醫(yī)學(xué)圖像數(shù)據(jù)挖掘若干技術(shù)研究

基本內(nèi)容基本內(nèi)容隨著醫(yī)學(xué)技術(shù)的不斷發(fā)展，醫(yī)學(xué)圖像數(shù)據(jù)在臨床診斷、治療和預(yù)后評估等方面具有越來越重要的應(yīng)用價(jià)值。醫(yī)學(xué)圖像數(shù)據(jù)挖掘作為大數(shù)據(jù)時(shí)代下的重要技術(shù)之一，可以有效提取醫(yī)學(xué)圖像中的有用信息，提高醫(yī)療診斷和治療水平。本次演示將介紹醫(yī)學(xué)圖像數(shù)據(jù)挖掘的一些關(guān)鍵技術(shù)，包括數(shù)據(jù)預(yù)處理、特征提取和分類算法等，并探討其在實(shí)際臨床應(yīng)用中的優(yōu)勢和挑戰(zhàn)?；緝?nèi)容在醫(yī)學(xué)圖像數(shù)據(jù)挖掘過程中，數(shù)據(jù)預(yù)處理是第一步。醫(yī)學(xué)圖像數(shù)據(jù)預(yù)處理主要包括數(shù)據(jù)采集、數(shù)據(jù)清洗、預(yù)處理和存儲等方面。數(shù)據(jù)采集是醫(yī)學(xué)圖像數(shù)據(jù)挖掘的基礎(chǔ)，需要保證圖像數(shù)據(jù)的準(zhǔn)確性、有效性和完整性。數(shù)據(jù)清洗包括去除無效數(shù)據(jù)、糾正錯(cuò)誤數(shù)據(jù)、統(tǒng)一數(shù)據(jù)格式等，以確保數(shù)據(jù)分析的可靠性?；緝?nèi)容預(yù)處理包括圖像分割、去噪、增強(qiáng)等，以突出圖像中的關(guān)鍵特征，提高分類和識別的準(zhǔn)確性。最后，經(jīng)過預(yù)處理的醫(yī)學(xué)圖像數(shù)據(jù)需要存儲在數(shù)據(jù)庫或數(shù)據(jù)倉庫中，以便后續(xù)的數(shù)據(jù)分析和挖掘?；緝?nèi)容特征提取是醫(yī)學(xué)圖像數(shù)據(jù)挖掘的關(guān)鍵步驟之一。基于深度學(xué)習(xí)的特征提取方法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），已經(jīng)成為主流的特征提取技術(shù)。CNN可以通過學(xué)習(xí)大量的圖像數(shù)據(jù)來自動(dòng)提取特征，并且具有強(qiáng)大的特征表達(dá)能力和魯棒性，適用于醫(yī)學(xué)圖像分類和識別任務(wù)?；緝?nèi)容RNN是一種適用于序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，可以通過學(xué)習(xí)醫(yī)學(xué)圖像序列來提取特征，適用于醫(yī)學(xué)圖像分割和標(biāo)注任務(wù)。在實(shí)際應(yīng)用中，需要根據(jù)具體的臨床問題和數(shù)據(jù)類型選擇合適的特征提取方法，并將提取的特征應(yīng)用于后續(xù)的分類、聚類和關(guān)聯(lián)分析等任務(wù)中?；緝?nèi)容分類算法是醫(yī)學(xué)圖像數(shù)據(jù)挖掘的重要技術(shù)之一。支持向量機(jī)（SVM）、決策樹和神經(jīng)網(wǎng)絡(luò)等是常用的分類算法。SVM是一種基于間隔最大化的分類方法，可以解決高維、非線性問題，具有良好的泛化性能。決策樹是一種基于樹結(jié)構(gòu)的分類方法，可以直觀地表達(dá)分類規(guī)則，具有簡單易懂的優(yōu)勢?；緝?nèi)容神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元結(jié)構(gòu)的計(jì)算模型，具有較強(qiáng)的并行計(jì)算能力和魯棒性，適用于大規(guī)模、高維度的醫(yī)學(xué)圖像分類任務(wù)。