医疗大数据及相关技术课件

医疗大数据及相关技术介绍翟运开翟运开 博士博士/副教授副教授河南省数字医疗工程技术研究中心河南省数字医疗工程技术研究中心 副副主任主任数字化远程医疗服务河南省工程实验室数字化远程医疗服务河南省工程实验室 副主任副主任郑州大学第一附属医院郑州大学第一附属医院 河南省远程医河南省远程医学中心学中心 主任主任中国卫生信息学会远程医疗信息化专业中国卫生信息学会远程医疗信息化专业委员会委员会 常委常委/秘书长秘书长医疗大数据及相关技术介绍翟运开 博士/副教授目录大数据简介大数据相关技术大数据挖掘大数据平台目录大数据简介摩尔定律，正在走向终结摩尔定律：集成电路芯片上所集成的电路的数目，每隔18个月就翻一番，同时性能也提升一倍单芯片容纳晶体管的增加，对制造工艺提出要求CPU制造18nm技术，电子泄漏问题CPU主频已达3GHz时代，难以继续提高散热问题（发热太大，且难以驱散）功耗太高摩尔定律，正在走向终结摩尔定律：集成电路芯片上所集成的电路的并发计算发展成熟并发计算发展成熟大数据时代正在来临1000+PB24亿网民1天产生的数据63%63%GAGR非结构化数据增长率数据摩尔定律：Y=C2XX代表时间，Y代表用户的信息分享量，C代表现在时刻的分享信息量3030+TBTB交易量3000+万笔/天1PB/S1PB/SCERN：核爆产生数据的速度大数据时代正在来临1000+PB63%GAGR数据摩尔定单位英语标识大小例子位Bit1或0一个二进制数位：0或1字节Byte8Bit一个英文字母：8Bit千字节 KB1024Byte一页纸上的文字：5KB兆字节 MB1024KB一首普通MP3的歌曲：4MB吉字节 GB1024MB一部电影：1GB太字节 TB1024GB美国国会图书馆所有登记印刷版书本的消息:15TB2011年底，其网络备份的数据量为280太字节拍字节 PB1024TB美国邮政局一年处理的信件大约为5拍谷歌每小时处理的数据为1拍艾字节 EB1024EB相当与13亿中国人人手一本500页的书加起来泽字节 ZB1024ZB截止2010年，人类拥有的信息总量大概是1.2ZB尧字节 YB1024YB超出想象数据量的表达单位当前典型大数据的处理量单位英语标识大小例子位Bit1或0一个二进制数位：0或1字节传统数据 vs.大数据传统数据 vs.大数据传统数据处理技术面临的挑战l海量数据的高存储成本l数据批量处理性能不足l流式数据处理缺失l有限的扩展能力l单一数据源l数据资产对外增值数据扩展性需求和硬件性能之间存在差距传统框架：小型机磁阵商用数据仓库传统的IOE模式已经不能满足PB级海量数据的存储、分析和应用需求小型机+DWH+SAN成本高企、扩容昂贵无法满足海量数据的离线分析和实时分析无法满足对非结构化数据的快速处理要求Scale-Up已到极限，必须支持Scale-Out传统数据处理技术面临的挑战海量数据的高存储成本数据扩展性需求大数据处于成长阶段，即将广泛商用大数据处于成长阶段，即将广泛商用大数据是对数据更大的掌控和应用能力大数据是淘炼黄金而不是制造更多的石头“大数据”是数据存储、管理、处理和分析的技术和解决方案“大数据”带来数据分析能力的质变性增强，不仅是传统BI领域，也为新商业机会和新商业模式提供了更大的创新空间；“大数据”是“以数据为中心”，这不仅是技术需要，也是管理需要；存储、计算、分析合一的系统成为必然的需求、趋势“大数据”的本质不在于更多（更快）的数据，而在于对数据中蕴含信息价值的巨大掌控和应用能力；使企业更好认识数据中所蕴含的巨大信息价值，影响和改变企业决策依据与过程和生产业务的开展过程“BigDataisnothingwithoutBigAnalysis”大数据是对数据更大的掌控和应用能力大数据是淘炼黄金而不是制造大数据要解决的问题Volume海量的数据规模Variety多样的数据类型StreamsStreamsReal timeReal timeNear