中医学基本特征范文

中医学基本特征范文第1篇

[关键词]胜任力；胜任力模型；临床中医师

[中图分类号] R197.32 [文献标识码] A [文章编号] 1674-4721（2016）07（a）-0166-05

[Abstract]Taking Jiangsu as an example，based on theory and techniques of competence research，this study compiled "Dictionary for Post Competence of Clinical Doctors of Traditional Chinese Medicine" （TCM），by researching methods including documentary method，questionnaire survey，and panel of experts；this study also acquired the identified features and standard features of post competence of clinical TCM doctors by behavioral event interview.We established the "5D" model for post competence of clinical TCM doctors using the onion model，and briefly analyzed the features of post competence of clinical TCM doctors in combination with work tasks and position responsibilities of clinical TCM doctors.At last，this study briefly discussed the application of "5D" model in personnel training， career planning，and group management of clinical TCM doctors.

[Key words]Competence；Competence model；Clinical doctor of traditional Chinese medicine

中医是指中国传统医学，是研究人类机体生理、病理以及疾病的诊断和防治的一门学科[1]。几千年来，中医为中华民族的繁衍及人类的健康做出了杰出的贡献。作为中医药事业发展的主体力量，临床中医人才是支撑中医药事业发展的第一资源，加强临床中医人才队伍建设是从根本上保证中医药事业健康发展、维护人民身心健康的关键。当前中医药事业正处在良好的发展机遇期，国家陆续出台多项政策扶持促进中医药发展；现代医学模式的确立、人口老龄化、疾病谱的变化为中医事业发展提供了施展的舞台；医学教育第三次改革浪潮以及胜任力理论的兴起与应用，为中医人才培养和中医药人力资源管理提出了新的理念和视角……基于以上背景，临床中医师必须具备怎样的能力、素质，如何提升能力、素质以胜任岗位所需，有效提高工作效率，增强适应环境的变化和挑战能力，成为当前中医人力资源管理的重要研究内容。因此，本文应用胜任力理论和方法，构建临床中医师岗位胜任力模型，为临床中医师的教育培养、聘用选拔、培训激励、素质考核、绩效管理等提供科学依据。

1胜任力研究概述

“胜任力”一词来自拉丁语“Competere”，这个词在国内有多种译法，最通常译作“胜任特征”，也常被译作“胜任特质”“能力”“资格”“受雇用能力”等。目前国内外学者对胜任力与胜任特征的联系和区别说法不一。有“区别论”（仲理峰[2]等学者持此观点）、“等同论”（项成芳等[3-4]持此观点）。本文更倾向于“等同论”，认为两者没有本质的区别，都是用来说明一种状态或品质、技能、能力。

关于“胜任力”的界定，相关学者的解释并不完全一致。McClelland[5]认为，“胜任力”是一种“与工作和工作绩效或生活中其他重要成果直接相关或相联系的知识、技能、能力、特质或动机”；Boyatzis[6]认为，“胜任力是个体的潜在心理特征，包括动机、特质、技能、自我形象、社会角色，正是拥有这种特征，才使得个体在工作中表现优异”；Spencer等[7]在潜心学习研究前人的基础上，对“胜任力”的定义做了更加完整的阐述：“胜任力是能将某一工作或组织、文化中有卓越成就者与表现平平者区分开来的个人潜在的、深层次特征，它可以是动机、特质、自我形象、态度或价值观、某领域的知识、认知或行为技能等――任何可以被可靠测量或计量的，并且能显著区分优秀绩效和普通绩效的个体特征”。仲理峰等[8]研究提出，“胜任力”是“能把某职位中表现优异者和表现平平者区别开来的个体潜在的、较为持久的行为特征，这些特征可以是认知的、意志的、态度的、情感的、动力的或倾向性的”；王重鸣[9]提出“胜任力”是“导致高管理绩效的知识、技能、能力以及价值观、个性、动机等特征”。比较以上定义论述，本研究认为，“胜任力”应具有以下重要特点：①可观察和测量，可以预测未来员工的工作绩效；②可以区分绩效优秀的员工和绩效一般的员工；③可通过学习和训练获得，具有动态性。

2研究对象

本研究取样对象主要是江苏地区具有执业中医师资格，并主要应用中医理论和方法，从事中医临床工作的中医医师，具体包括2015版《中华人民共和国职业分类大典》中中医内科医师等16个中医类职业。不包括中西医结合医师；有执业中医医师资格但不从事临床工作者；从事临床工作，但不从事中医临床工作者（如诊疗方法主要采取西医手段）。

优秀临床中医师取样标准：必须同时满足以下两个条件，①患者口碑较好，满意度较高；②中医临床实践水平突出。为了便于选择，研究对象优秀与否主要由医院人事部门鉴定，同时参考其综合绩效予以确定，一般具有中医学科带头人资格、科室主任或副高级以上职称。

根据以上标准，本研究在江苏地区选择了26名临床中医师进行访谈，并进一步根据优秀临床中医师的选择标准分为绩优组和绩平组。累计收集较为完整的访谈资料22份，包括绩优组11人，绩平组11人。其中男性医师14名，女性医师8名；年龄30～39岁组9名，40～49岁组7名，50～60岁6名；具有本科学历的医师12人，研究生及以上学历的医师10人；具有初级职称的医师6名，中级职称的医师7名，高级职称的医师9名。

3研究方法

3.1文献分析法

检索中国知网、维普、万方数据等数据库，系统搜集、整理相关文献资料，对相关内容及研究依据进行界定，初步筛选临床中医师胜任力特征。

3.2专家小组法

选择中医师、西医师、心理专家、卫生事业管理者、医院领导、医院相关科室负责人、中医教育专家等组成专家小组。通过讨论，筛选、归纳临床中医师胜任特征，胜任特征定义，初步确定临床中医师胜任力词典，并以此作为行为事件访谈研究编码的依据。

3.3问卷调查法

主要围绕临床中医师胜任力特征进行实证研究，以网上调研和现场发放问卷相结合的方式对江苏地区中医师、西医师、卫生事业管理者及相关人员包括患者进行抽样调查，获得临床中医师胜任特征词典。此外，对相关人员进行“胜任力模型核检”调查。

3.4行为事件访谈法

访谈地点为临床中医师出诊的医疗场所或家中，访谈时间1 h左右，主要过程是请受访者回忆过去其在工作上感到最具有成就感（或挫折感）的关键事例，包括情境的描述、有哪些人参与、实际采取了哪些行为、个人有何感觉、结果如何。通过录音笔记录访谈全部过程，以便后期整理。访谈过程包括访谈的前期准备、构建良好的访谈氛围、自我与课题研究介绍、访谈实施、个人信息记录、访谈结束、整理访谈记录等步骤。

3.5数据处理

采用Microsoft Excel录入有效数据，SPSS 16.0统计软件对数据进行分析，统计内容包括一般描述性统计分析、编码信度，对绩优组和绩平组中医师进行分析，以P

4研究过程与结果

4.1编制形成《临床中医师岗位胜利力特征词典》

应用扎根理论，通过文献分析、专家小组、调查问卷等方法，归纳、分析、比较，对《临床中医师岗位胜利力特征词典》进行编制。首先通过文献分析法整理、筛选了50个胜任特征；然后通过专家小组法筛选增减了36个胜任特征；最后通过半结构式调查问卷确定了31个胜任特征（一般赞成率≥75%者作为有效的胜任特征），分别为：临床实践能力、中西医基本知识、沟通能力、责任心、尊重患者、职业自信、中医思维、严谨、学习能力、身心健康、仁爱心、热爱中医、传统文史哲知识、敬业精神、社会医学及心理知识、容恕心、团队意识、医学前沿知识、临床带教能力、服务意识、奉献精神、卫生政策法规、科研能力、成就取向、信息素养、关注细节、工作热情、毅力、创新能力、应变能力、自我管理。

《临床中医师岗位胜利力特征词典》包括上述31个胜任特征：每个胜任特征包括名称、定义、等级和等级行为4个部分。每个胜任特征划分为5个等级维度，并按照表现程度依次排列：第1等级表示“还不具备此项特征”；第2等级表示“刚刚具备此项特征”；第3等级表示“此项特征还不够明显”；第4等级表示“此项特征比较明显”；第5等级表示”此项特征极其明显（表1）。

4.2行为事件访谈及访谈文本的编码

在对22名访谈对象进行行为事件访谈后，对照《临床中医师岗位胜任力特征词典》，对访谈文本加以整理并进行胜任特征编码，目的是将质性资料采取量化的方式，以便进一步统计。编码过程分为编码前准备、预编码和正式编码3个阶段（表2）。

4.3访谈有效性分析

对绩优组和绩平组的访谈采取双盲设计法，访谈者在接受访谈之前并不知晓自己所在的分组，从而保证访谈公平、公正、客观地进行。对两组医师的访谈长度进行t检验，绩优组医师平均访谈字数为6120.34字，平均时间为3424.12 s；绩平组医师平均访谈字数6030.40字，平均时间为3102.67 s，两组比较差异无统计学意义（P>0.05）。

编码人员编码的一致性会直接影响访谈有效性和研究结果。本研究选取归类一致性（CA）、编码信度系数（R）和Pearson相关系数三个指标来衡量编码的信度。两名编码员的CA系数范围为0.420～0.805，总CA系数为0.583；R范围为0.592～0.892，总R为0.737，CA与R较高。计算两位编码员对各项本编码的频次、平均等级分数和最高等级分数的相关程度，数据结果提示，两位编码员在三项指标上，分别有25项、24项、27项胜任特征均具有相关性，分别为83.33%、77.42%、87.10%。以往研究显示，相关显著的胜任特征占特征总数的75%左右。本研究显示两编码员在上述三个指标上编码一致性均较高。

4.4差异性检验

差异性检验的目的是检验《临床中医师岗位胜任力词典》中的胜任特征能否有效区分绩优组与绩平组，这是建立临床中医师胜任力特征模型的关键。目前，胜任力研究通常选取频次、平均等级分数、最高等级分数等指标对结果加以统计分析，并进行t检验。但哪个单一指标更具说明意义，尚无定论。McClelland[5]认为频次和平均等级分数两项能较好地说明胜任力特征，因其有较好稳定性和区分度，而最高等级分数则相对偏差些；李文[10]通过研究医院院长胜任力特征模型发现，在国内上述三项指标用于区分胜任力特征和评价稳定性效果都较好；徐建平[11]的研究发现，平均等级分数是具有较好区分度的指标。

对频次差异性进行分析，绩优组与绩平组在医学前沿知识、传统文史哲知识、临床带教能力、学习能力、科研能力、敬业精神、团队意识、关注细节、职业自信等胜任力特征频次上存在差异（P

对平均等级分数差异性进行分析，结果显示，在医学前沿知识、传统文史哲知识、学习能力、临床带教能力、科研能力、团队意识、成就取向、关注细节、职业自信等方面两组差异有统计学意义（P

对最高等级分数差异性进行分析，结果显示，在医学前沿知识、传统文史哲知识、临床带教能力、学习能力、科研能力、团队意识、严谨、成就取向、关注细节、职业自信、热爱中医等方面两组差异有统计学意义（P

4.5核检频次统计

《临床中医师岗位胜任力特征核检表》列举了31项临床中医师胜任特征词条的名称，要求被试者选出在其工作中必须具备的临床中医师胜任特征10～15个。采用360°反馈评价法，共发放核检表100份，回收有效表格96份，统计结果显示，出现频次最高的前15项胜任特征中，有4项胜任特征（热爱中医、职业自信、学习能力、团队意识）绩优组与绩平组比较，差异有统计学意义，将其剔除。另外的11项胜任特征包括沟通能力、中西医基本知识、临床实践能力、中医思维、尊重患者、社会医学及心理知识、责任心、信息素养、服务意识、身心健康、卫生政策法规等被认为是最重要项目，因此，将其作为临床中医师基准胜任特征。

4.6模型构建

根据访谈资料t检验结果，总结提炼临床中医师绩优者具有的胜任特征12项，作为优秀临床中医师鉴别胜任特征，分别是：热爱中医、学习能力、职业自信、关注细节、成就取向、敬业精神、严谨、传统文史哲知识、临床带教能力、科研能力、医学前言知识、团队意识。

根据“临床中医师岗位胜任力特征核检频次一览表”统计结果，获得临床中医师共有的胜任力特征11项，作为临床中医师基准胜任力特征，分别是：中西医基本知识、临床实践能力、尊重患者、沟通能力、社会医学及心理知识、中医思维、身心健康、责任心、信息素养、服务意识、卫生政策法规。以上两部分共同组成临床中医师胜任力模型，共计23项胜任力特征。

本研究综合国内外胜任力研究成果，将临床中医师岗位胜任力24项胜任特征分为5个维度，即知识维度（knowledge dimensionality）、技能维度（technical dimensionality）、道德维度（moral dimensionality）、价值态度维度（value attitude dimensionality）与个性思维维度（personality thinking dimensionality），称为“5D”模型。

用洋葱模型示意“5D”模型（图1），从严谨、团队意识、敬业精神、热爱中医、关注细节到外依次是个性思维维度（中医思维、身心健康、成就取向、职业自信）、价值态度维度（严谨、团队意识、敬业精神、热爱中医、关注细节）、道德维度（尊重患者、责任心、服务意识）、技能维度（临床实践能力、临床带教能力、学习能力、科研能力、沟通能力、信息素养）、知识维度（中西医基本知识、医学前沿知识、传统文史哲知识、卫生政策法规、社会医学与心理知识）。在“5D”模型中，个性思维和价值态度是临床中医师最本质的素质，具有决定性的作用；职业道德是临床中医师的关键素质；技能和知识是临床中医师的核心素质，是个性思维与价值态度的延伸和拓展，是5个维度中的外显能力，要求临床中医师具备较高的临床实践能力。“5D”模型充分借鉴了国内外对医生胜任力研究的成果，同时结合中医特点对相关领域进行了重构，使其适应性、实用型、有效性进一步加强。

图1 临床中医师胜任特征“5D”模型

5“5D”模型讨论

5.1“5D”模型与国内外已有的医生胜任力研究结论具有一定程度的一致性

对比目前相关研究的相关胜任力特征模型和特征要素，如世界家庭医生组织提出了全科医生核心胜任力模型（WONCA）所提出的6个方面的核心胜任力[12]、美国毕业后医学教育认证委员会住院医师6大核能力[14]、国际医学教育组织（IIME）出台的《全球医学教育最基本要求》（2001年）[13]、徐江雁等[14]提出的名老中医的6个胜任力（2009年）、金阿宁等[15]构建中医学卓越医生胜任力特征（2013年），本研究的“5D”模型与以上结论具有一定程度的一致性，如强调专业知识、临床技能、职业道德、沟通能力、学习能力、敬业精神等。本研究认为，无论是西医师还是中医师，其主要任务都是为了治疗人的疾病，维护人的健康，因此，部分胜任力是一致的，具有一定的合理性。

5.2“5D”模型适应了当前社会经济文化环境变化，回应了时代关切

我国提出“依法治国”方略加快推进医疗卫生行业的法制化进程。随着信息技术的迅猛发展、信息技术在医疗卫生领域得到了广泛应用，“互联网+”方兴未艾，正冲击着医疗行业的经营管理服务理念与模式方法；大健康时代的到来为医疗卫生行业提供机遇，并提出了挑战，广大医疗工作者将在大健康产业链上发挥生力军作用和先锋作用。随着各领域改革的深化，社会矛盾日益凸显，在医疗领域所表现出的医患关系恶化、医患纠纷增多，给一线医疗人员产生了极大的消极影响[16]……作为存在于宏观环境之中的微观个体，临床中医师面临如此快速变化的复杂环境，显然不能无动于衷。因此，相较于以往的相关研究，“5D”模型的部分胜任特征及时回应了时代的关切，适应了环境变化的需求，如卫生政策法规知识、信息素养、团队意识、社会医学及心理知识、服务意识、尊重患者、责任心等。此外，医院的发展阶段和对医生的考核评价机制发生改变，在“5D”模型中得到了反映，如临床带教能力、科研能力等。