在選擇分類算法時(shí)，需要綜合考慮算法的準(zhǔn)確性、魯棒性、可解釋性和計(jì)算效率等因素，并根據(jù)實(shí)際臨床問題選擇合適的算法。基本內(nèi)容醫(yī)學(xué)圖像數(shù)據(jù)挖掘技術(shù)在臨床應(yīng)用中具有廣泛的前景和優(yōu)勢。首先，在疾病診斷方面，通過對醫(yī)學(xué)圖像進(jìn)行深度分析和挖掘，可以輔助醫(yī)生提高診斷的準(zhǔn)確性和效率，減少漏診和誤診的風(fēng)險(xiǎn)。其次，在治療方案制定方面，通過對比不同治療方案下的醫(yī)學(xué)圖像表現(xiàn)和效果，可以找出最優(yōu)治療方案，提高治療效果和患者生活質(zhì)量?；緝?nèi)容最后，在預(yù)后評估方面，通過對醫(yī)學(xué)圖像數(shù)據(jù)的分析和挖掘，可以預(yù)測患者的病情發(fā)展趨勢和預(yù)后情況，有助于醫(yī)生制定個(gè)性化的治療方案和干預(yù)措施。基本內(nèi)容然而，醫(yī)學(xué)圖像數(shù)據(jù)挖掘技術(shù)的發(fā)展仍面臨一些挑戰(zhàn)。首先，醫(yī)學(xué)圖像數(shù)據(jù)的獲取和處理是一個(gè)復(fù)雜而繁瑣的過程，需要專門的醫(yī)生和工程師團(tuán)隊(duì)進(jìn)行數(shù)據(jù)采集、標(biāo)注和處理。其次，醫(yī)學(xué)圖像數(shù)據(jù)的維度和復(fù)雜性較高，需要開發(fā)更有效的特征提取和降維技術(shù)，以減少計(jì)算量和提高分類準(zhǔn)確性?；緝?nèi)容此外，目前大多數(shù)醫(yī)學(xué)圖像數(shù)據(jù)挖掘方法缺乏可解釋性，難以讓醫(yī)生理解和信任模型的診斷結(jié)果。因此，需要發(fā)展更具可解釋性的深度學(xué)習(xí)模型和解釋性算法，以提高醫(yī)生對模型的信任度和臨床應(yīng)用的可行性?；緝?nèi)容總之，醫(yī)學(xué)圖像數(shù)據(jù)挖掘技術(shù)是提高醫(yī)療診斷和治療水平的重要手段。通過對醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行有效的預(yù)處理、特征提取和分類，可以將深度學(xué)習(xí)等先進(jìn)技術(shù)應(yīng)用于醫(yī)學(xué)領(lǐng)域，提高醫(yī)生的診斷準(zhǔn)確性和效率，改善患者的生活質(zhì)量。未來，隨著技術(shù)的不斷進(jìn)步和應(yīng)用領(lǐng)域的拓展，醫(yī)學(xué)圖像數(shù)據(jù)挖掘?qū)⒕哂懈鼜V闊的發(fā)展前景和更多挑戰(zhàn)，需要不斷進(jìn)行研究和創(chuàng)新。參考內(nèi)容引言引言生物醫(yī)學(xué)文本挖掘是一種從生物醫(yī)學(xué)文獻(xiàn)中提取有價(jià)值信息的技術(shù)，它有助于科學(xué)家們更有效地探索疾病機(jī)制、發(fā)現(xiàn)新的治療方法以及評估藥物效果。本次演示將重點(diǎn)探討生物醫(yī)學(xué)文本挖掘中的若干關(guān)鍵技術(shù)，包括關(guān)鍵詞提取技術(shù)、內(nèi)容分析技術(shù)以及實(shí)驗(yàn)評估技術(shù)。關(guān)鍵詞提取技術(shù)關(guān)鍵詞提取技術(shù)關(guān)鍵詞提取是生物醫(yī)學(xué)文本挖掘的重要步驟之一，它可以幫助研究人員快速了解文獻(xiàn)內(nèi)容并找到感興趣的研究方向。傳統(tǒng)的關(guān)鍵詞提取方法主要包括基于詞頻統(tǒng)計(jì)和基于文本聚類的方法。