timeNear timeBatchBatchTBTBPBPBEBEBStructuredStructuredUnstructuredUnstructuredSemi-structuredSemi-structuredAll the aboveAll the aboveValueVelocity快速的数据流转巨大的数据价值大数据要解决的问题VolumeVarietyStreamsT目录大数据简介大数据相关技术大数据挖掘大数据平台目录大数据简介大数据与云计算、物联网、互联网之间的关系云计算来源：互联网进化论物联网移动互联网传统互联网产生海量数据大数据是对海量数据的高效处理。云计算是硬件资源的虚拟化，是大数据分析的支撑平台。处理分析大数据与云计算、物联网、互联网之间的关系 云计算来源：互需求技术描述Data Warehouse数据仓库ETL,Data Quality信息整合、元数据Text Analytics EngineVisual Data Modeling文本内容分词与分析Hadoop Map Reduce分布式文件系统流计算引擎Streaming Data海量非结构化、结构化数据存储结构化数据处理实时数据处理非结构数据分析各类信息整合数据处理技术的变化：满足数据的多样化需求技术描述Data Warehouse数据仓库ETL,D大数据技术成本可承受（economically）的情况下通过非常快速（velocity）的采集、发现和分析；在大量化（volumes）、多类别（variety）的数据中提取价值（value）分析的数据越全面，分析的结果就越接近于真实能够从这些数据中获取新的洞察力，并将其与已知业务的各个环节相融合大数据技术 成本可承受（economically）的情况下 计算存储数据库网络单机单机集群文件存储单机设备间连接设备内连接关系型数据库10GE FC IB分布式数据库非关系型数据库块存储10GE SAS IB横向扩展块级虚拟化横向扩展分布式文件系统大数据带来哪些技术变革-技术驱动计算存储数据库网络单机集群文件存储单机设备间连接设备内连接关大数据的基本技术MapReducMapReduce eHBaseHBaseHDFSHDFSStreaStreamingming分布式文件系统HDFS（hadoopDistributedFileSystem)并行数据处理MapReduce非结构化数据表HBase流式数据处理Streaming大数据的基本技术MapReduceHBaseHDFSStreMapReduce 分布式数据处理架构分组分组聚合聚合DATA计算(IOE架构)输入结果输出传统方式X86服务器X86服务器MapReduce 分布式数据处理架构分组聚合DATA 计算输HDFS 分布式文件系统架构Hadoop集群HDFS 分布式文件系统架构Hadoop 集群 HBase NoSQL数据库HBase的数据模型分布式的多维映射,以(row,column,timestamp)索引RowsCtimestamptimestampss“contents:”“anchor:baidu”“anchor:google”“”t1“”t2“”ColumnFamilyTablelet HBase NoSQL数据库HBase的数据模型RowsCStreaming：流式数据处理-StormStorm广泛应用于实时分析，在线机器学习，持续计算等领域。