5.3“5D”模型彰显了中医特点，体现了对临床中医师素质的“特殊”要求

本研究通过对比以往研究有关“医生”“医学毕业生”“护理师”以及相关领域岗位胜任力研究发现，对于临床中医师胜任特征如“传统文史哲知识、中医思维、热爱中医、职业自信、社会医学及心理知识、沟通能力”，在以往研究很少涉及，这些特征具有鲜明中医特点，鲜明的中医烙印，尤其是“5D”模型中的“热爱中医、职业自信”胜任力特征。当前，中医药发展虽然得到政府和广大人民的支持，但是，以张功耀和方舟子为代表，打着“科学”的大旗否定中医疗效和存在的必要，取缔中医的言论此起彼伏，加之中医自身的原因正如陈欣在《浅谈中医衰落的自身原因》中讲到的国人崇洋、自我封杀、以实用主义代替基础理论研究，迷失方向；脱离民间医药学，丧失根本；在中西医结合中丢弃自信与自尊等原因，都对中医师的信心产生极大的影响。此外，由于当前医疗体制机制原因，医疗机构和医疗从业人员受片面的经济利益驱动，中医院西医化、中医师西医化现象比较严重[17]。以上各种对中医师的存在感、职业价值感产生强烈冲击。因此，坚定中医职业自信、热爱中医事业，喜欢中医并乐于从事中医，努力做“铁杆中医”显得尤为重要[18]。

6“5D”模型的应用

临床中医师岗位胜任力模型的构建进一步丰富了胜任力在医疗卫生系统领域的研究内容，同时将会成为全面描述临床中医师职业发展过程和高绩效中医师特征的主要理论工具，是进一步开展临床中医师研究的理论基础，特别是临床中医师胜任力模型能够协助政府机构、医院、学校有关部门和管理者发展出一套连贯的临床中医师教育培养、招聘、培训、使用、考核、激励理论，将有力推动中医人才队伍建设工作[19]。对于临床中医师个人，它可以帮助其进行职业生涯规划，有利于其继续学习和专业成长，加速青年中医师的成长；对于医院，它可以用于临床中医师业务素质培养、岗位素质考核、绩效管理，也可以用作选拔招聘、薪酬设计、加薪解聘的依据，以及对中医师整体团队素质现状诊断、分析和辅导；对于中医院校来说，应用临床中医师岗位胜任力模型，为中医高等教育制定中医人才的培养目标、创新教育模式、推动课程改革、创新教学方法、完善评估方式提供依据。

随着本研究对胜任力理论理解的加深和技术掌握的熟练，在后续的研究中，本研究将进一步优化研究的各关键环节，改进方法，拓宽研究对象范围，增强研究的广度和深度，提高研究结果的科学性、普适性。同时，将开发出的胜任力模型与中医高等教育、中医人才培养、中医人力资源管理各项工作进行有效衔接，为中医更好地服务人类健康做出应有的贡献。

[参考文献]

[1]印会河.中医基础理论[M].上海：上海科学技术出版社，1984：2.

[2]仲理峰.胜任特征研究的新进展[J].浙江工贸职业技术学院学报，2003，3（2）：33-41.

[3]项成芳.胜任力的理论与市政研究[D].南京：南京师范大学，2010.

[4]安鸿章.岗位胜任特征原理与应用[M].北京：中国劳动社会保障出版社，2008：2.

[5]McClelland DC.Testing for competence rather than for "intelligence"[J].Am Psychol，1973，28（1）：1-14.

[6]Boyatzis RE.The competent manager：a model for effective performance[M].New York：John Wiley & Sons，Inc.，1982：77.

[7]Spencer LM，Spencer petence at work：models for superior performance[M].New York：John Wiley & Sons，Inc.，1993：222-226.

[8]仲理峰，时勘.胜任特征研究的新进展[J].南开管理评论，2003，6（2）：4-8.

[9]王重鸣.管理心理学[M].北京：人民教育出版社，2000：89.

[10]李文.医院院长胜任力模型研究[D].济南：山东大学，2006：31.

[11]徐建平.教师胜任力模型与测评研究[D].北京：北京师范大学，2004：14.

[12]苏芳，左延莉，吴彩媛，等.广西乡镇卫生院全科医生岗位胜任力模型的构建研究[J].中国全科医疗，2015，18（16）：1893-1900.

[13]曹伟.美国住院医师能力评估[J].中国高等医学教育，2009，（11）：19-20.

[14]徐江雁，罗艳玲，任孝鹏，等.名老中医临证能力模型研究[J].北京中医药大学学报，2009，32（9）：581-585.

[15]金阿宁，田勇泉，赵太阳.中医学“卓越医生”胜任力特征模型的构建[J].中南大学学报（医学版），2014，39（5）：517-524.

[16]景汇泉，孙尚敏，于晓松，等.新世纪对医生要求的调查研究[J].医学教育探索，2004，3（2）：24-27.

[17]杜治政.正确评估当前医院学校的SCI论文热[J].医学与哲学，2014，35（6A）：1-5.

[18]王永娟，孙一文.健康体检是实施健康管理的最佳时机[J].现代医药卫生，2005，21（13）：1762-1763.

中医学基本特征范文第2篇

生物医学的快速发展，产生了大量的生物医学数据。这些生物医学数据有的是以结构化的形式存在于数据库中，例如基因序列、基因微阵列实验数据和分子三维结构数据等；有的生物医学数据以非结构

化的形式被记载在各种生物医学文献中。从生物医学文献中发掘出隐含的生物医学知识，是生物医学信息抽取的重要意义所在。生物医学命名实体识别是生物医学信息抽取的一项重要基本任务之一，它

主要是从医学文献中发现基因、蛋白质、DNA、RNA等生物实体。生物医学命名实体识别的研究具有一定的艰巨性，主要是因为生物文献中实体命名不规范、相同的词或者短语表示不同类别命名实体等，

给研究带来了一定的困难。

目前，生物医学实体识别的方法主要有基于字典、基于规则和基于机器学习的方法。生物医学命名实体识别研究初期，最常使用的是基于字典的方法。如Krauthammer等[1]利用DNA和蛋白质序列比较工具

BLAST识别生物医学命名实体。上述方法的优点是简单实用，但由于新的生物医学命名实体不断出现，所以基于字典的方法对于自由文本的生物医学命名实体识别效果不佳。Olsson等[2]提出了基于规则

的方法识别生物医学命名实体，F值达到了67%。与基于词典的方法比较，基于规则方法的识别性能有所增强，但它需花费大量人工劳动、且可移植性差。基于机器学习的方法可以判别生物医学命名实体

数据库中未包含的实体，方法较为灵活。该方法对训练数据规模、质量以及特征选取等方面的因素具有很强依赖性，所以，此方法对于生物医学命名实体识别性能提高的研究具有很强挑战性。本文将采

取有效的机器学习算法，结合多种策略，以期提高生物医学命名实体识别的识别性能。

1算法

目前主要应用在生物医学命名实体的机器学习方法有多种。文献[3～6]中分别提出基于隐马尔可夫模型、决策树、支持向量机、最大熵等方法，这些方法把词性、词形等特征融入到机器学习模型中，利

用训练得到的学习模型从生物医学文本集合中识别出指定类型的名称。虽然取得了一定成果，却也具有一定的不足，如识别性能不高、多种条件约束、识别策略单一化等。条件随机域机器学习算法在自

然语言处理领域中有着非常显著的优势，目前已成功应用到词性标注、语块识别和新闻领域的命名实体识别中，且表现出了非常好的效果。该模型的特性表明它非常适用于生物医学领域的命名实体识别

研究。鉴于此，本文采用条件随机域算法对生物医学命名实体识别进行研究。条件随机域（ConditionalRandomFields，CRFs）是Lafferty等人于2001年提出来的[7]。它是计算具有无向图G结构的随机变

量集合在给定随机变量集合o下的条件概率P（s|o）。将CRFs应用于生物医学命名实体识别中，则o表示一个句子的单词序列，s表示相应的状态序列，标注的过程就是根据已知的单词序列推断出最有可能

的状态序列，即P（s|o）的最大值。本文实验使用了一阶线性CRF，如下式：（公式略）。条件随机域模型允许在观察序列上的任意依赖关系，并且特征不需要一定是一个完整的状态或观察值，可以用较

少的训练数据训练出模型，所以说，CRFs拥有了一般的最大熵模型的所有优点。

2实验

2.1特征选择

生物医学命名实体识别中常用的特征有以下几种，一是局部特征，包括文本符号本身的特征和文本符号局部的上下文特征及其周围的词或符号的特征；二是全文特征，即文本符号在整个篇章中的上下文

特征；三是外部资源特征，比如说使用一些外部资源词典等。本文研究中，使用了如下特征：（1）单词本身：把单词本身作为一个识别特征。（2）词形特征：由于生物医学命名实体一般含有数字、大

写字母和特殊符号等，将这些简单的表面特征定义为词形特征。本实验将大写字母都用‘A’替换，数字用‘0’替换，非英语字符用‘-’替换，小写字母用‘a’替换。（3）标准化拼写特征：某些同一

类的生物医学命名实体，它们拼写方式很类似，如：IL-2andIL-4。用简单的方法标准化所有类似的词。如Kappa-B规范化为‘Aaaaa_A’，再将连续的相同的字符缩短为一个字符，即为‘Aa_A’。这样做

能够将拼写相似的生物医学命名实体提取的特征保持一致。（4）词性特征：生物医学命名实体的大写字母特征对其识别性能贡献不大，并且生物医学命名实体多是描述性的名称而且名称很长，所以，词

性特征对识别生物医学命名实体边界很有帮助。本系统使用了GENIAtagger2.0.2[8]词性标注器，GENIAtagger使用了WallStreetJournal语料和PennBioIE语料训练，因此GENIAtagger在生物医学领域文本

中词性标注具有较高性能。（5）语块特征：系统使用GENIAtagger2.0.2进行语块标注作为特征。（6）关键词特征：利用统计方法在训练集中统计出高频的生物医学命名实体关键词，将这些词是否出现

作为特征。（7）别名特征：将已识别出的生物医学命名实体存放在一个列表中，当系统遇到一个候选词时，生物医学命名实体识别算法就被激活，动态决定该候选词是否是前面已经识别出来的生物医学

命名实体列表中词的别名。别名特征属于全文特征。（8）特征联合：将相邻位置的特征进行联合，得出新的特征，有助于识别长距离词。本实验选择窗口的大小为（-1，+1）。（9）字典特征：使用了

一些字典资源作为特征加入特征向量空间，有CommonWord词典、Species词典、Tissue词典和EndingsofChemicals词典[9]等。

2.2缩写词识别

现在最常用的生物医学文献库是MEDLINE(MEDLARSONLINE)，它是由美国国家医学图书馆于1966年开始建立的，收录的文献总量超过1500万条。据了解，MEDLINE上42.8%以上的摘要有缩写词，平均5～10篇

摘要有一个新出现的缩写词，并且缩写词出现的增长率逐渐升高。很多缩写词具有高度歧义性，它的形成没有任何规律，所以，提高缩写词的识别率对生物医学命名实体的识别研究至关重要。通常，缩

写形式经常和它的扩展形式一起出现，并通过括号连接，通常有两种形式：（1）longform（shortform），（2）shortform（longform）。实际当中大部分是第1种形式，当括号中的词超过两个时，就认#p#分页标题#e#

为是第2种形式。在含有括号的句子中，采用文献[10]中的缩写词识别算法，先识别候选词中的全称词，即上述中的longform，要求全称词必须和缩写词在同一个句子当中。若判断括号中是缩写词，从句

子中去掉括号及里面的缩写词，在分类器识别之后，将在原来的位置恢复括号及里面的缩写词。如果扩展形式识别为生物医学命名实体，则将缩写词和它的扩展形式分为一类。

2.3其它识别策略

为进一步提高系统识别性能，本文在识别阶段还采取如下策略：（1）利用括号对该方法通过检测两个相互匹配的圆括号，方括号和双引号是否被识别为同一个生物医学命名实体来进行处理，如果是将它

们视为同一个实体，如果不是，不做处理。（2）对and/or连接的生物医学命名实体进行处理。如果由and/or连接的两个生物医学命名实体修饰的是同一个名词，则把它们合并成一个实体。（3）利用启

发式语法结构。在生物医学文献中，有些语法结构对生物医学命名实体的存在及其类别具有提示作用，能起到很大的启发作用。如twodiscretecomplexesNFX1.1andNFX1.2，可以推断“NFX1.1”和

“NFX1.2”属于protein类别，因为它们都是“complexes”，而“complexes”是protein类别的高频后缀词。（4）过滤掉一些不相关词。过滤掉一些不相关词，看似物理单位的形式，如：kg、min、ml

等；看似人名的形式，例如：Milleretal.等。

2.4结果及讨论

本文实验使用的语料是JNLPBA2004[11]，其中训练语料为2000篇，测试语料为404篇。实验结果由精确率（P）、召回率（R）和F测度（F）评价，且使用全部匹配模式进行评价。JNLPBA测评要求识别出

protein、DNA、RNA、celltype和cellline五类生物医学命名实体。本文设置了这样实验，首先利用选取的特征，训练实验数据得到CRFs模型，得到了66.09%的F测度，加入缩写词处理办法，系统识别性

能有了些提高，F测度达到68.61%，再加入其它识别策略，系统识别性能又有了提高，F测度达到70.52%。如表1所示，第1行baseline是初始的CRFs模型识别性能；第2行是加入缩写词得到的识别性能，F

测度比baseline提高了2%多，第3行进一步利用本文的其他识别策略，F测度提高了近2%。中列出了本文实验系统和JNLPBA专题会议相关系统比较的结果，该方法取得了较好的效果。从实验可以看出，利

用本文选取的特征，达到66.09%的F测度，说明选取的这些特征对生物医学命名实体识别研究是有效的特征。利用缩写词、括号对等识别策略提高了识别性能，主要是因为这些识别策略可以帮助识别CRFs

模型未识别的生物医学命名实体，还可以帮助CRFs模型调整类型标注错误，将错误识别出来的候选词过滤掉，使得本文实验取得了很好的效果。

3结束语

中医学基本特征范文第3篇

关键词:集成学习;特征提取;Adaboost M1;医学图像分类

中图分类号:TP311文献标识码:A 文章编号:1009-3044(2009)33-9515-03

The Design of Medical Image Classification Based on Ensemble Leaning

LIN Xiao-jia

(Faculty of Logistic and Information Management, Fujian Ineternational Business and Economics College,Fujzhou 350006,China)

Abstract: The paper proposes a medical image classification based on ensemble leaning.The system we proposing consists of a pre-processing phase, a feature extraction phase and a building the classifier phase. On the basis research of single feature, one new method is proposed one kind of medicine image classification new method that synthesized the multi-characteristic merge and the data mining technology. This method is through the introduction of data mining in the concept of Ensemble Learning,utilizing the Ensemble learning method to classify to the single characteristic the weak sorter to carry on the iterative training.

