Nghiên Cứu Một Số Phương Pháp Học Máy Có Giám Sát Trong Hỗ Trợ Chẩn Đoán Bệnh Ung Thư Vú

Tài liệu nghiên cứu Nghiên cứu một số phương pháp học máy có giám sát và ứng dụng trong hỗ trợ, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: Douangboudy Noysinakhone
• Người hướng dẫn: Nguyễn Văn Núi
• Trường học: Đại học Công nghệ thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu một số phương pháp học máy có giám sát và ứng dụng trong hỗ trợ chẩn đoán bệnh ung thư vú
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ PHÁT HIỆN TRI THỨC
• 1.1. Giới thiệu tổng quan
• 1.2. Một số ứng dụng của khai phá dữ liệu
• 1.3. Quá trình phát hiện tri thức và khai phá dữ liệu
• 1.4. Các bước của quá trình KPDL
• 1.5. Một số kỹ thuật khai phá dữ liệu cơ bản
• 1.5.1. Khai phá dữ liệu dự đoán
• 1.5.2. Khai phá dữ liệu mô tả
• 1.6. Tổng quan các phương pháp học máy cơ bản
• 1.6.1. Học không có giám sát (Unsupervised learning)
• 1.6.2. Học tăng cường (Reinforcement learning)
• 1.7. Tổng kết Chương
• 2. CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP HỌC MÁY CÓ GIÁM SÁT
• 2.1. Tổng quan về học máy có giám sát
• 2.2. Phương pháp cây quyết định (decision tree)
• 2.2.1. Giới thiệu chung
• 2.2.2. Các kiểu cây quyết định
• 2.2.3. Ưu điểm của cây quyết định
• 2.2.4. Các thuật toán xây dựng của cây quyết định
• 2.3. Phương pháp Bayesian
• 2.3.1. Giới thiệu về Bayesian
• 2.4. Phương pháp rừng ngẫu nhiên (Random Forest)
• 2.4.1. Mô hình phân lớp với Random Forest
• 2.4.2. Ứng dụng thuật toán Random Forest
• 2.5. Phương pháp máy hỗ trợ vector (support vector machine)
• 2.5.1. Tổng quan về Máy vectơ hỗ trợ
• 2.5.2. Nhận dạng mẫu và phân lớp siêu phẳng
• 2.5.3. Siêu phẳng tối ưu
• 2.5.4. Phân lớp lề mềm
• 2.6. Tổng kết Chương
• 3. CHƯƠNG 3: ỨNG DỤNG MỘT SỐ PHƯƠNG PHÁP HỌC MÁY CÓ GIÁM SÁT TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH UNG THƯ VÚ
• 3.1. Tổng quan bài toán học có giám sát, hỗ trợ chẩn đoán bệnh ung thư vú
• 3.1.1. Học có giám sát và ứng dụng hỗ trợ chẩn đoán bệnh ung thư vú
• 3.1.2. Giới thiệu về ung thư vú
• 3.1.3. Công việc liên quan
• 3.1.4. Thu thập, tiền xử lý và mã hóa dữ liệu
• 3.1.5. Mô tả sơ lược về dữ liệu
• 3.2. Giới thiệu về công cụ Weka, cấu hình và ứng dụng trong hỗ trợ chẩn đoán bệnh ung thư vú
• 3.2.1. Khái niệm của công cụ Weka
• 3.2.2. Ưu điểm của Weka
• 3.2.3. Kiến trúc thư viện Weka
• 3.2.4. Các môi trường chính
• 3.2.5. Định dạng dữ liệu của Weka
• 3.2.6. Các bước chức năng phân lớp (Classify)
• 3.2.7. Mô tả chức năng phân lớp (Classify)
• 3.3. Phân tích, đánh giá kết quả thực nghiệm
• 3.3.2. Thực hiện phân lớp bằng thuật toán Naïve Bayes
• 3.3.3. Thực hiện phân lớp bằng thuật toán K-Nerrest neighbor
• 3.3.4. Thực hiện phân lớp bằng thuật toán Support Vector Machines
• 3.3.5. Thực hiện phân lớp bằng thuật toán Decision tree (J48)
• 3.4. Đánh giá mô hình phân lớp dữ liệu Breast cancer
• 3.4.1. Đánh giá mô hình bằng phương pháp Hold-out
• 3.4.2. Đánh giá mô hình bằng phương pháp k-fold Cross validation
• 3.5. Kết luận thực nghiệm phân lớp dữ liệu Breast cancer
• 3.7. Tổng kết Chương
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Học Máy Giám Sát Chẩn Đoán Ung Thư Vú BC

Trong bối cảnh công nghệ thông tin phát triển mạnh mẽ, ứng dụng học máy trong lĩnh vực y tế, đặc biệt là hỗ trợ chẩn đoán ung thư vú, đang ngày càng được quan tâm. Việc khai thác thông tin từ dữ liệu y tế lớn giúp đưa ra quyết định nhanh chóng và chính xác hơn. Ung thư vú (Breast Cancer) là một vấn đề sức khỏe toàn cầu, và việc chẩn đoán sớm đóng vai trò quan trọng trong việc điều trị. Nghiên cứu này tập trung vào việc sử dụng phương pháp học máy giám sát để xây dựng mô hình hỗ trợ chẩn đoán bệnh. Các thuật toán học máy được sử dụng để phân tích dữ liệu y tế, từ đó đưa ra dự đoán về khả năng mắc bệnh. Theo Douangboudy Noysinakhone trong luận văn của mình, việc ứng dụng trí tuệ nhân tạo và học máy vào chẩn đoán và điều trị bệnh ung thư vú là một trong những vấn đề cấp thiết cần được quan tâm hiện nay.