然而，隨著自然語言處理和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，越來越多的研究者采用這些先進(jìn)技術(shù)進(jìn)行關(guān)鍵詞提取。關(guān)鍵詞提取技術(shù)基于自然語言處理技術(shù)的關(guān)鍵詞提取方法，如詞性標(biāo)注、命名實(shí)體識別和依存句法分析等，可以有效地識別和提取文獻(xiàn)中的專業(yè)術(shù)語和重要概念。這些方法可以幫助研究人員更好地理解文獻(xiàn)內(nèi)容，提高關(guān)鍵詞的準(zhǔn)確性和覆蓋率。關(guān)鍵詞提取技術(shù)基于機(jī)器學(xué)習(xí)技術(shù)的關(guān)鍵詞提取方法，如K-means聚類算法、樸素貝葉斯分類器、支持向量機(jī)等，可以對文獻(xiàn)進(jìn)行自動(dòng)分類或聚類，從而提取出更具有代表性的關(guān)鍵詞。這些方法可以大大提高關(guān)鍵詞提取的效率，減少人工干預(yù)，但需要足夠的訓(xùn)練數(shù)據(jù)和合適的特征選擇。內(nèi)容分析技術(shù)內(nèi)容分析技術(shù)內(nèi)容分析技術(shù)在生物醫(yī)學(xué)文本挖掘中扮演著重要的角色。通過對文獻(xiàn)內(nèi)容的深入分析，研究人員可以發(fā)現(xiàn)其中的關(guān)聯(lián)、趨勢和模式，從而為研究提供新的思路和方向。內(nèi)容分析技術(shù)傳統(tǒng)的生物醫(yī)學(xué)文本挖掘方法主要包括基于詞頻統(tǒng)計(jì)和文本聚類的方法。這些方法主要文本的表面特征，如單詞或短語的頻率和分布，而忽略了文本的語義信息和上下文背景。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，越來越多的研究者開始嘗試使用深度學(xué)習(xí)模型進(jìn)行生物醫(yī)學(xué)文本挖掘。內(nèi)容分析技術(shù)基于深度學(xué)習(xí)技術(shù)的文本挖掘方法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長短期記憶網(wǎng)絡(luò)（LSTM）等，可以利用神經(jīng)網(wǎng)絡(luò)模型自動(dòng)學(xué)習(xí)文本特征，并能夠捕捉文本的語義信息和上下文背景。這些方法在生物醫(yī)學(xué)文本挖掘中取得了良好的效果，能夠更準(zhǔn)確地識別和提取文獻(xiàn)中的關(guān)鍵信息。實(shí)驗(yàn)評估技術(shù)實(shí)驗(yàn)評估技術(shù)實(shí)驗(yàn)評估是生物醫(yī)學(xué)文本挖掘的關(guān)鍵環(huán)節(jié)，它可以幫助研究人員了解方法的可行性和效果。實(shí)驗(yàn)評估技術(shù)主要包括評估指標(biāo)、評估方法和評估工具。實(shí)驗(yàn)評估技術(shù)評估指標(biāo)是衡量文本挖掘方法性能的重要依據(jù)，常用的評估指標(biāo)包括準(zhǔn)確率、召回率和F1得分等。這些指標(biāo)可以幫助研究人員了解方法的實(shí)際效果，并為方法的改進(jìn)提供指導(dǎo)。實(shí)驗(yàn)評估技術(shù)評估方法主要包括自注解方法和獨(dú)立審稿方法。自注解方法是指由領(lǐng)域?qū)＜覍ξ谋就诰蚪Y(jié)果進(jìn)行標(biāo)注，以評估方法的性能。獨(dú)立審稿方法是指由領(lǐng)域?qū)＜要?dú)立審稿，對文本挖掘結(jié)果進(jìn)行評估。這兩種方法都可以提供相對客觀準(zhǔn)確的評估結(jié)果，但需要耗費(fèi)大量時(shí)間和人力。實(shí)驗(yàn)評估技術(shù)評估工具是實(shí)驗(yàn)評估的另一個(gè)重要方面。