Luận văn: Ứng dụng Kỹ thuật Học máy trong Chẩn đoán Bệnh - Đại học Bách Khoa Hà Nội

Luận văn: Ứng dụng học máy trong chẩn đoán bệnh. Nghiên cứu các kỹ thuật tiên tiến, mô hình hiệu quả để hỗ trợ bác sĩ đưa ra quyết định chính xác, kịp thời.

• Tác giả: Cao Văn Thắng
• Người hướng dẫn: PGS. T. Thanh Hương
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng dụng các kỹ thuật học máy trong chẩn đoán bệnh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT
• PHẦN MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Tìm hiểu một số hệ thống ứng dụng học máy trong chẩn đoán bệnh
• 1.3. Mục đích, đối tượng, phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Bố cục của luận văn
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về machine learning
• 1.1.1. Định nghĩa
• 1.1.2. Các phương pháp học trong machine learning
• 1.1.2.1. Học có giám sát - Supervised learning
• 1.1.2.2. Học không giám sát — Unsupervised learning
• 1.1.3. Học bán giám sát — Semi-Supervised learning
• 1.1.4. Học củng cố — Reinforcement learning
• 1.2. Ứng dụng machine learning trong lĩnh vực y tế
• 1.2.1. Các nghiên cứu liên quan
• 1.2.2. Những thách thức
• 2. CHƯƠNG 2: CHẨN ĐOÁN BỆNH DỰA TRÊN HỌC MÁY
• 2.1. Giới thiệu bài toán
• 2.2. Phương pháp học máy áp dụng trong bài toán
• 2.2.1. Cây quyết định— Decision tree
• 2.2.2. Xây dựng cây quyết định
• 2.2.3. Cách phân chia mẫu
• 2.2.4. Vấn đề quá phù hợp với dữ liệu (overfitting)
• 2.2.5. Ưu điểm của cây quyết định
• 2.2.6. Giải thuật rừng ngẫu nhiên
• 2.2.6.1. Lịch sử nghiên cứu
• 2.2.6.2. Bootstrap và Bagging
• 2.2.6.3. Out of bag
• 2.2.6.4. Rừng ngẫu nhiên hoạt động như thế nào?
• 2.2.7. Phương pháp máy vector hỗ trợ - Support Vector Machine
• 2.3. Một số thông tin về ba loại bệnh được sử dụng trong bài toán
• 2.3.1. Bệnh đái tháo đường
• 2.3.2. Bệnh tăng huyết áp
• 2.3.3. Bệnh hen phế quản
• 3. CHƯƠNG 3: CÀI ĐẶT THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Cài đặt thử nghiệm
• 3.1.1. Tiền xử lý dữ liệu
• 3.1.2. Trích chọn đặc trưng
• 3.1.3. Phân chia dữ liệu
• 3.1.4. Huấn luyện mô hình
• 3.1.5. Kiểm thử và kết quả
• 3.1.6. Kiểm thử với mô hình phân lớp SVM
• 3.2. Nhận xét
• 4. CHƯƠNG 4: KẾT LUẬN
• 4.1. Đánh giá
• 4.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Luận Văn Ứng Dụng Học Máy Chẩn Đoán Bệnh

Luận văn này tập trung vào việc ứng dụng các kỹ thuật học máy trong lĩnh vực chẩn đoán bệnh. Mục tiêu chính là xây dựng và đánh giá các mô hình học máy có khả năng hỗ trợ bác sĩ trong việc đưa ra quyết định chẩn đoán nhanh chóng và chính xác hơn. Việc áp dụng khoa học dữ liệu và trí tuệ nhân tạo (AI) vào y học hứa hẹn mang lại những tiến bộ vượt bậc trong việc phát hiện bệnh sớm, cải thiện hiệu quả chẩn đoán và điều trị bệnh. Luận văn này khám phá các phương pháp học máy khác nhau, bao gồm học có giám sát, học không giám sát, và học bán giám sát, đồng thời xem xét những thách thức và cơ hội trong việc phân tích dữ liệu y tế. Theo thống kê của Bộ Y tế, nhu cầu về nhân lực ngành y tế, đặc biệt ở vùng sâu vùng xa, vẫn còn rất lớn. Ứng dụng học máy có thể giúp giải quyết phần nào bài toán này bằng cách hỗ trợ bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn.

