Chương 1. TỔNG QUAN Thực hiện giới thiệu về lý do chọn đề tài, mục đích nghiên cứu và nói tổng quát về phương pháp thực hiện nghiên cứu của đề tài. CƠ SỞ LÝ THUYẾT Báo cáo toàn diện nội dung tìm hiểu về lý thuyết đề cập ở Nội dung 1, bên cạnh đó có kết quả khảo sát của một vài cách tiếp cận trước đây liên quan đến bài toán. XÂY DỰNG HỆ THỐNG Báo cáo toàn diện và phương pháp nghiên cứu: - Cách xây dựng bộ dữ liệu, một số thống kê về dữ liệu - Xây dựng bộ Logic mờ và coding.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận những nội dung đã hoàn thành và điểm lại những gì đã đạt và chưa đạt được, bên cạnh đó đề xuất một số ý tưởng cho việc phát triển bài toán trong tương lai. 10 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Trong Chương 2, luận văn trình bày các cơ sở lý thuyết làm tiền đề cho nghiên cứu. Cụ thể, một số nghiên cứu liên quan trong nước và ngoài nước sẽ được khảo sát. Bên cạnh đó, chương này cũng trình bày tổng quan về fuzzy logic system, máy học, các thuật toán máy học, mạng nơ-ron tích chập và các kiến trúc mạng học sâu.1 Các nghiên cứu liên quan Về phần mềm dự đoán khả năng nhiễm bệnh COVID-19 thông qua triệu chứng, có một số đề tài trong và ngoài nước với sự nghiên cứu liên quan như sau: Trong nước: Công trình [Duc Q.
Nguyen, Khuong Nguyen- An, Quang H. Quan (2022)], BeCaked – An Explainable Artificial Intelligence Model For COVID-19 Forecasting [10], nhóm tác giả đã giới thiệu một sự kết hợp mới giữa Susceptible-Infectious-Recovered- Deceased (SIRD) compartmental model và Variational Autoencoder (VAE) neural network gọi là BeCaked. Với sự hỗ trợ của Deep Learning, dựa trên số trường hợp lây nhiễm, đã hồi phục và đã tử vong, mô hình BeCaked có thể xác định các tham số của mô hình SIRD. Sử dụng các tham số này, các phương trình vi phân có thể được giải chính xác để dự đoán xu hướng phát triển của đại dịch COVID-19.
Nhóm tác giả cũng đã đưa ra những so sánh với những mô hình hàng đầu trên thế giới và đạt kết quả gần như cao nhất, được công bố trên tạp chí quốc tế với hạng 1 và đã áp dụng thực tế ở Tp.Hồ Chí Minh trong làn sóng thứ 4 của đại dịch. Tuy nhiên mô hình gặp những hạn chế ở những quốc gia vùng có dân số ít hơn, chính sách phòng chống dịch khác nhau, cũng như việc xuất hiện nhiều biến thể mới cũng làm ảnh hưởng tới độ chính xác của mô hình. Trong luận văn thạc sĩ [Dương Thị Kim Chi (2023), Mô hình chẩn đoán bệnh Covid-19 từ dữ liệu lâm sàng bằng phương pháp XGBoost. Tạp chí khoa học Đại học Thủ Dầu Một][11] đã sử dụng XGBoost, một thuật toán học máy mạnh mẽ, có khả năng xử lý dữ liệu lớn và phù hợp với việc xây dựng mô hình dự đoán trong bài toán chẩn đoán COVID-19.
Kết quả đạt được với độ chính xác khá cao. Tác giả cũng đưa 11 ra chi tiết các bước thực hiện cũng như đánh giá hiệu năng khi so sánh với các mô hình khác. Tuy nhiên hiệu suất của mô hình phụ thuộc nhiều vào chất lượng và tính đại diện của dữ liệu lâm sàng, vẫn còn tồn tại các yếu tố nhiễu dẫn tới hiệu quả của mô hình, thêm vào đó sự biến thể phức tạp của dịch bệnh làm ảnh hưởng trực tiếp tới mô hình dự đoán, cần bổ sung nhiều tập dữ liệu đa dạng hơn và chính xác hơn. Ngoài nước: Trong công trình [Warda M.
