MỞ ĐẦU 1. Tổng quan Ra quyết định luôn đóng một vai trò quan trọng trong các hệ thống thông tin nhằm mục đích giúp người sử dụng ra quyết định chính xác, kịp thời và hiệu quả. Nó được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Một trong những lĩnh vực ứng dụng hệ hỗ trợ ra quyết định từ rất sớm đó là y học, tiêu biểu nhất là hệ chuyên gia MYCIN đã được giới thiệu vào năm 1975 [1].
MYCIN đã sử dụng tri thức của chuyên gia y học để chẩn đoán bệnh và đưa ra khuyến nghị điều trị cho các bệnh nhân viêm não tủy cấp và nhiễm trùng máu. Chẩn đoán bệnh được hiểu là quá trình ra quyết định nhằm xác định bệnh hoặc căn nguyên tạo ra các triệu chứng của người bệnh. Chẩn đoán bệnh trong y học hiện đại là việc hỏi bệnh, khai thác tiền sử bệnh, thăm khám thực thể, khi cần thiết thì chỉ định làm xét nghiệm cận lâm sàng, thăm dò chức năng để chẩn đoán và chỉ định phương pháp điều trị phù hợp đã được công nhận. Chẩn đoán bệnh trong y học cổ truyền là tổng hợp của các kiến thức, kỹ năng và thực hành dựa trên lý thuyết, niềm tin và kinh nghiệm bản địa của các nền văn hóa khác nhau, dù có thể giải thích hay không, được sử dụng để chẩn đoán bệnh cả về thể chất lẫn tinh thần [2].
Trong những năm gần đây, đội ngũ lương y, bác sĩ thường sử dụng kết hợp giữa phác đồ điều trị trong y học cổ truyền với kết quả khám, xét nghiệm trong y học hiện đại nhằm nâng cao chất lượng chẩn đoán bệnh. Điều này đã thúc đẩy mạnh mẽ công tác nghiên cứu y học và áp dụng công nghệ thông tin vào trong quá trình khám và chẩn đoán bệnh nhằm mục đích hỗ trợ đội ngũ lương y, bác sĩ tại bệnh viện ở các địa phương. 1 Gần đây, hướng nghiên cứu suy diễn dựa trên đồ thị tri thức mờ (FKG) với ưu điểm cho phép thực hiện suy diễn trong những trường hợp dữ liệu thu thập chưa đầy đủ hoặc thiếu tri thức trong kho dữ liệu đã nhận được nhiều sự quan tâm và chú ý của các nhà nghiên cứu trong và ngoài nước. FKG lần đầu được giới thiệu vào năm 2020 trong mô hình M-CFIS-FKG [3].
Nó đã giải quyết hạn chế của đồ thị tri thức (KG) khi giải quyết bài toán chẩn đoán bệnh dựa trên bộ dữ liệu có tính chất chu kỳ, thông tin đầu vào không chắc chắn. FKG sử dụng các nhãn ngôn ngữ cho các thuộc tính trong tập dữ liệu huấn luyện. Đầu tiên, đồ thị tri thức mờ được xây dựng sau giai đoạn tiền xử lý (hay gọi là biểu diễn đồ thị tri thức mờ). Sau đó, quá trình suy diễn xấp xỉ được áp dụng để tìm nhãn đầu ra của các bản ghi mới trong tập dữ liệu kiểm tra.
Đồ thị tri thức mờ suy diễn dựa trên tập luật IF-THEN (hay gọi là cơ sở luật mờ), trong đó tác động của nhãn ngôn ngữ có khả năng tạo ra nhãn đầu ra tương ứng. Hơn nữa, mô hình M-CFIS-FKG cũng đã vượt qua được hạn chế của mô hình dựa trên hệ suy diễn mờ phức dạng Mamdani (chẳng hạn M-CFIS-R) trong việc tìm nhãn đầu ra của các mẫu mới chưa có trong cơ sở luật mờ bằng cách áp dụng thuật toán FISA sử dụng cơ chế suy diễn xấp xỉ. Lấy ví dụ trong bài toán chẩn đoán dấu hiệu tiền sản giật, việc bác sĩ đưa ra quyết định kết luận chẩn đoán bệnh (hay nhãn đầu ra) là “Bình thường”, “Tiền sản giật”, hay “Tiền sản giật nặng” phụ thuộc vào nhãn ngôn ngữ “Cao”, “Bình thường” hay “Thấp” của thuộc tính đầu vào “Huyết áp”, và nhãn ngôn ngữ “Cao” hay “Bình thường” của thuộc tính đầu vào “LDH” (axit lactic dehydrogenase), với độ chính xác khoảng 90%. Trong trường hợp này, một luật mờ được biểu diễn như sau: IF “Huyết áp” là “Cao” và “LDH” là “Cao” THEN “Tiền sản giật nặng”, với độ tin cậy là 90%.