Trên thế giới, đã có nhiều thành công trong việc áp dụng trí tuệ nhân tạo và học máy vào chẩn đoán bệnh. Ví dụ, các nhà khoa học tại Stanford đã phát triển một thuật toán có khả năng chẩn đoán ung thư da với độ chính xác tương đương bác sĩ da liễu. Luận văn này mong muốn đóng góp vào sự phát triển của lĩnh vực này tại Việt Nam. Dữ liệu được sử dụng trong luận văn bao gồm thông tin về các bệnh như đái tháo đường, tăng huyết áp, và hen phế quản. Các thuật toán được sử dụng bao gồm cây quyết định, rừng ngẫu nhiên và máy vector hỗ trợ (SVM).

1.1. Giới Thiệu Bài Toán Chẩn Đoán Bệnh Bằng Học Máy

Bài toán chẩn đoán bệnh là một bài toán phân loại trong học máy. Mục tiêu là xây dựng một mô hình có khả năng dự đoán bệnh của một bệnh nhân dựa trên các thông tin đầu vào như triệu chứng, kết quả xét nghiệm, và tiền sử bệnh. Mô hình này cần được huấn luyện trên một bộ dữ liệu lớn chứa thông tin về nhiều bệnh nhân khác nhau. Độ chính xác của mô hình là một yếu tố quan trọng cần được đánh giá cẩn thận. Theo [Tài liệu gốc], việc sử dụng học máy trong chẩn đoán bệnh có thể giúp giảm thiểu sai sót và tăng cường độ tin cậy của quá trình chẩn đoán. Bài toán này có ý nghĩa thực tiễn lớn, giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn, từ đó cải thiện kết quả điều trị cho bệnh nhân.

1.2. Các Kỹ Thuật Học Máy Phổ Biến Trong Y Học Hiện Nay

Nhiều kỹ thuật học máy đã được áp dụng thành công trong lĩnh vực y học, bao gồm mạng nơ-ron, cây quyết định, máy vector hỗ trợ (SVM), và rừng ngẫu nhiên. Mỗi kỹ thuật có những ưu điểm và nhược điểm riêng, phù hợp với các loại dữ liệu và bài toán khác nhau. Mạng nơ-ron thường được sử dụng để phân tích hình ảnh y tế như X-quang và MRI. Cây quyết định và rừng ngẫu nhiên thích hợp cho việc phân loại bệnh dựa trên các đặc trưng rời rạc. Máy vector hỗ trợ (SVM) có thể được sử dụng để dự đoán nguy cơ mắc bệnh dựa trên các yếu tố nguy cơ. Việc lựa chọn kỹ thuật học máy phù hợp là một bước quan trọng trong quá trình xây dựng một hệ thống chẩn đoán bệnh hiệu quả.

II. Thách Thức Khi Ứng Dụng Học Máy vào Chẩn Đoán Bệnh

Mặc dù học máy mang lại nhiều tiềm năng cho lĩnh vực chẩn đoán bệnh, vẫn còn nhiều thách thức cần vượt qua. Một trong những thách thức lớn nhất là sự thiếu hụt dữ liệu y tế chất lượng cao. Dữ liệu cần phải đầy đủ, chính xác và được chuẩn hóa để có thể huấn luyện các mô hình học máy hiệu quả. Ngoài ra, vấn đề bảo mật dữ liệu cũng là một mối quan tâm lớn, đặc biệt khi dữ liệu y tế thường chứa thông tin nhạy cảm của bệnh nhân. Bên cạnh đó, việc giải thích kết quả của các mô hình học máy cũng là một thách thức, đặc biệt đối với các mô hình phức tạp như mạng nơ-ron. Bác sĩ cần hiểu rõ cơ chế hoạt động của mô hình để có thể tin tưởng và sử dụng kết quả của nó. Một khó khăn khác là sự chấp nhận của cộng đồng y tế đối với các hệ thống chẩn đoán dựa trên học máy. Cần có sự phối hợp chặt chẽ giữa các nhà khoa học máy tính và các bác sĩ để xây dựng các hệ thống thực sự hữu ích và đáng tin cậy.

2.1. Vấn Đề Dữ Liệu Y Tế Thiếu Hụt Chất Lượng Kém

Dữ liệu là yếu tố then chốt để xây dựng các mô hình học máy hiệu quả. Tuy nhiên, trong lĩnh vực y tế, việc thu thập và quản lý dữ liệu gặp nhiều khó khăn. Dữ liệu thường phân tán, không được chuẩn hóa, và thiếu thông tin quan trọng. Nhiều bệnh viện và phòng khám vẫn sử dụng hệ thống quản lý dữ liệu thủ công, gây khó khăn cho việc trích xuất và phân tích dữ liệu. Hơn nữa, dữ liệu thường không đầy đủ, thiếu các thông tin về tiền sử bệnh, lối sống, và các yếu tố nguy cơ khác. Chất lượng dữ liệu kém cũng là một vấn đề lớn, với nhiều sai sót và thông tin không chính xác. Để giải quyết vấn đề này, cần có các giải pháp đồng bộ hóa dữ liệu, chuẩn hóa dữ liệu, và đảm bảo chất lượng dữ liệu.