Key words: ensemble learning;the characteristic extraction;adaboost M1;medical image classification

随着计算机医学成像技术的发展,医学影像越来越多样化,医学影像的应用也越来越广泛,与此同时大量的医学设备的应用使得医学影像的数量也越来越多,大量的影像资料使医院迷失在信息的海洋。利用数据挖掘技术可以有效的对医学图像进行组织和管理,合理有效的对其进行分类,从而使其更好的辅助日常的医学诊断和医学研究。

该文提出的方法是使用SVM分类器将整个特征空间分成诸多子空间;采用集成学习方法Adaboost方法对样本进行多次抽样,将Adaboost算法中的分类精度作为特征选择的依据,选取出少量有利于分类的特征,同时将单特征训练得到的弱分类器通过集成学习增强为强分类器。

1 系统的构成

整个系统的构成如图1所示。

该系统主要包括训练和分类两个阶段。在医学图像训练阶段,通过数据库建立训练集,对医学图像进行预处理,提取图像颜色和纹理特征,创建训练的弱分类器。对图像特征进行选择。分类阶段进行的是待分类图像的选择特征的提取,利用训练得到的强分类器进行分类,输出分类结果。

2 图像预处理

由于实际的医学图像数据因为操作的原因,存在不完整性、噪声和不一致性性,不能直接在原始数据上进行数据提取,因此必须对医学图像进行预处理。数据清洗和数据的变换[1-2]都是经常用于图像数据预处理技术上的。

图像预处理的第一步就是图像去噪。大部分的医学图像一般包含了大量有噪声的背景:有的医学图像太暗,有的医学图案太亮,还有来自影像设备中电子元器件的随即扰动。通过去噪处理后,可以去掉图像中的大多数的背景信息和噪声,增强图像的特征,提高图像的信噪比。针对医学图像来说,图像本身有边缘模糊的特性,通过去噪对医学图像进行复原,使之与原图像逼近是存在比较大的困难的。因此本系统主要采取的去噪方法为滤波技术,该技术可以在最大限度保持信号不受损失的基础上,尽可能过滤噪声,提高图像的可读性,将医学图像中感兴趣的特征(图像的轮廓和边缘等重要信息)有选择的突出。

图像预处理的第二步是图像归一化,基于图像特征分类主要是对图像特征进行匹配和区分的过程,但是通常情况下待检图像的图库中,图像的大小尺寸并不完全相同,用户所提供的分类例图大小也不完全一样的。在提取图像特征(特别是空间分布特征)时,就有可能存在本身同类的图像所计算出来的特征差别却很大,而不属于同一类的图像由于尺度不同却计算出了相似的特征,进而影响到分类的结果。为了防止这类情况的发生,本分类系统必须首先对图像的尺度进行归一化,即通过对图像的缩放使得图像具有同一尺度256×256,在同一尺度上提取图像特征,从而消除尺度影响,又能够保证图像的整体灰度不变性。通过对大尺度的图像进行尺度归一化之后,按比例进行了缩小,降低了图像特征提取时的计算量,提高了分类速度。

3 基于集成学习方法的特征选择和分类

3.1 集成学习方法

集成学习(Ensemble Learning)是一种新的用来组合的学习器的方法。其主要思想[3]是:通过某种组合方法把一些学习器组合起来,使得集成后的学习器能够表现出比单个学习器更好的性能。狭义的说,集成学习是指利用多个同质的学习器对同一个问题进行学习,这里的“同质”是指所使用的学习器属于同一种类型,例如所有的学习器都是决策树、都是神经网络等等。广义的来说,只要是使用多个学习器来解决问题,就是集成学习[4]。

集成学习从萌芽阶段发展到现在,很多研究者提出了不同的算法。其中研究最深入,最具影响力,应用最广泛的就要算Boosting算法了。在众多Boosting算法中,AdaBoost是Boosting家族中的基础算法,也是Boosting家族最具代表性的算法,之后出现的Boosting家族中的扩展算法都是在AdaBoost算法的基础上发展而来的,对AdaBoost的分析也适用于其它的Boosting方法。因此下面我们以AdaBoost M1算法为例,进行描述。

AdaBoost M1算法用于解决多类单标签问题。每个待分类样本只能属于多个类别中的单个类。AdaBoost M1的基本思想是:首先给定任意一个弱学习算法和训练集(x1,y1),(x2,y2),…,(xm,ym),yi在分类问题中是一个带类别标志的集合,yi∈Y={1,…,K}。初始化的时候,对每个训练例赋予的权重都相同为1/m。接着,调用弱学习算法对训练集进行T次的迭代训练,每次训练后,按照训练结果更新训练集上的分布,对于训练失败的训练示例赋予教大的权重,也就是在下一次迭代训练的时候,更加关注集中对这些失败的训练例进行训练。通过这样的T次迭代训练,得到一个预测函数序列h1,h2,…,ht,其中ht也有一个权重,预测效果好的预测函数的权重较大,预测效果差的预测函数的权重较小。经过T次迭带后的最终预测函数H采用有权重的投票方式产生。

3.2 特征选择和分类

本系统利用训练样本的分类属性,采用Adaboost M1算法同时,对算法进行改进,使算法同时具有进行特征分类性能的评价(特征选择)和SVM分类器的增强的功能:对样本进行多次抽样,将分类精度作为特征对分类性能的判定依据,进行有效特征选择,选取出少量对分类作用较大的特征,同时将单特征训练得到的弱分类器增强为强分类器,使分类器具有较好的分类精度和泛化能力。具体算法思想如下:

1) 在Adaboost M1算法每次迭带训练时候,赋予每个训练例的分配权重 Dt(i)(t表示迭代次数,i表示训练例标号),同时也表明它被分类器选入新训练子集的概率。如果某个样本已经被准确的分类,那么在构造下一个训练集中,它所占的比重概率就会被降低;反之,如果某个样本没有被正确分类,那么它所占的比重就会得到提高。通过这样的方式,Adaboost M1算法就能更加重视那些较困难、更富信息的样本上。

2) 针对Adaboost M1这个特点,我们在选入的训练集上,选择SVM作为弱学习机,针对每个特征维向量进行训练,产生弱分类器,并且计算分类精度,用来衡量该弱分类器对分类的作用程度,精度大的弱分类器表明该特征维向量的分类性能较好,有利于作为有效的分类特征,被选入作为分类特征,经过多次迭代可以得到大部分对分类作用较高的特征,最终增强得到一个强分类器。

改进的Adaboost M1进行特征选择以及SVM分类器增强的算法步骤如下:

输入:训练集 (x1,y1),(x2,y2), …,(xm,ym) ,其中标签yi ∈Y={1, …,k}

特征维向量集{S}

弱学习算法SVM

迭带训练的次数T

初始化:对于i=1,2,…,D1(i)=1/m, Do For t=1,2,…,T //其中T为迭代训练的次数,m为训练样本数。

步骤1 弱分类器学习

根据选择权重Dt(i)进行采样,获得第t次迭代样本集,选取特征子集,学习重采样后的样本集得到弱分类器集合Hrt ,其中Srt是特征子集集合,表示第t次迭代的每个特征维度;Srt是弱分类器集合,是根据Hrt单特征训练出的弱分类规则,r表示特征维度标签号,t表示迭代次数。

步骤2 计算分类精度,选择特征

计算弱分类器在样本集上的误差 在此作为特征子集Srt 有效性的判据,误差越小则此特征子集作用越大,选取误差最小(εt=min{εrt})的对应的分类器为Ht与有效特征向量Srt计算本次迭代得到的分类器贡献权值βt=εt/(1-εt)。

步骤3 更新权重

其中,βt为每次迭代的分类器贡献权值,值由βt=εt/(1-εt)来确定;Dt(i)为每个训练例的分配权重,Zt为标准化常量。

输出:有效特征子集Sr

增强分类器

通过改进的Adaboost M1算法可以得到所选择的特征子集Sr以及增强的分类器Hx。

分类时,只要将待分类医学图像根据有效特征子集Sr进行特征提取,输入增强的分类器集 Hx中,就可得到分类的结果。

4 实验结果及结论

本实验所采用的是医学图像中的CT、MRI和DDR图像,根据医学图像的功能和用途,我们将这些医学图像分为头部(包括中枢神经和头颈五官)、胸部(包括呼吸系统、循环系统)、腹部(包括消化系统)、骨盆(包括泌尿系统)和其他等五大类标签,每类标签60幅(由于CT应用比较广泛,所以选用CT图像40幅,MRI和DDR各20幅),共计300幅图像构成图像库。在测试集和训练集的选择上,采用10折交叉验证的方法。通过训练集最终选取了36维特征向量中的分类性能较高的12维(详细如表1所示)。

分类性能采用敏感度(sensitivity)、特异度(specificity)以及分类精度(precision)三个指标率来衡量:敏感度也称真正识别率,即正确识别该类元组的百分比;特异度是真负率,即正确拒绝不属于该类元组的百分比;而精度就来标记实际属于该类的元组在已分配到该类的元组总数的百分比,表2是本实验的分类结果。

从表2中可以看出,本实验医学图像分类器算法的敏感度、特异性和分类精度都较高,分类识别率和精度平均在83%左右。

分类系统的速度主要取决于特征的提取以及进行分类的运算量。如果将所有特征都运用于分类的话,由于有些特征向量维度对分类贡献不高,对分类效率没有明显的提高,并且也大大增加了特征提取阶段的时间负担。在本系统中仅仅选择了不到1/3的特征,去除了部分对分类效率贡献不高的特征,因此在特征提取阶段速度大大提高了,而且在分类阶段也因为只在有效特征中进行提取分类,速度也有较大提高,表3列出了在 Inter Core Duo processor T2450 2.0GHz、1G DDR内存、VC++6.0环境下本分类系统与其他分类平均分类精度的比较。

本方法比最常见的综合特征分类法在特征提取分类阶段速度上有所提高,但是比起单个特征提取,速度还是比较慢的。但是从表3正确率相比,准确率还是蛮高的,相对的牺牲时间还是值得的。

参考文献:

[1] Maria-Luiza Antonie,Osmar R.Z aiane and Alexandru Coman,Application of Data Mining Techniques for Medical Image[C],Proceedings of the second international workshop on Multimedia Data Mining(MDM/KDD’2001),in conjunction with ACM SIGKDD conference.

[2] Osmar R.Z aiane,Maria-Luiza Antonie and Alexandru Coman,Mammography Classification by Association Rule-based Clasifier[C], MDM/KDD2002:International Workshop on Multimedia Data Mining(with ACM SIGKDD 2002).

[3] Zhou Z-H,Wu J-X,Tang W,Chen bining regression estimators:GA-based selective neural network ensemble.International Joural of Computational Intelligence and Applications,2001,1(4):341-356.

[4] Zhou Z-H,Wu J-X,Tang W.Ensembling neural networks:many could be better than all.Artificial Intelligence,2002,137(1-2):239-263

[5] 夏顺仁,莫伟荣,王小英,严勇. 基于特征融合和相关反馈的医学图像检索技术[J].航天医学与医学工程,2004,17(231):429-433.

中医学基本特征范文第4篇

关键词：胜任特征； 胜任特征模型；长学制中医学生；中医教育

中医教育的根本目的是为社会提供优质的中医药卫生专业人才。近年来，随着高校不断扩招，中医学高等教育的迅速发展，教育改革和医疗体制改革的不断深入，对中医人才素质的要求越来越高，中医教育面临着更多的问题与挑战。作为中医院校主要的培养对象，长学制中医学生应具备什么样的素质？成绩优秀的学生与成绩一般的学生之间的素质差异表现在哪些方面？不同年级学生所具备的素质差异如何？这些不仅成为学生制定自我发展及学习计划的基准，也是高校教育工作者培养和指导学生需要考虑的问题。

人力资源管理对处于某一工作岗位或完成某项任务的人进行能力或素质方面的研究，多采用“胜任特征研究”。胜任特征能够从本质上反应出人才的核心能力及潜在特质，对于人才培养、测评和选拔有至关重要的指导作用。因此，对于长学制中医学生综合素质与能力的培养与评估，尝试引入胜任特征的概念与测评工具，是对现有长学制中医学生培养与评价体系的有益补充。

1.胜任特征的概念与发展

20世纪初，科学管理之父泰勒对科学管理的研究，后来被称为“管理胜任特征运动” [1]。他应用“时间——动作分析”的研究方法，界定哪些因素导致了优秀工人高质量、高效率的工作过程和结果。

1.1 胜任特征的概念

基于对美国新闻署（USIA）官员的调查研究，DavidMcClelland 在1973 年发表的《Testing for competence rather than for intelligence》一文中将胜任特征定义为绩优者所具备的知识、技能、能力和特质[2]。Spencer夫妇在1993 年提出，胜任特征指能将某一工作（或组织、文化） 中有卓越成就者与表现平平者区分开来的个人的潜在特征， 它可以是动机、特质、自我形象、态度或价值观、某领域知识、认知或行为技能——任何可以被可靠测量或计数的并能显著区分优秀与一般绩效的个体特征[3]。胜任特征自上而下包括以下几个层面：① 知识：岗位任职者所需掌握的基本知识、专业知识以及相关信息；② 技能：完成特定任务的能力；③社会角色：个体对社会规范的认知和理解；④ 自我认知：个体如何看待与认识自己；⑤个性特质：个人所具有的生理、认识与心理特点；⑥ 动机：人们内心深处反复出现的一种牵挂，它驱动、指导并选择行为。

1.2胜任特征模型的概念

胜任特征模型是指采用科学的研究方法最终确立起来的与绩效高度相关的胜任特征结构模式[4]，它是做好某一特定任务角色需要具备的胜任力要素的总和。McClEiland于1973年提出了冰山模型，把一个人的特质比喻成浮在水面上的冰山，人们通常所看到的特质，是整个冰山浮于水面上的部分，包括知识和技能；而对个人职业生涯、工作绩效起决定性作用的深层次胜任特征，是潜伏于水下的部分，较难一眼观察到，即社会角色、自我概念、自身特质和动机。

1.3胜任特征在医学领域的主要研究成果

加拿大皇家医师协会在90年代初期即制定了相关的胜任特征框架，用于评价医生的关键知识和技能，描述了医生提供好的医疗服务应扮演的7大角色，即医学专家、 交流者、协作者、管理者、健康支持者、学者和专业主义者 [5]。Patterson等人于2000年通过3个独立试验对全科医生的胜任特征模型进行三个不同角度的分析研究，发现除专业知识和技能外，还包括替代体验及敏感性、沟通能力、概念式思维和问题解决能力、个性特征[6]。Ronald M. EpstEIn＆Edward M. Hundert认为胜任特征建立在基本临床技能、科学知识及道德发展之上，包括认知功能、整合能力、人际关系能力、情感/道德要求、临床技能、习惯性思维、背景分析七个维度[7]。董海瑛等人通过研究医学生对各胜任特征要素的态度评价，利用因子分析及层次分析法建立了包括职业发展能力、人际关系能力、个人特质、医学专业知识和技能、辅助知识及成就导向和行动六个群的医学毕业生胜任特征模型[8]。

2．长学制中医学生胜任特征研究对中医教育的启示作用

长学制本硕连读培养模式是中医院校的重要教育模式之一。因为学制长、专业课程学习难度大、专业性强，中医学长学制学生早期树立专业取向与信念、培养专业学习胜任素质尤为重要。长学制中医学生胜任特征的研究成果可以应用到中医学生的培养、考核与评价体系中，其对于中医教育领域的意义主要体现在以下几个方面：

2.1明确培养目标，促进教育机构制度化建设

长学制中医学生胜任特征的研究为教育机构设定人才培养目标建立理论基础。以往的中医学专业培养目标侧重于知识与技能方面的要求，而对于影响中医学生专业技能掌握及发展的综合素质要求较宽泛。从中医应用型人才培养的角度，明确人才素质需求、细化培养目标、创新培养方案，成为教育机构应逐步加以完善的重要方面。

长学制中医学生胜任特征的研究是对中医教育标准的完善和补充，促进了教育机构自我反馈与修正的制度化建设。同时，也为教育机构职能发展由原先单纯的知识传授提出培养社会型、职业化、高素质中医人才的更高要求。

2.2更新教育理念，促进教学改革，完善课程体系建设，推进教学法研究

长学制中医学生胜任特征研究为中医教育者提供了一个全新的教育价值理念。中医院校可以通过建设校园环境、完善规章制度和树立良好教风学风以及带教老师的言传身教，对中医学生施加责任心、事业心、同理心、成就导向等方面的深刻影响，使学生的个人特质在潜移默化中得到培养和提高，更好的达成中医教育的目标期望，培养出更多优秀的医学人才。

同时，也应加强培养方式改革与课程体系建设。尽管目前的中医教育教学改革已经逐渐在消除以往单纯强调知识传授的弊端，越来越重视中医学生临床实践能力的培养和提高，但对于中医学生个人特质和人际关系能力等方面的培养仍然重视程度不够，没有体现在课程设置和课堂教学中。在现有的专业主干课程教学中，借鉴胜任特征的研究成果，对教学内容与教学方法进行改进；或者对现有课程难以培养的其他潜在胜任要素，开发新的课程，以完善课程体系建设；同时加强教学法研究，为突破现有教学瓶颈起到积极的促进作用。可以利用数字图书馆及临床教学基地的优势，培养学生自主学习能力，早临床、多临床，树立扎实的专业思想。