Bằng cách tích lũy từng sự kiện đơn lẻ (hoặc cặp đơn trong đồ thị tri thức mờ), kết quả sẽ xác định được nhãn đầu ra của bản ghi mới. Tuy nhiên, mô hình M-CFIS-FKG chỉ sử dụng các cặp đơn (single pairs) trong quá trình suy diễn nên vẫn chưa xử lý vấn đề trường hợp thông tin của tập dữ liệu đầu vào chưa đầy đủ. Hơn nữa, trong một số trường hợp cực đoan, các phương pháp suy 2 diễn mờ hiện nay chưa giải quyết được bài toán phân loại, hỗ trợ ra quyết định khi bộ dữ liệu đầu vào lớn hoặc cơ sở luật mờ quá nhỏ (chẳng hạn bài toán chẩn đoán bệnh trong lĩnh vực y tế). Đây là động cơ chính của luận án đã được tập trung nghiên cứu phát triển mô hình mới nhằm giải quyết bài toán hỗ trợ ra quyết định trong trường hợp cực đoan hiệu quả hơn, đáp ứng yêu cầu thực tế đặt ra.
Trong phạm vi nghiên cứu của luận án tiến sĩ này, hai câu hỏi nghiên cứu thực sự cần thiết và cấp bách được tập trung nghiên cứu nhằm giúp các hệ hỗ trợ ra quyết định hoạt động hiệu quả hơn, đáp ứng được yêu cầu thực tế, cụ thể là: Làm thế nào để nghiên cứu phát triển đề xuất mô hình ra quyết định dựa trên đồ thị tri thức mờ dạng cặp trong trường hợp thông tin của tập dữ liệu đầu vào chưa đầy đủ? Trường hợp tập dữ liệu đầu vào chưa đầy đủ được hiểu là tập dữ liệu được thu thập còn thiếu thông tin, có nghĩa là lượng thông tin đầu vào phục vụ cho việc sinh luật còn ít. Lấy ví dụ trong chẩn đoán dấu hiệu tiền sản giật của các sản phụ, bác sĩ thường theo dõi các dữ liệu liên quan đến các triệu chứng (được minh họa trong Hình 1), chẳng hạn: phù nề chân tay, huyết áp cao, men gan cao, giảm tiểu cầu, dư thừa protein niệu đạo, đau đầu dữ dội, đau bụng trên, buồn nôn, hụt hơi, v. nhằm đưa ra kết luận chẩn đoán bệnh một cách chính xác. Tuy nhiên, dữ liệu triệu chứng về sản phụ được thu thập thường chưa đầy đủ.
Bên cạnh đó, thực tế số lượng phác đồ thường hữu hạn nên việc chẩn đoán và điều trị bệnh thường phải qua quá trình thử sai với một liệu pháp điều trị nhất định cho một tập triệu chứng của sản phụ. Ngay cả khi đã có mô hình hóa quan hệ giữa <Triệu chứng> và <Bệnh> thì việc lựa chọn cặp liên kết nào với quan hệ ra sao, chẳng hạn: <Triệu chứng A> + <Triệu chứng B> + <Triệu chứng C> + v. <Bệnh U> là tương đối phức tạp. Nó không thể mô hình hóa bằng đồ thị tri thức (KG) thường và đồ thị tri thức mờ (FKG) cặp đơn.
