學信息工程本科專業課程體系構建的思路
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，是規范、標準問題。也就是說，課程體系改革以定方向為先，以定位為本，明確課程理性，以人才培養戰略為課程體系的主導定位，以專業目標定位為課程體系的主體定位。面對信息產業，體現專業人才培養目標與要求，筆者從四個維度進行描述性研究。
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目錄中列出醫學信息工程專業人才培養總體規范要求，奠定了本科專業的方向標。
二維在社會行業中觀角度上，要求設計應有企業或行業專家參與，滿足企業和社會所需的專業人才的培養目標等，借鑒國內高校醫學信息工程專業課體系的建設經驗，力求解決好知識、能力與素質，基礎與專業，理論與實踐主干學科以及相關學科的關系[2]。同時吸納陳娜[3]、蔡曉鴻[4]、張穎[5]、肖曉霞等人[6]研究的課程結構的理論與實踐成果。主干核心課程與信息工程軟件開發與應用平臺課程，突出應用技術型本科與應用技術產業型本科教育相結合。最終以突出傳統應用型人才培養與現代職業技術技能型人才培養差異化特點，傾注于應用技術本科專業轉型實質性改革。
醫學影像成像原理是醫學影像技術專業開設的一門專業基礎課程，其教學目標是使學生理解醫學影像成像的過程、基本原理及方法，了解醫學影像設備的臨床應用，為后續的專業課程學習奠定成像理論和圖像質量評價的基礎。在對傳統的課程內容、教材及教學實施認真分析的基礎上，發現其存在著不適應現代職業教育發展要求的一些問題，主要體現在下述4個方面。
1 課程目標與工作崗位要求脫節
醫學影像成像原理的課程目標是使學生掌握醫學影像設備的成像原理、基本概念及結構組成，而通過問卷調研及專家訪談，對比分析醫學影像成像原理課程目標和醫院放射科工作崗位職責及要求，發現傳統課程的目標與放射技術人員的崗位要求不符，與全國衛生職業資格要求存在一定偏差；部分課程內容陳舊，與各級、各類醫院的診療工作實際情況不符。醫院對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，并進行圖像質量評價及處理。然而，在課程目標的教學效果評價方面，理論考核僅僅從知識的學習方面反映學生的培養情況，在評價內容和形式上與放射技師職業資格考試脫節。
2 課程內容與課程特點不符
醫學影像成像原理課程內容除基本的醫學圖像概念以外，更多以設備成像流程、圖像處理流程、圖像質量評價流程等形式進行體現，在知識體系上過程性知識比重較大。課程的傳統教學內容以陳述性知識為框架，按照成像設備的類型分類對基本概念、成像方法、分類特點、影響因素及評價指標進行理論知識的闡述，知識結構缺乏與實際工作的連貫性，凸顯課程內容與課程特點不符。隨著醫學影像設備在科學技術和智能化方向的不斷革新，儀器的功能和操作流程發生了明顯的變化，因此課程的知識體系更應以過程性知識架構進行改革和完善。
3 教學模式與專業核心課程銜接不足
醫學技術系的專業核心課程《醫學影像技術》、《醫學影像診斷》、《醫學影像信息技術》和《醫學影像設備》按照工作過程導向理念進行了課程改革，以崗位工作為任務模版，開發實訓項目，開展理論實踐一體的教學模式。然而，作為以上專業核心課程的基礎課程，《醫學影像成像原理》的教學模式以理論講授為主，陳述性知識框架、實驗觀摩的能力培養模式與工作導向模式差別較大，所學課程與專業核心課程的應用不能很好地銜接，并不能較好地滿足專業核心課程的基礎需要。
4 實訓平臺與能力培養目標脫節
衛生職業學院醫學影像實訓室配置進口數字X線攝影系統2臺、CT設備1臺、多普勒超聲診斷儀5臺、國產數字胃腸機1臺和PACS系統1套，先進的數字化實訓條件為醫學影像專業技能的培養奠定了基礎。但是，醫學影像成像原理在知識學習和能力培養方面，僅以觀摩和講解的方式開展教學，不能充分利用現有實訓平臺的優勢，且能力培養效果欠佳。