常用的評估工具包括BRAT、SPICE、ROUGE等。這些工具可以幫助研究人員快速準(zhǔn)確地評估文本挖掘方法的性能，減少人工干預(yù)和錯(cuò)誤。應(yīng)用展望應(yīng)用展望生物醫(yī)學(xué)文本挖掘技術(shù)具有廣泛的應(yīng)用前景。在醫(yī)療領(lǐng)域，文本挖掘技術(shù)可以幫助醫(yī)生進(jìn)行疾病診斷和治療方案的制定；在健康保健領(lǐng)域，文本挖掘技術(shù)可以幫助健康管理者了解公眾的健康需求和趨勢，并提供個(gè)性化的健康建議；在公共衛(wèi)生領(lǐng)域，文本挖掘技術(shù)可以幫助政策制定者了解和預(yù)測公共衛(wèi)生事件的發(fā)展趨勢，為預(yù)防和控制提供支持。結(jié)論結(jié)論生物醫(yī)學(xué)文本挖掘技術(shù)的發(fā)展和應(yīng)用為醫(yī)療、健康保健和公共衛(wèi)生等領(lǐng)域提供了新的機(jī)遇和挑戰(zhàn)。本次演示對生物醫(yī)學(xué)文本挖掘中的若干關(guān)鍵技術(shù)進(jìn)行了深入探討，包括關(guān)鍵詞提取技術(shù)、內(nèi)容分析技術(shù)和實(shí)驗(yàn)評估技術(shù)等。隨著技術(shù)的不斷發(fā)展，未來的生物醫(yī)學(xué)文本挖掘?qū)⒏幼⒅厣疃葘W(xué)習(xí)模型的應(yīng)用，以提高挖掘的準(zhǔn)確性和效率。如何更好地將文本挖掘技術(shù)應(yīng)用到實(shí)際場景中，滿足用戶需求，也將是未來研究的重要方向?；緝?nèi)容基本內(nèi)容隨著RFID技術(shù)的廣泛應(yīng)用，產(chǎn)生了大量的RFID數(shù)據(jù)，這些數(shù)據(jù)中蘊(yùn)含著豐富的信息和知識。因此，針對RFID海量數(shù)據(jù)的挖掘技術(shù)變得越來越重要。本次演示將介紹幾種針對RFID海量數(shù)據(jù)的挖掘技術(shù)，并探討它們的應(yīng)用場景、研究現(xiàn)狀和未來發(fā)展方向?；緝?nèi)容RFID技術(shù)是一種利用無線電波進(jìn)行通信的自動(dòng)識別技術(shù)，其應(yīng)用范圍非常廣泛，包括供應(yīng)鏈管理、門禁系統(tǒng)、停車場系統(tǒng)等。針對RFID數(shù)據(jù)的挖掘技術(shù)，通常包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘建模等步驟。基本內(nèi)容在供應(yīng)鏈管理領(lǐng)域，RFID技術(shù)可以提高貨物的追蹤效率和準(zhǔn)確性，同時(shí)也可以幫助企業(yè)更好地了解市場需求和消費(fèi)者行為。通過數(shù)據(jù)挖掘技術(shù)，可以從RFID數(shù)據(jù)中提取有價(jià)值的信息，例如貨物的運(yùn)輸路徑、運(yùn)輸時(shí)間、銷售量等，這些信息可以幫助企業(yè)優(yōu)化庫存管理和物流配送，提高效率和降低成本?；緝?nèi)容在門禁系統(tǒng)和停車場系統(tǒng)中，RFID技術(shù)也可以實(shí)現(xiàn)自動(dòng)識別和計(jì)費(fèi)等功能，同時(shí)也可以通過數(shù)據(jù)挖掘技術(shù)進(jìn)行分析和優(yōu)化。例如，通過分析門禁系統(tǒng)的RFID數(shù)據(jù)，可以了解人員的行動(dòng)軌跡和行為習(xí)慣，從而為企業(yè)提供更加準(zhǔn)確的安全預(yù)警和風(fēng)險(xiǎn)評估。在停車場系統(tǒng)中，通過數(shù)據(jù)挖掘技術(shù)，可以分析車輛的停放時(shí)間和頻率等信息，幫助企業(yè)合理規(guī)劃車位，提高車位使用率和收入。