1.1. Ứng dụng Học Máy trong Y Học Tổng quan

Ứng dụng học máy trong y học mang lại những tiến bộ vượt bậc trong chẩn đoán, điều trị và quản lý bệnh tật. Từ việc phân tích hình ảnh y tế đến dự đoán nguy cơ mắc bệnh, học máy đang thay đổi cách các bác sĩ làm việc. Việc sử dụng dữ liệu ung thư vú để huấn luyện các mô hình giúp cải thiện độ chính xác và hiệu quả của quá trình chẩn đoán. Các hệ thống AI trong y học có thể hỗ trợ bác sĩ trong việc đưa ra quyết định điều trị tốt nhất cho bệnh nhân.

1.2. Tổng quan về Chẩn Đoán Ung Thư Vú

Chẩn đoán ung thư vú đòi hỏi sự chính xác và kịp thời. Các phương pháp truyền thống như chụp nhũ ảnh và sinh thiết có thể tốn thời gian và có thể không phát hiện ra tất cả các trường hợp bệnh. Học máy chẩn đoán ung thư vú mang đến một giải pháp tiềm năng để tăng cường khả năng phát hiện và chẩn đoán sớm, từ đó cải thiện cơ hội sống sót cho bệnh nhân. Điều này đặc biệt quan trọng ở các giai đoạn đầu của bệnh.

II. Thách Thức trong Chẩn Đoán Ung Thư Vú bằng Học Máy

Việc áp dụng học máy để chẩn đoán ung thư vú không phải là không có thách thức. Một trong những vấn đề lớn nhất là sự sẵn có của dữ liệu ung thư vú chất lượng cao và đủ lớn để huấn luyện các mô hình. Dữ liệu cần phải được thu thập và tiền xử lý cẩn thận để đảm bảo tính chính xác và độ tin cậy. Ngoài ra, việc lựa chọn thuật toán học máy phù hợp và điều chỉnh các tham số cũng là một thách thức quan trọng. Các mô hình cần phải được đánh giá kỹ lưỡng để đảm bảo rằng chúng có khả năng khái quát hóa tốt trên các tập dữ liệu mới. Sự thiên vị trong dữ liệu và khả năng giải thích kết quả của mô hình cũng là những yếu tố cần được xem xét.

2.1. Vấn đề chất lượng và số lượng Dữ Liệu

Một trong những thách thức lớn nhất là đảm bảo chất lượng và số lượng dữ liệu ung thư vú đủ lớn để huấn luyện các mô hình học máy hiệu quả. Dữ liệu cần phải được thu thập từ nhiều nguồn khác nhau và phải được tiền xử lý để loại bỏ các giá trị nhiễu và thiếu. Việc thiếu dữ liệu có thể dẫn đến các mô hình có độ chính xác thấp và khả năng khái quát hóa kém. Cần có các nỗ lực để thu thập và chia sẻ bộ dữ liệu ung thư vú công khai để thúc đẩy nghiên cứu trong lĩnh vực này.

2.2. Giải thích kết quả Mô Hình Học Máy

Một thách thức khác là khả năng giải thích kết quả của các mô hình học máy. Các mô hình phức tạp như mạng nơ-ron có thể đạt được độ chính xác cao, nhưng lại khó giải thích cách chúng đưa ra quyết định. Điều này có thể gây khó khăn cho các bác sĩ trong việc tin tưởng và sử dụng kết quả của mô hình trong thực tế. Cần có các phương pháp để làm cho các mô hình học máy trở nên dễ hiểu hơn, từ đó tăng cường sự tin tưởng và chấp nhận của người dùng.

III. Phương Pháp Học Máy Giám Sát Tiềm Năng Cho Ung Thư Vú

Có nhiều phương pháp học máy giám sát có thể được sử dụng để chẩn đoán ung thư vú. Các thuật toán phổ biến bao gồm cây quyết định, máy vector hỗ trợ (SVM), hồi quy logistic, rừng ngẫu nhiên, và mạng nơ-ron. Mỗi thuật toán có những ưu và nhược điểm riêng, và việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu ung thư vú và yêu cầu của bài toán. Ví dụ, SVM có thể hoạt động tốt trên các tập dữ liệu nhỏ và có nhiều chiều, trong khi rừng ngẫu nhiên có thể xử lý các tập dữ liệu lớn và phức tạp. Theo luận văn, tác giả tập trung vào một số phương pháp chính như cây quyết định, Bayesian, Random Forest, SVM.

