Nghiên Cứu Phát Triển Mô Hình Đồ Thị Tri Thức Mờ Hỗ Trợ Chẩn Đoán Bệnh

Nghiên cứu mô hình đồ thị tri thức mờ (FKG) đang trở thành một xu hướng quan trọng trong lĩnh vực y tế. 139 trang · Đại học Bách Khoa Hà Nội · 2023.

• Tác giả: Cù Kim Long
• Người hướng dẫn: TS. Phạm Văn Hải
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên Cứu Mô Hình Đồ Thị Tri Thức Mờ Hỗ Trợ Chẩn Đoán Bệnh
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. MỞ ĐẦU
• 1.1. Các công trình nghiên cứu có liên quan
• 1.2. Mục tiêu, đối tượng và phạm vi nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Những đóng góp mới của luận án
• 1.5. Cấu trúc của luận án
• 2. CHƯƠNG 1: MÔ HÌNH ĐỒ THỊ TRI THỨC MỜ DẠNG CẶP FKG-PAIRS TRONG HỖ TRỢ RA QUYẾT ĐỊNH
• 2.1. Phát biểu bài toán. Mô hình FKG-Pairs
• 2.2. Giai đoạn tiền xử lý
• 2.3. Giai đoạn xây dựng đồ thị FKG-Pairs
• 2.4. Giai đoạn suy diễn xấp xỉ
• 2.5. Thuật toán FKG-Pairs
• 2.6. Độ phức tạp của thuật toán
• 2.7. Phân tích các cặp trong thuật toán đề xuất
• 2.8. Kết quả thực nghiệm
• 2.9. Minh họa mô hình đề xuất
• 2.10. Kết quả cài đặt trên bộ dữ liệu chuẩn UCI
• 2.11. Ứng dụng FKG-Pairs trong hỗ trợ chẩn đoán bệnh tiền sản giật
• 2.11.1. Giới thiệu tiền sản giật
• 2.11.2. Các triệu chứng của tiền sản giật. Phân loại tiền sản giật theo triệu chứng tăng huyết áp trong thai kỳ
• 2.11.3. Sàng lọc tiền sản giật
• 2.11.4. Kết quả cài đặt
• 2.11.5. Nhận xét kết quả thực hiện bài toán chẩn đoán tiền sản giật
• 2.12. Kết luận
• 3. CHƯƠNG 2: MÔ HÌNH ĐỒ THỊ TRI THỨC MỜ DẠNG CẶP RA QUYẾT ĐỊNH TRONG TRƯỜNG HỢP CỰC ĐOAN FKG-EXTREME
• 3.1. Phát biểu bài toán. Mô hình FKG-Extreme
• 3.2. Mô hình đề xuất FKG-Extreme
• 3.3. Thuật toán FKG-Extreme
• 3.4. Độ phức tạp của thuật toán
• 3.5. Sự khác biệt và ưu điểm của mô hình FKG-Extreme
• 3.6. Kết quả thực nghiệm
• 3.7. Môi trường thực nghiệm. Kết quả so sánh giữa các phương pháp
• 3.8. Phân tích ANOVA. Một số phát hiện mới
• 3.9. Ứng dụng FKG-Extreme trong hỗ trợ chẩn đoán bệnh thận mạn
• 3.9.1. Giới thiệu bệnh thận mạn
• 3.9.2. Phân giai đoạn bệnh thận mạn. Các phương pháp chẩn đoán bệnh thận mạn
• 3.9.3. Kết quả cài đặt
• 3.9.4. Nhận xét kết quả thực hiện bài toán chẩn đoán bệnh thận mạn
• 3.10. Kết luận
• 4. HƯỚNG NGHIÊN CỨU PHÁT TRIỂN TRONG TƯƠNG LAI
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Nghiên Cứu Mô Hình Đồ Thị Tri Thức Mờ

Nghiên cứu mô hình đồ thị tri thức mờ (FKG) đang trở thành một xu hướng quan trọng trong lĩnh vực y tế. Mô hình này cho phép xử lý thông tin không chắc chắn và thiếu hụt, giúp hỗ trợ chẩn đoán bệnh hiệu quả hơn. Đặc biệt, FKG có khả năng suy diễn trong các trường hợp dữ liệu không đầy đủ, điều này rất cần thiết trong y học hiện đại.

