1.ＤＭ方法及研究趋势
在ＤＭ基于算法理论，ＤＭ常用方法：（1）生物学方法包括人工神经网络、遗传算法等；（2）信息理论方法包括决策树；（3）集合理论方法包括粗糙集理论、近邻算法等：（4）统计方法；（5）可视化技术等方法。ＤＭ经过十多年的蓬勃发展，许多基本算法相对成熟，在此基础上进行更有效的改进和算法改进更加困难，如传统的频繁模式和相关规则挖掘近年来不再作为国际知名会议和期刊的重要研究主题［１０］。近年来，国内外众多知名学者相继探讨ＤＭ最新方向。Ｙａｎｇ和Ｗｕ［１１］汇总形成了ＤＭ领域十大挑战性问题报告；Ａｇｒａｗａ等［１２］探讨了ＤＭ并展望了未来的发展方向，Ｐｉａｔｅｔｓｋｙ－ｓｈａｐｉｒｏ等［１３］讨论了ＤＭ新的挑战性问题主要讨论在生物信息学中（ｂｉｏｉｎｆｏｒｍａｔｉｃｓ）、多媒体挖掘（ｍｕｌｔｉｍｅｄｉａｍｉｎｉｎｇ）、链接挖掘（１ｉｎｋｍｉｎｉｎｇ）、文本挖掘（ｔｅｘｔｍｉｎｉｎｇ）和网络挖掘（ｗｅｂｍｉｎｉｎｇ）在其他领域遇到的挑战。与国外相比，ＤＭ国内的研究与应用始于20世纪90年代初，主要针对国内的研究与应用ＤＭ20世纪90年代末和21世纪初，方法的介绍和推广进入了蓬勃发展的阶段。ＤＭ证券和金融部门已成为大型企业做出经营决策必须采用的方法ＤＭ作为未来重点应用的技术之一。有学者以ＨＩＳ和ＬＩＳ数据库信息为数据源，人工神经网络为工具，概率论为基础，常规检验结果和质谱指纹图数据ＤＭ并应用于临床实践［１４－１６］。
2.临床医学ＤＭ的特点
ＤＭ与挖掘其他类型的数据库相比，医学数据库有其自身的特点。基于电子病历、医学图像、病历参数、实验室结果等临床数据的医学数据库是一种复杂的数据库。这些临床信息具有隐私、多样性、不完整性、冗余性、异质性、缺乏数学性质等特殊性和复杂性，使医学性质ＤＭ与常规ＤＭ有很大的差异。医学。ＤＭ方法包括统计方法、机器学习方法、神经网络方法和数据库方法。将这些不同的挖掘方法应用于疾病诊断、治疗和预后分析、医疗管理等领域，从疾病诊疗、医疗质量管理、医院管理、卫生政策研究、医疗资源利用评价等方面获取概念、规律、模式等相关知识；用于疾病分类、分类、筛选危险因素、决定治疗方案和数量［５］。
3.我国医学ＤＭ现状及展望
生命科学的快速发展和系统生物学的快速发展（ｓｙｓｔｅｍｂｉｏｌｏｇｙ）它的出现和蓬勃发展为研究现代医学模式和中医药提供了可能的新思路和新方法。复杂的生命迫切需要通过基因组学和蛋白质组学来解释ＤＭ处理大量基因、蛋白质、染色质数据等相关计算分析方法，如基因调节网络的研究、蛋白质交互网络的挖掘等［１０］。在我国，医学数据非常丰富，但应用却非常丰富ＤＭ对这些数据资源进行技术分析和处理的研究还处于起步阶段。一些大学（如第二军医大学、哈尔滨医科大学、泸州医学院等）为医学本科生和研究生开设了相关课程，上海交通大学医学院也为医学研究生开设了生物医学数据挖掘课程［１７］，泸州医学院检验医学系开设了“检验医学信息学”课程，详细介绍了检验医学信息的来源、综合、提炼和利用［１８］。这些课程旨在让学生和医学研究人员了解这些知识，理性地应用这些数学工具，并与其他学科的研究人员建立合作的基础。医学ＤＭ它是一门涉及面广、技术难度大的新兴交叉学科。它是计算机技术、人工智能、统计学等技术手段与现代医学相结合的产物。它需要从事计算机和统计学的研究人员与医务工作者的合作。随着理论研究的深入和进一步的实践探索，医学ＤＭ它将在疾病的诊断和治疗、医学研究和教学以及医院管理中发挥不可估量的作用。