3.1. Sử dụng Cây Quyết Định Trong Chẩn Đoán

Cây quyết định là một phương pháp học máy đơn giản và dễ hiểu, phù hợp cho việc phân loại ung thư vú. Cây quyết định tạo ra một cấu trúc cây phân cấp, trong đó mỗi nút đại diện cho một thuộc tính của dữ liệu, và mỗi nhánh đại diện cho một giá trị của thuộc tính đó. Việc sử dụng cây quyết định giúp dễ dàng hiểu được các yếu tố quan trọng trong việc dự đoán bệnh. Thuật toán này thường được dùng như J48 theo như tài liệu được cung cấp.

3.2. Ứng dụng Máy Vector Hỗ Trợ SVM

Máy vector hỗ trợ (SVM) là một thuật toán học máy mạnh mẽ, có khả năng xử lý các tập dữ liệu phức tạp và phi tuyến tính. SVM tìm kiếm một siêu phẳng tối ưu để phân chia các mẫu dữ liệu thành các lớp khác nhau. SVM đã được chứng minh là hiệu quả trong nhiều bài toán chẩn đoán ung thư vú, đặc biệt là khi kết hợp với các kỹ thuật lựa chọn đặc trưng.

IV. Ứng Dụng Weka Để Hỗ Trợ Chẩn Đoán Bệnh Ung Thư Vú

Weka là một công cụ mạnh mẽ và linh hoạt cho việc khai phá dữ liệu và học máy, rất hữu ích trong việc chẩn đoán ung thư vú. Nó cung cấp một loạt các thuật toán học máy và các công cụ tiền xử lý dữ liệu, giúp người dùng dễ dàng xây dựng và đánh giá các mô hình dự đoán. Weka hỗ trợ nhiều định dạng dữ liệu và có giao diện người dùng đồ họa dễ sử dụng. Theo tài liệu, Weka có thể được sử dụng để thực hiện các bước như thu thập, tiền xử lý, mã hóa dữ liệu và đánh giá kết quả thực nghiệm.

4.1. Tổng quan về Công Cụ Weka

Weka là một bộ công cụ học máy mã nguồn mở, được phát triển bởi Đại học Waikato ở New Zealand. Weka cung cấp một loạt các thuật toán cho các tác vụ như phân loại, hồi quy, phân cụm và khai thác luật kết hợp. Weka có giao diện người dùng đồ họa dễ sử dụng, cũng như API cho phép người dùng tích hợp các thuật toán vào các ứng dụng của riêng họ.

4.2. Cấu Hình và Ứng Dụng Weka Trong Y Tế

Để sử dụng Weka trong chẩn đoán ung thư vú, người dùng cần chuẩn bị dữ liệu dưới định dạng phù hợp, chẳng hạn như ARFF. Sau đó, người dùng có thể chọn một thuật toán học máy phù hợp và huấn luyện mô hình trên dữ liệu đã chuẩn bị. Weka cung cấp các công cụ để đánh giá hiệu suất của mô hình, chẳng hạn như độ chính xác, độ nhạy và độ đặc hiệu. Kết quả có thể được sử dụng để cải thiện mô hình và đưa ra quyết định chẩn đoán.

V. Đánh Giá Hiệu Quả Mô Hình Chẩn Đoán Ung Thư Vú BC

Việc đánh giá hiệu quả của các mô hình học máy là rất quan trọng để đảm bảo rằng chúng có thể được sử dụng một cách tin cậy trong chẩn đoán ung thư vú. Các độ đo phổ biến để đánh giá hiệu quả bao gồm độ chính xác, độ nhạy, độ đặc hiệu, và diện tích dưới đường cong ROC (AUC). Các phương pháp đánh giá như kiểm tra chéo k-fold và hold-out có thể được sử dụng để ước tính khả năng khái quát hóa của mô hình. Kết quả thực nghiệm trong luận văn cho thấy sự khác biệt về hiệu suất giữa các thuật toán khác nhau, ví dụ, SVM và cây quyết định có thể cho kết quả tốt hơn trong một số trường hợp.

5.1. Phương Pháp Hold out Trong Đánh Giá

Phương pháp Hold-out là một phương pháp đơn giản để đánh giá hiệu quả của mô hình. Trong phương pháp này, dữ liệu được chia thành hai tập con: tập huấn luyện và tập kiểm tra. Mô hình được huấn luyện trên tập huấn luyện và sau đó được đánh giá trên tập kiểm tra. Kết quả trên tập kiểm tra cho thấy khả năng khái quát hóa của mô hình trên dữ liệu mới.

5.2. Phương Pháp K fold Cross Validation

Phương pháp k-fold cross validation là một phương pháp mạnh mẽ hơn để đánh giá hiệu quả của mô hình. Trong phương pháp này, dữ liệu được chia thành k tập con có kích thước bằng nhau. Mô hình được huấn luyện k lần, mỗi lần sử dụng k-1 tập con để huấn luyện và tập con còn lại để kiểm tra. Kết quả được tính trung bình trên k lần lặp để có được ước tính chính xác hơn về khả năng khái quát hóa của mô hình.