1.1. Định nghĩa và Khái niệm về Đồ Thị Tri Thức Mờ

Đồ thị tri thức mờ là một cấu trúc dữ liệu cho phép biểu diễn tri thức trong các lĩnh vực khác nhau, đặc biệt là y tế. Nó sử dụng các nhãn ngôn ngữ để mô tả các thuộc tính và mối quan hệ giữa chúng, giúp cải thiện độ chính xác trong chẩn đoán.

1.2. Lịch sử Phát triển Mô Hình Đồ Thị Tri Thức Mờ

Mô hình FKG lần đầu tiên được giới thiệu vào năm 2020, đã nhanh chóng thu hút sự quan tâm của các nhà nghiên cứu. Nó đã giải quyết nhiều vấn đề trong việc chẩn đoán bệnh, đặc biệt là trong các trường hợp dữ liệu không đầy đủ.

II. Vấn đề và Thách thức trong Chẩn Đoán Bệnh

Chẩn đoán bệnh là một quá trình phức tạp, thường gặp nhiều thách thức. Một trong những vấn đề lớn nhất là việc thiếu thông tin trong tập dữ liệu đầu vào. Điều này có thể dẫn đến những quyết định sai lầm trong việc chẩn đoán và điều trị bệnh.

2.1. Thiếu Thông Tin trong Tập Dữ Liệu

Nhiều trường hợp, dữ liệu thu thập được không đầy đủ, dẫn đến việc bác sĩ gặp khó khăn trong việc đưa ra quyết định chính xác. Việc này đặc biệt nghiêm trọng trong các trường hợp bệnh lý phức tạp.

2.2. Khó Khăn trong Việc Phân Tích Dữ Liệu

Phân tích dữ liệu y tế thường gặp khó khăn do tính chất không chắc chắn và phức tạp của thông tin. Điều này yêu cầu các phương pháp phân tích mạnh mẽ hơn để hỗ trợ ra quyết định.

III. Phương Pháp Nghiên Cứu Mô Hình Đồ Thị Tri Thức Mờ

Để giải quyết các vấn đề trong chẩn đoán bệnh, nghiên cứu đã phát triển các phương pháp mới dựa trên mô hình đồ thị tri thức mờ. Những phương pháp này cho phép suy diễn trong các trường hợp dữ liệu không đầy đủ và hỗ trợ ra quyết định hiệu quả hơn.

3.1. Mô Hình FKG Pairs trong Hỗ Trợ Chẩn Đoán

Mô hình FKG-Pairs cho phép sử dụng các cặp thông tin để suy diễn, giúp cải thiện độ chính xác trong chẩn đoán bệnh. Nó có khả năng xử lý các trường hợp dữ liệu thiếu hụt một cách hiệu quả.

3.2. Ứng Dụng Kỹ Thuật Q learning trong Mô Hình

Kỹ thuật Q-learning được áp dụng để tối ưu hóa quá trình suy diễn trong mô hình FKG. Điều này giúp cải thiện khả năng học hỏi và ra quyết định trong các tình huống phức tạp.

IV. Ứng Dụng Thực Tiễn của Mô Hình Đồ Thị Tri Thức Mờ

Mô hình đồ thị tri thức mờ đã được áp dụng trong nhiều lĩnh vực y tế khác nhau, từ chẩn đoán bệnh đến phát triển phác đồ điều trị. Những ứng dụng này đã chứng minh tính hiệu quả và khả năng hỗ trợ quyết định trong thực tế.

4.1. Chẩn Đoán Bệnh Tiền Sản Giật

Mô hình FKG-Pairs đã được áp dụng thành công trong việc chẩn đoán bệnh tiền sản giật, giúp bác sĩ đưa ra quyết định chính xác hơn dựa trên các triệu chứng và dữ liệu liên quan.

4.2. Hỗ Trợ Chẩn Đoán Bệnh Thận Mạn

Ứng dụng của mô hình trong chẩn đoán bệnh thận mạn đã cho thấy kết quả khả quan, giúp cải thiện độ chính xác và giảm thiểu thời gian chẩn đoán.

V. Kết Luận và Tương Lai của Nghiên Cứu

Nghiên cứu mô hình đồ thị tri thức mờ đã mở ra nhiều hướng đi mới trong việc hỗ trợ chẩn đoán bệnh. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều cải tiến trong lĩnh vực y tế, đặc biệt là trong việc xử lý dữ liệu không chắc chắn.

5.1. Hướng Nghiên Cứu Tương Lai

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình và mở rộng ứng dụng của nó trong các lĩnh vực khác nhau của y tế.

