PythonAI算法
医疗 AI 场景下的 k-均值算法应用与实战
深入解析 k-均值聚类算法原理及其在医疗领域的应用。涵盖算法核心思想、距离度量、K 值选择方法及局限性。重点介绍了患者分群、疾病亚型发现、医学影像分割等场景，并通过糖尿病数据集实战演示了如何利用 Python 和 scikit-learn 进行患者聚类分析，为精准医疗提供数据支持。
深入解析 k-均值聚类算法原理及其在医疗领域的应用。涵盖算法核心思想、距离度量、K 值选择方法及局限性。重点介绍了患者分群、疾病亚型发现、医学影像分割等场景，并通过糖尿病数据集实战演示了如何利用 Python 和 scikit-learn 进行患者聚类分析，为精准医疗提供数据支持。
在医疗领域，我们常常面临这样的问题：患者是否可以划分为不同的亚型？不同亚型是否有不同的疾病进展模式或治疗反应？这些问题属于无监督学习的范畴。k-均值（k-means）聚类算法是最经典、最常用的无监督学习算法之一，它能够将数据划分为 k 个簇，使得同一簇内的样本高度相似，不同簇间的样本差异显著。本章将从算法原理出发，深入解析 k-均值在医疗场景中的应用，并通过实战案例展示如何利用 k-均值发现慢性病患者的潜在亚型，为精准医疗提供依据。
聚类是一种无监督学习任务，目标是将数据集中的样本划分为若干个组（簇），使得同一组内的样本尽可能相似，不同组间的样本尽可能不同。与分类不同，聚类不依赖于预先标记的类别，而是从数据本身发现结构。
k-均值算法试图将 n 个样本划分到 k 个簇中，使得每个样本到其所属簇中心的距离平方和最小。簇中心是簇内所有样本的均值（因此得名'k-均值'）。
设数据集为 X = {x^(1), x^(2), …, x^(n)}，每个样本为 p 维向量。算法将样本划分到 k 个簇 C = {C_1, C_2, …, C_k}，目标是极小化目标函数（惯性，inertia）：
[
J = \sum_{j=1}^{k} \sum_{x \in C_j} | x - \mu_j |^2
]
其中 \mu_j 是簇 C_j 的中心（均值向量）。
k-均值算法通过迭代优化实现上述目标，具体步骤如下：
算法收敛时，样本分配和簇中心将不再改变。
k-均值通常使用欧氏距离，但理论上可使用其他距离度量。需要注意的是，距离度量的选择会影响聚类结果，应根据数据特点选择。对于医疗数据，常混合数值型和类别型特征，此时可能需要将类别变量进行独热编码，或使用专门的距离度量（如 Gower 距离），但 k-均值对类别型特征处理不佳，通常需先将类别变量数值化或使用其他聚类算法（如 k-prototypes）。
k 值（簇数）是 k-均值最重要的超参数。常见的选择方法有：
计算不同 k 值下的目标函数值（惯性），绘制曲线。随着 k 增加，惯性递减，但当 k 接近真实簇数时，惯性下降速度减缓，曲线出现'肘部'。肘部对应的 k 值为较优选择。
轮廓系数结合了簇内紧密度和簇间分离度。对于每个样本 i，计算：
基于簇间离差矩阵与簇内离差矩阵的比值，越大表示聚类效果越好。
在某些医疗应用中，k 值可能由临床意义决定，例如已知疾病有 3 种亚型，可设 k=3。
k-均值的时间复杂度约为 O(n * k * I * p)，其中 n 为样本数，k 为簇数，I 为迭代次数，p 为特征维数。对于大规模数据，k-均值是相对高效的算法。
这是 k-均值在医疗中最经典的应用。通过聚类，可将患者划分为具有相似临床特征、生物标志物或基因组特征的亚组，每个亚组可能对应不同的疾病机制、预后或治疗反应。例如：
图像分割是将图像划分为若干有意义的区域。k-均值可用于初步的医学图像分割，例如：
虽然深度学习在图像分割领域更为强大，但 k-均值因其简单、快速，仍可用于预处理或快速原型验证。
在基因组学中，聚类广泛用于发现共表达基因模块或样本亚型。例如：
聚类可用于医疗资源的优化配置。例如：
k-均值可用于识别异常值——那些离所有簇中心都很远的样本可能是数据录入错误、罕见病例或设备故障。在医疗质量控制中，可通过聚类识别异常诊疗模式。
在药物研发中，聚类可用于化合物筛选、患者分层（临床试验入组）、药物反应预测等。例如，基于患者基因特征聚类，识别可能对特定靶向药物敏感的患者群体。
在公共卫生领域，可利用聚类对人群进行健康画像，如将人群分为'健康生活方式型'、'慢性病高风险型'、'多病共存型'等，为制定针对性干预措施提供依据。
本节将使用一个真实的慢性病相关数据集，通过 k-均值聚类发现患者的潜在亚型。我们将使用 糖尿病进展数据集（Diabetes dataset）来自 scikit-learn，该数据集包含 442 名糖尿病患者的 10 个基线变量（年龄、性别、BMI、平均血压、六个血清测量值）以及一年后疾病进展的定量测量。虽然这是一个回归数据集，但我们可以基于基线特征进行聚类，观察不同簇的疾病进展差异。
from sklearn.datasets import load_diabetes
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import warnings
warnings.filterwarnings('ignore')
# 加载数据
diabetes = load_diabetes()
X = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
y = pd.Series(diabetes.target, name='target')
print(X.shape)
print(X.head())
输出：
(442, 10) age sex bmi bp s1 s2 s3 \
0 0.038076 0.050680 0.061696 0.021872 -0.044223 -0.034821 -0.043401 1 -0.001882 -0.044642 -0.051474 -0.026328 -0.008449 -0.019163 0.074412 2 0.085299 0.050680 0.044451 -0.005670 -0.045599 -0.034194 -0.032356 3 -0.089063 -0.044642 -0.011595 -0.036656 0.012191 0.024991 -0.036038 4 0.005383 -0.044642 -0.036385 0.021872 0.003935 0.015596 0.008142 s4 s5 s6
0 -0.002592 0.019907 -0.017646
1 -0.039493 -0.068332 -0.092204
2 -0.002592 0.002861 -0.025930
3 0.034309 0.022688 -
- - -
特征已标准化（均值为 0，方差为 1），这是原始数据集提供的预处理。目标变量 target 是疾病进展一年后的定量测量（数值越大表示疾病进展越严重）。
虽然特征已经标准化，但我们需要确认数据无缺失值，并考虑是否需要进一步处理。由于所有特征均为数值型，且已标准化，可直接用于聚类。
# 检查缺失值
print(X.isnull().sum())
无缺失。
我们使用肘部法则和轮廓系数选择最佳 k 值。
inertia = []
silhouette_scores = []
K_range = range(2, 11)
for k in K_range:
kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
kmeans.fit(X)
inertia.append(kmeans.inertia_)
silhouette_scores.append(silhouette_score(X, kmeans.labels_))
# 绘制肘部法则曲线
plt.figure(figsize=(12, 5))
plt.subplot(1, 2, 1)
plt.plot(K_range, inertia, marker='o')
plt.xlabel('k')
plt.ylabel('惯性')
plt.title('肘部法则')
plt.subplot(1, 2, 2)
plt.plot(K_range, silhouette_scores, marker='o')
plt.xlabel('k')
plt.ylabel('轮廓系数')
plt.tight_layout()
plt.show()
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online