生物医学数据集的可视化使用不断增长的细胞结构网络:一种新的诊断分类技术
A J Walker1, S S Cross, R F Harrison
1Department of Automatic Control and Systems Engineering, University of Sheffield, UK.
Lancet (London, England)
|November 7, 1999
概括
一种新的生长细胞结构 (GCS) 技术将复杂的医疗数据压缩成视觉地图. 这种方法有助于解释大型数据集,改善医学研究中的模式检测.
科学领域:
- 数据可视化 数据可视化
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 医学研究经常产生庞大,复杂的数据集,难以解释.
- 现有的可视化方法与此类数据的高维度作斗争.
- 为数据压缩和可视化引入了一种新技术,即生长细胞结构 (GCS).
研究的目的:
- 开发和评估一种用于压缩和可视化高维医学数据集的新技术.
- 通过二维彩色编码地图来实现复杂数据的直观解释.
- 评估GCS技术在现实世界医疗数据集中的实用性.
主要方法:
- 增长细胞结构 (GCS) 技术从多维数据中创建一个自组织的二维地图.
- 根据相似性,将案例分配给节点,并添加新的节点以尽量减少错误.
- 概率分布是使用帕森窗口方法和贝叶斯定理来估计的.
- 用接收器运行特征 (ROC) 曲线来评估分类性能.
- 输入变量关系使用网络上的颜色图可视化.
主要成果:
- 一个32节点的GCS网络,应用于乳腺损伤数据 (11个变量,692个样本),实现了ROC曲线下的面积为0.96.
- 这种表现与逻辑回归 (0.98) 相当.
- 彩色地图显示了不同的变量分布,区分良性和恶性区域,而一些变量显示重叠.
结论:
- GCS技术有效地实现了维压缩,将多维数据转换为可解释的二维彩色图像.
- 这种可视化方法利用人类的视觉空间能力来识别复杂数据集中的微妙关系.
- GCS 方法为探索和理解高维医学数据提供了一个强大的工具.