5.2. Tác Động của Công Nghệ Thông Tin trong Y Tế

Công nghệ thông tin sẽ tiếp tục đóng vai trò quan trọng trong việc phát triển các mô hình hỗ trợ ra quyết định, giúp nâng cao chất lượng chăm sóc sức khỏe.

Nội dung chính

Tổng quan luận án

Hỗ trợ ra quyết định đóng vai trò trọng yếu trong các hệ thống thông tin nhằm hỗ trợ người dùng đưa ra các quyết định kịp thời, chính xác. Trong lĩnh vực y tế, quá trình chẩn đoán bệnh đòi hỏi việc xử lý các tập dữ liệu triệu chứng mang tính chất phức tạp, chu kỳ và thường xuyên đối mặt với tình trạng thông tin thu thập không chắc chắn hoặc không đầy đủ.

Mặc dù mô hình đồ thị tri thức mờ (Fuzzy Knowledge Graph - FKG) đã được giới thiệu nhằm khắc phục các nhược điểm của đồ thị tri thức truyền thống (Knowledge Graph - KG) và hệ suy diễn mờ phức dạng Mamdani (M-CFIS-R), mô hình FKG ban đầu chỉ dừng lại ở việc áp dụng các cặp thuộc tính đơn lẻ (single pairs). Hướng tiếp cận này bộc lộ hạn chế khi xử lý các tập dữ liệu đầu vào thu thập thiếu thông tin, làm giảm độ chính xác suy diễn.

Mặt khác, trong các trường hợp dữ liệu cực đoan—khi kích thước tập dữ liệu đầu vào quá lớn dẫn đến thời gian tính toán kéo dài, hoặc khi tập dữ liệu huấn luyện quá nhỏ (dưới 10%) và cơ sở luật mờ chưa hoàn thiện dẫn đến độ chính xác suy diễn thấp—các hệ suy diễn mờ truyền thống (FIS, CFIS, M-CFIS) chưa thể đáp ứng hiệu quả yêu cầu phân loại thực tế.

Để giải quyết các khoảng trống nghiên cứu nêu trên, luận án tập trung giải quyết hai câu hỏi nghiên cứu cụ thể:

1. Câu hỏi nghiên cứu 1: 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?
2. Câu hỏi nghiên cứu 2: 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?

Mục tiêu chung của luận án là nghiên cứu phát triển các mô hình đồ thị tri thức mờ dạng cặp và ứng dụng vào các hệ hỗ trợ ra quyết định phân loại trong y tế. Hai mục tiêu cụ thể gồm:

• Xây dựng mô hình đồ thị tri thức mờ dạng cặp (FKG-Pairs) hỗ trợ ra quyết định khi thông tin đầu vào chưa đầy đủ.
• Xây dựng mô hình đồ thị tri thức mờ dạng cặp hỗ trợ ra quyết định trong trường hợp cực đoan (FKG-Extreme) nhằm cải thiện hiệu năng về độ chính xác và thời gian tính toán.

Đối tượng nghiên cứu của luận án là các mô hình đồ thị tri thức mờ dạng cặp ứng dụng cho bài toán phân loại và hỗ trợ ra quyết định. Phạm vi nghiên cứu về nội dung tập trung vào lớp bài toán phân loại trong hệ hỗ trợ ra quyết định; phạm vi dữ liệu bao gồm 6 bộ dữ liệu chuẩn từ kho học máy UCI và 2 bộ dữ liệu triệu chứng lâm sàng thực tế thu thập tại Bệnh viện Phụ sản Trung ương (210 hồ sơ thai phụ) và Bệnh viện Đa khoa tỉnh Điện Biên (3652 hồ sơ bệnh nhân).

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các hướng nghiên cứu liên quan đến hệ hỗ trợ ra quyết định và chẩn đoán y tế:

• Các hệ chuyên gia và mô hình dựa trên đồ thị tri thức (KG): Khởi đầu từ hệ chuyên gia y tế MYCIN (1975) [1], việc ứng dụng đồ thị tri thức trong y tế được mở rộng với các công trình tiêu biểu như nghiên cứu của Bernard và cộng sự [4] về lựa chọn phác đồ và thuốc điều trị trong y học cổ truyền tại Châu Phi; Yong Zhang và cộng sự [5] với khung đồ thị tri thức kết hợp cơ sở tri thức chẩn đoán và chuyên môn bác sĩ; Ravi và cộng sự [6] ứng dụng đồ thị tri thức ngữ nghĩa trong hỗ trợ chẩn đoán lâm sàng; cùng việc giới thiệu đồ thị tri thức của Google (2012) [21] và các nghiên cứu tổng quan của Ehrlinger và Wöß [22], Hogan và cộng sự [23].
• Các hệ suy diễn mờ và suy diễn mờ phức: Bao gồm hệ suy diễn mờ truyền thống FIS [24-30] ứng dụng trong phân loại hình ảnh và phát hiện ung thư phổi [25-27]; hệ suy diễn mờ phức CFIS [31-33] ứng dụng trong chẩn đoán ung thư trực tràng [33]; hệ suy diễn mờ phức dạng Mamdani M-CFIS [34] cho ra quyết định đa thuộc tính và mô hình M-CFIS-R [35] sử dụng cơ chế tinh giản luật.
• Lý thuyết đồ thị mờ và cấu trúc đồ thị mờ: Khái niệm đồ thị mờ của Rosenfeld và Kaufmann [40], cấu trúc đồ thị [42], cấu trúc đồ thị mờ (FGS) của Dinesh và cộng sự (2011) [43-44], các phát triển tiếp theo của Harinath [45], Akram [46-48] và Talebi [49].
• Mô hình đồ thị tri thức mờ (FKG): Được giới thiệu lần đầu năm 2020 qua mô hình M-CFIS-FKG [3] kết hợp thuật toán tìm kiếm suy diễn nhanh FISA nhằm khắc phục hạn chế khớp mẫu của M-CFIS-R.
• Kỹ thuật Q-learning trong học tăng cường: Các nghiên cứu ứng dụng Q-learning [50-58] nhằm tối ưu hóa phân bổ tài nguyên trung tâm dữ liệu [51] và tối ưu thời gian sạc cảm biến trong mạng cảm biến không dây [52, 54].
• Phương pháp phân tích phương sai ANOVA: Do Ronald Fisher phát triển năm 1918 [59], bao gồm ANOVA một yếu tố [60] và ANOVA hai yếu tố [61].

Khoảng trống nghiên cứu được luận án xác định: Mô hình M-CFIS-FKG [3] chỉ sử dụng các cặp thuộc tính đơn lẻ trong suy diễn xấp xỉ, không xử lý tốt khi dữ liệu đầu vào thiếu thông tin. Đồng thời, các hệ suy diễn mờ truyền thống gặp bế tắc khi xử lý dữ liệu cực đoan: thời gian tính toán quá chậm trên tập dữ liệu lớn và độ chính xác suy giảm nghiêm trọng khi tập huấn luyện quá nhỏ hoặc cơ sở luật mờ ban đầu chưa có. Luận án định vị nghiên cứu vào việc mở rộng đồ thị tri thức mờ sang cấu trúc đa cặp (FKG-Pairs) và kết hợp kỹ thuật Q-learning (FKG-Extreme).

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án sử dụng nền tảng lý thuyết định lượng và khoa học máy tính:

• Lý thuyết tập mờ và hệ suy diễn mờ: Định nghĩa tập mờ, hàm thuộc, các phép toán hợp, giao, phủ định; cấu trúc hệ suy diễn mờ (bộ mờ hóa, cơ sở tri thức gồm cơ sở dữ liệu và bộ luật IF-THEN, đơn vị thực thi suy diễn, giao diện giải mờ); hệ suy diễn mờ phức dạng Mamdani (M-CFIS) và Takagi-Sugeno.
• Đồ thị mờ, cấu trúc đồ thị mờ và đồ thị tri thức mờ: Biểu diễn các nhãn ngôn ngữ dưới dạng đỉnh, các mối quan hệ ngữ nghĩa dưới dạng cạnh có trọng số; cơ chế suy diễn xấp xỉ thông qua toán tử Max-Min tích lũy trọng số.
• Kỹ thuật Q-learning trong học tăng cường: Khung Q-learning với bốn thành phần (môi trường, tác nhân, không gian trạng thái, không gian hành động); phương trình Bellman cập nhật giá trị Q-value với tốc độ học $\alpha$ và hệ số chiết khấu $\gamma$.
• Phương pháp kiểm định thống kê: Phân tích phương sai ANOVA một yếu tố và hai yếu tố nhằm kiểm định ý nghĩa thống kê của sự khác biệt hiệu năng giữa các phương pháp.