VI. Kết Luận và Hướng Nghiên Cứu Học Máy Chẩn Đoán BC

Nghiên cứu phương pháp học máy giám sát trong chẩn đoán ung thư vú đã cho thấy tiềm năng lớn trong việc cải thiện độ chính xác và hiệu quả của quá trình chẩn đoán. Các thuật toán học máy có thể được sử dụng để phân tích dữ liệu ung thư vú và đưa ra dự đoán về khả năng mắc bệnh. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết, chẳng hạn như sự sẵn có của dữ liệu chất lượng cao, khả năng giải thích kết quả của mô hình, và tích hợp các mô hình vào quy trình làm việc lâm sàng. Hướng nghiên cứu trong tương lai có thể tập trung vào việc phát triển các thuật toán mới, thu thập và chia sẻ dữ liệu ung thư vú lớn hơn, và xây dựng các hệ thống hỗ trợ quyết định lâm sàng dựa trên học máy.

6.1. Tóm tắt những Kết Quả Đạt Được

Nghiên cứu đã thành công trong việc xây dựng và đánh giá các mô hình học máy để chẩn đoán ung thư vú. Các kết quả cho thấy rằng các thuật toán như SVM và cây quyết định có thể đạt được độ chính xác cao trong việc phân loại các mẫu dữ liệu ung thư vú. Nghiên cứu cũng đã xác định các yếu tố quan trọng trong việc dự đoán bệnh, chẳng hạn như kích thước khối u và mức độ lan rộng của bệnh.

6.2. Hướng Nghiên Cứu và Phát Triển Tương Lai

Hướng nghiên cứu trong tương lai có thể tập trung vào việc phát triển các thuật toán học máy mới, chẳng hạn như deep learning, để cải thiện độ chính xác của mô hình. Ngoài ra, cần có các nỗ lực để thu thập và chia sẻ dữ liệu ung thư vú lớn hơn, để huấn luyện các mô hình mạnh mẽ hơn. Cuối cùng, cần xây dựng các hệ thống hỗ trợ quyết định lâm sàng dựa trên học máy, để giúp các bác sĩ đưa ra quyết định chẩn đoán và điều trị tốt nhất cho bệnh nhân.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin và trí tuệ nhân tạo, việc ứng dụng các phương pháp học máy trong lĩnh vực y tế ngày càng trở nên thiết yếu. Theo ước tính, ung thư vú là nguyên nhân tử vong đứng thứ hai ở phụ nữ, với khoảng 1.660 trường hợp mới và hơn 40.000 ca tử vong mỗi năm tại Hoa Kỳ. Việc chẩn đoán chính xác và kịp thời bệnh ung thư vú đóng vai trò quan trọng trong việc nâng cao hiệu quả điều trị và giảm thiểu chi phí y tế. Nghiên cứu này tập trung vào việc áp dụng một số phương pháp học máy có giám sát nhằm hỗ trợ chẩn đoán bệnh ung thư vú, sử dụng bộ dữ liệu Breast Cancer Wisconsin với 699 mẫu và 11 thuộc tính đặc trưng.

Mục tiêu cụ thể của luận văn là đánh giá hiệu quả của các thuật toán học máy như cây quyết định (Decision Tree), Naive Bayes, rừng ngẫu nhiên (Random Forest) và máy hỗ trợ vector (SVM) trong việc phân loại khối u lành tính hoặc ác tính. Phạm vi nghiên cứu tập trung vào dữ liệu thu thập từ kho lưu trữ học máy UCI trong giai đoạn 1992-2021, với ứng dụng thực tiễn tại các cơ sở y tế và trung tâm nghiên cứu ung thư. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác chẩn đoán, giảm tỷ lệ sai số và hỗ trợ quyết định lâm sàng, góp phần nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân ung thư vú.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết của khai phá dữ liệu (Data Mining) và học máy có giám sát (Supervised Learning). Khai phá dữ liệu là quá trình trích xuất các mẫu và tri thức tiềm ẩn từ các tập dữ liệu lớn, trong đó học máy có giám sát sử dụng tập dữ liệu đã gán nhãn để huấn luyện mô hình dự đoán. Các khái niệm chính bao gồm:

• Phân loại (Classification): Phân chia dữ liệu thành các lớp dựa trên các đặc trưng đầu vào.
• Entropy và Information Gain: Được sử dụng trong thuật toán cây quyết định để lựa chọn thuộc tính phân chia dữ liệu hiệu quả nhất.
• Định lý Bayes và Naive Bayes: Mô hình xác suất dựa trên giả định các thuộc tính độc lập.
• Rừng ngẫu nhiên (Random Forest): Mô hình tập hợp nhiều cây quyết định với kỹ thuật lấy mẫu bootstrap và lựa chọn ngẫu nhiên thuộc tính nhằm giảm phương sai và tăng độ chính xác.
• Máy hỗ trợ vector (SVM): Thuật toán tìm siêu phẳng phân chia tối ưu với lề cực đại, có thể mở rộng cho phân lớp lề mềm để xử lý dữ liệu không tuyến tính.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là bộ dữ liệu Breast Cancer Wisconsin (Diagnostic) từ kho lưu trữ UCI, gồm 699 mẫu với 11 thuộc tính số, trong đó có 16 trường hợp thiếu dữ liệu được xử lý bằng kỹ thuật tiền xử lý. Phương pháp chọn mẫu là toàn bộ dữ liệu có sẵn, đảm bảo tính đại diện cho bài toán phân loại ung thư vú.