關鍵字：數據挖掘；HIS；特點；任務
1 引言
近年來，隨著電子信息技術的迅速發展，醫院信息系統（HIS）、數字醫療設備和醫藥企事業單位信息系統的廣泛應用，各醫療衛生單位計算機中的數據容量不斷膨脹。數據庫技術的發展在不斷地解決海量數據的存儲和數據檢索的效率問題，但無法改變“數據爆炸但只是貧乏”的現象，如何充分應用這些寶貴的醫學數據資源來為疾病的診斷和治療提供科學的決策，促進醫學研究，已成為人們關注的焦點。
數據挖掘（Data Mining，DM）是一個近些年才發展起來的信息處理技術，它是從大量數據中提取出可信的、新穎的、有效的并最終能被人理解的信息模式處理過程，它涉及數據庫、人工智能、統計學、模式識別、可視化技術、并行計算等眾多領域知識。醫學數據挖掘是一門涉及面廣.技術難度大的新興交叉學科，它需要從事智能信息處理、計算機、應用數學的科研人員與醫務工作者通力合作，將數據挖掘技術應用到醫學數據庫中，用以發現其中的醫學診斷規則和模式，從而輔助醫生進行疾病診斷，幫助管理者發現并創造新的管理方法和手段。
2 數據挖掘的定義
從商用角度來看，數據挖掘可定義為一種類深層次的數據分析方法，是按照企業既定業務目標，對大量企業數據進行探索和分析，揭示隱藏的、未知的或驗證已知的規律性，為企業決策提供真正有價值的信息，并進而獲取利潤的一種模型化的先進方法。
從技術角度來看，數據挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，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的過程。
由定義可看出，數據挖掘與傳統數據分析（如查詢、報表、聯機應用分析等）的本質區別在于數據挖掘是在沒有明確假設的前提下挖掘信息、發現知識，換言之，數據挖掘所得到的信息應當具有預知未知、有效和可實用3個特征。
3 數據挖掘技術在醫院信息系統中的應用
數據挖掘技術的產生時間不長，但其在商業、產業、電信等領域的應用已相當廣泛，并取得了客觀的經濟和社會效益。由于醫療衛生系統本身具有的復雜和時變的特性，導致數據挖掘技術在醫療衛生領域的應用尚處于起步階段。但醫學技術作為一門驗證性的科學，因此在該領域的數據挖掘具有較強的實用價值和廣闊的應用前景。
3.1 醫院信息系統的數據特點
醫院信息系統中包含了醫療過程和醫患活動的全部數據資源，既有臨床醫療信息，又有醫院管理的相關信息。這些信息反映了醫學的獨特性。
3.1.1 多態性
醫院信息系統中的數據包括純數據（如體征參數、檢驗結果等）、影像（如CT、B超等）、信號（如ECG、EEG等）、文字（如患者檢查檢驗結果、病歷記錄等）等，因此其具有模式的多態性，這也是其區別于其他領域的顯著特征。
3.1.2 不完整性
醫院信息系統中的數據是在對患者進行診療的過程中收集的，是以對患者進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致數據記錄的偏差和缺失，因此搜集的數據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
醫院信息系統是一個特殊的系統，系統中的某些數據關乎患者的健康安全，如發藥信息、檢查檢驗結果數據等，為進行數據校驗，保證數據的正確性，系統會保存大量重復的、甚至是相互矛盾的數據記錄。
3.1.4 隱私性
醫院信息系統中保存了患者的所有信息，包括身份信息、診療信息、費用信息等，也不可避免地會涉及到患者的隱私，一旦這些隱私信息被暴露，并對患者的日常生活造成侵擾，就會涉及到較多的倫理、法律等問題。