Phương pháp nghiên cứu thực nghiệm được triển khai theo quy trình:

1. Thu thập, tiền xử lý và mờ hóa dữ liệu đầu vào.
2. Sinh cơ sở luật mờ ban đầu (sử dụng cơ chế FIS hoặc M-CFIS).
3. Biểu diễn cấu trúc đồ thị tri thức mờ dạng cặp và tính toán bộ trọng số các cạnh.
4. Thực hiện thuật toán suy diễn xấp xỉ trên tập dữ liệu kiểm tra.
5. Đánh giá hiệu năng thông qua các độ đo: Độ chính xác (Accuracy), Độ chuẩn xác (Precision), Độ thu hồi (Recall), Điểm F1 (F1-Score), và Thời gian tính toán (giây).

Nguồn dữ liệu thực nghiệm bao gồm:

• 6 bộ dữ liệu chuẩn từ kho UCI: Diabetes, Breast Cancer Wisconsin (WBCD), Liver Disorders, Wine Quality, Cardiotocography (CTG), Arrhythmia.
• 2 bộ dữ liệu lâm sàng thực tế:
  • Bộ dữ liệu BN-TienSanGiat: 210 bệnh nhân với 19 thuộc tính đầu vào tại Bệnh viện Phụ sản Trung ương.
  • Bộ dữ liệu bệnh thận mạn: 3652 bệnh nhân với 15 thuộc tính đầu vào tại Bệnh viện Đa khoa tỉnh Điện Biên.

Các công cụ phần mềm phục vụ mô phỏng và cài đặt thực nghiệm gồm Matlab, Microsoft Excel, Python và Kivy.

Nội dung chính theo từng chương

Chương 1: Cơ sở lý thuyết

Chương 1 tổng hợp toàn bộ khung lý thuyết nền tảng và thiết lập môi trường thực nghiệm cho luận án:

• Trình bày toán học về tập mờ, độ thuộc, độ do dự và các cấu trúc suy diễn mờ phức dạng Mamdani và Takagi-Sugeno.
• Định nghĩa hình thức về đồ thị mờ, cấu trúc đồ thị mờ (FGS), đồ thị tri thức (KG), đồ thị tri thức mờ (FKG) và thuật toán FISA.
• Trình bày cơ chế học tăng cường Q-learning và phương trình cập nhật Bellman.
• Thống kê các thông số chi tiết của 6 bộ dữ liệu chuẩn UCI được sử dụng trong các thực nghiệm đối sánh, được tổng hợp tại bảng sau:

TT	Tên bộ dữ liệu	Số mẫu	Số thuộc tính	Số nhãn đầu ra	Ghi chú nhãn phân loại
1	Diabetes	390	5	2	Nhãn 0: Bình thường; Nhãn 1: Tiểu đường
2	Breast - WBCD	680	9	2	Nhãn 2: Bình thường; Nhãn 4: Ung thư
3	Liver	4156	10	2	Nhãn 0: Bình thường; Nhãn 1: Viêm gan
4	Wine Quality	1599	11	6	Các nhãn từ 3 đến 8 theo thang điểm 0-10
5	Cardiotocography - CTG	2126	19	10	10 trạng thái tim thai và cơn co tử cung
6	Arrhythmia	452	36	13	13 phân loại rối loạn nhịp tim

Chương 1 cũng mô tả chi tiết 19 thuộc tính của bộ dữ liệu tiền sản giật (gồm tuổi, nghề nghiệp, tuổi thai, số lần mang thai, chiều cao, cân nặng, huyết áp trên/dưới, HGB, PLT, URE, Creatinine, Acid Uric, ALT, AST, Protein toàn phần, Albumin, LDH, Protein niệu) và 15 thuộc tính của bộ dữ liệu bệnh thận mạn (gồm tuổi, giới tính, RBC, HGB, HCT, PLT, WBC, NEUT, LYMPH, Protein toàn phần, Albumin, Urea, Creatinine), đồng thời thiết lập công thức tính toán các độ đo đánh giá Accuracy, Precision, Recall, F1-Score và thời gian thực thi.