2.3创新方法，完善考核评价模式

在考核评价模式的研究中，米勒金字塔是一个非常好的用于分析评估的理论框架。米勒设计了包括4个水平的金字塔模型，用于评价医学教育的结果，同时我们也可以将其视为评价长学制中医学生胜任特征的理论模型。这4个水平分别为知识（knowledge）、能力（competence）、表现（performance）和行为（action）。目前对于长学制中医学生的考核评价模式主要包括课程考核、理念综合考核、临床技能考核几个部分。这些考核都分布在米勒金字塔的最底层，即知识、能力维度。对于高层的表现和行为，包括自我管理、学习方法的掌握、学习主动性、在实际医疗环境（病房或急诊室）中的表现等等，在现有的考核评价体系中则没有涉及。因此，中医学生胜任特征的研究，为中医学生的考核与评价提出了新的要求与标准。一方面，考核方法需要更新；另一方面，考核内容需要完善。　 2.4完善学生自我评价体系，促进职业生涯规划与发展

长学制中医学胜任特征的研究为建立一个较为全面系统的中医学生综合能力考核体系提供依据，为医学教育质量评价、教学效果评价和中医人才选拔提供新的评价方法和评价思路，培养学生自我反思与自我修正的习惯，为处于不同阶段的中医学生建立胜任特征标准参考，帮助学生为自己设定更高水平的学习目标，促进职业生涯规划与发展。

中医学专业学生应认识到胜任特征的两个层次中，冰山水下部分的潜在特征对于个人职业发展的重要影响。在学习中重视知识技能提高的同时，更要注意提高个人修养、追求成功的愿望和不断超越自我的品质，逐步塑造人格要素中对于成功起着关键作用的心理特征。

3.小结

中医教育应该重视不同胜任特征的培养，明确哪些胜任特征是优秀中医师所必需的，根据这些需要决定教什么和如何教、测什么及如何测。中医教育不是简单的培训，不能只强调传授知识，为适应医疗保健基础科学不断发展和变化的特点，应将重点转移到如何处理知识上来，应进一步更新与明确教育目标，并使考核与教育目标、教学内容相一致。

参考文献：

[1] Sandberg J，Under standing Human Competenc at Work：An interpretative approach[J]．

Academy of Management Journal，2000；43：9-25．

[2] McClelland，David C．Testing for Competenc rather than for intelligence[J]．American Psychologist，1973；28(1)：1-14．

[3] Spencer LM，Spencer SM Competence at work：models for superior performance．John Wiley&Sons，Ine，1993：222-226．

[4] Barry Smyth，Elizabeth McKenna．Competence models and the maintenance problem．Computational Intelligence，2001；17(2)：235-249．

中医学基本特征范文第5篇

首先，中医学是一个伟大的宝库。中华文明5000年没有间断，从黄帝时代甚至更早，中医学就伴随着文明慢慢成长，并在漫长的历史时期中不断积累和发展，这在世界上绝无仅有。比如，古埃及医学早就随着古埃及的衰亡而中断，古印度和古希腊、罗马医学也是如此。而中医5000年来实践和探索从未间断，大量的好东西被发现和传承下来。50个世纪所形成的丰厚积淀极其宝贵，类似于自然界中珍稀的基因库，这是中华民族对人类的巨大贡献，轻率否定传统中医学是愚蠢的。

其次，中医学有四大特征。5000年以来的中医学可以分为两个大的阶段。大体上以2300-2400年前左右（战国中前期）为分水岭，之前可称之为原始中医，之后则是传统中医。之所以以此为转折点，是因为传统中医的四个基本特征或者说四大基石在这个阶段形成，直到今天没有太大变化。

第一个特征是以阴阳五行学说为基本理念。商代出现阴阳观念，西周用阴阳来解释自然，同时出现五行观念。春秋时期又出现了五行生克说，及至战国，通过阴阳家和道家的努力，形成较完整的阴阳五行学说。当时这一先进的哲学思想，被医者运用来重新构建和统率整个中医学知识体系，使之发生根本性变化。第二个特征是以经络和脏腑学说为生理基础。经络脏腑学说是如何产生的目前尚难知晓，春秋时期的文献里只能看到关于经络和脏腑的零星描述，但战国时期已基本定型。第三个特征是以“望闻问切”为基本诊断手段，以“虚实寒热”等一整套病症概念为基本诊断标准。从现有资料看，它们也应是在这个时期形成的。第四个特征是以动植矿物为基本药物，加之以针灸、正骨、按摩和养生等基本治疗手段。这些药物和治疗方法多有长久的历史渊源，但在这一时期则有了相当显著的发展，并且与以上三个特征整合为一个完整的医学体系。总的来说，此后2000多年来中医学虽然仍在不断发展，但是以上四个特征一脉相承，直到当下也仍然处于战国时期确立的框架内。

再次，传统中医学的现代化发展，要有所区别。

讨论中医药发展，不能不关注中医上述四大基石。传统中医学的四大基石中最容易为现代科学证明和利用，并且能较快见到成效的，是治疗手段——药物、针灸、正骨以及各种养生术。这方面出成果的希望非常大，青蒿素的发现就是最典型的事例。这在传统中医学中属于技术的、形而下的层面，却是当前应该首先着力的地方。望闻问切的诊断方法与之类似。中医学的虚实寒热和经络脏腑学说，进入到相对理论化和形而上的层面，在中医学理论中是自洽的，用于治疗实践也往往有效，可是多数现代科学还没法很好解释和说明。然而中医的魅力恰恰就在于此。中医学作为人类医学知识和文化多样性的特殊构成之一，这个层次的东西是非常宝贵的，应该进行深入探讨，特别是用现代的系统论、控制论、信息论甚至量子理论等来研究它，应该大有可为，甚至可能有一些原创理论出现。中医学的最高层面是其根本思想——阴阳五行学说。不可否认即使在今天它也包含有合理因素，如辩证思维、整体思维、天人相应思维等。但阴阳五行说建立在原始思维的基础上，按照象征律的逻辑，把万事万物按照阴阳五行分门别类加以安置，比如以五行配五方、五季、五色、五脏以及天干地支等等，然后根据五行的生克制化等来推论事物之间的相互关系。它固然有自己的逻辑和推理，但是这样一种对客观事物及其关系的定位和描述无疑是很荒唐的。建立在传统阴阳五行学说基础上的古代方技巫术，如算命、堪舆、占星望气等全都被证伪和否定了，唯一还没被推翻的就是中医学领域。我们应该用辩证唯物主义和现代科学理念去重新解释和发展中医学，形成新的中医学理论体系。阴阳五行说的合理因素应该继承，但其中的糟粕必须摒弃。中医学如果还停留在阴阳五行说的水平上，要实现现代化将是不可能的。

（作者为全国政协常委，九三学社中央常务副主席）

中医学基本特征范文第6篇

摘要：从人力资源学的胜任特征理论入手，在梳理相关文献的基础上，通过行为事件访谈法和问卷调查法，构建了医学生胜任特征模型，并结合辽宁省医学院校医学生职业素质培养现状，提出了如何提高医学高等教育的有效性，探索医学生职业素质教育的新路径。

关键词：医学生；胜任特征；职业素质

中图分类号：G646 文献标志码：A 文章编号：1674-9324（2017）26-0089-02

党的十八届五中全会提出“推进健康中国建设，深化医药卫生体制改革”的战略目标，标志着卫生事业发展进入新的历史阶段。从国家导向到民生需求，对医学院校毕业生的综合能力及医学教育质量要求也越来越高，医学教育不仅重视医学知识和临床技能的传授，更注重医学科学精神和医学人文精神的融合。在真正步入从医岗位前，对他们能胜任医生工作、成为优秀医生应具备的能力或素质进行分析和研究，提出相应的有利于提高医学生胜任特征水平的教育教学措施已成为一项重要而紧迫的战略任务，是推进医学生就业、提高医疗卫生队伍服务水平的一个关键环节，也是提高全民族健康水平、推进健康中国建设的必然要求。

一、胜任特征的理论概述

David McClelland首次提出胜任特征定义：绩优者所具备的知识、技能、能力和特质。国外运用胜任特征理论在医学领域中的理论研究和实证研究开始较早，1971年Price等人运用自陈量表法、观察法和80多种标准评估方法研究实际工作中表现优秀的医生的特征要素，最终得到医生特征：诊疗能力、与其他专业人员协作的能力、学术成果、经济上的成功、对医学组织的贡献和对非医学社会组织的贡献等。我国关于胜任力的研究集中在人力资源学、教育心理学、管理学上，对医学毕业生胜任特征研究较少，随着时间的推移，胜任特征本身也要不断发展变化。基于此，本文综合运用文献法、关键事件访谈法和问卷调查法对辽宁省内的医学院校毕业生开展调研，构建辽宁省医学毕业生胜任特征模型，为医学院校的职业素质提升的教育目标、教育内容、教育过程、教育方法和教育评价提供参考依据。

二、临床医学毕业生胜任特征模型的实证研究

1.理论建构医学毕业生胜任特征模型。美国毕业后医学教育认可委员会提出临床医师胜任力的六大核心能力，即：临床知识、病人诊治、人际关系及沟通能力、职业素养、从工作中学习及成长、制度下的临床工作。我国在《本科医学教育标准DD临床医学专业（试行）》中提到本科临床医学专业毕业生应达到的基本要求：思想道德与职业素质目标12条、知识目标10条、技能目标13条。通过国内外医师胜任力的解读，本文提炼出医学毕业生的胜任特征要素中应包含：医学理论知识、临床基本技能、人际沟通能力、医生的职业精神、团队协作能力、科学研究能力。

2.行为事件访谈法。行为事件访谈法是构建胜任特征模型的最有效和最经典的方法。[1]访谈对象包括卫生事业单位管理者、医院主管教学的领导、医院带教老师、医学院校专业教师、人力资源专家、心理学家、优秀医学毕业生、普通医学毕业生，从不同角度以期获得更加全面、深入的胜任特征条目。通过访谈、编码、综合分析和归纳提炼，初步建立了医学毕业生胜任特征模型包括12项指标：医学理论知识、临床基本技能、人际沟通能力、职业素养、团队协作能力、科学研究能力、心理素质、职业发展能力、终身学习能力、随机应变能力、成就导向、公共卫生服务能力。

3.问卷调查法。根据上述文献分析和访谈结果，编制辽宁省高校医学类毕业生胜任特征问卷，问卷包括12项胜任特征指标，80个题目，采用likert五级量表评分法，并以辽宁省医学院校业生为研究对象，随机选取了省内四所大学的医学类毕业生325人，其中男生150人，女生175人；学制划分上，五年制190人，七年制135人。发放问卷325份，回收有效问卷310份，回收率95.38%。采用主成分分析法对问卷结果进行探索性因素分析，根据Kaiser标准，提取特征值大于1，因子载荷大于0.45的因子。Bartlett球型检验结果显示适合做因素分析，并且问卷的共同性良好，经正交旋转得出8个特征值大于1的因子，累计方差贡献率为66.36%，问卷的结构效度良好。根据因素负荷矩阵和因子分析的理论，删除不适合的项目，因子负荷小于0.45的包括第3，15，31项，在不同因子上负荷值接近的包括第9，23，35，67，68项。最终，确定了72个条目归为8个因素。对问卷进行信度检验，问卷的系数值大于0.70，具有较高的内部一致性。8个因素的命名分别为：专业知识、临床技能、人际交往与沟通能力、心理素质、成就导向、团队协作能力、公共卫生服务能力、职业精神。

三、胜任特征理论对临床医学专业学生职业素质教育的启示

1.高尚的职业精神是成就医学生未来发展的基石。医学职业精神是从医者在学习和实践中创立和发展并为社会所认可和推崇的一系列职业信念、价值取向及职业准则的总和，是提高患者服务质量的重要杠杆。[2]高校要加强对医学生职业道德教育，努力培养医学生博爱的人道主义精神和强烈的职业责任感，只有学生体会到了自己所从事的职业的社会意义和崇高价值，才能增强健康所系、性命相托的使命感和责任感，坚定他们从业的信心和乐业的恒心。高校可以借鉴国外成熟的课程体系，结合本土医学教育的文化，建立职业素质培养体系，从理想信念教育入手，通过入学季、表彰季、毕业季加强对专业的认同，加深职业情感，强化在临床实习实践中的医学审美教育等。

2.扎实的基础知识和娴熟的临床技能是医学生成长成熟的重要保障。医学生要热爱医学科学事业，并把热爱变为自觉履行医学职业道德的规范和行为，博采众长、精勤不倦、重视医德医术的统一，这是能够为人民健康事业做出贡献的基础条件。高校要狠抓教学质量，创建良好的学风环境，通过显性课程教学体系和隐性课外教育模式形成立体化的医学生职业素质教育模式。采用微讲堂、翻转课堂、在线学习、PBL教学等新颖的教学方法提高学生对知识和技能的理解程度。通过评优评选、榜样示范、励志教育、警示教育、谈心谈话等方式激发学生的学习热情，形成赶、学、比、拼的良好学风。同时，还要加强在临床实习各阶段的职业素质教育管理，加强岗前实践技能的培训，通过临床技能大赛、外科学技能操作大赛等医学学科竞赛、名家讲坛、学术论坛等多元化的交流平台，强化医学生的基本诊疗技能，提升医学生临床思维能力的水平，提高学生的就业力。

3.提升医学生的综合能力是胜任未来全科医生的有效助力。强化医学生综合素质教育的效果，应该从医学生的人文素质教育做起，要解决医学生如何做人、做什么样的人。它关系到医学生自身的道德水平和职业发展，也反映出医学院校的人才培养质量。现代“生物-心理-社会”的医学模式给医生提出了更高的要求，医生在医治患者病痛时，还要调节患者心理的疾患，这就需要医务工作者有主观意识上的“医学人文精神”和主体实践上的“医学人文关怀”。团队协作能力也是对未来医生的要求，一个团队需要队员互相配合才能更好地发展，医院也是如此。同时，要鼓励发展医学生的个性，发掘每个人特长和潜质，发挥学生的主观能动性，提倡积极主动的解决问题的学习方式。医学生还应具有终身学习的能力，在完成医疗工作学习的同时，医学生还应掌握最新医疗前沿发展动态，丰富自己的信息资源库，为进一步的科学研究和创新实践提供理论基础。鼓励医学生参加“挑战杯”课外科技创新活动，使理论在实践活动中得以运用和提升。学校教育要加强医学生的通识教育，完善医学生的知识结构，促进医学与社会科学的融合，有助于养成科学的思维方法和创新发展的实践精神，提升医学生的综合素质。

4.明确的成就导向是医学生不断前行的动力源泉。成就导向是指为自己及所管理的组织设立目标、提高工作效率和绩效的动机与愿望。在马斯洛需要层次理论中，自我实现是最高层次的需要。当个人希望出色地完成工作，并愿意完成具有挑战性的任务，这种人在工作中有强烈地表现欲，不断地为自己设立更高的标准，追求事业上的进步。技术精湛、医德高尚是医学生职业自我发展追求的终极目标，高校要教育和培养学生树立正确的世界观、人生观和价值观，将医疗服务的工具理性和价值理性统一起来，指导医学生进行正确的职业认知、合理进行职业生涯规划，使个人的人生理想与社会的价值需要相统一。

参考文献：

中医学基本特征范文第7篇

[关键词] 岭南地区；冠心病；证型；证素；分布特征

[中图分类号] R541.5 [文献标识码] A [文章编号] 1673-7210（2016）10（a）-0073-04

Study on regional characteristics of TCM syndrome types and syndrome elements distribution of coronary heart disease in south of the Five Ridges

ZHU Lixia

Department of Traditional Chinese Medicine， Zhujiang Hospital， South Medical University， Guangdong Province， Guangzhou 510282， China

[Abstract] Objective To incestigate the TCM syndrome elements of coronary heart disease （CHD） and syndrome types distribution characteristics in south of the Five Ridges. Methods The informations of CHD patients from the south of the Five Ridges treated in Zhujiang Hospital， South Medical University from January 2013 to December 2015 were collected， according to the identification standard of TCM syndrome types and syndrome elements， the syndrome types and syndrome elements distribution were carried out by statistical analysis. Results The proportion of blood stasis syndrome and phlegm heart vessel syndrome was 31.13% and 17.13% respectively， which occupied the dominant position in CHD patients of the south of the Five Ridges. Yin cold stagnation syndrome and heart and kidney yin deficiency were extremely rare. Syndrome elements analysis results also supported the results. Conclusion This study reveals the distribution characteristics of syndrome types and syndrome elements in CHD patients in south of the Five Ridges， which is conducive to the construction of the local area clinical path and standardized treatment programme， and it also can improve the pertinence and effectiveness of clinical treatment.