2.2. Giải Thích Mô Hình Sự Tin Tưởng Của Bác Sĩ vào AI

Bác sĩ thường dựa vào kinh nghiệm và kiến thức chuyên môn để đưa ra quyết định chẩn đoán. Việc sử dụng học máy có thể giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn, nhưng đồng thời cũng đặt ra câu hỏi về sự tin tưởng vào mô hình AI. Bác sĩ cần hiểu rõ cơ chế hoạt động của mô hình để có thể tin tưởng và sử dụng kết quả của nó. Tuy nhiên, nhiều mô hình học máy, đặc biệt là mạng nơ-ron, hoạt động như một "hộp đen", gây khó khăn cho việc giải thích kết quả. Để giải quyết vấn đề này, cần phát triển các kỹ thuật giải thích mô hình, giúp bác sĩ hiểu rõ lý do tại sao mô hình đưa ra một quyết định cụ thể. Ngoài ra, cần có sự phối hợp chặt chẽ giữa các nhà khoa học máy tính và các bác sĩ để xây dựng các mô hình thực sự hữu ích và đáng tin cậy.

III. Phương Pháp Cây Quyết Định Chẩn Đoán Bệnh Đơn Giản

Cây quyết định là một phương pháp học máy đơn giản và dễ hiểu, thường được sử dụng trong các bài toán phân loại. Cây quyết định xây dựng một mô hình dạng cây, trong đó mỗi nút đại diện cho một thuộc tính, mỗi nhánh đại diện cho một giá trị của thuộc tính, và mỗi lá đại diện cho một lớp. Cây quyết định có thể được sử dụng để chẩn đoán bệnh bằng cách phân loại bệnh nhân vào các nhóm bệnh khác nhau dựa trên các triệu chứng và kết quả xét nghiệm. Theo [Tài liệu gốc], cây quyết định có ưu điểm là dễ hiểu, dễ giải thích, và có thể xử lý các dữ liệu rời rạc. Tuy nhiên, cây quyết định cũng có nhược điểm là dễ bị overfitting, tức là mô hình quá khớp với dữ liệu huấn luyện và không hoạt động tốt trên dữ liệu mới. Để khắc phục nhược điểm này, có thể sử dụng các kỹ thuật như cắt tỉa cây và rừng ngẫu nhiên.

3.1. Xây Dựng Cây Quyết Định Cho Bài Toán Chẩn Đoán

Để xây dựng một cây quyết định cho bài toán chẩn đoán, cần xác định các thuộc tính quan trọng nhất để phân loại bệnh nhân. Các thuộc tính này có thể là triệu chứng, kết quả xét nghiệm, tiền sử bệnh, và các yếu tố nguy cơ khác. Sau đó, sử dụng một thuật toán như ID3, C4.5, hoặc CART để xây dựng cây quyết định. Thuật toán này sẽ chọn thuộc tính tốt nhất để phân chia dữ liệu tại mỗi nút, dựa trên các tiêu chí như độ lợi thông tin hoặc chỉ số Gini. Quá trình này được lặp lại cho đến khi tất cả các bệnh nhân trong một nút thuộc cùng một lớp, hoặc không thể phân chia dữ liệu thêm nữa. Theo [Tài liệu gốc], việc lựa chọn thuộc tính tốt nhất là yếu tố quan trọng nhất để xây dựng một cây quyết định hiệu quả.

3.2. Giải Quyết Vấn Đề Overfitting trong Cây Quyết Định

Overfitting là một vấn đề phổ biến trong học máy, đặc biệt đối với cây quyết định. Khi mô hình quá khớp với dữ liệu huấn luyện, nó sẽ hoạt động kém trên dữ liệu mới. Để giải quyết vấn đề này, có thể sử dụng các kỹ thuật như cắt tỉa cây, giới hạn độ sâu của cây, hoặc sử dụng rừng ngẫu nhiên. Cắt tỉa cây là quá trình loại bỏ các nhánh không quan trọng của cây, giúp đơn giản hóa mô hình và giảm thiểu overfitting. Giới hạn độ sâu của cây cũng có thể giúp ngăn chặn mô hình trở nên quá phức tạp. Rừng ngẫu nhiên là một phương pháp kết hợp nhiều cây quyết định khác nhau, giúp cải thiện độ chính xác và giảm thiểu overfitting.