Phương pháp phân tích bao gồm:

• Tiền xử lý dữ liệu: làm sạch, biến đổi và mã hóa các thuộc tính.
• Áp dụng bốn thuật toán học máy có giám sát: Decision Tree (J48), Naive Bayes, Random Forest và SVM.
• Đánh giá mô hình bằng hai kỹ thuật kiểm tra: Hold-out (80% huấn luyện, 20% kiểm tra) và k-fold Cross-validation (k=10).
• Các chỉ số đánh giá gồm độ chính xác, độ nhạy, độ đặc hiệu và tỷ lệ sai số.

Timeline nghiên cứu kéo dài trong năm 2021, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, thực nghiệm và phân tích kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phân loại của SVM: Thuật toán SVM đạt độ chính xác cao nhất với 96,42%, tỷ lệ sai số thấp nhất khoảng 0,03%, vượt trội hơn so với các thuật toán còn lại.
2. Độ chính xác của Naive Bayes và k-NN: Naive Bayes và k-NN đạt độ chính xác lần lượt khoảng 95,71% và 95,5%, với tỷ lệ sai số khoảng 0,04, cho thấy khả năng phân loại tốt nhưng kém hơn SVM.
3. Hiệu suất của cây quyết định J48: Độ chính xác dao động khoảng 92,85%, tỷ lệ sai số khoảng 0,09%, thấp hơn so với các thuật toán khác nhưng vẫn có tính khả thi trong ứng dụng thực tế.
4. Đánh giá mô hình qua Cross-validation: Kết quả kiểm tra chéo 10-fold cho thấy sự ổn định của các mô hình, với SVM duy trì độ chính xác trên 96%, trong khi các mô hình khác có sự biến động nhẹ.

Thảo luận kết quả

Nguyên nhân SVM đạt hiệu quả cao được giải thích bởi khả năng tìm siêu phẳng phân chia tối ưu với lề cực đại, giúp giảm thiểu sai số phân loại. So sánh với các nghiên cứu trước đây, kết quả này phù hợp với báo cáo của nhiều nhà nghiên cứu cho thấy SVM là bộ phân loại ưu việt trong bài toán ung thư vú. Naive Bayes và k-NN cũng thể hiện hiệu quả nhờ tính đơn giản và khả năng xử lý tốt dữ liệu đa chiều.

Cây quyết định J48 tuy có độ chính xác thấp hơn nhưng ưu điểm là dễ hiểu và giải thích, phù hợp với các ứng dụng cần minh bạch mô hình. Kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác và ma trận nhầm lẫn để minh họa chi tiết hiệu suất từng thuật toán.

Những phát hiện này có ý nghĩa quan trọng trong việc lựa chọn thuật toán phù hợp cho hệ thống hỗ trợ chẩn đoán ung thư vú, cân nhắc giữa độ chính xác và tính khả thi trong triển khai thực tế.

Đề xuất và khuyến nghị

1. Triển khai mô hình SVM trong hệ thống chẩn đoán: Tập trung phát triển và tích hợp mô hình SVM vào phần mềm hỗ trợ chẩn đoán tại các bệnh viện, nhằm nâng cao độ chính xác và giảm thiểu sai sót trong chẩn đoán. Thời gian thực hiện dự kiến 6-12 tháng, do các nhóm CNTT và y tế phối hợp.
2. Tăng cường thu thập và làm sạch dữ liệu: Đề xuất xây dựng quy trình chuẩn hóa dữ liệu đầu vào, xử lý dữ liệu thiếu và nhiễu để nâng cao chất lượng dữ liệu huấn luyện, từ đó cải thiện hiệu suất mô hình. Chủ thể thực hiện là các trung tâm dữ liệu y tế trong vòng 3-6 tháng.
3. Đào tạo và nâng cao nhận thức cho nhân viên y tế: Tổ chức các khóa đào tạo về ứng dụng học máy và phân tích dữ liệu cho bác sĩ và kỹ thuật viên nhằm tăng cường khả năng sử dụng công cụ hỗ trợ chẩn đoán. Thời gian triển khai 3 tháng, do các đơn vị đào tạo y tế đảm nhiệm.
4. Nghiên cứu mở rộng và kết hợp mô hình: Khuyến khích nghiên cứu kết hợp các thuật toán học máy khác như mạng nơ-ron nhân tạo hoặc học sâu để nâng cao độ chính xác và khả năng dự đoán đa dạng hơn. Thời gian nghiên cứu 12-18 tháng, do các viện nghiên cứu và trường đại học thực hiện.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Khoa học máy tính: Có thể sử dụng luận văn làm tài liệu tham khảo về ứng dụng học máy trong y tế, đặc biệt là các thuật toán phân loại và khai phá dữ liệu.
2. Chuyên gia y tế và bác sĩ chuyên khoa ung bướu: Nắm bắt kiến thức về công nghệ hỗ trợ chẩn đoán, từ đó áp dụng các công cụ trí tuệ nhân tạo để nâng cao hiệu quả điều trị.
3. Nhà phát triển phần mềm y tế: Tham khảo các phương pháp và mô hình học máy để phát triển các ứng dụng hỗ trợ chẩn đoán ung thư vú chính xác và hiệu quả.
4. Quản lý và hoạch định chính sách y tế: Hiểu rõ tiềm năng của công nghệ học máy trong chăm sóc sức khỏe, từ đó xây dựng các chính sách hỗ trợ ứng dụng công nghệ mới trong y tế.