[Key words] South of the Five Ridges； Coronary heart disease； Syndrome types； Syndrome elements； Distribution characteristics

冠心病属中医“胸痹”“心痛”范畴[1]，中医认为寒邪内侵、饮食不当、情志失调以及年老体虚等因素可引发冠心病[2]。临床上较为常见、典型、证名规范的证，可称为证型[3-4]，西医辨病、中医辨证的病证结合治疗冠心病取得了满意疗效。随着时代变迁，冠心病证型分布也有一定变化[5]。王永炎院士提出的“证候要素与应证组合理论”为中医辨证规范化标准化提供了很好的思路与方法[6-7]。

证素是构成证名的基本要素，具有基本特征[8]，通过对证候的辨识而确定的病位和病性，建立了基本理论体系[9-13]。辨证过程就是根据证候（病理信息）辨别证素（确定病变本质）组合成证名（辨证诊断）的思维认识过程[14-15]。证素间的联系组合构成了完整的证名。通过把复杂证候分解为简单的证候要素，进而通过证候要素之间的组合、证候要素与其他传统辨证方法的组合，建立多维多阶的辨证方法新体系[16]。陈洪晶等[17]综述了证素分析法进行冠心病研究概况。

目前岭南地区冠心病证型多为文献个案的回顾性和整理性研究，研究对象的取舍及证型判断标准不一，少有临床大规模的统计分析报道。南方医科大学珠江医院（以下简称“我院”）在国内较早进行冠心病介入治疗，对于冠心病的治疗水平居国内前列。本文以我院门诊和住院的冠心病患者为研究对象，通过大样本的临床调查揭示岭南地区冠心病证型及证素的分布特征，以期为临床借鉴，提升治疗的针对性和有效性。

1 资料与方法

1.1 一般资料

选取2013年1月～2015年12月就诊于我院心内科及中医科住院及门诊患者，遵循无偏性、随机性和有效性原则，符合条件即纳入，共纳入有效样本800例。

1.2 诊断及辨证标准

1.2.1 西医诊断标准[18] 参照1980年国际心脏病学会与世界卫生组织临床命名标准化联合专题组的《缺血性心脏病的命名及诊断标准》。

1.2.2 冠心病中医证候诊断标准 参照《中药新药临床研究指导原则》[19]（2002年版），分为心血瘀阻证、气虚血瘀证、气滞血瘀证、痰阻心脉证、阴寒凝滞证、气阴两虚证、心肾阴虚证、阳气虚衰证八种证型，并进行症状体征分级量化。在证候诊断上，具有胸痛、胸闷主症之一，其他症状具有2项及舌脉支持者，即可诊断。

1.2.3 冠心病中医证素辨证标准 参照中国中西医结合学会心血管学会1991年修订的《冠心病中医辨证标准》[20]，分为气虚、阴虚、阳虚、阳脱、血瘀、痰浊、气滞、寒凝8个证素类型。

1.2.4 病例纳入标准 符合冠心病诊断标准，经冠状动脉造影确诊为冠心病，经过肝肾等项目检查无其他生化和器质性疾病的入选；年龄在50～70岁之间；完成证候、证素信息采集者。

1.2.5病例排除标准 经检查证实为冠心病急性心肌梗死及其他心脏疾病、重度神经官能症、更年期症候群、甲亢、颈椎病、胆心病、胃及食管反流等所致胸痛等；合并重度高血压，重度心肺功能不全，重度心律失常，肝、肾、造血系统等严重原发性疾病，精神病患者；过敏体质及对多种药物过敏者。

1.3 研究方法

为避免不同人员对辨证分型的主观性差异，本研究由作者一人完成全部辨证、信息采集工作。通过作者对冠心病患者逐一进行临床诊察和访谈，采集基本信息、证候表现、四诊信息等，作为有效样本纳入本研究中，并建立ACCESS数据库。

2 结果

对主要症状、证型及证素指标进行描述性统计分析，以百分比（%）形式列出各证型、证素所占比例。

证型分析结果表明岭南地区冠心病证型中心血瘀阻证、痰阻心脉证、气虚血瘀证占主导地位，证型分布排序为：心血瘀阻证>痰阻心脉证>气虚血瘀证>气滞血瘀证>气阴两虚证>阳气虚衰证>阴寒凝滞证>心肾阴虚证。

证素分析结果表明实证略多于虚证，证素分布排序为：血瘀>气虚>痰浊>气滞>阴虚>阳虚>阳脱>寒凝。由于一个冠心病患者可能兼有两个以上证素，则证素比例结果可超过100%。

3 讨论

随着生活水平的提高和生活方式的转变，人类疾病谱在不断变迁，冠心病证型及证素分布特征并非一成不变，亦会随着经济社会发展的规律而动态演变，及时追踪并更心病证型分布特征对冠心病治疗具有临床意义。

冠心病的发生、发展是生活方式、遗传因素和环境因素等多因素共同作用的综合结果。中医很早就认识到地理环境对人体生理、病理的影响，《素问・异法方宜论》云：“东方之人易患痈疡，西方之人其病生于内，……中央之人易病疾厥寒热。”中医学针对疾病发生的地域差异，提出了“同病异治、三因制宜”的观点。中国幅员辽阔，各地饮食习惯、气候特征、地理环境、文化秉性存在显著差异，根据“天人相应”“天人合一”的理念，人和自然构成复杂相互作用的生态圈，不同地区特殊的自然、人文环境奠定了影响冠心病证型分布的物质基础，不同地区冠心病证型及证素分布特征理论上存在地域性差别。田松等[21]研究证实冠心病证型具有明显的地域性特征。

我国岭南地区经济发达，冠心病患者口基数大，具有独特的自然环境和人文环境，气候、习俗、体质禀赋、饮食用药习惯等相似，构成了我国特殊的地理单元，冠心病证型及证素分布可能其他地区存在较大差异，亦有可能形成相对封闭的证型分布特征。本文通过临床大样本抽样，提取了我院冠心病患者证型及证素分布特征。我院为南方医科大学附属三甲教学医院，在华南地区率先开展逆行导丝CTO PCI手术和左主干PCI手术，在全国冠脉介入业内具有很高的知名度，其精湛的技术和良好的效果在患者中享有较高声誉，吸引了岭南地区大批患者慕名就诊，冠心病住院收治患者位居华南地区前列。本研究涉及患者来自以广东省为主的岭南地区，通过随机抽样确保样本来源具有代表性，通过作者本人的实地调查，确保辨证分型标准的一致性和连续性，而使结果具有良好可信度。

中医学认为冠心病病位为心，但与肝、脾、肾三脏密切相关，主要病机变化是在心、肝、脾、肾气血阴阳失调的基础上，兼有痰浊、血瘀、气滞、寒凝等病变，从而产生不通则痛或不荣则痛的表现。冠心病患者既有临床症状的个体差异，同时在特定地域范围内部分患者证候具有趋同性。通过对岭南地区冠心病中医证候分布特征研究，结果显示本区域与全国整体比较既有共性又有地域性特点。

《岭南卫生方》曰：“岭南既号炎方，而又濒海，地卑而土薄。炎方上薄，故阳燠之气常泄；濒海地卑，故阴湿之气常盛。”岭南地区经济发达，近年来饮食结构发生改变，鱼虾等高蛋白食品摄入过多，且炎热潮湿气候易耗气、伤脾，根据天人相应的中医理念和机体对外界的适应性反应，可解释阴寒凝滞证及心肾阴虚证较少，证素分析结果同样支撑了此结论。

挖掘冠心病的主要证候特征、分布规律，有利于构建本地区冠心病中医临床路径和标准化治疗方案，建立适应本区域内冠心病患者中医证候的精准辨证体系。在冠心病患者中医辨证的基础上，结合具有“整体观”特征的代谢组学、脂质组学等系统生物学研究方法，通过对不同证型的冠心病患者血液、尿液等生物样本分析，揭示冠心病证候分布地域性特征的时空要素、病理生理学物质基础，进而发现具有潜在临床价值和诊断意义的生物标志物，使之成为具有普遍适用性的辨证指标，能够实现冠心病中医证型的精确判断、客观分型，可有效克服医师辨证的差异性、主观性，更加“稳、准”地进行冠心病病证结合治疗。

冠心病证型分布具有地域性、变迁性特点，随着经济发展水平和饮食习惯、生活方式、工作节奏、社会压力的变化，心理、情感、精神等因素越来越多地影响冠心病发生发展。如以冠心病证型分布百分比对证型绘图可构建证型分布曲线，通过曲线可直观提取证型迁延变化规律及相对分布特征。

挖掘岭南地区冠心病证素组合规律，通过单证素、两证素、多证素等证素组合[22]研究能化繁为简，使对证候的研究更细致、更科学，可以更充分凝练岭南地区冠心病患者证候特征，用聚类分析及对应相关分析可揭示证素组合中证素与证素的密切联系，以期为冠心病治疗提供充分的依据。

本研究病例全部来自同一家医院，由于患者就医习惯、费用考虑等诸多因素影响，在病例获取上可能存在偶然性、偏差性，今后在统一规范冠心病诊断及辨证标准前提下，积极开展前瞻性、回顾性的岭南地区多中心、大样本的冠心病证候学临床调查，借助大数据云计算、人工智能、数据挖掘等技术，进一步揭示岭南地区冠心病的地域性特征，为临床治疗提供依据。

[参考文献]

[1] 吴以岭.脉络论[M].北京：中国科学技术出版社，2010：737.

[2] 丁莉，王海黎.从中医辨证角度谈谈冠心病的中药治疗[J].中国医疗前沿，2011，6（17）：62-63.

[3] 邓铁涛.中医诊断学[M].上海：上海科学技术出版社，2002：6.

[4] 杨维益，王天芳，陈家旭，等.关于中医证的概念及其定义的思考[J].中医杂志，1996，37（6）：370-373.

[5] 吴朦，胡镜清，江丽杰，等.冠心病中医证分类及其关联理化指标的研究[J].世界科学技术：中医药现代化，2016， 18（5）：776-785.

[6] 张志斌，王永炎.证候名称及分类研究的回顾与假设的提出[J].北京中医药大学学报，2003，26（2）：1-4.

[7] 王永炎，张启明，张志斌.证候要素及其靶位的提取[J].山东中医药大学学报，2006，30（1）：6-7.

[8] 朱文锋，张华敏.“证素”的基本特征[J].中国中医基础医学志，2005，11（1）：17-18.

[9] 朱文锋，朱咏华.对辨证规律与方法的研究[J].湖南中医学院学报，2002，22（2）：1-3.

[10] 朱文锋.创立以证素为核心的辨证新体系[J].湖南中医学院学报，2004，24（6）：38-39.

[11] 朱文锋，张华敏.“证素”的基本特征[J].中国中医基础医学杂志，2005，11（1）：17-18，33.

[12] 朱文锋，李灿东，甘慧娟.病位证素的特征[J].福建中医药，2005，36（4）：1-4.

[13] 朱文锋，黄碧群，陈新宇.病性证素辨别的意义与方法[J].中医药学刊，2006，24（2）：204-205.

[14] 黄碧群，朱镇华.证素等概念的辨析[J].中华中医药杂志，2005，20（5）：273-274.

[15] 李建超，彭俊，彭清华，等.证素及证素辨证研究的思考[J].湖南中医药大学学报，2016，32（2）：3-8.

[16] 王阶，李军，姚魁武，等.冠心病心绞痛证候要素与应证组合研究[J].中医杂志，2007，48（10）：920-922.

[17] 陈洪晶，石磊.证素分析法冠心病应用现状探讨[J].内蒙古中医药，2016（5）：168.

[18] 国际心脏学会与世界卫生组织命名标准化联合专题组.缺血性心脏病的命名及诊断标准[J].中华内科杂志，1981，20（4）：254.

[19] .中药新药临床研究指导原则[S].北京：中国医药科技出版社，2002：69-70.

[20] 中国中西医结合学会心血管学会.冠心病中医辨证标准[J].中国中西医结合杂志，1991，11（5）：257.

[21] 田松，袁肇凯，黄献平，等.基于比较流行病学的冠心病中医证型及证素地域性分布特征研究[J].中医药导报，2014，20（12）：9-12.

中医学基本特征范文第8篇

关键词：中医英语翻译；区别性特征；指导原则

基金项目：黑龙江省教育厅人文社会科学基金项目“目的论视角下非文学翻译之策略研究”。 编号：12534096

1. 中医英语翻译的特点

在探究中医翻译时，首先应当认真研究中医语言的风格和特点。只有揭示了中医语言的语义特征，才能正确理解中医医理，准确地将中医语言的含义转达到译语中去。

1.1 宏观性特征

中医的理论体系是在中国古典哲学基础上发展起来的。如中医学上的“阴阳”学说原本是中国古代的哲学概念，后被中医学用来阐释人体的结构、生理、病理，并指导临床的诊断。因此，对于中医英语翻译者来说，通过学习医学史来了解中国传统哲学与中医学说之间密切联系对其更好的领悟中医内涵从而提高翻译的准确性有着十分重要的意义。

1.2 词汇学特征

1.2.1 语言的“模糊性”

“语义模糊”是指其内涵与外延的不确定，概念紊乱。中医藏象学说关于心、肝、脾、肺、肾的概念比实际解剖概念宽广复杂，一些疾病的命名有的以病命名，有的以症状命名，病、征、症三者概念不清，容易产生概念的歧义。

1.2.2 语言的“歧义性”

中医界有人明确指出“中医学的许多基本概念具有外延广泛、一词多义的特点，对某一术语的理解，在学术争鸣中常有歧义和误会。”

1.3 风格学特征

1.3.1 专业化水平低

从历史的角度来看，中医语言是它产生的那个时代日常用语、文学用语及哲学用语的混合产物，因此专业化程度低。近年来，人们已开始摸索用现代语言对中医的医藉进行全面整理，术语实现国际标准化，以便进行国际学术交流。

1.3.2 文学色彩浓郁

医学语言文学化是中医语言风格一大显著特点，其文体有歌咏、诗赋，语言具有浓郁的古典文学色彩。医学语言文学化，与科技用语力求客观、严密、准确、简练的要求大相径庭。因此，要解决中医语言中文学色彩问题，必须明确中医翻译的原则问题，进而可以确立翻译的程序。

2.中医英语翻译的原则

目前的中医翻译由于缺少统一的指导原则，陷入混乱局面。如将“五行”译成“five elements”， “five phases”和“Wux-ing”，这种混乱局面严重影响了中医的对外交流。有鉴于此，李照国博士总结归纳中医翻译三条原则即“薄文重医，依实出华”、“比照西医，求同存异”、“尊重国情，保持特色”。上述三原则为广大中医翻译者在进行翻译时提供的重要的参考，具有深远的指导意义。本文在澄清中医英语翻译特点的基础上，以李照国博士提出的中医英语翻译三原则为理论指引，旨在从翻译的现实角度进一步指出中医英语翻译的原则，从而构成中医英语翻译之策略研究的重要组成部分。

2.1.自然性原则

所谓自然性原则就是把有些中医术语用译入语的相应词汇进行对应翻译。在理论上，中医和西医在哲学和病理机制方面截然不同，但由于都是以对各种疾病的发生、发展和治疗为研究对象，目的都是为了防病治病，保障人们的身体健康，所以两者在许多方面具有相似性。在翻译时既要考虑到祖国医学的特殊性，又要考虑到自然科学的共同之处。英国著名翻译家纽马克（Newmark）提倡“交际翻译法”，要求译文在转达原文信息内容的同时，尽量可能符合译入语的表达习惯。