Chương 2: Mô hình đồ thị tri thức mờ dạng cặp FKG-Pairs trong hỗ trợ ra quyết định

Chương 2 tập trung giải quyết câu hỏi nghiên cứu thứ nhất bằng việc xây dựng mô hình FKG-Pairs:

• Cấu trúc mô hình FKG-Pairs: Gồm ba giai đoạn kế tiếp nhau:
  1. Giai đoạn tiền xử lý: Mờ hóa các giá trị đầu vào thành nhãn ngôn ngữ và áp dụng cơ chế sinh luật (FIS hoặc M-CFIS) để hình thành cơ sở luật mờ ban đầu.
  2. Giai đoạn xây dựng đồ thị FKG-Pairs: Tính toán bộ trọng số cạnh giữa các đỉnh thuộc tính kết hợp (siêu đỉnh) và trọng số cạnh từ siêu đỉnh đến nhãn đầu ra; đề xuất điều kiện dừng để xác định giá trị cận trên $k$, giúp tối ưu hóa thời gian tính toán đồ thị.
  3. Giai đoạn suy diễn xấp xỉ: Áp dụng thuật toán FKG-Pairs sử dụng toán tử Max-Min để tính giá trị thuộc tích lũy và xác định nhãn đầu ra cho mẫu kiểm tra mới.
• Phân tích cấu trúc các cặp: Khảo sát và phân loại các mức độ cặp gồm cặp đơn (FKG-Pairs1), cặp đôi (FKG-Pairs2), cặp ba (FKG-Pairs3) và cặp tư (FKG-Pairs4).
• Kết quả thực nghiệm trên bộ dữ liệu UCI: Mô hình FKG-Pairs2 khi kết hợp với cơ chế sinh luật FIS và M-CFIS cho thấy sự cải thiện về độ chính xác phân loại so với các phương pháp đối sánh (FIS, M-CFIS-R, M-CFIS-FKG), đồng thời tối ưu hóa đáng kể thời gian tính toán so với M-CFIS-R.
• Ứng dụng thực tế: Triển khai mô hình FKG-Pairs vào bài toán hỗ trợ chẩn đoán tiền sản giật trên bộ dữ liệu 210 sản phụ tại Bệnh viện Phụ sản Trung ương (phân loại 3 mức độ: Bình thường, Tiền sản giật, Tiền sản giật nặng); xây dựng phần mềm hoàn chỉnh bằng ngôn ngữ Python và giao diện Kivy gồm các module: nhập thông tin nhân khẩu học, nhập chỉ số cận lâm sàng, và hiển thị kết quả chẩn đoán kèm khuyến nghị y khoa.

Chương 3: Mô hình đồ thị tri thức mờ dạng cặp ra quyết định trong trường hợp cực đoan FKG-Extreme

Chương 3 giải quyết câu hỏi nghiên cứu thứ hai thông qua mô hình FKG-Extreme kết hợp đồ thị tri thức mờ dạng cặp với kỹ thuật Q-learning:

• Phát biểu bài toán cực đoan: Xử lý hai tình huống biên: tập dữ liệu đầu vào có kích thước lớn khiến thời gian xử lý tăng cao; hoặc tập dữ liệu huấn luyện quá nhỏ (dưới 10% tổng số mẫu), cơ sở luật mờ ban đầu rỗng hoặc thiếu tri thức nghiêm trọng khiến các phương pháp truyền thống đạt độ chính xác rất thấp.
• Đề xuất mô hình FKG-Extreme: Tích hợp tác nhân Q-learning vào khung FKG-Pairs. Tại mỗi bước suy diễn, tác nhân học cách lựa chọn hành động tối ưu trong không gian trạng thái nhằm cập nhật bảng Q-value theo phương trình Bellman, từ đó bù đắp lượng tri thức thiếu hụt trong cơ sở luật mờ.
• Kết quả thực nghiệm và kiểm định thống kê:
  • Cài đặt thực nghiệm trên các tập dữ liệu Liver, Wine, CTG trong các điều kiện lấy mẫu theo cụm và tỷ lệ huấn luyện cực nhỏ. Kết quả chỉ ra FKG-Extreme vượt trội về độ chính xác và duy trì thời gian thực thi ổn định.
  • Phân tích phương sai ANOVA một yếu tố và hai yếu tố trên độ chính xác giữa các phương pháp và các nhóm phương pháp khẳng định sự khác biệt có ý nghĩa thống kê ($p < 0.05$).
• Ứng dụng chẩn đoán bệnh thận mạn: Triển khai mô hình FKG-Extreme trên bộ dữ liệu 3652 bệnh nhân của Bệnh viện Đa khoa tỉnh Điện Biên; thực hiện phân giai đoạn bệnh thận mạn dựa trên mức lọc cầu thận (GFR) và nồng độ Creatinine/Urea; so sánh hiệu năng giữa mô hình đề xuất và các phương pháp cơ sở, ghi nhận độ chính xác vượt trội trong điều kiện dữ liệu huấn luyện tối thiểu.