Câu hỏi thường gặp

1. Học máy có giám sát là gì?
   Học máy có giám sát là phương pháp sử dụng dữ liệu đã gán nhãn để huấn luyện mô hình dự đoán nhãn cho dữ liệu mới. Ví dụ, mô hình học máy được huấn luyện với các mẫu ung thư vú đã biết lành tính hoặc ác tính để dự đoán cho các mẫu mới.

2. Tại sao SVM được đánh giá cao trong phân loại ung thư vú?
   SVM tìm siêu phẳng phân chia tối ưu với lề cực đại, giúp giảm thiểu sai số phân loại và xử lý tốt dữ liệu đa chiều, do đó đạt độ chính xác cao hơn so với nhiều thuật toán khác.

3. Dữ liệu Breast Cancer Wisconsin có đặc điểm gì?
   Bộ dữ liệu gồm 699 mẫu với 11 thuộc tính số, trong đó có 16 trường hợp thiếu dữ liệu. Các thuộc tính được đo trên thang từ 1 đến 10, phản ánh mức độ bất thường của tế bào.

4. Phương pháp đánh giá mô hình nào được sử dụng?
   Nghiên cứu sử dụng kỹ thuật Hold-out (chia dữ liệu thành tập huấn luyện và kiểm tra) và k-fold Cross-validation (chia dữ liệu thành k phần để kiểm tra chéo), giúp đánh giá độ chính xác và tính ổn định của mô hình.

5. Làm thế nào để xử lý dữ liệu thiếu trong bộ dữ liệu?
   Dữ liệu thiếu được xử lý bằng các kỹ thuật tiền xử lý như loại bỏ mẫu thiếu hoặc thay thế bằng giá trị trung bình, nhằm đảm bảo chất lượng dữ liệu đầu vào cho mô hình học máy.

Kết luận

• Luận văn đã nghiên cứu và đánh giá hiệu quả của bốn thuật toán học máy có giám sát trong hỗ trợ chẩn đoán ung thư vú, với SVM đạt độ chính xác cao nhất 96,42%.
• Phương pháp học máy có giám sát chứng minh tiềm năng lớn trong việc cải thiện độ chính xác và giảm sai số trong chẩn đoán y tế.
• Kết quả thực nghiệm được đánh giá qua các kỹ thuật Hold-out và Cross-validation, đảm bảo tính khách quan và ổn định của mô hình.
• Đề xuất triển khai ứng dụng SVM trong hệ thống chẩn đoán thực tế, đồng thời nâng cao chất lượng dữ liệu và đào tạo nhân lực y tế.
• Các bước tiếp theo bao gồm mở rộng nghiên cứu với các thuật toán học sâu và phát triển phần mềm hỗ trợ chẩn đoán tích hợp trí tuệ nhân tạo.

Hành động ngay: Các nhà nghiên cứu và chuyên gia y tế nên phối hợp triển khai mô hình SVM và tiếp tục cập nhật công nghệ học máy để nâng cao hiệu quả chẩn đoán ung thư vú.

Trích đoạn nội dung tài liệu

CHƯƠNG I TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ PHÁT HIỆN TRI THỨC 1.1 Giới thiệu tổng quan Trong thời đại hiện nay, với sự phát triển vượt vật của công nghệ thông tin, các hệ thống thông tin có thể lưu trữ một khối lượng lớn dữ liệu về hoạt động hàng ngày của chúng. Không có một lĩnh vực nào lại không cần đến sự hỗ trợ của công nghệ thông tin và sự thành công của các lĩnh vực đó phụ thuộc rất nhiều vào việc nắm bắt thông tin một cách nhạy bén, nhanh chóng và hữu ích. Với nhu cầu như thế nếu chỉ sử dụng thao tác thủ công truyền thống thì độ chính xác không cao và mất rất nhiều thời gian. Từ khối dữ liệu này, các kỹ thuật trong Khai Phá Dữ Liệu (KPDL) và Máy Học (MH) có thể dùng để trích xuất những thông tin hữu ích mà chúng ta chưa biết.

Các tri thức vừa học được có thể vận dụng để cải thiện hiệu quả hoạt động của hệ thống thông tin ban đầu. Do vậy việc khai phá tri thức từ dữ liệu trong các tập tài liệu lớn chứa đựng thông tin phục vụ nhu cầu nắm bắt thông tin có vai trò hết sức to lớn. Từ đó, các kỹ thuật khai phá dữ liệu đã trở thành một lĩnh vực thời sự của nền CNTT thế giới hiện nay.1 Khái niệm khai phá dữ liệu Khai phá dữ liệu (data mining) Là quá trình tính toán để tìm ra các mẫu trong các bộ dữ liệu lớn liên quan đến các phương pháp tại giao điểm của máy học, thống kê và các hệ thống cơ sở dữ liệu. Định nghĩa: Khai phá dữ liệu là một tập hợp các kỹ thuật được sử dụng để tự động khai thác và tìm ra các mối quan hệ lẫn nhau của dữ liệu trong một tập hợp dữ liệu khổng lồ và phức tạp, đồng thời cũng tìm ra các mẫu tiềm ẩn trong tập dữ liệu đó.