3.2 醫院信息系統數據挖掘的步驟
數據挖掘可分為預處理和挖掘分析兩個階段如圖l所示。由于醫學數據具有前文所介紹諸多特性，需要對帶挖掘數據進行篩選、清洗、匿名化、標識轉換等操作，因此通常需要花費較多時間，通常約占總時間的60%。
3.3 醫院信息系統數據挖掘的任務
3.3.1 分類
分類是指根據一個可預測屬性將事例分為多個類別，是最常見的數據挖掘任務之一。醫生根據望聞切診以及輔助檢查對患者進行疾病診斷，實際就是一個疾病分類的過程，即根據患者的疾病特征，將其劃分為某個疾病或某類疾病。典型的分類算法有決策樹、神經網絡和貝葉斯算法。
3.3.2 聚類
聚類也稱細分，是基于一組特定的屬性對事例進行分組的數據挖掘方法。利用聚類分析工具分析患者的疾病診斷數據，進行探索性的數據分析，生成聚類結果，并考察其意義。例如，對糖尿病患者，可按照年齡、性別、體重和血壓指數等產生聚類模式，得到糖尿病患者典型分型，在臨床上具有重要意義。
3.3.3 關聯
關聯規則最典型的商用案例就是一家連鎖店通過數據挖掘發現了尿片與啤酒之間有著驚人的聯系。使用關聯規則，可以發現臨床數據間的關聯性，通過病歷系統中患者的診斷信息、用藥情況等，可以挖掘出某種疾病的常規用藥方案，并形成臨床路徑。
3.3.4 預測
預測是醫學數據挖掘最重要的―項任務。預測技術使用的是時間序列數據集，即有時序關系的一組觀察值，而患者的診療過程所記錄的數據也是具備時序性的，應用預測技術對這些診療數據進行分析，可預測患者疾病的發展趨勢甚至預后情況，并根據預測結果對診療方案進行修正，以獲得最佳的療效和預后。
關鍵詞：數據挖掘；知識；醫學；智能
中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2011)30-7365-02
隨著信息技術的飛速發展，計算機信息管理系統在各類醫療、研究機構得到了廣泛的應用。大量關于病人治療的臨床信息，醫院管理信息等信息的不斷累積使得醫學數據庫迅速膨脹。傳統數據庫查詢檢索策略及統計學分析方法只能從大量的數據中獲取一些表層信息，而無法發現數據之間內在關聯及隱藏知識。利用數據挖掘技術從海量的醫學信息中提取有價值的知識和規則，以智能的方法來處理和分析科學實驗或臨床研究數據，從而更好地為醫院的決策管理、醫療和科研服務已成為一個非常重要的研究課題[1]。
1 數據挖掘的基本概念
目前有關數據挖掘的定義有很多，比較公認的一種是：數據挖掘（Data Mining）是從大量的、有噪聲的、模糊的、隨機的數據中提取隱含在其中的、人們未知的、潛在的有用信息和知識。這些信息可表示為概念、規則、規律和模式等。廣義的數據挖掘對象包括數據庫、數據倉庫、文件系統、Web信息及各種形式的數據集。數據挖掘所要處理的問題，就是在龐大的數據集中尋找出有價值的隱藏事件加以分析，并以一定的置信度對未來進行預測，將這些有意義的信息歸納成結構模式，用來對決策形成參考。
2 醫學數據挖掘特點
1）處理數據的規模十分巨大。由于醫療工作自身的特點――如病情觀察的不可間斷、各種醫療檢查結果的紛繁復雜，醫學數據庫是一個涉及面廣、信息量大的海量信息庫，醫學數據挖掘經常會面對尺度為GB甚至TB數量級的數據庫。
2）挖掘對象是復雜的、各種類型的數據。醫學數據庫中含有各種不同來源，不同性質的數據，包括純數據記錄（如患者生命體征的各項參數、化驗結果）、文字（如患者的病歷記錄、診斷結果）、信號(如肌電、腦電信號)、圖像(如B超、CT檢測結果)，以及音頻和視頻等形式的健康傳媒類信息[2]。
3）挖掘結果是潛在的、未知的信息，這些信息有助于預測未來趨勢及行為，為醫療活動做出前瞻性的科學決策。對醫學數據進行挖掘的一個主要目的是預測疾病發作，將數據挖掘技術應用于醫學領域可以對正常人的各項體征數據和生物數據進行各種分析對比，挖掘出相關關系，對某些疾病的前兆特征分析，以便能預防或及時救治，挽救患者生命。