分批处理分批处理分批处理分批处理实时处理实时处理实时处理实时处理VSStormStormStormStorm框架框架框架框架Streaming：流式数据处理-StormStorm 大数据 的 预处理技术l l滥用缩写词滥用缩写词l l数据输入错误数据输入错误l l数据中的内嵌控制信数据中的内嵌控制信息息l l不同的惯用语不同的惯用语l l重复记录重复记录l l丢失值丢失值l l拼写变化拼写变化l l不同的计量单位不同的计量单位l l过时的编码过时的编码l l含有各种噪声含有各种噪声数据污染l l格式标准化格式标准化l l异常数据清除异常数据清除l l错误纠正错误纠正l l重复数据的清除重复数据的清除数据处理大数据预处理技术主要完成对已接收数大数据预处理技术主要完成对已接收数据的辨析、抽取、清洗等操作据的辨析、抽取、清洗等操作目的是将数据按统一的格式提取出来，目的是将数据按统一的格式提取出来，然后再转化，集成，载入数据仓库的工然后再转化，集成，载入数据仓库的工具具（ETLETL）抽取：因获取的数据可能具有抽取：因获取的数据可能具有多种结构和类型，数据抽取过多种结构和类型，数据抽取过程可以帮助我们将这些复杂的程可以帮助我们将这些复杂的数据转化为单一的或者便于处数据转化为单一的或者便于处理的构型，以达到快速分析处理的构型，以达到快速分析处理的目的。理的目的。清洗：对于大数据，并不全是清洗：对于大数据，并不全是有价值的，有些数据并不是我有价值的，有些数据并不是我们所关心的内容，而另一些数们所关心的内容，而另一些数据则是完全错误的干扰项。据则是完全错误的干扰项。因此要对数据通过过滤因此要对数据通过过滤“去噪去噪”从而提从而提取出有效数据取出有效数据大数据 的 预处理技术滥用缩写词数据污染格式标准化数据处理大大数据 的 存储技术结构化数据：传统的关系数据模式海量数据的查询、统计、更新等操作效率低非结构化数据图片、视频、word、pdf、ppt等文件存储不利于检索、查询和存储半结构化数据转换为结构化存储按照非结构化存储大数据 的 存储技术结构化数据：存储与分析融合，提升处理效率拷贝共享存储分析存储拷贝导入存储数据生产数据共享数据分析数据生产数据共享数据分析一份数据3次存储，浪费空间67%一份数据2次拷贝，浪费时间2倍一份数据1次存储，节省空间67%一份数据0次拷贝，提升效率2倍存储资源池存储与分析融合，提升处理效率传统大数据处理大数据存储与分析统大数据 的 其他技术数据仓库数据仓库是商务智能的依托，是对海量数据库进行分析的核心物理构架，是一种格式一致的多源数据存储中心。数据源可以来自多个不同的系统，如企业内部的财务系统、客户管理系统、人力资源系统，甚至是企业外部系统。数据仓库的出现以后，一系列的产业链也逐步形成联机分析联机分析也称多维分析，本意是把分立的数据库“相联”，进行多维的分析；“维”是联机分析的核心概念，指的是人们观察事物、计算数据的特定角度；可以从任意的维度交叉和细分问题，用户能根据自己的需要，随时创建“万维”动态报表数据挖掘通过特定的计算机算法对大量的数据进行自动分析，从而揭示数据之间的关系，模式和趋势，为决策者提供新的知识。如果说联机分析是对数据的一种探测，数据挖掘则是对数据进行开采，发现数据之下的历史规律，对未来进行预测。大数据 的 其他技术数据仓库 数据仓库是商务智能的依托，是对大数据的分析挖掘技术技术方法分类根据挖掘任务：分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等根据挖掘对象：可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web根据挖掘方法：可分为:机器学习方法、统计方法、神经网络方法和数据库方法。重点技术可视化分析。数据可视化可以让数据自己说话，让用户直观的感受到结果。数据挖掘算法。分割、集群、孤立点分析还有各种算法让我们精炼数据，挖掘价值。这些算法要能够应付大数据的量，同时还具有很高的处理速度。预测性分析。预测性分析可以让分析师根据图像化分析和数据挖掘的结果做出一些前瞻性判断。语义引擎。人工智能从数据中主动地提取信息。包括机器翻译、情感分析、舆情分析、智能输入、问答系统等。数据质量和数据管理。透过标准化流程和机器对数据进行处理可以确保获得一个预设质量的分析结果。