Khai phá dữ liệu là một bước trong bảy bước của quá trình KDD (Knowledge Discovery in Database) và KDD được xem như 7 quá trình khác nhau theo thứ tự sau: 1. Làm sạch dữ liệu (data cleaning & preprocessing)s: Loại bỏ nhiễu và các dữ liệu không cần thiết. Tích hợp dữ liệu: (data integration): quá trình hợp nhất dữ liệu thành những kho dữ liệu (data warehouses & data marts) sau khi đã làm sạch và tiền xử lý (data cleaning & preprocessing). Trích chọn dữ liệu (data selection): trích chọn dữ liệu từ những kho dữ liệu và sau đó chuyển đổi về dạng thích hợp cho quá trình khai thác tri thức.

Quá trình này bao 4 gồm cả việc xử lý với dữ liệu nhiễu (noisy data), dữ liệu không đầy đủ (incomplete data),. Chuyển đổi dữ liệu: Các dữ liệu được chuyển đổi sang các dạng phù hợp cho quá trình xử lý. Khai phá dữ liệu(data mining): Là một trong các bước quan trọng nhất, trong đó sử dụng những phương pháp thông minh để chắt lọc ra những mẫu dữ liệu. Ước lượng mẫu (knowledge evaluation): Quá trình đánh giá các kết quả tìm được thông qua các độ đo nào đó.

Biểu diễn tri thức (knowledge presentation): Quá trình này sử dụng các kỹ thuật để biểu diễn và thể hiện trực quan cho người dùng.2 Một số ứng dụng của khai phá dữ liệu Data Mining tuy là một hướng tiếp cận mới nhưng thu hút được rất nhiều sự quan tâm của các nhà nghiên cứu và phát triển nhờ vào những ứng dụng thực tiễn của nó. Chúng ta có thể liệt kết ra đây một số ứng dụng điển hình: • Phân tích dữ liệu và hỗ trợ ra quyết định (data analysis & decision support) • Điều trị y học (medical treatment) • Khai phá văn bản và khai phá web (Text mining & Web mining) • Tin-sinh (Bioinformatics) • Tài chính và thị trường chứng khoán (finance & stock market) • Bảo hiểm (insurance) • Nhận dạng (pattern recognition) 1.3 Quá trình phát hiện tri thức và khai phá dữ liệu Một vấn đề rất quan trọng để dẫn đến thành công là việc biết sử dụng thông tin một cách có hiệu quả.1 : Quá trình phát hiện tri thức 5 Trước khi đi vào tìm hiểu các giai đoạn trong KDD em đưa ra một số ví dụ để phân biệt ba khái niệm: dữ liệu, thông tin và tri thức.2: Mối quan hệ giữa thông tin, dữ liệu và tri thức 1.4 Các bước của quá trình KPDL Các giải thuật KPDL thường được mô tả như những chương trình hoạt động trực tiếp trên tệp dữ liệu. Với các phương pháp học máy và thống kê trước đây, thường thì bước đầu tiên là các giải thuật nạp toàn bộ tệp dữ liệu vào trong bộ nhớ. Khi chuyển sang các ứng dụng công nghiệp liên quan đến việc khai phá các kho dữ liệu lớn, mô hình này không thể đáp ứng được.

Không chỉ bởi vì nó không thể nạp hết dữ liệu vào trong bộ nhớ mà còn vì khó có thể chiết xuất dữ liệu ra các tệp đơn giản để phân tích được.3 : Quá trình KPDL 6 1.2 Một số kỹ thuật khai phá dữ liệu cơ bản 1.1 Khai phá dữ liệu dự đoán Nhiệm vụ của khai phá dữ liệu dự đoán là đưa ra các dự đoán dựa vào các suy diễn trên cơ sở dữ liệu hiện nay, bao gồm một số thuật toán nổi tiếng thuộc về nhóm học có giám sát như: phân lớp (Classification) và hồi quy (Regression). ● Phân lớp: k-Nearest Neighbors, mạng nơron nhân tạo, SVM, … ● Hồi quy: Linear Regression, Logistic Regression, … ❖ Phân lớp (Classification) Một bài toán được gọi là phân lớp nếu các nhãn của dữ liệu đầu vào được chia thành một số hữu hạn lớp (miền giá trị là rời rạc). Chẳng hạn như tính năng xác định xem một email có phải là spam hay không của Gmail; xác định xem hình ảnh của con vật là chó hay mèo. ❖ Hồi quy (Regression) Hồi quy là quá trình tìm mối quan hệ phụ thuộc của một biến (được gọi là biến phụ thuộc hay biến được giải thích, biến được dự báo, biến được hồi quy, biến phản ứng, biến nội sinh) vào một hoặc nhiều biến khác (được gọi là biến độc lập, biến giải thích, biến dự báo, biến hồi quy, biến tác nhân hay biến kiểm soát, biến ngoại sinh) nhằm mục đích ước lượng hoặc tiên đoán giá trị kỳ vọng của biến phụ thuộc khi biết trước giá trị của biến độc lập.4 : Thuật toán hồi quy 1.2 Khai phá dữ liệu mô tả Kỹ thuật này có nhiệm vụ mô tả về các tính chất hoặc các đặc tính chung của dữ liệu trong CSDL hiện có bao gồm các kỹ thuật: Phân cụm (clustering) và khai phá luật kết hợp (asociation rules).