Kết quả và những đóng góp mới

Luận án đã đạt được các kết quả khoa học cụ thể gồm hai đóng góp về mặt lý thuyết và một đóng góp về mặt ứng dụng thực tiễn:

1. Đóng góp lý thuyết thứ nhất: Đề xuất thành công mô hình đồ thị tri thức mờ dạng cặp FKG-Pairs hỗ trợ ra quyết định phân loại khi dữ liệu đầu vào thu thập chưa đầy đủ. Mô hình thiết lập quy trình ba giai đoạn (tiền xử lý, biểu diễn đồ thị dạng cặp, suy diễn xấp xỉ), tích hợp điều kiện dừng cận trên giúp kiểm soát không gian tổ hợp cặp và cải thiện độ chính xác suy diễn so với mô hình M-CFIS-FKG.
2. Đóng góp lý thuyết thứ hai: Đề xuất mô hình đồ thị tri thức mờ dạng cặp trong trường hợp cực đoan FKG-Extreme. Bằng việc kết hợp cấu trúc FKG-Pairs với kỹ thuật Q-learning trong học tăng cường, mô hình giải quyết hiệu quả bài toán phân loại khi kích thước dữ liệu lớn hoặc tập huấn luyện quá nhỏ, nâng cao độ chính xác so với các mô hình FIS và FKG-Pairs truyền thống.
3. Đóng góp ứng dụng thực tiễn: Xây dựng và cài đặt thành công hai hệ thống phần mềm hỗ trợ chẩn đoán y tế:
   • Hệ thống hỗ trợ sàng lọc, chẩn đoán bệnh tiền sản giật ở phụ nữ mang thai dựa trên mô hình FKG-Pairs với dữ liệu thực tế tại Bệnh viện Phụ sản Trung ương.
   • Hệ thống hỗ trợ chẩn đoán và phân giai đoạn bệnh thận mạn dựa trên mô hình FKG-Extreme với dữ liệu thực tế tại Bệnh viện Đa khoa tỉnh Điện Biên.

Hạn chế và hướng nghiên cứu tiếp

Văn bản luận án chỉ rõ các phạm vi và hướng phát triển tiếp theo:

• Hạn chế: Mô hình chủ yếu tập trung mô phỏng và kiểm chứng trên lớp bài toán phân loại và hỗ trợ ra quyết định với dữ liệu dạng bảng/thuộc tính số và nhãn ngôn ngữ; cấu trúc đồ thị dạng cặp có độ phức tạp tính toán tăng theo bậc của tổ hợp cặp nếu không áp dụng điều kiện dừng phù hợp.
• Hướng nghiên cứu tiếp:
  • Nghiên cứu mở rộng cấu trúc đồ thị tri thức mờ dạng cặp cho các dạng dữ liệu phi cấu trúc phức tạp hơn trong y tế (hình ảnh y tế, chuỗi thời gian liên tục).
  • Nghiên cứu tối ưu hóa hàm phần thưởng và chính sách học trong mô hình FKG-Extreme khi áp dụng vào các lớp bài toán hỗ trợ ra quyết định đa tiêu chí (MCDM) và bài toán tối ưu hóa trong các lĩnh vực khác ngoài y tế như giao thông, tài chính.

Giá trị tham khảo

Luận án cung cấp giá trị tham khảo học thuật và ứng dụng cho các đối tượng:

• Nghiên cứu sinh và học viên cao học ngành Hệ thống thông tin, Khoa học máy tính, Trí tuệ nhân tạo: Tham khảo phương pháp kết hợp lý thuyết tập mờ, đồ thị tri thức và học tăng cường (Q-learning); kỹ thuật thiết kế thuật toán suy diễn xấp xỉ trên đồ thị; và phương pháp phân tích phương sai ANOVA trong đánh giá thuật toán học máy.
• Giảng viên và các nhóm nghiên cứu trong lĩnh vực Khoa học dữ liệu y tế: Sử dụng tài liệu Chương 1, Chương 2 và Chương 3 để làm tài liệu tham khảo về biểu diễn tri thức không chắc chắn, khai phá dữ liệu y tế và xây dựng hệ thống hỗ trợ ra quyết định lâm sàng.
• Kỹ sư phát triển phần mềm y tế và cán bộ CNTT bệnh viện: Tham khảo quy trình thiết kế phần mềm chẩn đoán tiền sản giật và bệnh thận mạn, cấu trúc cơ sở dữ liệu thuộc tính xét nghiệm và mô hình giao diện thu nhận chỉ số lâm sàng/cận lâm sàng.