基本內(nèi)容目前針對RFID數(shù)據(jù)挖掘技術(shù)的研究還處于不斷發(fā)展和完善階段。一些研究方向和研究方法已經(jīng)比較成熟，例如數(shù)據(jù)預(yù)處理中的去噪、壓縮、索引等技術(shù)，數(shù)據(jù)挖掘建模中的聚類、分類、關(guān)聯(lián)規(guī)則等技術(shù)。然而，仍然存在一些挑戰(zhàn)和問題需要解決，例如如何處理大規(guī)模、高并發(fā)、實(shí)時(shí)RFID數(shù)據(jù)，如何提高數(shù)據(jù)挖掘算法的準(zhǔn)確性和效率等。基本內(nèi)容未來針對RFID數(shù)據(jù)挖掘技術(shù)的發(fā)展方向主要包括以下幾個(gè)方面：1、手持設(shè)備的發(fā)展將為RFID數(shù)據(jù)采集帶來更大的便利性和靈活性，同時(shí)也將提高數(shù)據(jù)的準(zhǔn)確性和實(shí)時(shí)性。因此，如何利用手持設(shè)備進(jìn)行有效的RFID數(shù)據(jù)采集和管理，將成為一個(gè)重要的研究方向。基本內(nèi)容2、云計(jì)算技術(shù)的引入可以幫助處理大規(guī)模的RFID數(shù)據(jù)，提高數(shù)據(jù)處理的效率和準(zhǔn)確性。同時(shí)，云計(jì)算還可以實(shí)現(xiàn)數(shù)據(jù)的共享和開放，從而促進(jìn)RFID數(shù)據(jù)的應(yīng)用和發(fā)展。基本內(nèi)容3、大數(shù)據(jù)處理技術(shù)的發(fā)展將為RFID數(shù)據(jù)的處理和分析提供更為強(qiáng)大的支持。通過利用大數(shù)據(jù)處理技術(shù)，可以更好地挖掘RFID數(shù)據(jù)中的隱含信息和模式，從而為企業(yè)提供更加準(zhǔn)確的市場預(yù)測和決策支持?；緝?nèi)容總之，針對RFID海量數(shù)據(jù)的挖掘技術(shù)對于企業(yè)來說具有重要的意義和價(jià)值。通過利用合適的數(shù)據(jù)挖掘技術(shù)和方法，可以幫助企業(yè)更好地了解市場和消費(fèi)者需求，優(yōu)化庫存管理和物流配送，提高門禁和停車場系統(tǒng)的管理效率和安全性。目前，雖然針對RFID數(shù)據(jù)挖掘技術(shù)的研究已經(jīng)取得了一定的成果，但仍存在一些挑戰(zhàn)和問題需要解決?；緝?nèi)容未來，隨著手持設(shè)備、云計(jì)算、大數(shù)據(jù)處理等技術(shù)的不斷發(fā)展，相信針對RFID數(shù)據(jù)挖掘技術(shù)的研究和應(yīng)用也將不斷取得新的進(jìn)展?；緝?nèi)容基本內(nèi)容隨著圖像數(shù)據(jù)的廣泛應(yīng)用，圖像數(shù)據(jù)挖掘技術(shù)成為了一個(gè)熱門的研究領(lǐng)域。本次演示旨在探討圖像數(shù)據(jù)挖掘的研究現(xiàn)狀和應(yīng)用，綜述相關(guān)文獻(xiàn)資料，并對未來研究方向進(jìn)行展望。圖像數(shù)據(jù)挖掘技術(shù)綜述圖像數(shù)據(jù)挖掘技術(shù)綜述圖像數(shù)據(jù)挖掘是將圖像數(shù)據(jù)處理技術(shù)與數(shù)據(jù)挖掘技術(shù)相結(jié)合的一種新型技術(shù)。其中，數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和數(shù)據(jù)挖掘算法是圖像數(shù)據(jù)挖掘的關(guān)鍵技術(shù)。1、數(shù)據(jù)采集1、數(shù)據(jù)采集圖像數(shù)據(jù)采集是圖像數(shù)據(jù)挖掘的基礎(chǔ)。