7 ❖ Phân cụm Một bài toán phân cụm / phân nhóm toàn bộ dữ liệu X thành các nhóm/cụm nhỏ dựa trên sự liên quan giữa các dữ liệu trong mỗi nhóm. Chẳng hạn như phân nhóm khách hàng dựa vào độ tuổi, giới tính.5 : Thuật toán phân cụm Tất cả các phương pháp đều sử dụng các cấu trúc vốn có trong dữ liệu để tổ chức tốt nhất dữ liệu thành các nhóm có mức độ phổ biến tối đa dựa vào trọng tâm (centroid) và thứ bậc (hierarchal) như thể hiện ở Hình 1.5 ❖ Luật kết hợp Là bài toán mà khi em muốn khám phá ra một quy luật dựa trên nhiều dữ liệu cho trước. Ví dụ như những khách hàng mua mặt hàng này sẽ mua thêm mặt hàng kia; hoặc khán giả xem phim này sẽ có xu hướng thích xem phim kia, dựa vào đó em có thể xây dựng những hệ thống gợi ý khách hàng (Recommendation System) nhằm thúc đẩy nhu cầu mua sắm hoặc xem phim….6 : Thuật toán học quy tắc kết hợp 1.3 Tổng quan các phương pháp học máy cơ bản 1.1 Học có giám sát (supervised learning) Học có giám sát là thuật toán dự đoán nhãn (label)/đầu ra (output) của một dữ liệu mới dựa trên tập dữ liệu huấn luyện mà trong đó mỗi mẫu dữ liệu đều đã được gán nhãn.7 : Thuật toán học có giám sát Một cách toán học, học có giám sát là khi em có một tập hợp biến đầu vào $ X={x_1,x_2,…,x_N} $ và một tập hợp nhãn tương ứng $ Y={y_1,y_2,…,y_N} $, trong đó $ x_i$, $y_i $ là các vector. Các cặp dữ liệu biết trước $( x_i, y_i ) \in X \times Y $ được gọi là tập dữ liệu huấn luyện (training data).

Từ tập dữ liệu huấn luyện này, em cần tạo ra một hàm số ánh xạ mỗi phần tử từ tập X sang một phần tử (xấp xỉ) tương ứng của tập Y: 𝑦𝑖 ≈ 𝑓(𝑥𝑖 ), ∀𝑖 = 1,2, … , 𝑁 Mục đích là xấp xỉ hàm số $f$ thật tốt để khi có một dữ liệu x mới, em có thể tính được nhãn tương ứng của nó $y=f(x)$. Ví dụ: Trong nhận dạng chữ số viết tay, em có ảnh của hàng nghìn trường hợp ứng với mỗi chữ số được viết bởi nhiều người khác nhau. Em đưa các bức ảnh này vào một thuật toán học và chỉ cho nó biết “mỗi bức ảnh tương ứng với chữ số nào”. Sau khi thuật toán tạo ra một mô hình, tức là một hàm số nhận đầu vào là một bức ảnh và cho ra kết quả là một chữ số.

Khi nhận được một bức ảnh mới mà mô hình “chưa từng gặp qua” và nó sẽ dự đoán xem bức ảnh đó tương ứng với chữ số nào.8: Ảnh minh hoạ cho tập dữ liệu chữ số viết tay – MNIST Đối với những ai sử dụng mạng xã hội Facebook thì khá quen thuộc với tính năng phát hiện khuôn mặt trong một bức ảnh, bản chất của thuật toán dò tìm các khuôn mặt 9 này là một thuật toán học có giám sát với tập huấn luyện là vô số ảnh đã được gán nhãn là mặt người hay không phải mặt người.2 Học bán giám sát (Semi-supervised learning) Là bài toán mà khi tập dữ liệu đầu vào X là hỗn hợp các mẫu có nhãn và không có nhãn, trong đó số lượng có nhãn chỉ chiếm một phần nhỏ như minh hoạ. Phần lớn các bài toán thực tế của ML thuộc nhóm này vì việc thu thập dữ liệu có nhãn tốn rất nhiều thời gian và có chi phí cao. Rất nhiều loại dữ liệu thậm chí cần phải có chuyên gia mới gán nhãn được, chẳng hạn như ảnh y học hoặc các cặp câu song ngữ. Ngược lại, dữ liệu chưa có nhãn có thể được thu thập với chi phí thấp từ internet.3 Học không có giám sát (Unsupervised learning) Trái với Supervised learning, học không giám sát là thuật toán dự đoán nhãn của một dữ liệu mới dựa trên tập dữ liệu huấn luyện mà trong đó tất cả các mẫu dữ liệu đều chưa được gán nhãn hay nói cách khác là em không biết câu trả lời chính xác cho mỗi dữ liệu đầu vào như minh hoạ.