大数据的分析挖掘技术技术方法分类目录大数据简介大数据相关技术大数据挖掘大数据平台目录大数据简介数据挖掘(DM)与 知识发现(KDD)顾名思义，数据挖掘就是从大量的数据中挖掘出有用的信息数据挖掘技术投入商用的三种基础技术已发展成熟（1）海量数据搜集（2）强大的分布式并行处理技术（3）数据挖掘算法知识发现（KDD）：从源数据中发掘模式或联系的方法KDD被用来描述整个数据发掘的过程，包括最开始的制定业务目标到最终的结果分析，而用数据挖掘（DM，DataMining）来描述使用挖掘算法进行数据挖掘的子过程。数据挖掘所发现的知识有以下四类：广义知识：指类别特征的概括性描述知识关联知识：反应一个事件和其他时间之间依赖或关联的知识分类知识：反应同类事物共同性质的特征性知识和不同事物之间的差异性特征知识预测性知识：根据时间序列型数据，由历史的和当前的数据去推测未来的数据。数据挖掘(DM)与 知识发现(KDD)顾名思义，数据挖掘就数据挖掘流程及方法模型数据挖掘流程及方法模型数据挖掘的技术l技术分类预言（Predication）：用历史预测未来描述（Description）：了解数据中潜在的规律l数据挖掘技术关联分析序列模式分类（预言）聚集异常检测数据挖掘的技术技术分类关联l l关联规则挖掘：关联规则挖掘：在交易数据、关系数据或其他在交易数据、关系数据或其他信息载体中，查找存在于项目信息载体中，查找存在于项目集合或对象集合之间的频繁模集合或对象集合之间的频繁模式、关联、相关性、或因果结式、关联、相关性、或因果结构。构。l l应用：应用：购物篮分析、交叉销售、产品购物篮分析、交叉销售、产品目录设计、目录设计、loss-leaderloss-leaderanalysisanalysis、聚集、分类等。、聚集、分类等。买尿布买尿布的客户的客户二者二者都买都买的客的客户户买啤酒的客户买啤酒的客户关联关联规则挖掘：买尿布的客户二者都买的客户买啤酒的客户序列序列模式定义：给定一个由不同序列组成的集合，其中，每个序列由不同的元素按顺序有序排列，每个元素由不同项目组成，同时给定一个用户指定的最小支持度阈值，序列模式挖掘就是找出所有的频繁子序列，即该子序列在序列集中的出现频率不低于用户指定的最小支持度阈值应用领域：客户购买行为模式预测Web访问模式预测疾病诊断自然灾害预测DNA序列分析工业控制序列 序列模式定义：给定一个由不同序列组成的集合，其中，每个分类&预测l l分类：分类：预测分类标号（或离散值）预测分类标号（或离散值）根据训练数据集和类标号属性，构建模型来分类现有数据，根据训练数据集和类标号属性，构建模型来分类现有数据，并用来分类新数据并用来分类新数据l l预测：预测：建立连续函数值模型，比如预测空缺值建立连续函数值模型，比如预测空缺值l l典型应用典型应用信誉证实信誉证实目标市场目标市场医疗诊断医疗诊断性能预测性能预测分类是发现质变预测是发现量变分类&预测分类：分类是发现 质变聚类l l簇（簇（ClusterCluster）:一个数据对象的集合一个数据对象的集合在同一个类中，对象之间具有相似性在同一个类中，对象之间具有相似性不同类的对象之间是相异的不同类的对象之间是相异的l l聚类分析聚类分析把一个给定的数据对象集合分成不同的把一个给定的数据对象集合分成不同的簇簇l l聚类是一种无监督分类法聚类是一种无监督分类法:没有预先没有预先指定的类别指定的类别l l典型的应用典型的应用作为一个独立的分析工具，用于了解数作为一个独立的分析工具，用于了解数据的分布据的分布作为其它算法的一个数据预处理步骤作为其它算法的一个数据预处理步骤聚类簇（Cluster）:一个数据对象的集合聚类（续）将物理或抽象对象的集合分组成为由类似的对象组成的多个类聚类在不同的应用领域，用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中；聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性聚类与分类不同，聚类所要求划分的类是未知的聚类（续）将物理或抽象对象的集合分组成为由类似的对象组成的多异常探测异常检测是数据挖掘中一个重要方面，用来发现”小的模式”(相对于聚类)，即数据集中间显著不同于其它数据的对象。