3 醫學數據挖掘方法
數據挖掘的任務有兩個，即描述和預測。與之對應，數據挖掘方法分為描述型方法和預測型方法。前者是通過判別數據之間的關系或模式，探索被分析數據的隱藏屬性；后者利用從歷史數據中發現的已知結果，推斷或預測未知的可能值。在實際應用中，需根據對象的性質及要解決的具體問題，采用不同的數據挖掘方法。
1）決策樹法。決策樹方法是一種通過逼近離散值目標函數的方法，利用信息增益原理，將數據庫中具有最大信息量的屬性字段作為決策樹一個節點，節點的每一個后繼分支對應于該屬性的一個可能值，在每個分支子集中重復建立樹的下層節點和分支。決策樹方法主要應用于醫學數據挖掘中的分類過程――通過現有醫療數據，對患者的病癥信息進行分類，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確度，提高診斷效率。
2）神經網絡（neural networks）。人工神經網絡是一種模仿生物神經網絡的，通過訓練來學習的非線性預測模型，具有很強的容錯性、自組織性和魯棒性。神經網絡以人工神經元為基本運算單元的，能夠對大量復雜的數據進行分析，并完成及其復雜的模式抽取及趨勢分析，在醫學數據挖掘中具有非常廣泛的應用。利用神經網絡可動態監測病人的麻醉深度，從而控制物的使用劑量；采用貝葉斯（Bayesian）神經網絡結構能夠找出服用抗精神病藥物與心肌炎和心肌病發作的關系；還可以運用組合神經網絡可對危及生命的心率失常進行歸類等。
3）關聯規則。關聯規則描述和分析了數據庫中一組對象之間某種共生現象，反映了事物之間存在的關聯性――如兩者“同時發生”或“兩者存在因果關系”等。在醫學領域同樣存在關聯現象，若某種疾病同時表現出若干種癥狀，則這幾種癥狀與該疾病之間存在著關聯性，且癥狀之間也呈現某種關聯[3]。關聯規則分析可為疾病的鑒別診斷提供參考依據。有研究者利用關聯規則分析法對糖尿病數據庫進行多維數據分析，以期望發現長期血糖濃度過高與并發癥之間的關聯；還有研究者對37000例腎病患者的癥狀（包括臨床檢驗和檢測）進行了追蹤觀察，監測尿蛋白水平、腎小球過濾率以及患者貧血狀況，結果發現以上三種生理指標中的任何一項異常都伴隨著心臟病發病率的上升[4]。
4）聚類分析。聚類分析是根據所選樣本間關聯的標準將其劃分為幾個組，同組內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孤立點的檢測及用于探討樣本間的內部關系，從而對樣本結構做出合理的評價。有研究者[5]利用聚類方法分析流行病學因素對肺癌患者臨床醫學狀況的影響。首先從SEER的數據庫中選取21758例肺癌病例，每一例數據包含23個流行病學特征屬性和22個臨床臨床醫學狀態特征屬性，繼而根據流行病學特征屬性的相似程度將病例數據劃分成20類，比較各類別之間的臨床醫學狀態特征屬性的差異，在此基礎上還可更進一步分析各類流行病學因素對肺癌患者臨床醫學狀況的不同影響。
3 結束語
醫學數據挖掘是信息網絡技術、人工智能、模式識別、統計學等學科與醫療科學相結合的產物，對提高醫療服務質量和醫院科研、管理水平發揮著重要作用，具有極其廣闊的應用前景。醫學數據挖掘面向整個醫學數據庫或醫學信息集合提供知識和決策，因此挖掘對象是涉及面廣、數據量大、且包含著各種類型數據的海量信息庫；在挖掘方法中，決策樹法、人工神經網絡、關聯規則、聚類分析等方法顯示出了獨特的優勢，已經在醫學信息處理和疾病診療方面得到了應用。隨著理論研究的深入和進一步的實踐探索，數據挖掘技術將在臨床、科研、教學以及醫院決策管理等方面發揮巨大的作用。
參考文獻：
[1] 王華,江啟成,胡學鋼.數據挖掘在醫學上的應用[J].安徽醫藥,2008.12(8):746-748.
