基于智能医疗的诊断大数据自动分析系统研究

刘志先

摘  要： 针对原有诊断大数据自动分析系统运行效率低下的问题，提出基于智能医疗的诊断大数据自动分析系统研究，优化系统硬件，增加扩展功能板，设置二级转换，保证电压的稳定输出。基于智能医疗，搭建诊断大数据自动分析系统框架，判断数据可信度，利用数据质量评估算法，完成基于智能医疗的诊断大数据自动分析系统设计。实验结果表明，所设计系统与原有系统相比，运行时长缩短了56%左右，其运行效率得到大幅度提升，为患者与医护人员提供更好的服务。

关键词： 诊断大数据; 自动分析系统; 智能医疗; 系统设计; 数据处理; 性能测试

中图分类号： TN919?34; TP311.13               文献标识码： A                      文章编号： 1004?373X（2020）10?0184?03

Research on diagnosis big data automatic analysis system based on intelligent medicine

LIU Zhixian

（School of Electronic and Information Engineering， Beibu Gulf University， Qinzhou 535011， China）

Abstract： In allusion to the low operating efficiency of the original diagnosis big data automatic analysis system， a research of diagnosis big data automatic analysis system based on intelligent medicine is proposed. The system′hardware is optimized， extended function board is added， and the secondary transformation is set， so as to ensure the stable output of voltage. The framework of automatic analysis system for diagnosis big data is built based on intelligent medicine to judge the data reliability， and the design of diagnosis big data automatic analysis system based on intelligent medicine is completed by means of the data quality evaluation algorithm. The experimental results show that， in comparison with the original system， the running time of the designed system is reduced by 56%， and its running efficiency is greatly improved， which provides better services for patients and medical workers.

Keywords： diagnosis data analysis; automatic analysis system; intelligent medicine; system design; data process; performance test

0  引  言

隨着信息通信技术的发展，以及信息感知方式的变化，传统的医疗模式与健康服务模式已经发生改变，将患者的情况转化成数据信息成为发展趋势[1]。将医学建立在数据分析的基础上，利用科技手段作为辅助，通过患者的电子病历以及健康档案，及时准确地了解患者的情况。巨大的医疗数据平台将成为疾病诊治最好的助手[2?3]。因原有诊断大数据自动分析系统运行效率低下，提出基于智能医疗的诊断大数据自动分析系统研究。

1  硬件设计

为了满足当前智能医疗系统对于诊断大数据自动分析领域的硬件需求，在原有硬件设施的基础上，优化存储模块电路，使存储模块能够在处理复杂数据的情况下保持正常运行。

1.1  系统硬件总体结构

诊断大数据的自动分析系统是在核心控制板上扩展设计的，核心控制板与扩展功能板通过FMC接口连接，其中核心控制板上主要包括FPGA时钟以及相关电路[4?5]，在扩展板上完成对其原有硬件的优化设计。系统硬件总体结构如图1所示。

1.2  存储模块电路设计

由于处理的数据较为复杂，整个数据存储模块需要多种供电电压[6?7]。主控芯片所需要的核电压为1.2 V，辅助电压为1.5 V，对外输入所需要的电压为28 V，数据接口电路所需要的电压为3.3 V。为此将存储模块的电压转换处理，由于大多电源转换芯片所允许输入的电压值小于28 V，无法在一次转换内全部完成，为此设置二级转换。首先将28 V高电压转换成较为稳定的5 V电压，再将5 V电压转换成其他所需要的电压值[8?9]。在转换器模块前端，设置滤波模块，隔离噪声，使电压输出更加稳定。

2  软件设计

在系统硬件平台搭建完成后，在其基础上设计基于智能医疗的诊断大数據自动分析系统软件部分。

2.1  数据可信度判断

对于诊断大数据自动分析而言，数据的可信度评估是必不可少的。判断数据的真实性以及可信程度，利用层次分析法将评估结果综合化，保证大数据自动分析所得结果准确[10]。

首先将所收集到的信息数据导入至数据库，筛选数据库中的数据信息，将其中的数据质量划分为5个维度。针对每个不同的维度数据，设置不同的评估规则，分析数据库中的哪些数据将会对数据的整体质量产生影响，并优先评估对其质量影响比重较大的数据信息[11?12]。完成初步评估后，将可信度较低的数据从数据库中移除，确定数据质量的5个维度及其相应占比，并结合实际情况，合理设置5个维度的评估规则。以此为基准，评估数据质量，综合每个维度的评估结果，得到最终的可信度评估结果。

利用定性预测类方法，确定所得结果的准确性，将所得结果分为4类，分别为：将正类预测为正类数;将正类预测为负类数;将负类预测为正类数;将负类预测为负类数。其准确率如下：