2.2.民族性原则

李照国在中医翻译的基本原则中提出了“比照西医，求同存异”的原则。然而，实际上只有一部分用语能从西医中找到对应语。语言国情学家认为，一种语言中总有一些反映该民族特有的事物、思想和观念在别国语言中找不到相应的词语。这类词虽然所占比例很小，但十分重要，因为它们反映了一种文化区别于另一种文化的象征。处理这类词时，在欧洲各国的语言中一般都采用原词照借―即音译的办法。拿中医的“气”来讲，有功能之气，也有物质之气，有先天之气，也有后天之气，有元气、宗气、肾气、中气等等。如果按原来的“vitalenergy”翻译，总觉得言犹未尽，概念不明，不如直接用拼音“qi”来代替。其实，在中医的许多基本概念中，这种译法非常普遍。

李照国指出，要使中医特有的概念在英译中保持特有的内涵，音译恐怕是唯一可行之法。同时，李博士也承认，音译乃是“不得已而为之的办法”。因为音译不能见词明意，对读者的理解造成困难，或多或少地影响了信息的表达。

2.3.回译性原则

所谓回译性原则就是指英译的中医术语在结构上与中文相似或相近，有利于两种不同体系的医学在国际上实现双向传递。中西医学差异很大，而中医又纯属中国特有的文化现象。回译性正是基于建造横跨两种文化之间的桥梁而采取的翻译方法。而且，具有回译性的翻译能够较准确地再现原文所含信息，减少翻译过程中对信息的损益程度，有利于中医工作者较快、较好地掌握中医英语。

4. 结论

从近些年来中医英语翻译的发展历程可以清楚看到，语言问题（中西差异、语言标准化）是导致国内中医英语翻译研究发展缓慢的根本原因。本文以澄清中医英语翻译特征为基础，进一步阐释了中医英语翻译的指导原则，对未来中医英语翻译的发展之路有着一定的积极意义。

参考文献：

中医学基本特征范文第9篇

关键词：迁移学习；智慧医疗；机器学习；深度学习

近年来，随着计算机科学、物联网、数据科学等的飞速发展，人工智能相关技术与相关产品也在各个领域有着广泛的应用，例如图像识别、文本分类以及语音识别技术等。此外，智慧医疗（WiseInformationTechnologyofMed，WITMED）也取得了重要成果。为了保证训练所得深度学习模型的性能，通常对数据有一些要求，即训练数据和测试数据的特征空间和分布必须相同[1]。然而在医疗领域，其产生的数据具有数据量大、数据类型繁杂、非结构化数据占比大的特点，而且对医疗数据的标注通常需要由拥有充实生物医学知识背景、熟悉诊疗过程的专业人士来完成或指导。若仍采用传统的深度学习方法，则标注任务的周期大大加长，且标注任务也较为繁重。如果在医疗卫生领域将其他场景中的知识迁移、复用到所需场景中，寻找源域和目标域的相似性，则可以有效解决跨域场景下多源异构数据的分析和建模问题，为工作人员带来极大的便利。在总结迁移学习方法的基本思想和类型的基础上，通过文献调研方法探讨了近年来迁移学习在医疗卫生领域的应用现状，旨在为信息时代构建智慧医疗模式提供参考，为科研和医务工作者提供相应思路。

1迁移学习简介

1.1迁移学习的概念

迁移学习是一种新兴、跨任务、跨领域的新型机器学习框架，能够从不同的领域中学习对目标领域有用的知识并将其应用到新的任务中，具有较高的理论研究价值。其主要思想是将源域中的知识迁移到目标域中，以提升学习模型的表现。在大数据时代，迁移学习技术可以在一定程度上解决传统机器学习模型训练过程中低效率的样本标记任务导致的人力和时间资源消耗过大等问题，同时还可以有效解决标注数据的稀缺问题。迁移学习可以从3个方面进行分类：①根据学习的情境，可将其分为直推式迁移学习、归纳式迁移学习以及无监督迁移学习；②根据数据的特征空间，可将其分为同构迁移学习和异构迁移学习；③根据学习方式的不同，可将其分为基于特征的迁移学习、基于实例的迁移学习、基于模型的迁移学习以及基于关系的迁移学习[2]。

1.2迁移学习与传统机器学习的区别

传统的机器学习和深度学习方法对数据的要求较高，其采用的数据必须服从独立同分布且来源于相同的特征空间，需要有足够多的训练样本。在医疗卫生领域中，由于医学数据如医学影像等难以获得，其数据专业性较强、标记成本较高，导致有效标记的数据样本十分有限，而且数据的分布也可能随着各种动态因素而变化，因此传统机器学习方法的数据要求往往难以得到满足。而迁移学习方法放宽了训练数据和测试数据需要服从独立同分布这一假设，使得参与学习的领域或任务可以服从不同的边缘概率分布或条件分布，同时也不需要足够多的数据标注，可以重用其他任务已经建立的模型，从而利用相关领域的知识来完成目标领域的任务。

2迁移学习技术在医疗卫生领域的应用现状

对于医疗卫生领域，其数据拥有专业性较强、非结构化数据较多、种类繁杂以及数据量大等特征。若在医疗卫生领域采用传统的机器学习或深度学习方法，由于数据特征和标签的专业性较强，因此会导致对医疗记录、数据的标注任务较为繁重，费时费力。而运用迁移学习技术，则可以较好地解决这一难题。

2.1迁移学习技术在医学影像诊断中的应用

医学影像中往往含有丰富的信息。近年来，随着人工智能技术和产业的发展，基于迁移学习的医学影像诊断也有了广泛的研究与应用，提高了传统医疗影像识别的准确率，帮助医生节省了大量的时间，可以辅助临床医务人员对患者的健康状况进行诊疗。党维涛等人利用迁移学习方法，通过构建上肢骨骼异常分类与定位的深度神经网络模型，实现对异常X射线片的快速分类和异常区域的自动定位[3]。该方法使用基于迁移学习的深度神经网络模型，通过引入经过预训练的DenseNet模型，针对上肢骨骼X射线片的分类进行再训练，从而提取骨骼X射线片的特定图像特征，获得多层特征图。基于梯度加权类激活映射图求得特征图的加权系数，构建类激活图，从而得到此图片中各个像素点对异常分类概率影响程度的大小，实现对图像的分类和对异常区域的精准定位。使用此方法对异常X射线片进行整体分类与异常定位的模型框架如图1所示，可为影像科医生提供辅助参考[4]。此外，杨沐泓等人提出一种基于卷积神经网络和迁移学习的COVID-19影像自动诊断方法[5]。该方法使用Kaggle的新冠肺炎数据集，通过使用已经初步训练好的模型，对少量样本进行迭代更新，利用多源迁移学习方法训练神经网络，将各个数据源训练的不同权重参数整理为权重参数集。得到预训练模型后，再使用医学影像数据对系统进行迭代更新，从而对图像进行诊断，在该数据集达到了较高的准确率。通过迁移学习方法进行中医诊疗的相关研究工作较少，随着迁移学习在其他医学影像领域分析研究的发展，也为其未来应用于中医诊疗领域提供了一个可关注的方向。目前，中医诊疗主要将其用于解决舌象分类问题。杨晶东等人提出一种基于迁移学习的全连接神经网络舌象分类方法，该方法使用训练好的Inception_v3，从小样本舌象训练集中提取特征，再利用特征微调全连接神经网络，较好地解决了深度学习方法小样本、多分类的难题[6]。宋超等人提出一种基于深度迁移学习的舌象特征分类方法，该方法先使用级联分类器对原始图像进行舌体定位，再将分割后的舌体图像在GoogleLeNet和ResNet上进行深度迁移学习训练，从而对齿痕、裂纹、舌苔薄厚3种主要的设想特征进行分类[7]。上述两种舌象分类方法，均达到了较高的准确率。

2.2迁移学习技术在医学文本中的应用

由于现代医学文本数据的非结构化特征，难以对医学文本进行有效利用，因此如何构建结构化医学文本成为一大研究热点。张博等人提出一种基于迁移学习和集成学习的临床试验筛选标准短文本分类方法[8]。该方法基于迁移学习理论，利用目标域的数据集对预训练的语言模型进行微调，从而得到具有丰富目标域语义信息的语言模型。同时将其与主流的神经网络模型相结合得到医学文本分类器，并针对医学文本分类任务对其进行微调，在集成学习过程中使用beamsearchensemble算法来提高整体性能，最终得到了较高的准确率。刘佳苪提出一种基于迁移学习的小规模医学领域文本摘要生成模型[9]。以医学领域专业型较强的小规模文本数据为研究对象，提出基于迁移学习的Seq2Seq模型，对文本内容进行摘要标题的生成。通过参数优化实现跨域模型同参的效果，并在预训练模型中加入嵌入位置层对长文本限制进行弱化，从而使所得模型的自适应性更强。

2.3迁移学习技术在医学信息资源中的应用

随着网络技术的进一步发展，网络上医学相关的新闻信息量过于庞大，且存在大量虚假、无效或重复的信息，使得没有专业知识背景的公众难以辨别其真伪和有效性。与浅层的机器学习方法相比，深度学习具有更强的数据识别能力和知识表示能力，更适合用于信息的挖掘、分析与处理。使用迁移学习技术，可以在一定程度上打破传统机器学习和深度学习方法对海量标注数据依赖的局限性[10]。赵梓博等人提出一种多任务环境下融合迁移学习的疫情新闻要素识别方法[11]。该方法结合命名实体识别与规则识别方法，通过多个任务对多类别的新闻要素进行识别，并采用模型迁移方法来解决新闻领域数据冷启动的问题，得到了识别效果较好的跨领域要素识别模型。

2.4迁移学习应用过程中的安全问题

虽然迁移学习、深度学习以及其他人工智能技术可以很方便地为医生的疾病诊疗提供参考依据，但在实际应用中，为了确保训练模型的真实性、有效性，训练所用的数据大部分是患者们的隐私数据。假如网络遭受恶意攻击，容易导致训练集中的患者隐私数据发生泄露。如果在数据传输的过程中被窃取，不法分子可能利用这些私有数据进行不法活动，危害用户的财产和人身安全，甚至威胁社会稳定。PAPERNOTN等人提出一种深度学习过程中的训练数据隐私保护方法[12]。该方法采用教师模型全体的隐私聚合（PrivateAggregationofTeacherEnsembles，PATE）模型，利用半监督学习和知识迁移方法对训练数据进行保护。PATE模型的网络分为教师和学生两部分，将隐私数据用于教师网络的独立训练，通过投票法将教师的知识传递给学生，并添加噪声以扰动教师信息，从而达到对整个网络的保护效果。以卷积神经网络为例，PATE模型的主要流程如图2所示。通过该模型，既可以将各个教师的网络聚合起来，又能够保护其隐私。若将这些教师视为各个医院等医疗机构，则可以理解为这些医疗机构试图提升其预测效果且不希望隐私数据被其他参与者获得。田啸天针对皮肤镜图像数据集，提出CNN卷积神经网络模型优化方法并改进了PATE模型，使用差分隐私保护基本思路对PATE模型的网络结构进行完善，进一步提高了患者隐私数据的保护效果[13]。

3结语

中医学基本特征范文第10篇

【关键词】 医院文化 内涵 根本性 整体性 层次性

医院文化是以共同价值观为基础，医院全体职工所共同遵循的目标和行为规范及思维方式有机结合的总称，医院文化是医院的底蕴和灵魂，是一种价值观，是医院核心竞争力的重要组成部分。文化事实上是一种人化的产物和结果。就文化本质而言，医院文化同样具有文化的民族性、科学性和大众性等基本属性，医疗行业的特殊性决定了医院文化内涵具有根本性、整体性和阶段性的三个特征。

1 医院文化具有根本性

文化代表着基本的价值观念，医院文化是医院的灵魂，在医院发展中有着不可或缺的支撑作用，只有那些具有服膺万众的医院文化的医院才会在激烈的竞争中立于不败之地。这凸显出医院文化具有根本性。

随着WTO的加入，以知识经济为特征的全球化和信息化新经济时代的到来，医疗市场的竞争正面临着全面的开放式的高强度竞争，而医院间竞争最终是文化的竞争。

优秀的医院文化是比设备、资产更重要的医院财富，是医院发展的最关键因素。医院文化决定了医院与病人、医院与社会、医院与环境、医院内部人与人之间关系的基调。医院文化的根本性表达在医院内部形成的基本价值观上，而这基本价值观的确立应具有独创性和不可模仿性。正如老子所言“万物生于有，又生于无”。因为，只有独特的医院文化才是最不容易被克隆，最不容易被竞争对手模仿和超越的。

2 医院文化具有层次性

作为医院无形资产的医院文化必须通过有形载体来表达和实现。杨曾宪等国内大多数学者根据文化的不同性质，将医院文化分为物质文化、制度文化和精神文化。因此，医院文化具有层次性。医院文化建设应在三个不同、依次递进又相互重叠的层次上展开。

2.1物质文化 物质文化是医院文化中最为表浅的第一个层次，物质文化是医院文化最直观的载体，是医院文化的表象，如医院的院徽、院容院貌、院歌等能在外部直接表达的医院特征，是医院外在形象。

医院环境和建筑是医院物质文化的一个重要组成部分，能较好地体现出医院文化特征。如协和医院的琉璃瓦建筑结构所透出的那份凝重与协和医院一向稳重严谨的风格十分吻合，体现出了协和医院文化的积淀和历史的绵长。良好的医院表象文化可以起到展示医院个性、熏陶和培育职工精神文化的作用。

2.2制度文化 制度文化是医院文化的第二个层次，制度文化是医院文化建设的重点和基础。制度文化是医院精神文化的体现和外化。医院各项规章制度、医疗活动的流程程序、各种操作规范、医院管理和运作制度等均是医院制度文化。医院员工的核心价值观要通过制度文化来表述，通过制度文化来培养，医院运作的高效、有序与成功的医院制度文化建设有着紧密的关系。

2.3精神文化 精神文化是医院文化的第三个层次，也是医院文化的最高层次，是医院文化建设的核心内容和最高境界。精神文化是物质文化和制度文化两个有形文化的升华。精神文化的核心内容是形成医院的核心价值观和医院精神。核心价值观以员工共同价值观为基础，是医院主导思想。在多元化日趋明显和外来文化的冲击下，凝炼医院精神，培育共同价值观对医院的发展有着极为重要的作用。如培育员工的服务意识、品牌意识、质量意识、竞争意识和市场意识就是“以病人为中心”的医院精神文化的一个重要内涵。医院精神文化是不能直接触摸到的，但可以在每时每刻、在每件事、每个角落中和每个职工身上感受和体验到。

医院文化的层次性对实施医院文化建设具有较强的指导意义。医院文化的层次性决定了医院文化建设的阶段性。表象文化作为一个低层次文化较容易达到，但是制度文化是需要长期和艰苦的坚持和不断地完善来实现的，而高层的医院精神文化则是长期传统的传承和经久的文化积淀的结果。通常来讲，医院文化需要分阶段实施，根据马克思主义哲学原理，任何事物都是互相作用和相互依存的，三个层次和三个阶段事实上是不能绝然分开的，是互为交叉、互为重叠和相互支撑和影响的。因此，医院文化建设中必须统筹兼顾，既分步实施，又主题明确，既相对独立，又相互统一，使精神文化最终成为医院的灵魂。

3 医院文化具有整体性

医院文化是通过医院员工这个载体来发挥作用的，而绝大多数的医疗服务活动是一个整体的团队活动。因此，医院文化具有整体性。医院文化的整体性是由三个方面所决定的。

医院文化的整体性由文化的载体特征所决定。任何一种文化都需要有形的特定载体来传承和实施，医院文化是医院管理的一个重要部分，其融合在医疗活动和医院管理的每个细节中，医院经营管理要受到医院文化的指导和制约，医院文化也必须服从和服务医院的经营管理，否则，皮之不存，毛之所存焉？

医院文化的整体性由文化的导向作用所决定。文化代表着基本的价值观，医院文化建设的终极目标是在医院员工中形成共同的价值观，为医院发展铺垫思想基础。文化对人们思想、心理和行为的导向作用已是不争的事实。通过文化的训导和教化，使医院员工形成和固化医院核心价值观，培养和引导全体员工达成清楚和明了的共同价值观为核心，形成共同的目标追求、价值取向和道德情操，增强医院内部凝聚力和使员工认知共同的行为规范。

医院文化的整体性由文化的流行特征所决定。从众心理是人类的一个心理活动的本能。文化的流行特征是十分明显的，特别是表象文化和制度文化更趋流行性。医学是自然科学和社会科学结合最为紧密的学科，只有医院文化与环境、社会和主流文化实现了融合，医院文化才会有生机和活力。所以，医院文化建设中必须整体考量社会、环境和文化多元性等要素。

医院文化是医院的灵魂，创建成熟的具有独特品质魅力的医院文化已是医院成长进步、永续发展的核心动力。在建设先进的医院文化中，必须认真考虑医院文化的根本性、层次性和整体性，以医院文化内涵的深度理解来培育具有鲜明特色和经久不衰的医院文化。

参 考 文 献

[1] 《中国大百科全书》哲学卷（二），1987，824.