[2] 袁占花,李祥生.數據挖掘在醫學信息系統中的應用[J].電腦開發與應用,2009,22(7):55-57.
[3] 龔著琳,陳瑛,蘇懿,等.數據挖掘在生物醫學數據分析中的應用[J].上海交通大學學報:醫學版,2010,30(11).
現今,生物醫學圖像在醫療診斷中起著不可低估的重作用。核磁共振(MagneticResonance,簡稱MR)、計算機X射斷層掃描(ComputedTomography,簡稱CT)、超聲波(Ultrasound)以及其他的成像技術等,都是無侵害性的器官體外成像的力手段。這些技術豐富了正常的以及病狀的解剖知識,同它也成為了診斷和治療體系重要的組成部分。隨著醫學圖像在數量和大小上的增加,越來越有必要用計算機處理并分析這些圖像。有一種算法用于找出解剖構和其它感興趣的區域,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鍵步驟[1],它在大量的生物醫學圖像的應用起著至關重要的作用,比如:解剖結構的研究、診斷等。在承擔自然科學基金項目的過程中,為研究分割算法在醫學圖像中的應用,我們對過去國內外二十多年里醫學圖像分割算法的發展和現今廣泛使用的分割法進行了較詳細的調研,感到國內在這方面的文獻和研究還比較少。為進一步推動圖像分割在生物醫學工程中的應用,本文結合我們目前的研究結果,對醫學分割算法、特別是其應用做了介紹。
2現今廣泛使用的生物醫學圖像分割方法
利用“區域間不連續性”和“區域內相似性”兩個準則,分割算法可分為的“基于邊界的算法”和“基于區域的算法”。另外,根據分割過程中“判斷和決定是否可獨立地和同時地做出”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這兩個分成四類[1]。那么對于生物醫學圖像,也有相應的四類分割法。圖像、成像方式以及其它因素。比如:對腦組織分割的要求就不同于對肝臟的要求,MR圖像有異于超聲圖像。更進一步的情況,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動等)也會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學圖像的通用的分割技術。我們總結了現今國內外廣泛使用的生物醫學圖像分割方法。重點放在對方法的介紹上,和使用時會面臨的具體問題上。方法的詳細數學推導超出了本文的范圍,讀者可以查閱參考文獻。雖然這些方法是分開描述的,但在實際應用中,很多復合法也用于解決各種不同的實際分割問題。我們將這些方法分為四類6種:1)并行區域法:閾值法。2)串行區域法:區域生長法。3)結合特定理論工具的方法:①模式識別法(分類器法,聚類法);②人工神經網絡法;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為二值圖像以達到分割目的的方法[4],它是一種PR(并行區域)法。閾值法的過程是決定一個灰度值,用以區分不同的類,這個灰度值就叫做“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構之間的有很大的強度對比時,能夠得到很好的效果。此分割法通常是交互式的。因為閾值法能夠實現實時操作,所以它更能夠建立在用戶視覺估計的基礎上。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生二值圖像來區分兩個不同的類。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,這樣就對噪聲很敏感。針對它的不足,有許多經典閾值法的更新算法被提了出來[5]。
2.2區域生長法