IV. Giải Thuật Rừng Ngẫu Nhiên Tăng Độ Chính Xác Chẩn Đoán

Rừng ngẫu nhiên là một phương pháp học máy mạnh mẽ, được sử dụng rộng rãi trong các bài toán phân loại và hồi quy. Rừng ngẫu nhiên là một tập hợp các cây quyết định, mỗi cây được huấn luyện trên một bộ dữ liệu con được chọn ngẫu nhiên từ bộ dữ liệu gốc. Kết quả dự đoán của rừng ngẫu nhiên là kết quả tổng hợp của các cây quyết định thành viên. Rừng ngẫu nhiên có nhiều ưu điểm so với cây quyết định đơn lẻ, bao gồm độ chính xác cao hơn, khả năng chống overfitting tốt hơn, và khả năng xử lý các dữ liệu phức tạp. Theo [Tài liệu gốc], rừng ngẫu nhiên là một phương pháp hiệu quả để chẩn đoán bệnh.

4.1. Ưu Điểm Của Rừng Ngẫu Nhiên So Với Cây Quyết Định

Rừng ngẫu nhiên có nhiều ưu điểm so với cây quyết định đơn lẻ. Thứ nhất, rừng ngẫu nhiên có độ chính xác cao hơn, do kết quả dự đoán được tổng hợp từ nhiều cây quyết định khác nhau. Thứ hai, rừng ngẫu nhiên có khả năng chống overfitting tốt hơn, do mỗi cây được huấn luyện trên một bộ dữ liệu con khác nhau. Thứ ba, rừng ngẫu nhiên có khả năng xử lý các dữ liệu phức tạp tốt hơn, do có thể nắm bắt được các mối quan hệ phi tuyến tính giữa các thuộc tính. Theo [Tài liệu gốc], rừng ngẫu nhiên là một phương pháp mạnh mẽ và linh hoạt, phù hợp với nhiều loại bài toán khác nhau.

4.2. Cách Thức Hoạt Động Của Giải Thuật Rừng Ngẫu Nhiên

Giải thuật rừng ngẫu nhiên hoạt động theo các bước sau: (1) Chọn ngẫu nhiên một bộ dữ liệu con từ bộ dữ liệu gốc. (2) Huấn luyện một cây quyết định trên bộ dữ liệu con này. (3) Lặp lại các bước (1) và (2) nhiều lần để tạo ra một tập hợp các cây quyết định. (4) Để dự đoán kết quả cho một bệnh nhân mới, đưa thông tin của bệnh nhân vào tất cả các cây quyết định trong rừng. (5) Tổng hợp kết quả dự đoán của các cây quyết định để đưa ra kết quả cuối cùng. Kết quả cuối cùng thường là kết quả phổ biến nhất (trong bài toán phân loại) hoặc giá trị trung bình (trong bài toán hồi quy).

V. Máy Vector Hỗ Trợ SVM Tìm Siêu Phẳng Tối Ưu Chẩn Đoán

Máy vector hỗ trợ (SVM) là một thuật toán học máy mạnh mẽ được sử dụng để phân loại và hồi quy. Trong chẩn đoán bệnh, SVM có thể được sử dụng để phân biệt giữa các bệnh khác nhau dựa trên các đặc điểm của bệnh nhân. Ý tưởng chính của SVM là tìm một siêu phẳng (hyperplane) có thể chia tách các lớp dữ liệu một cách tối ưu. SVM đặc biệt hiệu quả khi làm việc với dữ liệu có số chiều cao. Theo [Tài liệu gốc], SVM đã chứng minh được hiệu quả trong nhiều ứng dụng y tế khác nhau, bao gồm chẩn đoán ung thư và dự đoán nguy cơ mắc bệnh.

5.1. Ứng Dụng SVM Trong Bài Toán Phân Loại Bệnh

Trong bài toán phân loại bệnh, SVM cố gắng tìm một siêu phẳng để chia tách các bệnh nhân thành các nhóm bệnh khác nhau. SVM sử dụng các hàm kernel để ánh xạ dữ liệu đầu vào vào một không gian có số chiều cao hơn, nơi mà việc phân tách trở nên dễ dàng hơn. Các hàm kernel phổ biến bao gồm hàm tuyến tính, hàm đa thức và hàm RBF (radial basis function). Sau khi tìm được siêu phẳng tối ưu, SVM có thể được sử dụng để dự đoán bệnh cho các bệnh nhân mới dựa trên vị trí của họ so với siêu phẳng.