[P=TPTP+FP]    （1）

式中：[TP]为将正类预测为正类数;[FP]为将负类预测为正类数。则不可信数据的召回率如下：

[R=TPTP+FN]    （2）

式中，[FN]为将正类预测为负类数。根据式（1）与式（2）能够得到准确率和召回率的调和平均值为：

[F=2TP2TP+FP+FN]    （3）

根据上述计算分析其可信度，得到可信数据集，计算不同维度指标的数据质量，其数据质量评估算法的部分代码如下：

int addition（）;

{

Trust_analyse（S）;                           //分析数据集可信度

END FOR

Delete_untrust（S）;                             //移除不可信数据

Return;

}

至此得到数据可信度的评估结果，并在此基础上，利用Hadoop分布式基础架构，构建基于智能医疗的诊断大数据自动分析模型。

2.2  基于智能医疗的诊断大数据处理模式转换

大规模数据分析系统的数据处理需要借助Hadoop分布式系统基础架构，采用主从式结构，由命名节点管理文件系统，维护信息列表，由数据节点负责信息的存储以及用户读/写请求的响应。其具体情况如图2所示。

根据图2运行过程，生成基于智能医疗的大数据自动分析模板，对采集到的大规模数据查询与分析。至此，完成基于智能医疗的诊断大数据自动分析系统研究，为验证该系统性能，设计仿真实验。

3  系统性能测试

为了验证基于智能医疗的诊断大数据自动分析系统的有效性，对比原有的系统，进行对照实验。

3.1  性能测试过程

该性能测试实验选择在某知名医科大学的附属医院网络中心内部完成。由于该实验过程所需的数据传输工作量较大，为此需要利用磁盘阵列存储平台，实现医疗服务器的存储扩容，并利用光纤交换机，完成各实验设备间的数据交换，其拓扑结构如图3所示。

实验采用100万条某慢性病的临床处方数据，同时运行所设计的分析系统与原有系统，对比两者在数据关联分析时的所用时长，得出对比结果。

3.2  测试结果分析

原有系统与所设计系统进行对比实验，得到具体对比结果如图4所示。

从图4中能够看出，所设计系统的运行时长与原有系统相比，明显缩短，具体运行效率差异如表1所示。

由表1中的数据能够得到，在测试样本数相同的情况下，原有系统的运行时长在30～36 s的范围之间，其运行速度较为缓慢，不能在短时间内完成大数据的自动分析，不可精准查到所需要的信息数据，无法满足医护人员以及患者的需求;所设计的系统运行时长稳定在12～18 s的范围内，与原有系统相比，运行时长缩短了56%左右，其运行效率得到稳定提升。由此可见，所设计的系统能够准确快速地完成诊断大数据的自动分析，优化了用户的使用体验。

4  结  语

结合目前各大医院的实际情况，设计基于智能医疗的诊断大数据自动分析系统。该系统实施成本低，数据分析准确，可扩展性能强，优化了原有系统的一系列问题，希望能够为医护人员在临床诊断中提供支持，促进各大医院的智能信息化建设发展，为相关领域的研究提供理论依据。

参考文献

[1] 俞思伟，范昊，王菲，等.基于知识图谱的智能医疗研究[J].医疗卫生装备，2017，38（3）：109?111.

[2] 高奇琦，吕俊延.智能医疗：人工智能时代对公共卫生的机遇与挑战[J].电子政务，2017，12（11）：11?19.

[3] 曹艳林，王将军，陈璞，等.人工智能对医疗服务的机遇与挑战[J].中国医院，2018，22（6）：33?36.

[4] 韦哲，薛翔，王能才.人工智能在糖尿病诊断中的应用[J].中国医学装备，2017，14（12）：142?145.

[5] 翁铭，郑博，吴茂念，等.基于深度学习的DR筛查智能诊断系统的初步研究[J].国际眼科杂志，2018，18（3）：568?571.

[6] 赵一鸣，左秀然.PACS与人工智能辅助诊断的集成应用[J].中国数字医学，2018，13（4）：20?22.

[7] 张涛，郝晓玲，张玥杰，等.基于BP?AsymBoost的医疗诊断模型[J].系统工程理论与实践，2017，37（6）：1654?1664.

[8] 王博超，张新峰.基于人工智能和临床诊断的上肢康复评估方法研究进展[J].北京生物医学工程，2018，37（1）：103?108.

[9] 冷喜武，陈国平，白静洁，等.智能电网监控运行大数据分析系统总体设计[J].电力系统自动化，2018（12）：166?172.

[10] 李云婷，严京海，孙峰，等.基于大数据分析与认知技术的空气质量预报预警平台[J].中国环境管理，2017，9（2）：31?36.

[11] 余英，郭镥，邓琨，等.用电采集数据分析和智能监测系统中大数据分析的设计研究[J].自动化与仪器仪表，2017，19（5）：162?163.

[12] 廖亮，虞宏霄.基于Hadoop的医疗大数据分析系统的研究与设计[J].计算机系统应用，2017，26（4）：49?53.