區域生長法是根據預先定義的標準,提取圖像中相連接的區域的方法[4]。這個標準可以是灰度信息,也可以是圖像的邊界,或者是兩者的聯合。在此法的最簡單形式中,先人工給出一個種子點,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,區域生長法一般不單獨使用,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構。它主要的缺陷是,每一個需要提取的區域都必須人工給出一個種子點,這樣有多個區域就必須給出相應的種子個數。此法對噪聲也很敏感,會造成孔狀甚至是根本不連續的區域。相反的,局部且大量的影響還會使本來分開的區域連接起來。為減輕這些缺點,產生了諸如模糊分類的區域增長法[6]和其他方法。
2.3模式識別法
2.3.1分類器法
分類器法是一種統計模式識別的方法[7],用以區分從已知標記的圖像數據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。因為分類器法需要用已知的人工分割結果作為訓練樣本、對分類器進行訓練后才能自動分割新的數據,所以它是有監督的模式識別方法。它的訓練方法有很多種,其中,最簡單的一種是“非參數最近鄰”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。而參數分類器中,使用得最多的是貝葉斯分類器(Bayesclassifier)[5]。標準的分類器要求被分割的結構具有明顯的定量特征。因為如果訓練樣本數據能夠被標記,分類器就能夠將這些可以明顯區分的標記轉化為新的數據而不需要反復迭代。所以相對于閾值法,在區分多區域圖像時它有較高的計算效率。它的缺點是是,需要人工交互方式獲得訓練數據。另一方面,對于大量的生物圖像使用相同的訓練樣本,會因為沒有考慮不同物體的解剖特性和物理特性而導致不準確的結果。
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,不同點在于它不需要訓練樣本數據。所以它是無監督的模式識別方法。為了彌補沒有訓練數據這一點,聚類方法反復做兩件工作:分割圖像和刻畫每個類的特征,從而使用已有的數據訓練自身以達到分割的目的。最常用的聚類方法是模糊C-均值算法[1],它通過對目標函數的迭代優化實現集合劃分,并且可以表示出各個像素屬于不同類別的程度。雖然聚類算法不需要訓練樣本數據,但是它需要一個初始的分割。和分類器方法一樣,聚類法同樣不考慮空間建模,所以對噪聲和非同質的灰度很敏感。然而,這一缺陷卻加快了計算速度。
2.4人工神經網絡法
人工神經網絡法是使用大量的平行的神經網絡達到對圖像分割的目的[8]。這些網絡由模擬生物學習機理的節點或者元素組成,網絡中的每個節點能夠執行最基本的運算。通過調整節點之間的權值可以達到網絡對生物機理的學習。比如,用它實現圖像的邊緣檢測[8]。文獻[9]局部興奮全局抑制振蕩網絡(LEGION,LocallyExcitatoryGloballyInhibitoryOscillatorNetwork)就是一種基于人類視覺特性的人工神經網絡方法。LEGION是一個由張弛振子構成的網絡,每個振子皆由一個興奮單元x和一個抑制單元y組成(圖2)。分割結果見圖3。可以看出,與LEGION分割所得圖像相比,單閾值法所得圖像區域單一,細節較差,一些細小結構未能表現出來。將LEGION這種算法完善,自適應設置神經網絡中的參數,并且將它應用在彩色圖像上。使用神經網絡法的時候,因為網絡中有許多相互連接,所以空間信息就能很容易包涵在分類過程中。雖然神經網絡法具有平行繼承性,但是它的處理過程和標準的串行計算機很類似,這樣就降低了它計算方面的潛在優勢。
2.5可變模型法