5.2. Ưu Điểm và Nhược Điểm Của SVM Trong Y Học

SVM có nhiều ưu điểm trong lĩnh vực y học, bao gồm khả năng xử lý dữ liệu có số chiều cao, khả năng tìm siêu phẳng tối ưu và khả năng tổng quát hóa tốt trên dữ liệu mới. Tuy nhiên, SVM cũng có một số nhược điểm, bao gồm khó khăn trong việc lựa chọn hàm kernel phù hợp và chi phí tính toán cao khi làm việc với dữ liệu lớn. Ngoài ra, SVM có thể không hoạt động tốt khi dữ liệu bị nhiễu hoặc có nhiều giá trị ngoại lệ.

VI. Kết Luận và Hướng Phát Triển Học Máy và Tương Lai Y Học

Luận văn này đã trình bày các ứng dụng của học máy trong chẩn đoán bệnh. Các phương pháp học máy như cây quyết định, rừng ngẫu nhiên và SVM có thể giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, bao gồm sự thiếu hụt dữ liệu y tế chất lượng cao, vấn đề bảo mật dữ liệu và sự chấp nhận của cộng đồng y tế. Trong tương lai, học máy sẽ tiếp tục đóng vai trò quan trọng trong lĩnh vực y học, giúp cải thiện hiệu quả chẩn đoán, điều trị bệnh và nâng cao chất lượng cuộc sống cho bệnh nhân. Các hướng nghiên cứu tiềm năng bao gồm phát triển các mô hình học máy có khả năng giải thích kết quả, sử dụng học sâu để phân tích hình ảnh y tế và xây dựng các hệ thống chẩn đoán tự động.

6.1. Đánh Giá Kết Quả Thực Nghiệm Và So Sánh Các Mô Hình

Kết quả thực nghiệm cho thấy các mô hình học máy có thể đạt được độ chính xác cao trong chẩn đoán bệnh. Tuy nhiên, độ chính xác của các mô hình phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu, lựa chọn thuật toán và tối ưu hóa các tham số. So sánh giữa các mô hình cho thấy rừng ngẫu nhiên thường có độ chính xác cao hơn cây quyết định đơn lẻ. SVM cũng có thể đạt được kết quả tốt, đặc biệt khi làm việc với dữ liệu có số chiều cao. Tuy nhiên, việc lựa chọn mô hình phù hợp phụ thuộc vào từng bài toán cụ thể.

6.2. Triển Vọng Ứng Dụng Học Máy Trong Y Học Tương Lai

Học máy hứa hẹn mang lại những tiến bộ vượt bậc trong lĩnh vực y học. Trong tương lai, học máy có thể được sử dụng để phát triển các hệ thống chẩn đoán tự động, dự đoán nguy cơ mắc bệnh, cá nhân hóa điều trị và phát hiện thuốc mới. Học máy cũng có thể được sử dụng để phân tích dữ liệu lớn từ các nguồn khác nhau, giúp các nhà nghiên cứu hiểu rõ hơn về cơ chế hoạt động của bệnh và phát triển các phương pháp phòng ngừa và điều trị hiệu quả hơn. Theo [Tài liệu gốc], học máy sẽ đóng vai trò quan trọng trong việc thay đổi bộ mặt của y học trong tương lai.

Trích đoạn nội dung tài liệu

BO GIAO DUC VA DAO TAO TRUONG DAI HOC BACH KHOA HA NỘI CAO VAN THANG UNG DUNG CAC K¥ THUAT HOC MAY TRONG CHAN DOAN BENTT LUẬN VĂN THẠC SĨ KỸ THUẬT CONG NGHE THONG TIN Hà Nội- 2018 BO GIAO DUC VA DAO TAO TRUONG DAI HOC BACH KHOA HA NỘI CAO VAN THANG UNG DUNG CAC KY THUAT HOC MAY TRONG CHAN DOAN BENE LUAN VAN THAC SI KY THUAT CONG NGHE THONG TIN GIÁO VIÊN HƯỚNG DẪN: PGS. T THANH HƯƠNG Hà Nội - 2018 TỬng dung các kỹ Ihuật học máy trong chân đoán bệnh LỜI CAM ĐOAN Trước tiên, em xin được chân thành gửi lời cảm ơn sâu sắc tới các thấy cô giáo trong Viện Công nghệ Thông tin và Truyền thông, Bộ môn Hệ thống thông. tin, Bộ môn Công nghệ phần mềm, Bộ môn Khoa học rnáy tính đã tận tình giảng. đạy, truyền đạt cho cm những.

kiến thức và kinh. nghiệm quý báu trong, suất hơn Tội năm học lại Irường Đại học Bách Khoa Hà Nội. Em xin được gửi lời cảm ơn chân thành đến PŒGS. Lê Thanh Hương — giảng viên Bộ môn II thông thông tin đà hết lòng giúp đỡ, tạo điều kiện và tướng, dẫn tận tình trong quá trình em làm luận văn cao học.