Detecting COVID-19 patients based on fuzzy inference engine and Deep Neural Network. Chiến lược HDS được xác thực bằng cách xác thực chéo 10 lần. Chiến lược HDS dựa trên Fuzzy Logic và Deep neural network đã cho ra kết quả nhanh chóng và tỉ lệ chính xác lên tới 97.658%, một tỉ lệ khá cao và giúp ích rất nhiều cho đội ngũ y bác sĩ ở Ai Cập. Công trình [Shadab Hafiz Choudhury, Azmary Jannat Aurin, Tanbin Akter Mitaly and Rashedur M.
Predicting the possibility of COVID-19 infection using fuzzy logic system.116465][13] đã đề cập đến các triệu chứng chính của Covid-19 (tức ngực, ho, sốt, khó thở) và sử dụng Fuzzy logic tính toán đưa ra khả năng dự đoán nhiễm bệnh thông qua dữ liệu được cung cấp từ user thông qua giao diện ứng dụng. Nhìn chung hệ thống đã phát triển theo đúng định hướng của nó, tuy nhiên do tập dữ liệu còn nhỏ và chưa đa dạng nên tỉ lệ chính xác chưa cao, giao diện cũng chưa thực sự đẹp và tiện dụng. Công trình [Nur- A- Alam, Mominul Ahsan, Abdul Based, Julfikar Haider, Marcin Kowalski (2021). COVID-19 Detection from Chest X-Ray Images Using Feature Fusion and Deep Learning.3390/s21041480][14] đã đề xuất một phương pháp tiếp cận bằng thị giác máy để phát hiện COVID-19 từ hình ảnh X-quang phổi.
Các tính năng được trích xuất bởi gradient hướng biểu đồ (HOG) và mạng nơ-ron tích tụ (CNN) từ hình ảnh tia X đã được hợp nhất để phát triển mô hình phân loại thông qua đào tạo của CNN (VGGNet). Sau khi xác thực chéo 5 lần, 12 cho thấy kết quả khả quan về mặt nhận dạng COVID-19 so với các công việc liên quan, tức thì với độ chính xác thử nghiệm là 99,49%, độ đặc hiệu là 95,7% và độ nhạy là 93,65%. Hiệu suất này cao hơn khi so sánh với các kỹ thuật khác như ANN, KNN, SVM. Trong [Nitesh Dhiman, M.
Fuzzy Logic Inference System for Identification and Prevention of Coronavirus][15], nhóm tác giả đã thu thập dữ liệu ở 3 quốc gia Ấn Độ, Ý, Iran với 6 yếu tố đầu vào (Ethanol, nhiệt độ khí quyển, nhiệt độ cơ thể, Khó thở, Ho và lạnh, sau đó sử dụng Fuzzy Logic Type-1 để đưa ra kết quả suy luận về mức độ nghi nhiễm. Tập dữ liệu khá đầy đủ và chi tiết, tuy nhiên các quy tắc lập luận còn khá ít nên kết quả chuẩn đoán chưa có độ chính xác cao. Công trình [Mesut Toğaçara, Burhan Ergenb, ZaferCömert (2020). COVID-19 detection using deep learning models to exploit Social Mimic Optimization and structured chest X-ray images using fuzzy color and stacking approaches.103805][16], nhóm tác giả đã sử dụng kỹ thuật xếp chồng để tăng hiệu quả cho việc tiền xử lý hình ảnh.
Các mô hình học sâu (MobileNetV2 và SqueezeNet) ít tham số truyền vào giúp tối ưu được tốc độ và hiệu suất. Cung cấp tỉ lệ thành công 99.27% trong việc phát hiện bệnh bằng X-Quang. Tuy nhiên để đạt được hiệu suất tối đa, ảnh gốc cung cấp cần phải có kích thước và độ phân giải đúng chuẩn. Chỉ cần một thay đổi nhỏ về kích thước cũng gây khó khăn trong việc xử lý.
Tóm lại, các nghiên cứu liên quan đến chẩn đoán Covid-19 trong và ngoài nước đã đạt được những tiến bộ đáng kể trong những năm gần đây. Các phương pháp chẩn đoán mới dựa trên trí tuệ nhân tạo, chẳng hạn như fuzzy logic, machine learning và deep learning, đã cho thấy hiệu quả cao trong việc chẩn đoán Covid-19. Ưu điểm chung của các nghiên cứu • Sử dụng các phương pháp chẩn đoán dựa trên trí tuệ nhân tạo: Các phương pháp chẩn đoán dựa trên trí tuệ nhân tạo, chẳng hạn như fuzzy logic, machine learning và deep learning, có khả năng học hỏi và thích ứng với dữ liệu mới. Do đó, các 13 phương pháp này có thể mang lại độ chính xác cao hơn các phương pháp chẩn đoán truyền thống.