Câu hỏi thường gặp

1. Mô hình FKG-Pairs khác biệt như thế nào so với mô hình đồ thị tri thức mờ M-CFIS-FKG trước đây?
Mô hình M-CFIS-FKG (2020) chỉ sử dụng các cặp thuộc tính đơn lẻ (single pairs) trong quá trình suy diễn xấp xỉ, dẫn đến hiệu năng hạn chế khi dữ liệu đầu vào bị thiếu hụt thông tin. Mô hình FKG-Pairs mở rộng liên kết sang các siêu đỉnh kết hợp đa thuộc tính (cặp đôi FKG-Pairs2, cặp ba FKG-Pairs3, cặp tư FKG-Pairs4) và tích hợp điều kiện dừng cận trên, giúp nắm bắt quan hệ phụ thuộc phức tạp giữa các triệu chứng và cải thiện độ chính xác phân loại.

2. Kỹ thuật Q-learning đóng vai trò gì trong mô hình FKG-Extreme?
Trong các trường hợp cực đoan khi tập dữ liệu huấn luyện quá nhỏ (dưới 10%) hoặc cơ sở luật mờ rỗng/thiếu tri thức, các hệ suy diễn mờ truyền thống không thể khớp mẫu chính xác. Kỹ thuật Q-learning đóng vai trò như một tác nhân học tăng cường tương tác với môi trường dữ liệu, cập nhật giá trị Q-value qua phương trình Bellman để lựa chọn hành động và bù đắp tri thức thiếu hụt trong cơ sở luật mờ.

3. Luận án đã sử dụng những bộ dữ liệu thực tế nào tại Việt Nam để kiểm chứng mô hình?
Luận án sử dụng hai bộ dữ liệu y tế thực tế tại Việt Nam: bộ dữ liệu BN-TienSanGiat gồm 210 hồ sơ thai phụ với 19 chỉ số theo dõi tại Bệnh viện Phụ sản Trung ương (phân loại 3 nhãn: Bình thường, Tiền sản giật, Tiền sản giật nặng); và bộ dữ liệu bệnh thận mạn gồm 3652 hồ sơ bệnh nhân với 15 chỉ số xét nghiệm tại Bệnh viện Đa khoa tỉnh Điện Biên (phân loại 2 nhãn: Bình thường, Bệnh thận mạn).

4. Kiểm định thống kê ANOVA được luận án áp dụng nhằm mục đích gì?
Luận án áp dụng kỹ thuật phân tích phương sai ANOVA một yếu tố (one-way ANOVA) và ANOVA hai yếu tố (two-way ANOVA) do Ronald Fisher phát triển để kiểm định sự khác biệt về độ chính xác phân loại giữa phương pháp đề xuất (FKG-Pairs, FKG-Extreme) với các phương pháp đối sánh (FIS, M-CFIS-R, M-CFIS-FKG) trên các bộ dữ liệu thực nghiệm, chứng minh các cải tiến hiệu năng đạt được có ý nghĩa thống kê rõ ràng.

Kết luận

Luận án tiến sĩ của tác giả Cù Kim Long đã giải quyết hai vấn đề cốt lõi trong hệ hỗ trợ ra quyết định mờ: xử lý dữ liệu đầu vào không đầy đủ và suy diễn phân loại trong các điều kiện dữ liệu cực đoan. Thông qua việc đề xuất hai mô hình lý thuyết FKG-Pairs và FKG-Extreme cùng thuật toán suy diễn xấp xỉ tương ứng, nghiên cứu đã cải thiện độ chính xác và kiểm soát thời gian tính toán so với các hệ suy diễn mờ truyền thống. Các kết quả thực nghiệm trên 6 bộ dữ liệu chuẩn UCI và việc triển khai thành công trên 2 bài toán chẩn đoán lâm sàng thực tế (tiền sản giật và bệnh thận mạn) đã khẳng định tính đúng đắn khoa học cùng giá trị ứng dụng thực tiễn của luận án trong lĩnh vực Hệ thống thông tin.

Trích đoạn nội dung tài liệu

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.