使用K近邻算法诊断乳腺癌

赵宇

摘 要：随着信息技术的不断发展，医疗大数据的概念也逐渐被人类所熟知。通过对数据挖掘技术在乳腺癌各领域的研究现状（乳腺癌基因研究、乳腺癌早期辅助检查、力学药物靶点识别、乳腺癌新中医治疗方法）的分析，展望数据挖掘技术应用于乳腺癌领域的前景，为数据挖掘技术在乳腺癌疾病的研究提供新思路。

关键词：数据挖掘;乳腺癌

一、前言

乳腺癌已成为当前社会的重大公共卫生问题。全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。美国8名妇女一生中就会有1人患乳腺癌。中国不是乳腺癌的高发国家，但不宜乐观，近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。

二、数据源

我们将使用来自UCI的乳腺癌诊断数据集，该乳腺癌数据包括569例乳腺细胞活检样本，每个样本包含32个变量。其中id变量是样本识别ID，diagnosis变量是目标变量（M代表恶性，B代表良性）。其他30个变量都是由10个数字化细胞核的10个不同特征的均值、标准差和最大值构成。这10个基本特征为：

三、数据探索和预处理

.3.1  数据的探索

首先，搜集数据集如下图所示，由于数量问题，只显示其中部分，共计569个样本，32个变量。

将整个数据集导入SPSS软件中。

第一个变量为ID，无法为实际的模型构建提供有用的信息，所以需要将其删除。diagnosis变量是我们的目标变量，我们首先统计一下其取值分布。观察在我们的数据集中，恶性（M）和良性样本（B）的分布情况。在正式建模之前需要将其进行整数编码，将良性（B）编码为0，将恶性（M）编码为1。

通过统计我们的569个样本中，良性样本（B）和陰性样本分别有212个，占比分别为62.7%和37.3%。其中作为示例，我们主要选取所有变量中的三个：radius_mean，area_mean和smoothness_mean。

通过SPSS软件生成图形对三个变量进行分析：观察这三个变量的统计信息，发现它们的取值范围不大一致。radius_mean取值范围为6.981～28.110，area_mean取值范围为143.5～2501.0，smoothness_mean取值范围为0.05263～0.16340。不同变量的测量尺度不一致会影响K近邻算法中的样本距离计算。例如，如果上述三个变量直接参与距离计算，则area_mean变量将会对距离计算影响最大，从而会导致我们构建的分类模型过分依赖于area_mean变量。在应用K近邻等涉及距离计算的算法构建预测模型之前，需要对变量取值进行标准化。常见的标准化方法有min-max标准化和Z-score标准化等。

3.2数据的标准化：

为了将自变量进行min-max标准化，使用min_max_normalize函数。该函数输入为数值型向量x，对于x中的每一个取值，减去x的最小值，再除以x中数值的取值范围。结果如下可见所有的变量都已经正确地标准化到0和1之间：

四、模型性能提升

4.1 测试不同k取值对模型效果的影响

我们将分别测试 k = 1，5，9，11时模型的效果。由于模型整体预测准确率已经很高。我们通过观察假阴性（False Negative）和假阳性（False Positive）的数目和正确率（Accuracy）来对比不同k取值下模型的效果。

可见，当 k = 5 时，假阳性数量最少，且假阴性数量仅为1，正确率达到最高。当然，这也只是在171个测试样本上的结果。

参考文献

[1]MOURADC，LOPEZMA G.An evaluation of imagedescriptors combined with clinical data for breast cancer diagnosis [J].Intemational Joumal of computer Assisted Radiology and Surgery，2013，8（4）：561-57.

[2]张旭东，孙圣力，王洪超.基于数据挖掘的触诊成像乳腺癌智能诊断模型和方法[J].大数据，2019，5（01）：68-76.

[3]侯公楷.中医药防治乳腺癌进展[J].辽宁中医药大学学报，2016，18（05）：249-253.

（作者单位：河北大学 生命科学学院）