[2] 吕进.巅峰管理.世界知识出版社，2003，251.

[3] 杨曾宪.理论学刊.山东省委党校，1999，15（3）.

中医学基本特征范文第11篇

刚体医学图像配准主要是针对头颅或骨骼图像进行配准的一种方法。本文对刚体医学图像配准进行了分类研究，基于外部标记点的配准方法实现起来相对简单，但是不能进行回溯性配准;而基于内部特征的刚体配准方法，包括基于特征点、直线段、轮廓、主轴和矩阵以及基于灰度信息等的配准方法则克服了该缺点，可实现回溯性配准。

【关键词】

刚体配准；回溯性；特征点；灰度信息

1前言

随着医学影像技术的快速发展，出现了多种类型的医学影像设备，并且这些设备各有所长，采集到的医学图像差异也很大，图像信息的融合就成为迫切的需求，因此图像配准作为医学图像融合的关键技术就成为了一个研究热点。医学图像配准是指对不同成像时间、不同人体或不同模态的多幅图像进行空间变换，使描述相同解剖结构的体素在同一空间坐标下匹配对应，去除图像之间的几何不一致性。根据研究对象的不同，医学图像配准主要分为刚体配准和非刚体配准两种方法。刚体配准主要是指针对头颅区域和骨骼的图像的一种配准方法，非刚体配准主要针对、肝脏、肾、心脏等图像的一种配准方法。本文主要研究的是刚体医学图像的配准，它分为基于外部标记点的刚体配准和基于内部特征的刚体配准，下面就对刚体图像配准进行详细的介绍和分析。

2基于外部标记点的刚体配准

基于外部标记点的刚体配准方法是最早出现的刚体图像配准方法。该方法的基本原理为:首先人为地在受试者体外或者体内加入某些标记，并使得在不同的成像模式中这些标记可见，然后通过标记点的位置进行两幅图像的配准。基于外部标记点配准方法中最常用的一种方法是立体定位框架法(FidutialStereotacticFrame)。基于外部标记点的配准方法的优点是:计算简单，自动化程度高，配准结果相对较准确，实现过程简单。缺点是:该方法不包含与病人相关的图像信息，而且在图像获取前就要引入标记点，因而该方法不具有回溯行。

3基于内部特征的刚体配准

内部特征就是指图像本身的可明显识别的特征，主要包括医学图像中的解剖结构点、几何特征、统计特征或者某区域内的像素强度特征。基于内部特征的医学图像配准方法具有可回溯性，不会对患者造成伤害，是当今配准领域的研究热点。

3．1基于点特征的配准方法基于点特征的配准方法就是在原始图像中提取一定数目具有代表意义的点作为图像配准的对象，与原始图像信息量相比，这些特征点是稀疏的，因此对于目标函数的搜索速度比较快。目前基于特征点的配准方法层出不穷。Savi等［1］实现了心脏PET图像和超声图像之间的刚性配准。Ryan等［2］利用这种方法实现了视网膜图像的配准，主要是通过计算平移和旋转的相似性变换系数来匹配特征点。Betke等实现了肺部CT扫描图像的配准。

3．2基于直线段和轮廓的配准方法目前，基于边缘、轮廓的图像配准方法也是图像配准领域的一个研究热点。直线段是图像中相对易于提取的一个特征。因此许多人都对直线段的配准方法做了一些研究。比如，Medioni和Nevaria通过分割直线段的方法来实现刚体图像配准。对于轮廓特征，HuiLi提出了一种基于轮廓的图像配准方法。该方法首先采用拉普拉斯———高斯算子，进行图像中轮廓特征的提取，然后采用链码的方式来表示轮廓，再找出图像中轮廓的对应关系，从而得到两幅图像的变换关系。

3．3基于主轴和矩的配准方法基于主轴和矩的配准方法，简单来说，就是利用图像间像素灰度的统计关系进行配准的方法，该方法主要应用于多模图像的配准中应用较多。吴锋等提出了一种基于轮廓的力矩主轴配准方法。葛云等提出了Legendre正交矩，该方法的优点是具有重建特性，且可在一定程度上提高配准精度。但是整体来看，基于主轴和矩的配准方法具有一定的使用局限性，主要表现在计算结果不够准确，因此主要适用于一些图像的粗配准中。

3．4基于灰度信息的配准方法该方法利用图像的像素灰度信息，计算两幅图像对应像素对的统计关系来实现图像配准的，目前主要广泛应用于多模图像的配准中。该方法最初是由Woods等提出的。Hill等对Woods的方法进行了改进，他通过建立联合直方图来描述灰度对应关系，进而进行图像配准。Collignon和Studholme用熵作为配度，后来Collignon等又将“熵”的概念延伸到了互信息，并在多模医学图像配准中进行了成功应用。

4结语

目前，刚性医学图像配准的方法多种多样，各有优缺点。基于外部标记点的刚体配准方法虽然计算简单，自动化程度高，配准结果也比较准确，但是不可实现回溯性配准，因此实用性大大受限。而基于内部特征的刚性配准能很好的解决这一问题，可实现回溯性配准，因此基于特征点(如直线的交点、角点等)、特征直线段、轮廓、主轴和矩以及灰度信息的配准方法，得到了很大的发展和广泛的应用。

参考文献:

［1］冯林，管慧娟，孙焘，滕弘飞．医学图像非刚性配准研究进展［J］．北京生物医学工程，2006(04)．

中医学基本特征范文第12篇

1什么是CBIR

传统的基于文本的图像检索（Text-Based Image Retrieval，TBIR）技术是先通过人工方式对图像进行文字标注，再用关键字来检索图像，这种方式耗时并且主观，无法满足大规模图像数据的检索需要。基于内容的图像检索（Content-Based Image Retrieval，CBIR）技术是根据图像对象的内容及上下文联系在大规模多媒体数据库中进行检索。

2神经网络的特点

神经网络是在现代神经学的研究基础上发展起来的一种模仿人脑信息处理机制的网络系统，它具有自组织、自学习和极强的非线性处理能力，能够完成学习、记忆、识别和推理等功能，它已在控制、模式识别、图像和视频信号处理、人工智能、自造应滤波等方面获得了应用。医学上，神经网络这一智能的诊断方法，能够排除各种人为因素，得到准确客观的诊断结果，对医学图像数据若用传统的线性处理模式通常不太好处理， BP神经网络是众多神经网络中应用最广泛的一种多层前馈神经网络，图1所示为三层BP神经网络。

3蚁群算法

蚁群算法[6]（Ant Colony Optimization，ACO）是由意大利学者Dorigo等人于20世纪90年代初期通过模拟自然界中蚂蚁集体寻径的行为而提出的一种基于种群的启发式随机搜索算法。蚁群算法作为一种新型的智能仿生模型，近几年在图像分割、图像特征提取、图像匹配、影像纹理分类、图像检索等领域都取得了研究成果[8]。

4神经网络算法和蚁群算法在医学图像检索中的应用

CBIR检索过程是一个逐步求精的过程，其在医学上的应用可以看成是用户（放射学者、医师等）和医学图像数据库之间的一个交互过程。其基本原理是：对医学图像数据库中的每幅图像先进行特征分析，提取图像的特征；建立医学图像数据库的同时，建立与图像库相关联的特征库；在进行图像检索时，对给定的查询例图，先提取特征向量，再将该特征向量与特征库中的特征向量进行匹配，根据匹配的结果在医学图像数据库中搜索，即可检索出所需的图像。本文结合神经网络算法结合蚁群算法，将其应用于医学图像检索，见图2。

4.1医学图像预处理 在医学方面，图像预处理的主要目的是消除图像中无关的信息、增强有关信息的可检测性并最大限度地简化数据，从而提高医务人员对图像判读的准确性及效率。本课题中图像预处理方法由图像增强、图像分割组成。

4.1.1图像增强 图像增强[2]是进行图像检索的先行步骤，可以用公式 来表示，其中 是输入图像， 是增强后的图像， 是对输入图像所进行的操作。本文主要采用直方图均衡化方法来进行图像增强，直方图均衡化是将一已知灰度概率密度分布的图像，经过某种变换变成一幅具有均匀灰度概率密度分布的新图像。与其他方法相比，直方图均衡化方法适用范围广，易于实现，可达到较好的增强效果，暗区中的图像能清楚的显示出来，能够展示更多诊断信息。

4.1.2图像分割 医学图像分割是根据医学图像的某种相似性特征将图像划分为若干个互不相交的"连通"区域的过程。医学图像中，大多数情况下都需要对医学图像作分割，来突出需要的目标物体，如病灶。采用sobel算子计算医学图像边缘和阈值，在此基础上修改阈值使边缘更加精确，以此实现图像分割。

4.2神经网络算法（如图3所示）的实现。

基本步骤如下：①确定问题：对问题做出详细的调研，明确目标，然后考虑如何引入粗糙集从而更好地解决问题。②对数据进行收集，即采集经过图像预处理之后得到的特征数据。③数据处理：把要处理的数据建立成一张二维决策表，每一行描述一个对象，每一列描述对象的一种属性。在本步中，如果无法得到完备的数据表，就有必要将信息表进行完备化操作；如果初始数据是连续值，还要经过连续属性离散化操作。④根据粗糙集理论[5]对数据进行属性约简，利用属性重要度去掉数据表中的冗余条件属性，并消去重复的样本。⑤根据上步中得到的训练数据样本设计BP神经网络，根据约简结果确定神经网络的输入层单元数和隐含层节点数。采用一个 的3层BP神经网络。隐藏层神经元的传递函数设计为S型正切函数，输出层神经元的传递函数设计为S型对数函数。⑥用约简后形成的学习样本对神经网络进行学习，得到神经网络的权值。然后将测试样本输入网络进行测试，输出最终结果。本算法中，规定BP神经网络的训练指标为0.01，训练次数C<5000次。

4.3蚁群算法的实现（如图4所示）。

目前，CBIR方面现已有了大量研究，但CBIR的系统很少用于临床，如遵义医学院附属医院在进行医学图像检索时，更常用的方式还是传统的基于文本的图像检索方式，其最大的原因是CBIR方式检索速度慢，响应时间长。为此，如何保证医学图像数据检索的有效性和准确性是目前CBIR迫切需要解决的问题之一。本文将BP神经网络和蚁群算法结合起来，借助蚁群算法易于与其他算法相结合的优势，利用蚁群算法对粗神经网络算法的参数进行优化的同时，结合医学图像的特殊性，提出将神经网络算法和蚁群算法结合起来应用于CBIR中具有一定的现实意义。

参考文献：

[1]蒋历军.应用网格和水印技术对基于内容的肝脏CT图像检索的研究[D].上海交通大学，2009.

[2]冈萨雷斯.数字图像处理（MATLAB版）[M].北京：电子工业出版社，2012.

[3]史元春，徐光祐，高原.中国多媒体技术研究：2011[J].中国图象图形学报，2012.

[4]H Zhang， JE Fritts， SA Goldman.Image segmentation evaluation： A survey of unsupervised methods[J].Computer Vision and Image Understanding， 2008.

[5]蒋世忠，易法令，汤浪平，等.基于图割与粗糙集的MRI脑部肿瘤图像检索方法[J].中国组织工程研究与临床康复，2010.

[6]张小冬.蚁群算法在医学图像识别中的研究与应用[D].扬州大学，2009.

[7]李旭超，刘海宽，王飞，等.图像分割中的模糊聚类方法[J].中国图象图形学报，2012.

[8]Veenman C，Reinders M，Backer E.A Cellular Coevolutionary Algorithm for Image Segmentation [J].IEEE Transaction on Image Processing， 2003.

中医学基本特征范文第13篇

1．1方法

本研究采用高校优秀医学科技人员行为事件访谈和问卷的方法，通过行为事件访谈得出初步的胜任特征项目，再进行广泛的问卷调查获取大量数据，进而进行统计分析，得出相应的结果．

1．2行为事件访谈

1．2．1调查对象

本研究对象为广州市高等医学院校的科研人员，实行匿名答题，共发放医学科技人才胜任力特征问卷140份，回收128份，有效回收126份，有效率为90%．其中男性88人，女性38人;年龄最大的73岁，年龄最小的28岁，高级职称占96．5%，从事科研工作年限最长的45年，最短的4年．

1．2．2访谈过程

选取了20位优秀医学科研人员进行了30－60分钟的个人行为事件访谈，收集了优秀医学科技人才的胜任特征，了解了医学科技人才在品质、素质、技能方面的特征和具体行为表现．

1．2．3胜任特征编码

对访谈结果进行初步整理分析，获得优秀科研医学科技人才胜任特征40个．请资深专家进行评定后选择出21个胜任力特征，形成了医学科研人员的胜任力特征项目，编制成医学科技人才胜任特征问卷．

1．3问卷调查

问卷分为两部分，第一部分是调查者的基本信息，包括性别、年龄、学历、职称、从事科研的时间等．第二部分为胜任特征项目及评价，每个项目特征用5分量表评价，分数代表该项目对科研人员的重要程度，从1分到5分分别代表“非常重要”、“重要”、“一般”、“不重要”、“非常不重要”．

1．4统计分析

所有数据使用SPSS10．0软件进行统计分析处理．

2结果分析

2．1基本统计结果

高校医学科研人员21个胜任特征的重要性评定结果显示，所有21个特征评定的平均值都小于2．5，表明这些胜任特征都具有一定程度的重要性．

2．2检验

采用KMO检验和巴特利特球形检验的结果．在本研究结果中，KMO值为0．816，根据Kaiser的分析，KMO值大于0．6，适合因子分析．巴特利特球形检验的相伴概率为0．000，说明本研究适合因子分析。

2．3运用主成分分析方法提取因子

对21个医学科研人员胜任特征进行因子分析，使用主成分分析方法，选取特征值大于1的因子，经过正交旋转，共提取到6个因子，解释了方差总变异的59．105%．旋转后的因子载荷。

2．4因子命名及胜任力特征意义

按照各因子所包含的胜任力特征的意义对各因子进行命名。第一主成分包括学习能力、敬业勤奋、学识水平、计划性、前瞻性，解释总变异的13．795%，主要涉及个人学习能力、学习习惯等方面，故命名为自我学习能力因子．第二主成分包括合作精神、协调能力、人际关系、团队意识、变通能力，解释总变异的12．612%，主要涉及人际关系协调沟通方面的，故命名为人际关系能力因子．第三主成分包括灵活性、主动性、适应性、创新能力，解释总变异的10．245%，主要涉及科研过程中的应变能力，故命名为应变适应能力因子．第四主成分包括果断性、自信心、自制力、坚韧性，解释总变异的9．123%，主要涉及个性品质意志方面，故命名为个性意志品质因子．第五主成分包括压力承受性、严谨性、忍受孤独性，解释总变异的8．524%，主要涉及考研过程承压能力方面，故命名为抵抗外压能力因子．