Do đó, làm thế nào để nghiên cứu phát triển đề xuất mô hình hỗ trợ ra quyết định dựa trên đồ thị tri thức mờ dạng 3 cặp là một yêu cầu có tính cấp thiết và thời sự, có tính khoa học và có ý nghĩa thực tiễn. Hình ảnh minh họa các triệu chứng liên quan đến tiền sản giật. Làm thế nào để nghiên cứu phát triển đề xuất mô hình ra quyết định dựa trên đồ thị tri thức mờ dạng cặp trong các trường hợp cực đoan với các tập dữ liệu lớn hoặc tập dữ liệu huấn luyện quá nhỏ, thiếu tri thức? Một trong những thách thức khi làm việc với đồ thị tri thức (KG), ngoài vấn đề về dữ liệu lớn (5V), là việc xử lý ra quyết định một cách chính xác và hợp lý khi lượng thông tin đầu vào phục vụ cho việc sinh luật hạn chế hoặc cơ sở tri thức quá nhỏ. Chẳng hạn, Hình 2 minh họa trường hợp cực đoan trong bài toán ra quyết định, chẳng hạn tập dữ liệu đầu vào lớn nếu áp dụng các phương pháp truyền thống với tỷ lệ chia bộ dữ liệu 70% để huấn luyện và 30% để kiểm tra thì thời gian huấn luyện mô hình chậm, dẫn đến hệ thống chạy chậm; hoặc tập huấn luyện 4 quá nhỏ (dưới 10%) so với tập dữ liệu kiểm tra (trên 90%), thậm chí hệ thống mới hoàn toàn chưa có cơ sở luật mờ (cơ sở tri thức chưa đầy đủ) thì dẫn đến độ chính xác thấp, không đáp ứng được yêu cầu đầu ra của các bài toán hỗ trợ ra quyết định trong thực tế.
Hình ảnh minh họa dữ liệu trường hợp cực đoan. Các công trình nghiên cứu có liên quan Trong thời gian qua, có nhiều kỹ thuật thông minh đã được áp dụng nhằm nghiên cứu đề xuất các mô hình ra quyết định trong hỗ trợ ra quyết định nói chung và hỗ trợ chẩn đoán bệnh nói riêng đã được công bố trên các tạp chí khoa học uy tín. Dưới đây là các công trình tiêu biểu đã được công bố liên quan đề tài nghiên cứu của luận án tiến sĩ này. Các mô hình ra quyết định trong hệ hỗ trợ chẩn đoán bệnh dựa vào đồ thị tri thức (KG).
Chẳng hạn, Bernard và cộng sự [4] đã đề xuất mô hình biểu diễn tri thức và cơ chế suy diễn nhằm lựa chọn ra phác đồ điều trị và loại thuốc tốt nhất để điều trị trong 5 y học cổ truyền tại Châu Phi. Yong Zhang và cộng sự [5] đã giới thiệu khung đồ thị tri thức cho chăm sóc sức khỏe bằng cách kết hợp cơ sở tri thức được tích hợp trong hệ thống chẩn đoán với kiến thức chuyên môn của bác sĩ chuyên khoa. Ravi và cộng sự [6] cũng đã sử dụng đồ thị tri thức ngữ nghĩa để đề xuất khung mô tả tri thức cho hệ hỗ trợ ra quyết định hỗ trợ chẩn đoán bệnh tại các phòng khám. Ngoài ra, đồ thị tri thức cũng được áp dụng để phát triển mô hình hỗ trợ ra quyết định trong nhiều lĩnh vực khác như giao thông, sản xuất, chứng khoán, dự báo, hệ khuyến nghị, v.
Tuy nhiên, đồ thị tri thức gặp phải khó khăn trong việc biểu diễn tri thức và suy diễn xấp xỉ dựa trên các tập dữ liệu đầu vào có tính chu kỳ với thông tin chưa đầy đủ hoặc chưa rõ ràng. Để vượt qua được thách thức này, các nhóm nghiên cứu đã tiếp cận giải quyết vấn đề bằng cách kết hợp các kỹ thuật suy diễn mờ và đồ thị tri thức. Một số kỹ thuật suy diễn mờ tiêu biểu được giới thiệu nhằm giải quyết bài toán phân loại, hỗ trợ ra quyết định như hệ suy diễn mờ (FIS) [24-30], hệ suy diễn mờ phức (CFIS) [31-33], và hệ suy diễn mờ phức dạng Mamdani (M-CFIS) [34-35]. Chẳng hạn, kỹ thuật FIS được sử dụng để học ngôn ngữ với sự hỗ trợ của máy tính, phân loại chất lượng dựa trên các đặc tính hình ảnh, và phát hiện ung thư phổi [25-27].