Cuỗi cùng, em xin gửi lời cám ơn tới pia dình, bạn bẻ, déng nghiện đã quan tâm, động viên, đóng góp ý kiến và giúp đế em trong quả trình học tập, nghiên cứu và hoàn thành luận văn tốt nghiệp. Em xin cam đoan luận văn tốt nghiệp với đề tải “úng dụng các kỹ thuật học máy trong chẵn đoán bệnh” là công trình nghiên cứu của em, không sao chép của bất cứ ai. Các luận cử, số liệu trong luận văn có nguồn gốc rõ rằng và đã dược công bố theo đúng quy định. Các kết quả nghiên cứu trong luận văn do cm ty tim hiểu, phân tích một cách trung thực, khách quan và phù hợp với thực tiễn của Việt Nam.

Các kết quả này chưa được công bỏ trong bắt kỳ một nghiễn cửu nảo khác. Em xin chịu mọi trách nhiệm liên quan đến luận văn tốt nphiệp của mình. TỬng đựng các kỹ Ihuật học máy trong chân đoán bệnh DANH MỤC CÁC B Tăng L: Dộ chính xáo của thuật toán Boosting trên cáo tập đũ liệu 16 Tiảng 2: Ví dụ về dữ liệu phân lớp. +4 Bang3: Dang tang hợp thuộc tính Age.5) Bang4: Ngưỡng chân đoán tăng huyết áp.

8 Bang5: Phan dộ tăng lruyết äp. DS Bang6: Phương pháp diễểu trị dựa trên nguy cơ phân tng.4T Bang 7: Kết quả chạy giải thuật phân lớp rừng ngẫu nhiên 48 Bảng8: Kết quả chạy giải thuật phản lớp SVM. SỐ, TỬng dung các kỹ Ihuật học máy trong chân đoán bệnh MỤC LỤC DANH MỤC CÁC BẰẢNG. ánnHHeeeeeeroreaeareereL DANH MỤC CÁC HĨNH VẾ, ĐÓ THỊ.2 DANH MỤC CÁC THUẬT NGỮ, CIIỮ VIẾT TÁT.

c5 estrscersereev 3 PHAN MG BAU. 1⁄ Lý do chọn để tải. s0 tennis 2/ Tìm hiểu mội số hệ thống ứng dụng học máy trong chẩn đoán bệnh 3/ Mục đích, dối tượng, phạm vi nghiên gửu. c2 eeerrerrririre 4 Phuong, phap nghién ctu.

nena 5/ Bồ cục của luận văn - 8 CHUONGT: TONG QUAN 9 1/ Tông quan vé machine learning, 9 DL Dinh ghia ma ốốốẽ.3/ Các phương pháp học trong, maohule learting.1/ Học cỏ giám sát - Supervised leatrting.2/ Học không giám sát — Unsupervised learrring 11 1.3/ Học bản giảm sát — Semi-Superviscd lcarning.4/ Hoc cing cd — Reinforcement learning 13 2/ Ung dung machine learning trong lính vực y té 14 2.1/ Cao nghién cou liên quan. - -S14 TỬng dung các kỹ Ihuật học máy trong chân đoán bệnh 17 Cải dặt thử ng hiệm. 2112201 HH ng ng re re 43 1.1/ Tiền xử lý dữ liệu. s2 nhưng HH re geera AB 1.2/ Trích chọn đặc trưng.

non nhan auemrree 43 ca nh ẽ.1/ Phân chìa dứt liệu 46 1.3/ Huấn luyện mô hình 1.4/ Kiểm thử và kết quả 49 1.5/ Kiểm thử với mô hình phân lớp SVM 55 2/ Nhan xe 56 CHUONG IV: KET LUAN uo.cccccsessseneassstsiessieraniisiesisivisienetaensaiaesee 58 1/ Đánh giá 58 3/ Hướng phải triển 59 TÀI T.TEU THAM KHẢO 60 TỬng dung các kỹ Ihuật học máy trong chân đoán bệnh MỤC LỤC DANH MỤC CÁC BẰẢNG. ánnHHeeeeeeroreaeareereL DANH MỤC CÁC HĨNH VẾ, ĐÓ THỊ.2 DANH MỤC CÁC THUẬT NGỮ, CIIỮ VIẾT TÁT. c5 estrscersereev 3 PHAN MG BAU. 1⁄ Lý do chọn để tải.