异常探测应用电信和信用卡欺骗贷款审批药物研究气象预报金融领域客户分类网络入侵检测故障检测与诊断等异常的定义：异常是在数据集中与众不同的数据，使人怀疑这些数据并非随机偏差，而是产生于完全不同的机制。异常探测异常检测是数据挖掘中一个重要方面，用来发现”小的模式目录大数据简介大数据相关技术大数据挖掘大数据平台目录大数据简介揭开Hadoop神秘的面纱Hadoop是Apache基金会的一个项目总称，主要由HDFS和MapReduce组成。Hadoop来源于其创始人DougCutting的儿子给一头黄色大象取的名字。Hadoop最初只与网页索引有关，迅速发展成为分析大数据的领先平台。揭开Hadoop神秘的面纱Hadoop是Apache基金会的Hadoop已成为大数据事实标准第一阶段（第一阶段（2005200920052009年）：年）：模仿Google的“三驾马车”，主导者是Yahoo！,Facebook等互联网厂商，相关项目第二阶段（第二阶段（20092009年年）：）：模仿Google的“新三驾马车”，主导者是Cloudera、Hortonworks等Hadoop发行版厂商，IBM、EMC、Intel、Huawei等传统IT厂商开始集成Hadoop，Haoop进入企业市场，相关项目第三阶段（第三阶段（20122012年年）：）：博采众长，吸纳AMP Lab、流计算等成果，通过配套工具构筑大数据领域生态系统，形成事实标准；相关项目。6大Hadoop 发行版厂商Cloudera、Hortonworks、MapR、IBM、EMC、HuaweiHadoop已成为大数据事实标准第一阶段（20052009数据处理技术与架构发展趋势传统数据仓库SQL、UPFSQL执行引擎行存、磁盘、单机/SE集群I/O存在瓶颈扩展能力差实时性差非结构化数据存储无法支持复杂计算数据处理能力弱UPF:User-definedProcessFunctionSE:ShareEverythingSN：ShareNothing并行批处理/HadoopSQL、Java、Python多种计算模型（MR、图计算、）HDFS、SN分布式解决“大、杂”多类型数据复杂计算模型灵活编程接口MPP数据仓库SQL、UPF向量迭代、并行列存、SN分布式内存分析数据库SQL、UPFMicroEngine、并行列存、内存流处理引擎CQL、规则网状算子执行内存解决“大、快”结构化数据快速查询、交互式实时查询Onesizesfitall单一架构Onesizesfitdomain分离架构（四套系统）Onestackrulesthemall融合架构（四套变一套）统一持久层，数据减少移动统一管理，实现资源共享和管理自动化同一数据可同时进行批处理、流处理以及查询多种计算模型解决“快、杂”异构流数据实时处理MPPDBMPPDB高级编程接口高级编程接口批计算批计算流计算流计算分布式文件系统分布式文件系统资源管理资源管理开发开发IDEIDE系统系统管理管理数据挖掘算法数据挖掘算法/建模建模/其他工具其他工具数据处理技术与架构发展趋势传统数据仓库SQL、UPFSQL执挖掘平台数据探索并行化机器学习算法库(Mahout/MLlib/HiGraph)建模分析统计报表行业应用使能器（Enabler）金融行业模型使能套件电信行业模型使能套件医疗行业模型使能套件特征工程l特征工程：1.多人协作2.特征复用，可达1000万维度l建模算法：1.算法并行化效率(T+0)2.深度学习技术l社交化1.社交化分析2.社交化发布l开放性支 持 PMML，可 以 与 SAS、SPSS等对接支持SQL对Operator的扩展性1.支持与R对接挖掘平台的业务架构挖掘平台数据探索并行化机器学习算法库(Mahout/MLli关注大数据技术研究发现数据价值谢谢关注大数据技术研究