中医学基本特征范文第14篇

【关键词】医学生；职业生涯辅导；模式

在教育改革不断推进下，连年的扩招使医学院毕业生规模逐年增加，就业体制也随之改变。此种形势下，医学生面临的就业形势、就业压力非常大，就业难度也很大，使得医学院越来越重视学生的职业生涯规划教育。在如此严峻的就业环境下，医学生必须尽早树立“职业生涯”的概念，明确、客观认识自己的优劣势，清楚当前的就业形势，结合个人的实际情况认真考虑就业和职业生涯问题，以便顺利就业。

1.医学生的学习特征分析

医学教育具有明确的职业倾向性。多数医学生毕业后会从事医疗服务和医学科研工作，因而对于医学生的职业素养和职业能力要求较高。从目前医学生的学习过程来看，专业性强，学习任务重，动手能力要求高，实践性强是医学生学习阶段的重要特征。在这样的学习特征作用下，要求医学生具有坚毅、刻苦、钻研的学习精神，在学习过程中为成为一个优秀的医务工作者而不断努力。为了做到这一点，医学生应正确、客观地认识医务工作者这一神圣职业，辅导教师要明确这一职业教育的特征，以此设计辅导计划、安排辅导课程、确定辅导目标，在此指导下帮助医学生树立科学的就业观，进而使其尽快现个人的职业理想。

2.医学生职业生涯辅导模式的特征

与其他专业相比，医学生学习既有其基本特征又有着自身的个性化特征。为了提高医学生就业率，应结合其学习特征构建职业生涯辅导模式，积极开展教育活动，能取得事半功倍的效果。因而，依托于医学生学习特征建立的职业生涯辅导模式应具有以下特征。

第一，应与医学生学习特点相符合，具有专业性的特征。职业生涯辅导模式必须具有针对性、专业性。医学生职业生涯辅导模式应符合医学生学习特点，否则将会脱离医学生学习的实际情况。与学习教育脱节，反而消弱了职业生涯辅导的作用；针对医学教育的专业特性，开展符合医学生学习规律和发展规律的生涯辅导工作，有目的性的帮助医学生端正职业理想，塑造职业特质，提升职业技能，为实现个人生涯规划提供助力。第二，全程性的特点。部分高校开展的学生职业生涯规划辅导一般只针对毕业生，并不是一个全过程中的职业教育过程。其实，学生进入大学即选择了所要从事的专业和职业，为了实现这一职业理想，应在一接触时就安排好自身的学习计划及职业规划，按部就班、亦步亦趋地实现职业目标。所以说，医学生职业生涯辅导应从始至终地贯彻于医学生的整个职业学习过程，有着全程化特征，是一个终身、不间断学习的过程。为此，医学院应结合此种特征增设职业辅导课程，不应只在临近毕业时才开始此项工作；第三，应与社会、医学需求相适应。走出校门的医学生要想尽快被社会大众、各种医疗机构所接受，其所接受的职业辅导应满足社会、医疗机构的要求，脱离了实际需求会降低教育效果。

3.医学生职业生涯辅导模式内容

3.1设置适合于医学生职业生涯规划特征的课程

职业生涯辅导是一门关乎于学生未来就业的专业学科，为此，应构建全程化职业生涯辅导模式，对医学生就业的整个过程进行全程指导。在全程化职业生涯辅导模式下，辅导课程设置上有了具体要求。第一，职业课程教材应是医学生需要的。目前，医学院校所采用的职业课程教材大多是针对毕业生设计的就业指导书籍，不符合全程化辅导模式的需求。为此，全程化职业生涯辅导模式的运行需要与其相适应的课程教材辅以支持；第二，科学、合理地设置辅导课程。如果将教材比作为基础，课程设置的合理性就是全程化职业辅导顺利进行的动力，因而，医学生职业生涯辅导开始前必须科学、合理地设置课程。部分医学高校虽然开设该课程，但大多针对毕业班学生，且这种“临时抱佛脚”式的课程大多是照本宣科，泛泛而谈，并不能真正符合学生的所需所想，因而效果欠佳。应将学生职业生涯辅导纳入学生的教学方案，成为必修课程中的一个科目，采用学分制管理，分层次、由浅入深地对医学生进行职业教育。

3.2聘请专业化的职业生涯规划指导教师

当前，各大高校生涯指导教师大多为兼职人员，专业化水平不是很高，难以满足职业生涯规划指导的深度要求。为了使全程化职业生涯辅导模式高效、稳定运行，需要有专业化的指导教师辅导医学生规划个人的职业生涯，保证职业生涯规划符合学生个人的综合能力。为此，医学院可以聘请专业化的职业生涯规划指导教师，提高职业教育效果。

3.3建设多样化的实践基地

学生职业生涯规划指导是一项有计划、有步骤、有重点的教育活动，不仅要求科学、合理设置课程，配置专业化指导教师，还要求具有一定规模的、多样化的实践基地，用以锻炼、培养学生的实践能力，验证指导教育的效果，利于提出调整计划，进一步完善职业生涯辅导模式。

4.医学生职业生涯辅导模式意义

职业生涯规划是一种确定最佳职业奋斗目标后，为实现这一目标而做出的行之有效的安排。升入医学院校前，许多学生对职业生涯规划的认识不够深入，大多按照自己的兴趣选择专业。为了将这一兴趣真正发展成为未来职业，医学生必须在大学期间结构正规的、专业的职业生涯规划指导教育。医学生职业生涯辅导模式的提出，可以在整个学习期间帮助医学生养成正确的职业观，明确自己的职业目标，并有计划地、有针对性地安排自己的大学学习规划，为实现职业目标做准备。

连年的扩招使医学院毕业生规模逐年增加，医学生面临的就业形势严峻、就业压力大，适应医学专业发展，符合社会需求的医学生职业生涯辅导模式的提出，可以帮助医学院校提升就业工作的主动性，推进学生工作的开展。

5.结论

与高中时期相比，大学时期接触的知识有着明显区别，医学专业这项特点尤其突出。医学生不仅要掌握各种基础专业知识，还要熟练各种临床操作，将理论和实践融会贯通，才可能具有一个合格医务工作者的职业素质。为了帮助医学生实现职业目标，应对其进行全过程的职业生涯规划指导教育，使其组织设计符合医生职业特点的学习规划，循序渐进地实现自己的职业目标。　[科]

【参考文献】

［1］吕军战，高扬.我国大学生职业生涯规划的现状与对策[J].西安邮电学院学报，2008，(04).

［2］符崖.基于职业生涯规划调查的中医药高校研究生思想政治教育探讨[J].中医教育，2011，(01).

中医学基本特征范文第15篇

基于数据挖掘的医学图像分类方法研究是多媒体数据挖掘的一个重要组成部分。在分析和总结了现有各种特征提取方法的基础上，提出了基于竞争聚类和关联规则的医学图像分类算法和基于关联规则的医学图像分类器框架。该算法先用竞争聚集算法实现医学图像的聚类，利用聚类的结果提取局部特征，基于局部特征用关联规则实现医学图像的分类。实验结果表明，用此方法较好地提高了医学图像分类的准确率，进而为数字化临床诊断提供了有利的证据。

【关键词】 数据挖掘 图像分类 医学图像 数字化诊断

Abstract：The multi-media data mining is the key part of the whole researches about the method of medical images classification. Under the base of the analysis and conclusion about the methods of deriving the various characteristics previously provided by other researchers， this framework of the medical images classification with the association rules and clustering was provided. At first， the clustering algorithm was used for the characteristic in local areas ，and then the medical image classification was realized by the association rules. The results of the experiment showed that the accurate rate could be improved by this method， and better testimony could be provided for digital diagnosis.

Key words：Data mining； Images classification； Medical images； Digital diagnosis

数据挖掘立于数据库系统和数据库应用学科最活跃的前沿。数据挖掘就是从大量的、不完全的、有噪声的数据中，提取新颖的、有效的和潜在有用的信息，发现隐含在其中的模式、特征、规律和知识。其所处理的数据类型很丰富，其应用领域也非常广泛，但针对特定领域（如医学）的复杂数据类型的数据挖掘新方法还有待研究。

医学图像的数据挖掘旨在从海量的图像数据中挖掘出有效的模型、关联、规则、变化、不规则以及普遍的规律，以加速医生决策诊断的过程和提高其决策诊断的准确度。随着医疗数字化设备的快速发展，医学信息数据库中不仅包括病人的结构化的信息，还包括病人大量非结构化的医学图像信息，为医学图像的数据挖掘提供了丰富的数据源。

近年来，随着计算机相关技术及图形图像技术的广泛应用，使医学领域尤其是临床诊断发生了重大的变化，开创了数字诊断新时代。借助于图形、图像技术的有力手段，医学影像的质量和显示方式得到了极大的改善，从而借助于图像处理与分析技术使得诊疗水平大大提高。

本研究将医学图像的处理技术与数据挖掘技术有机结合，研究医学图像数据的特征提取和医学图像数据的分类方法。医学图像分类效果的好坏在很大程度上取决于提取的特征。目前国内外有大量的学者正在进行这方面的研究：Maria - Luiza， Osm［1］提出的关联规则分类器和李丙春等［2］的径向基函数网络分类器都采用了均值、方差、倾斜度和峰度4个特征；韩培友设计的是基于模糊粗糙集、数学形态学和分形特征分类器等［3］。分析这些研究结果可以发现，医学图像数据挖掘的研究是一项复杂的、具有挑战性的和多学科交叉的工作，开展基于医学图像的数据挖掘技术的研究具有重要的理论意义和实用价值。

1 脑部肿瘤图像预处理和特征提取

1.1 图像预处理由于实际数据常常存在不完整性、噪声和不一致性，预处理就变得很重要。有两种数据预处理技术用于图像数据的数据挖掘，即数据清洗和数据变换［3，4］。数据清洗用于清除影响数据挖掘的噪声和孤立点。我们使用的图像包含大量有噪声的背景，有的图像看起来太暗，有的太亮。在预处理阶段，已有的方法都是进行图像的二值化，忽略了图像的最基本元素-像素本身的灰度所具有的意义，而且也没有很好地利用领域知识对图像进行预处理。本研究采用的图像预处理的步骤如下：

1.1.1 利用去噪技术对图像进行处理经过去噪声处理后，可去掉图像中的大多数背景信息和噪声。

1.1.2 图像增强在图像生成、传输和变换过程中，由于多种因素的影响，总会造成图像质量的下降。图像增强的目的是采用一系列技术改造图像的效果或将图像转换成更适合处理的形式。图像的增强处理有两种方法：空域法和频域法。直方图均衡化是在空域中进行的灰度增强算法。一幅对比度较小的图像，其所有灰度级出现的相对频数相同，此时图像的熵最大，图像所包含的信息量最大。本研究采用广泛使用的直方图均衡化技术来实现图像的增强。同时，在此前应该完成去噪声处理，否则噪声也会同时得到增强。

1.2 特征提取原始的脑部医学图像的噪声处理和增强处理后，就可以从这些清晰的图像中抽取与分类相关的图像特征。被抽取的特征组织在一个事物数据库中作为分类系统挖掘的输入。数据库的数据项主要包括：图像编码、图像类型、患者年龄、组织类型、病灶位置等原始病案数据以及从图像中提取出来的多个图像特征。如图像的钙化点，图像的纹理特征：角二阶矩、对比度、方差、逆阶矩、和平均、熵、以及和方差等。在这样的数据集上应用后面讨论的关联规则算法实施数据挖掘操作，从而将脑部肿瘤分类为良性和恶性。

2 利用竞争聚集算法进行数据离散化

为了使用关联规则进行数据挖掘，数量型属性必须离散化。划分区间时，对于某些属性，若医生已经有约定的分割点，我们可以直接采用。但是，对提取出的图像特征属性，没有经验阈值。Agrawal等［4］提出的基于支持度的部分K度完全离散化的方法，扩展了布尔型属性的关联规则算法，并将其应用于数量型属性关联规则的提取。但是这种方法对于一些高偏度的数据存在一些问题，它倾向于将那些尽管具有典型相似性能的相邻数据因具有高支持率而被搁开。而竞争聚集算法［5］综合了分层聚类和划分聚类的优点，它能够有效地体现数据的实际分布情况并得到优化的聚类个数。我们利用竞争聚集算法将数量型属性离散化成若干个优化的区间。对于给定的不同的初始类个数，竞争聚集能随着迭代过程的进展不断改变类的数目，一些竞争力差的类，即类的基数小于给定阈值的类将在迭代过程中不断消失，并最终得到优化的聚类个数。最后，根据模糊集合中的最大隶属原则，将数据集中的元素聚成N个类，并取出类中最小值和最大值分别作为区间的左右端点，这样数据型属性就被离散化成N个优化区间。

3 基于关联规则的医学图像分类器的构造

3.1 关联规则定义如下：

设I=｛i1，i2，……im｝是项的集合。记 D为数据库事务T的集合，并且TI。对应每一个事务有唯一的标识，记做TID。设X是一个I中项的集合，如果XT，那么称事务T包含X。

一个关联规则是形如XY的蕴涵式，这里XI，YI ，并且X∩Y＝。规则XY在事务数据库D中的支持度（Support）是事务集中包含X和Y的事务数与所有事务数之比，记为Support(XY)，即：

Support（XY） =｜｛T；X∪YT，T∈D｝/｜D｜

规则XY事务集中的可信度（Confidence）是指包含X和Y的事务数与包含X的事务数之比，记为confidence(XY)，即

confidence(XY)=｜｛T：X∪YT，T∈D｝｜/｜XT，T∈D｜

3.2 利用关联规则对脑部肿瘤图像数据进行分类本研究用关联规则挖掘将数字化的脑部肿瘤图像分为正常和异常两类。

利用关联规则挖掘时，首先发现频繁项目集（即支持度不低于最小支持度的项目集），然后从频繁项目集中提取关联规则。本研究用Apriori算法［6］来发现从脑部肿瘤图像提取出的特征和肿瘤图像所属类别的关联规则。我们约束挖掘出的关联规则，使规则的前提为脑部肿瘤图像提取出的特征，规则的结论为图像所属类别。

用关联规则分类的过程分两个阶段：第1阶段为训练阶段，用已知类型的图像训练分类系统，输入数据为经过预处理、特征提取和数据离散化后得到的事务数据库，然后应用改进的Apriori算法来挖掘满足以上约束条件的关联规则；第2阶段为测试阶段，该阶段对未知类型的图像利用发现的关联规则进行分类。

3.3 图像分类器的构造图像分类器的设计框架见图1。

4 结果与结论

我们从185个脑部肿瘤典型病例数据中经图像预处理及特征提取了27个属性特征数据，这些抽取的特征数据被组织在一个数据库中，经过数量型属性离散化等数据预处理，将数量型属性关联规则问题映射成布尔型关联规则问题，X到一个布尔属性的数据库，作为分类系统挖掘的输入，此时通过Aprior算法进行关联规则的数据挖掘。最后分别计算训练样本和测试样本分类的准确率。结果表明对脑部肿瘤典型病例数据分类准确率达到86%，测试准确率达到82%。

本研究在介绍了图像预处理及特征提取和数量型属性离散化的基础上，提出了一个基于关联规则的医学图像分类器。可以看出，该挖掘方法中，数据预处理工作十分重要，会直接影响到分类的准确性。从实验结果看，本文提出的医学图像分类器精确度较高，在数字化临床诊断方面具有很好的实用价值。

参考文献

［1］Maria一Luiza Antonie， Osmar R Zaiane. Associative Classifiers for Medical image［J］.Mining Multimedia and Canplex Data，2003，27：9768.

［2］李丙春，耿国华，周明全，等.一个医学图像分类器的设计［J］.计算机工程与应用，2004，40（17）：230.

［3］韩培友，郝重阳，张先勇，等.基于模糊粗糙集、数学形态学和分形理论的医学图像分类研究［J］.计算机应用研究，2004，21(2):241.

［4］Srikant R， Agrawal R. Mining Quantitative Association Rules in Large Relational Tables［J］.ACM SIGMOD Issues， 1996， 25(2):1.

［5］Frigui H， Krishnapuram R. Clustering by competitive agglomeration［J］. Pattern Recognition， 1997， 30(7):1109.