可變模型法是基于模型的、使用閉合參數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,首先設置一個離真實曲線或曲面不遠的初始曲面或曲線,在外力和內力的作用下,推動這個曲面或曲線移動,最后在圖像能量最低處停下來。因為曲線或曲面的移動類似于蛇,所以這個模型又叫做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邊界。由于1988年Kass首次提出的經典Snake的外力場捕獲區很小[3],這就使得初始化和進入凹陷區很困難。為此,科學家們多次改進這一算法。其中,1998年Hopkins大學的ChenyangXu和JerryL.Prince[12]用梯度矢量流代替經典外力場,這就是有名的GVF理論(GradientVectorFlow)。它很好地解決了經典Snake中的初始化問題和凹陷區問題。[12]是采用GVFSnake對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;用樣條進行曲線擬合,它是一種SB法(串行邊界)。因為生物醫學圖像中軟組織的物理和解剖特性,以上的方法一般不單獨使用,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]的分割技術也逐漸被應用在生物圖像中。
關鍵詞 醫學檢驗儀器；臨床檢驗儀器學；自主學習能力
中圖分類號：G642.4 文獻標識碼：B
文章編號：1671-489X（2014）06-0074-02
1 引言
雖然醫學是一種古老的學術，但實際上即便是時至今日，同數理化等精確科學相比，臨床醫學還常被認為是一種實用技藝而非嚴密科學。隨著電子技術和計算機技術的飛速發展，并不斷向醫學檢驗儀器深入滲透，醫學檢驗儀器的性能得到巨大提高，醫學檢驗儀器成為現代醫學重要的臨床診斷手段，對疾病診斷、病情監測、健康評價等方面起著重要作用。
在醫學檢驗儀器性能不斷提高，各類高靈敏度、多功能、智能化的檢驗儀器不斷出現和廣泛應用的同時，對相關工作人員的檢驗儀器知識、技術、技能要求也越來越高，培養相關專業各層次學生熟練掌握和使用各類醫學檢驗儀器，成為醫學檢驗儀器課程的重要任務。
2 醫學檢驗儀器課程特點
醫學檢驗儀器課程教學目的 現代醫學檢驗儀器功能越來越為復雜，智能化程度越來越高，靈敏度越來越強，并有大量新儀器新設備不斷涌現并投入實踐應用。與此同時，現代醫學對醫學檢驗儀器的依賴性也越來越強，這對相關專業工作者的要求也越來越高。醫學檢驗儀器課程的設置，其目的是為了培養和提高相關專業學生熟練掌握、運用現代醫學檢驗儀器的能力，以使其能更好地運用醫學檢驗儀器，為疾病診斷和治療提供支撐。需要讓各相關專業學生及工作人員掌握醫學檢驗儀器的性能、使用方法、工作原理、故障排除、計算技術，并提高其醫學檢驗儀器的綜合應用能力，提高臨床醫學檢驗儀器實踐能力。
醫學檢驗儀器特點分析 目前多數醫學檢驗儀器都應用于組織、細胞的存在、組成、結構、特性方面的檢驗，需要高精度的定性或定量分析結果，任何一點兒誤差都可能造成診斷偏差，帶來錯誤的診斷和評價。醫學檢驗儀器課程是一門以提高學生醫學檢驗儀器應用實踐能力為目的的課程。現代醫學檢驗儀器通常集光、電、機于一體，其種類繁多、功能復雜，自動化、智能化不斷增強，結構也越來越復雜，包括如分離分析檢驗、光譜分析檢驗、目視檢驗、細胞及分子生物學檢驗以及臨床常規檢驗和非常規檢驗儀器。醫學檢驗儀器通常涉及光學、電子、計算機、材料、傳感器、生物化學、放射等多種技術領域，除了需要了解儀器設備的使用方法外，還需要不斷掌握新材料、新器件、新的檢驗分析方法。
3 醫學檢驗儀器課程教學策略
