论文：Using Dashboard Networks to Visualize Multiple Patient Histories: A Design Study on Post-Operative Prostate cance
作者：Jurgen Bernard, David Sessler, Jorn Kohlhammer
发表：IEEE TVCG 2018
简介：这篇 paper 是一篇关于医疗健康的可视化设计研究。作者以术后前列腺癌的病史为例，使用仪表盘网络来进行可视化设计研究。
相关工作
将电子病史进行可视化有助于医疗研究、临床治疗、专家病患间的沟通。然而病史中蕴含大量病人的信息特征，需要对比展示，难以有效的表达，是一项具有挑战性的任务。
现有工作中，最早开展的是直接对单个病人的各种信息进行展示（Visualization of Single Patient Histories ）。
比如 2004 年的这篇 paper，使用交通信号灯的视觉编码表达病情（红色表示病情严重，黄色是警告期，绿色表示康复）。主要视图是沿病史的时间展示各种属性，其他视图用作医疗辅助。作者本人之前也做过类似的研究。不过这种方式 1 次也只能展示 1 个病人的情况，实际上没法展示、探索大量病例。
图 1，Connecting time-oriented data and information to a coherent interactive visualization,2004.
为了能够同时展示多个病例的某些特征，需要将病例中的一些特征抽象为特定的视觉符号，通过统计进行展示（Visualization of Event Sequences of Patients）。
比如 2015 的 CoCo 系统，在这张视图中，其三角形代表病例中的一个事件：病人每天睡在什么床上，右侧统计了对应事件组合的死亡率。但是，这种方式一次也只能展示一种或几种用于比较的特征，而且会损失每个病例一些独有的特殊信息。
图 2，Cohort Comparison of Event Sequences with Balanced Integration of Visual Analytics and Statistics,2015.
总结的说，现有病史可视化的相关工作有两种，分别能表达：multiple attributes for few patient histories；few attributes for many patient histories，
挑战是 multiple attributes for many patient histories， 而且这些属性有多种数据类型（numerical, ordinal, categorical, and binary），使用平行坐标、散点图矩阵等常规方法并不适合。
于是作者转而去参考 glyph 设计思想在相关领域的运用，采用 glyph design 来可视化多变量属性集合（Visualization of Multivariate Attribute Sets）。这篇 2012 年的 paper 采用 glyph 来表现生物实验的工作流，可以在一张视图上同时显示大量信息。
图 3，Taxonomy-based glyph design—with a case study on visualizing workflows of biological experiments,2012.
本文方法
首先，作者与 4 名医学专家确定了 15 个描述前列腺癌手术的主要属性，根据属性的不同类别赋予不同的视觉编码。
图 4，前列腺癌手术的 15 个主要属性
数据集包含欧洲 2000 余份前列腺癌手术的病史，处理病史分为分段和聚合两个步骤：
分段 segmentation：把复杂的时态数据划分为有意义的小段落，使用事件的发生顺序取代事件发生的实际时间 。有两种分段的标准： 1. 某些指标发生显著变化（新的治疗手段/结果） 2. 到达给定的分段最大长度（本文为 6 个月）。为 2000 余份病史创造了 10485 个分段， 平均每个病例有 3~7 个分段。
举例如下：一个病人在经历前列腺癌手术后，前 4 个月的癌症情况为良好，而 5-10 月复发了，则为其分段。段落是之后可视化、统计所用的最小单位。
聚合 aggregation：把分段组合以展示在 dashboard 中。有两种聚合的方法： 1. 把 10485 个分段聚合在一起，提供所有患者的 overview 2. 根据某种属性进行分组统计，纵向比较（longitudinal changes）。
举例（1）如下：这是 10485 个分段的 overview，作者称之为 static dashboard 静态仪表盘。不同类型变量使用了不同图表和合适的视觉编码。在总览中，可以看到，pt2c,pt3a,pt3b 最为常见；格里森中 3+4,4+3 最为常见；大约 3/4 的患者一次手术后仍有复发现象；所有患者都做了手术，最主要的还是放射治疗。
图 5，case 1，静态仪表盘
举例（2）如下：刚才介绍了第一种使用场景，这种全体的概览明显地没有利用到各个分段的特征信息；接下来是第二种使用场景。
首先选择了只含有 pt4 状态的患者，然后依照治疗手段的不同组合，从左向右排布。从这种纵向比较中，可以观察发现 PSA 值逐渐提高，患者的治疗结果也逐渐恶化。比如接受放射治疗的患者，11 个案例全部都为复发。比如左边的只有 op，到了最右边用上最终手段 cht，病人的死亡率仍然很高，其癌症非常严重。
作者称之为仪表盘网络，实际上就是按照某一属性的组合排列，纵向排布用作比较。
图 6，case 2，仪表盘网络
举例（3）如下：第三种使用场景，在 dashboard network 的基础上，再比较某一属性的区别。只出现 pt2c 情况的患者，相比 pt4 的患者，最显著的是没有出现化疗的仪表盘；每个阶段对比下，其 PSA 值比较低；其治疗结果也更好，只有少量的 meta、dod；N1 值接近 0，N0 占据了主导地位。
总结的来说，医疗专家能从中总结规律，患者也能轻松的找到自己所在阶段的整体情况，便于治疗沟通。
图 7，case 3，仪表盘网络之间的比较
用户评估
本文的可视化面向三类用户：医疗专家，可视化专家，非专家（公众–患者）。
实验参与的者情况：14 名参与者（2 女 12 男）；参与者至少拥有硕士学位，5 名拥有博士学位；包含 5 名可视化专家，4 名前列腺癌症临床医生，5 名非专家。
实验流程：介绍前列腺癌和属性编码（10 分钟）；熟悉本文的可视设计（10 分钟）；执行评估患者情况的任务（20 分钟）。
实验结果：统计每个参与者对数据属性作出观察的数量；所有参与者都能作出有效的观察；医疗专家能够做出更多的观察，并保持一致性。
图 8，对于每个属性作出观察的数量统计
总结
本文的思路和方法很简单，针对医疗数据做了一个可视化设计，能够一次性呈现多种属性，使得用户能够快速作出观察。
优点：不同领域的参与者都能理解可视设计，作出大量观察；参与者能够同时分析大量属性，并直观地指出患者队列之间的差异。
局限性：在现实环境中，患者熟悉可视设计仍需要时间成本；存在不同治疗顺序的患者被统计到一起（OP-RTX-HT 对比 OP-HT-RTX），丢失了这部分信息；可扩展性较差，dashboard 的复杂性增加时可能会破坏现有可视化设计的协调性。
未来工作：研究处理丢失、噪音数据的能力；研究可扩展性；研究应用到其他领域的可行性。
✉️ mcfatewang@zju.edu.cn