目前，數(shù)據(jù)采集技術(shù)主要依賴于計(jì)算機(jī)視覺和圖像處理技術(shù)。其中，計(jì)算機(jī)視覺技術(shù)可以通過對圖像的自動(dòng)識別和跟蹤，實(shí)現(xiàn)圖像數(shù)據(jù)的自動(dòng)化采集。而圖像處理技術(shù)則可以通過對圖像進(jìn)行去噪、增強(qiáng)等操作，提高圖像質(zhì)量，為后續(xù)的數(shù)據(jù)挖掘提供更好的數(shù)據(jù)基礎(chǔ)。2、數(shù)據(jù)預(yù)處理2、數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理是圖像數(shù)據(jù)挖掘的重要環(huán)節(jié)。其主要目的是對原始數(shù)據(jù)進(jìn)行清洗、預(yù)處理和特征提取，以消除數(shù)據(jù)中的噪聲和冗余信息，提高數(shù)據(jù)質(zhì)量。常用的圖像數(shù)據(jù)預(yù)處理方法包括圖像去噪、圖像增強(qiáng)、圖像二值化、圖像分割等。此外，深度學(xué)習(xí)算法在圖像數(shù)據(jù)預(yù)處理中也得到了廣泛的應(yīng)用。3、數(shù)據(jù)挖掘算法3、數(shù)據(jù)挖掘算法數(shù)據(jù)挖掘算法是圖像數(shù)據(jù)挖掘的核心。目前，常用的圖像數(shù)據(jù)挖掘算法包括基于規(guī)則的算法、基于統(tǒng)計(jì)的算法和基于深度學(xué)習(xí)的算法等。其中，基于規(guī)則的算法主要通過提取圖像中的紋理、形狀等特征，構(gòu)建規(guī)則庫，實(shí)現(xiàn)圖像分類和識別?；诮y(tǒng)計(jì)的算法則主要利用統(tǒng)計(jì)學(xué)習(xí)理論，對圖像數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，實(shí)現(xiàn)圖像的聚類、分類等任務(wù)。而基于深度學(xué)習(xí)的算法則通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對圖像數(shù)據(jù)的自動(dòng)特征提取和分類。圖像數(shù)據(jù)挖掘應(yīng)用場景綜述圖像數(shù)據(jù)挖掘應(yīng)用場景綜述圖像數(shù)據(jù)挖掘技術(shù)在各個(gè)領(lǐng)域都有廣泛的應(yīng)用。本次演示主要從智能交通、智慧醫(yī)療和文化傳承三個(gè)領(lǐng)域進(jìn)行介紹。1、智能交通1、智能交通在智能交通領(lǐng)域，圖像數(shù)據(jù)挖掘技術(shù)主要用于交通流量的監(jiān)測和預(yù)測。通過采集交通攝像頭的視頻數(shù)據(jù)，提取車輛特征，利用數(shù)據(jù)挖掘算法進(jìn)行車輛檢測和跟蹤，進(jìn)而實(shí)現(xiàn)交通流量的實(shí)時(shí)監(jiān)測和預(yù)測。此外，圖像數(shù)據(jù)挖掘技術(shù)還可以用于交通違規(guī)行為的分析和識別，為交通管理部門提供決策支持。2、智慧醫(yī)療2、智慧醫(yī)療在智慧醫(yī)療領(lǐng)域，圖像數(shù)據(jù)挖掘技術(shù)主要用于醫(yī)學(xué)圖像的分析和處理。例如，通過對醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行挖掘，可以實(shí)現(xiàn)疾病的早期發(fā)現(xiàn)和診斷。此外，圖像數(shù)據(jù)挖掘技術(shù)還可以用于手術(shù)導(dǎo)航、無創(chuàng)手術(shù)等領(lǐng)域，提高醫(yī)療水平和治療效果。3、文化傳承3、文化傳承