強化基礎理論知識教學 基礎理論知識是醫學檢驗儀器課程教學的重要內容。醫學檢驗儀器課程要求學生掌握常見檢驗儀器設備的原理、結構、性能評估、使用方法、保養維護、常見故障排除方法等，這些理論知識是正確使用醫學檢驗儀器的重要基礎，掌握基礎理論知識對實踐操作極為重要。包括：光譜分析儀的結構，分光光度計質量評價方法；熒光分析儀的基本結構，熒光分析的原理，熒光發生的機理；光學顯微鏡的基本光學參數、基本結構、各部分的作用，各種顯微鏡的工作原理；離心機的基本構造、工作原理，離心力的計算方法，主要技術參數和性能指標；尿液分析儀的基本結構、基本原理，尿液分析儀的分類、功能應用；自動生化分析儀的基本結構、評價方法、參數設定、儀器分類、性能指標；電化學分析原理，電解質及血氣分析儀的基本結構、常見分類及功能應用；血液分析儀中血細胞分析儀、血液凝固分析儀、血液流變學分析儀的工作原理、基本結構、功能實現、性能指標、參數設置；微生物快速檢測儀的自動鑒定，藥敏系統工作原理、性能評價、功能實現；等等。
隨著科學技術的迅速發展，越來越多的新技術、新方法、新設備不斷應用于醫學檢驗中，如果僅局限于教材內容，勢必會造成基礎知識的相對滯后，無法適應科學的發展。因此，在基礎理論知識的教學中，不能僅局限于教材，還應當充分利用各種資料，如報紙、期刊、網絡等媒體，對教學內容進行拓展，擴大學生的知識面，以促使其能更快更好地適應今后的臨床醫學檢驗工作。同時，只是枯燥的儀器知識教學會極為枯燥，在教學中還應當盡量應用實物和多媒體進行演示，讓學生能直觀、清晰地了解儀器設備的構造、性能、原理等知識。
重視實踐，提高學生動手操作能力 醫學檢驗儀器課程具有極強的實踐性和技能性，提高學生的動手操作能力非常重要。醫學檢驗儀器課程的實踐內容，可以分為課程實驗、課間見習、畢業實習、畢業設計、社會實踐等五個方面，在教學中應當綜合運用這五個途徑，為學生提供充足的實踐操作訓練機會，讓學生通過實踐操作訓練掌握各類醫學檢驗儀器的使用方法、評價手段、計算策略、日常維護保養以及常見故障的排除，明晰各類醫學檢驗儀器應用中需要注意的問題。這樣一方面能鞏固學生的基礎理論知識，為學生今后的工作和研究打下堅實的基礎；另一方面能提高學生的動手操作能力，幫助學生更快地適應工作實踐需要。
應當適當增加實驗課，根據不同儀器的特點、需要掌握的內容、學院儀器設備現狀，精心設計實驗操作課程，讓每一名學生都能熟練掌握常用醫學檢驗儀器的使用與維護。實驗操作可按儀器設備、儀器特點、設備現狀，采用分組、個人、見習等多種方法進行。例如：分析天平、顯微鏡、酸度計、血細胞計數器、電泳儀等可以采用個人實踐操作的方式；設備維護保養、常見故障排除、大型儀器可采用分組實踐操作的方式；一些貴重的、稀有的、自動化程度高不適合學生親自操作實驗的檢驗儀器，如自動生化分析儀、氣相色譜儀、血氣酸堿分析儀等可以先通過多媒體演示，再組織學生以見習的方式進行。
促進思維，提高學生自主學習能力 醫學檢驗儀器課程的教學內容是局限于已有的儀器設備，即便教會了學生再多儀器設備的基本知識、基本構造，讓學生掌握了再多的儀器操作、維護方法，如果學生不會變通，只會照本宣科地應用，依然很難滿足未來工作的需要，因此提高學生的自我學習能力極為重要。在醫學檢驗儀器課程中，應當重視學生思維能力、理解能力的培養，提升學生的自我學習能力，讓學生在今后面對新儀器、新功能、新方法時能很快地學會并應用于實踐中。要提高學生的自我學習能力，教師應當將自己放到引導地位，更多地對學生的學習進行引導和指導，而不只是簡單地將知識灌輸給學生。如在教學中，可以讓學生自主分析儀器設備的結構和工作原理；在實踐操作中可以適當提供一些非課程內容的儀器讓學生探索操作方法、維護方法；在基礎理論知識的教學中可以讓學生自己通過各種途徑，搜集相關資料進行學習。只有提高了學生的自主學習能力，才能使其在今后的實踐工作中更好地適應工作的需要和技術的發展。
參考文獻
[1]喬忠，蔣長順.醫學檢驗專業進行檢驗儀器技能培養的探索[J].安徽衛生職業技術學院學報，2008（4）：96-97.
[2]陳文成，農樂根，韋葉生，等.《臨床檢驗儀器學》教學平臺建設初探[J].南方醫學教育，2013（2）：20-22.