• Sử dụng các dữ liệu lớn: Các nghiên cứu liên quan đến chẩn đoán Covid-19 thường sử dụng các dữ liệu lớn, bao gồm dữ liệu về triệu chứng, hình ảnh và dấu ấn sinh học của bệnh nhân Covid-19. Việc sử dụng các dữ liệu lớn giúp các phương pháp chẩn đoán có độ chính xác cao hơn. • Sử dụng các kỹ thuật xử lý dữ liệu tiên tiến: Các nghiên cứu liên quan đến chẩn đoán Covid-19 sử dụng các kỹ thuật xử lý dữ liệu tiên tiến, chẳng hạn như kỹ thuật học máy, để phân tích dữ liệu và đưa ra kết quả chẩn đoán. Các kỹ thuật này giúp các phương pháp chẩn đoán có độ chính xác cao hơn.
Hạn chế chung của các nghiên cứu • Dữ liệu sử dụng để xây dựng mô hình còn hạn chế: Dữ liệu sử dụng để xây dựng mô hình chẩn đoán Covid-19 thường được thu thập từ các bệnh viện, trung tâm y tế. Dữ liệu này có thể không đại diện đầy đủ cho các trường hợp mắc Covid- 19 trong thực tế. • Mô hình chẩn đoán chưa được đánh giá trên một tập dữ liệu lớn: Để đánh giá độ chính xác của mô hình chẩn đoán một cách chính xác, cần đánh giá mô hình trên một tập dữ liệu lớn. Tuy nhiên, các nghiên cứu hiện nay thường chỉ đánh giá mô hình trên một tập dữ liệu nhỏ.
• Mô hình chẩn đoán chưa được đánh giá trong điều kiện thực tế: Để đánh giá hiệu quả của mô hình chẩn đoán trong thực tế, cần đánh giá mô hình trên các bệnh nhân Covid-19 trong điều kiện thực tế. Tuy nhiên, các nghiên cứu hiện nay thường chỉ đánh giá mô hình chẩn đoán trên các dữ liệu mô phỏng.2 Tổng quan Logic mờ và ứng dụng Logic truyền thống chỉ quan tâm đến 2 giá trị tuyệt đối (đúng hoặc sai). Logic truyền thống luôn tuân theo 2 giả thuyết. Một là tính thành viên của tập hợp: Với một phần tử và một tập hợp bất kỳ, thì phần tử hoặc là thuộc tập hợp đó, hoặc thuộc phần bù của tập đó.
Giả thiết thứ hai là định luật loại trừ trung gian, khẳng định một phần tử không thể vừa thuộc một tập hợp vừa thuộc phần bù của nó. 14 Thí dụ: Nếu nhiệt độ trên 35 độ C thì nóng, ngược lại là không nóng. Hình bên dưới minh họa tập hợp “NÓNG” gồm tất cả các nhiệt độ từ 35 độ C trở lên. Logic truyền thống Từ hình vẽ ta thấy logic giòn không thể hiện được sự khác biệt giữa các thành viên trong cùng một tập hợp.
Giữa hai nhiệt độ 45 và 55 độ C, logic này không thể hiện được nhiệt độ nào nóng hơn nhiệt độ nào. Ngoài ra, logic này còn có một nhược điểm khác quan trọng hơn đó là chúng không thể biểu diễn được các dữ kiện mang tính mơ hồ, không chính xác mà trong thực tế lại có rất nhiều phát biểu bằng ngôn ngữ tự nhiên ở dạng này, chẳng hạn như: Hình 2-2. Giả thuyết Logic mờ Trời có lạnh không => Lạnh/Không? Lạnh là lạnh thế nào, rất lạnh hoặc lạnh ít hoặc rất ít. Vì vậy, logic truyền thống không thể hỗ trợ cho những suy luận trên những thông tin mang tính mơ hồ, thiếu chính xác như vậy.
Khái niệm tập hợp cũng được sinh ra từ đó, dựa vào giá trị chân trị đúng/sai để diễn tả về việc một phần tử thuộc hay không thuộc về nó.