s0 tennis 2/ Tìm hiểu mội số hệ thống ứng dụng học máy trong chẩn đoán bệnh 3/ Mục đích, dối tượng, phạm vi nghiên gửu. c2 eeerrerrririre 4 Phuong, phap nghién ctu. nena 5/ Bồ cục của luận văn - 8 CHUONGT: TONG QUAN 9 1/ Tông quan vé machine learning, 9 DL Dinh ghia ma ốốốẽ.3/ Các phương pháp học trong, maohule learting.1/ Học cỏ giám sát - Supervised leatrting.2/ Học không giám sát — Unsupervised learrring 11 1.3/ Học bản giảm sát — Semi-Superviscd lcarning.4/ Hoc cing cd — Reinforcement learning 13 2/ Ung dung machine learning trong lính vực y té 14 2.1/ Cao nghién cou liên quan. - -S14 TỬng dung các kỹ Ihuật học máy trong chân đoán bệnh 17 Cải dặt thử ng hiệm.

2112201 HH ng ng re re 43 1.1/ Tiền xử lý dữ liệu. s2 nhưng HH re geera AB 1.2/ Trích chọn đặc trưng. non nhan auemrree 43 ca nh ẽ.1/ Phân chìa dứt liệu 46 1.3/ Huấn luyện mô hình 1.4/ Kiểm thử và kết quả 49 1.5/ Kiểm thử với mô hình phân lớp SVM 55 2/ Nhan xe 56 CHUONG IV: KET LUAN uo.cccccsessseneassstsiessieraniisiesisivisienetaensaiaesee 58 1/ Đánh giá 58 3/ Hướng phải triển 59 TÀI T.TEU THAM KHẢO 60 TỬng đựng các kỹ Ihuật học máy trong chân đoán bệnh DANH MỤC CÁC HÌNH VẼ, ĐÒ THỊ TĩnhL: TIệ hễ trợ chấn đoán. 6 Tinh2: Vi duvé phancum 12 Tlinh 3: Hoe ban giam sat (Semi - Suppervised learning).

cscs 3 Tinh 4: AlphaGo chiến thang co thi sd 1 thé gidt cscs uessesesseusetenassansermenee lA Hình 5: Vi dụ về cây quyét dink. ceccsssssssseesnanseisntensnmanianeenasensnenanaseenn 2D Hinh6: Chia dữ liệu theo thuộc tỉnh Age.àceerirrereeeoeoeo TỔ, Tình 7: Cây quyết dịnh theo [mộc linh Age 2 Tinh§: Mô hình Bagging .cceeceseneneesninesisinimenenneinintanennenseen SL Hinh 9; Bang dit ligu ban da Tinh LO: Confusion matrix without normalization. 5Ó Hinh LL: Normalized confusion matrix. Hinh 12: M6 hinh SVM (tién 20h by dit LSU) 0.

ececceteeseeesesssensanennsnnnnin seen DS TỬng đựng các kỹ Ihuật học máy trong chân đoán bệnh DANH MỤC CÁC HÌNH VẼ, ĐÒ THỊ TĩnhL: TIệ hễ trợ chấn đoán. 6 Tinh2: Vi duvé phancum 12 Tlinh 3: Hoe ban giam sat (Semi - Suppervised learning). cscs 3 Tinh 4: AlphaGo chiến thang co thi sd 1 thé gidt cscs uessesesseusetenassansermenee lA Hình 5: Vi dụ về cây quyét dink. ceccsssssssseesnanseisntensnmanianeenasensnenanaseenn 2D Hinh6: Chia dữ liệu theo thuộc tỉnh Age.àceerirrereeeoeoeo TỔ, Tình 7: Cây quyết dịnh theo [mộc linh Age 2 Tinh§: Mô hình Bagging .cceeceseneneesninesisinimenenneinintanennenseen SL Hinh 9; Bang dit ligu ban da Tinh LO: Confusion matrix without normalization.

5Ó Hinh LL: Normalized confusion matrix. Hinh 12: M6 hinh SVM (tién 20h by dit LSU) 0. ececceteeseeesesssensanennsnnnnin seen DS TỬng đựng các kỹ Ihuật học máy trong chân đoán bệnh PHAN MO DAU 1/ Lý do chọn đề tài - Theo thống kê của Bộ Y tế, nhân lực ngành y tính dến năm 2020 can phải bô sung rất nhiều, cụ thể vùng Dỗng bằng Sông Iiồng cần bổ sung 12.251 bac si, con số nay 6 ving Trung đu vả Miễn núi phia Bắc là 6 575; ty 16 bac si trên 10. Dac biét 6 ving nti, ving sâu vùng xa, tỷ lệ này còn thấp hơn nhiều và trình độ chuyên môn của bác sĩ cũng.

còn nhiều hạn chế. - Trong những năm gần đây, việc ứng dụng công nghệ thông tín trong hầu tết các lĩnh vục đều được được quan lâm và đầu tư mang Jai higu quả rõ rội, fink vực y tế nhờ đó cũng có nhiều chuyển biến tích cực trong công tác điều hành, quản lý, chẩn đoán. Nhờ vào ủng dụng công nghệ thông tin mà trình độ chuyên môn của bác sĩ, y tá được nânp cao; các phương tiện chấn đoán và điều trị được tự động hóa; công tác dào tạo, thực hành y khoa cũng được cải tiên, đặc biệt công tác hành chính, quản lý bệnh viên có những thay đổi tích cực đem lại sự thoải mái cho bệnh nhân. Đây là những tiền dễ để ứng dụng các thành tựu của công nghệ thông tin mạnh mê và hiệu quả hơn nữa.

- Trên thế giới, lĩnh vực y tế đã đạt được những thành tựu đột phá nhờ ứng đựng công nghệ thông tin, đặc biệt là ứng đụng trí tuệ nhân tao, hoc may trong chẵn đoán và điều trị Có thể kể ra một số ví dụ điển hình như: Các nhà khoa học máy tính tại Stanford đó lạo ra mội thuật toán dựa trên trí thông minh nhân tao để chin đoán bệnh ung thư da qua một chiếc máy sơi da; Trong một nghiên TỬng dung các kỹ Ihuật học máy trong chân đoán bệnh 2.3/ Những thác thức. nọ HH ng gergeeee 16 CHUONG I: CHAN DOAN BỆNH DỤA TRỀN HỌC MÁY. 18 1/ Giới thiệu bài tOÁH.cọ nọ ng. HHH ng de gereriee 18 2/ Phương pháp học máy áp dụng trong bài loản.

se nang oan 2.17 Cây quyết đình— Decisien tree.2/ Xây dựng cây quyết định.3/ Cách phân chia mẫu 2.4/ Van dé quá phù hợp với đũ liệu (overfitting) 2.5/ Ưu diễm của cây quyết định.3/ Giải thuật rừng ngẫu nhiên 2.1/1ịch sử nghiên cửu 2.2/ Bootstrap và Bagging 2.3/ Out of bag 2.4/ Rimg ngẫu nhién hoạt động nu thế mào? 3.3/ Phương pháp máy vector hỗ trợ - Support Vector Machine 3/ Mắt số thông tin về ba loại bệnh được sứ đụng trong bài toán 3.1/ Dệnh đái tháo đường .c son nhnn nh gen etririrrrmarie 3.3/ Bệnh tăng huyết áp 3.3/ Bệnh hen phế quân AI CHUONG TT: CÀI ĐẶT THỦ NGHIỆM VẢ ĐÁNH GIÁ 43 TỬng dung các kỹ Ihuật học máy trong chân đoán bệnh 2.3/ Những thác thức. nọ HH ng gergeeee 16 CHUONG I: CHAN DOAN BỆNH DỤA TRỀN HỌC MÁY. 18 1/ Giới thiệu bài tOÁH.cọ nọ ng. HHH ng de gereriee 18 2/ Phương pháp học máy áp dụng trong bài loản.

se nang oan 2.17 Cây quyết đình— Decisien tree.2/ Xây dựng cây quyết định.3/ Cách phân chia mẫu 2.4/ Van dé quá phù hợp với đũ liệu (overfitting) 2.5/ Ưu diễm của cây quyết định.3/ Giải thuật rừng ngẫu nhiên 2.1/1ịch sử nghiên cửu 2.2/ Bootstrap và Bagging 2.3/ Out of bag 2.4/ Rimg ngẫu nhién hoạt động nu thế mào? 3.3/ Phương pháp máy vector hỗ trợ - Support Vector Machine 3/ Mắt số thông tin về ba loại bệnh được sứ đụng trong bài toán 3.1/ Dệnh đái tháo đường .c son nhnn nh gen etririrrrmarie 3.3/ Bệnh tăng huyết áp 3.3/ Bệnh hen phế quân AI CHUONG TT: CÀI ĐẶT THỦ NGHIỆM VẢ ĐÁNH GIÁ 43 TỬng đựng các kỹ Ihuật học máy trong chân đoán bệnh DANH MỤC CÁC HÌNH VẼ, ĐÒ THỊ TĩnhL: TIệ hễ trợ chấn đoán. 6 Tinh2: Vi duvé phancum 12 Tlinh 3: Hoe ban giam sat (Semi - Suppervised learning). cscs 3 Tinh 4: AlphaGo chiến thang co thi sd 1 thé gidt cscs uessesesseusetenassansermenee lA Hình 5: Vi dụ về cây quyét dink.