CHƯƠNG 1: TỔNG QUAN 1. Tổng quan về mạng tương tác trong trí tuệ nhân tạo 1. Khái niệm mạng tương tác Mạng tương tác (KG) là một cách biểu diễn dữ liệu bằng đồ thị, nó bao gồm “nốt - cạnh – nốt” biểu thị mối quan hệ phong phú của các thực thể với nhau trong thế giới thực. Nốt đại diện cho “một yếu tố”, “một thực thể” hoặc “một khái niệm” và cạnh biểu thị mối quan hệ giữa hai thực thể.
Ví dụ, trong Hình 1., một bộ ba: Thực thể 1, Thực thể 2 và Quan hệ 1 liên kết giữa chúng. KG có thể kết hợp cả dữ liệu không có cấu trúc và dữ liệu có cấu trúc [1]. Thực thể 1 Thực thể 5 Quan hệ 6 Thực thể 2 Quan hệ 4 Thực thể 6 Quan hệ 2 Thực Thực thể 4 thể 3 Quan hệ 3 Hình 1. Minh họa một mạng tương tác Việc xây dựng các mạng tương tác thường bị hạn chế vì tính phức tạp và tính đồ sộ của lượng thông tin - tích lũy từ trước và ngày càng tăng nhanh theo thời gian.
Vì vậy, sự hỗ trợ của AI có vai trò rất quan trọng trong việc tổng hợp, xây dựng một mạng tương tác hoàn chỉnh, chính xác [33]. Trí tuệ nhân tạo Trí tuệ nhân tạo (AI) được định nghĩa là một lĩnh vực khoa học máy tính [26]. Trí tuệ nhân tạo là trí tuệ do con người lập trình với mục tiêu giúp máy tính có thể tự động hóa các hành vi thông minh như con người. Sau một thời gian khó khăn trong việc tìm kiếm tài trợ cho các dự án AI [34] và tốn nhiều chi phí, đến thế kỷ 21, AI đã 3 hồi sinh sau những tiến bộ vượt bậc của sức mạnh máy tính, Big Data,… AI đã trở thành một phần thiết yếu của ngành công nghệ.
Trong các công việc thường ngày, con người có thể nhầm lẫn khi mắc lỗi hoặc thực hiện nhiều công việc lặp đi lặp lại như gửi thư cảm ơn, trả lời email,. Khi sử dụng AI, các dữ liệu được áp dụng các bộ thuật toán cụ thể. AI có thể xử lý hiệu quả các công việc thông thường này, loại bỏ các công việc “nhàm chán” và có thể đạt được độ chính xác ở mức độ cao hơn [4]. Xây dựng mạng tương tác bằng trí tuệ nhân tạo Những năm gần đây, cùng với giai đoạn dữ liệu của tất cả các ngành bắt đầu có dấu hiệu bùng nổ.
Việc phân tích dữ liệu bằng sức người trở thành vấn đề khi mà tốc độ phân tích không kịp đáp ứng với nhu cầu phát triển thì lĩnh vực trí tuệ nhân tạo bắt đầu có những bước tiến đáng kể. Trí tuệ nhân tạo là sự kết hợp giữa năng tư duy của con người và năng lực tính toán của máy tính, cho phép tăng tốc các quá trình xử lý. Nó đã có những bước tiến lớn trong các bài toán xử lý ảnh, nhận diện hình ảnh, dịch máy,… tiêu biểu trong game khi robot Alpha-Go đã thắng nhà vô địch cờ vây thế giới. Hiện nay, trí tuệ nhân tạo đang được nghiên cứu để áp dụng cho hầu hết các lĩnh vực của cuộc sống.
Và việc xây dựng mạng tương tác bằng trí tuệ nhân tạo là một thách thức lớn trong thời đại công nghệ ngày nay. Có hai hình thức xây dựng mạng tương tác là thủ công hoặc bán tự động. Việc xây dựng các mạng tương tác theo cách thủ công vẫn rất tốn kém. Do đó, bất kỳ sự tự động hóa nào cũng có thể đạt được một mạng tương tác hiệu quả, tiết kiệm chi phí hơn.
Cho đến một vài năm trước, các thuật toán xử lý ngôn ngữ tự nhiên (Natural Language Processing-NLP) và thị giác máy tính (Computer Vision) đang cố gắng trong việc nhận dạng thực thể từ văn bản và phát hiện đối tượng từ hình ảnh. Do những tiến bộ gần đây, các thuật toán này đang bắt đầu vượt ra khỏi các nhiệm vụ cơ bản để trích xuất các mối quan hệ giữa các thực thể. Trong đó các quan hệ được trích xuất có thể được lưu trữ để xử lý và suy luận thêm. Trích xuất thực thể và trích xuất quan hệ từ văn bản là hai nhiệm vụ cơ bản trong NLP.
Các phương pháp tiếp cận dựa trên quy tắc cú pháp của câu hoặc các thực thể, mối quan hệ có thể được xác định trong văn bản đầu vào [31]. Thông tin được trích xuất từ nhiều phần của văn bản cần phải có mối tương quan. Ví dụ, trong Hình 1., có các thực thể: “Albert Einstein, Đức, Nhà vật lý lý thuyết, Thuyết tương đối” và các quan hệ: “sinh ở, nghề nghiệp, đã phát triển”. Khi 4 đoạn kiến thức này được kết hợp vào một KG lớn hơn, có thể sử dụng suy luận logic để có được các liên kết (quan hệ) bổ sung (được thể hiện bằng các đường nét đứt), chẳng hạn như Nhà vật lý lý thuyết thuộc về Nhà vật lý và Thuyết tương đối là một nhánh của Vật lý [31].
Đức Albert Nhà vật lý lý thuyết Nhà vật lý Einstein thực hành Thuyết tương đối Vật lý Hình 1. Mạng tương tác được tạo bằng cách trích xuất thực thể và quan hệ 1. Mạng tương tác trong Y học Các nghiên cứu đã khám phá ra các ứng dụng tiềm năng của trí tuệ nhân tạo trong lĩnh vực Y học [13, 20]. Ứng dụng của công nghệ AI trong lĩnh vực phẫu thuật lần đầu tiên được Gunn nghiên cứu thành công vào năm 1976, khi ông khám phá ra khả năng chẩn đoán cơn đau bụng cấp tính bằng cách phân tích thông qua máy tính [9].
Từ đó đến nay đã chứng kiến sự quan tâm đáng kể của AI trong lĩnh vực Y học, ví dụ như hệ thống hỗ trợ quyết định lâm sàng để chẩn đoán và điều trị [3, 5, 22, 32], tự chẩn đoán để hỗ trợ bệnh nhân đánh giá tình trạng sức khỏe dựa trên các triệu chứng [8, 30]. Hầu hết các công trình trước đây đều cố gắng xây dựng KG từ các bài báo liên quan đến Y học. Một số được xây dựng theo cách thủ công và một số khác là bán tự động. Tuy nhiên, việc xây dựng KG theo cách thủ công đòi hỏi thời gian và công sức rất nhiều từ các chuyên gia lâm sàng.
Ví dụ, có báo cáo rằng cần khoảng mười lăm năm để xây dựng cơ sở kiến thức Internist-1/QMR [21, 28]. Bán tự động xây dựng KG từ các bài báo là một công việc đầy thách thức vì các dữ liệu gần như không có cấu trúc, rất khó xử lý bằng máy tính. 5 Y học hiện đại đang phải đối mặt với thách thức trong việc tiếp thu, phân tích và áp dụng một lượng lớn các kiến thức cần thiết để giải quyết các vấn đề lâm sàng phức tạp. Trong khi đó thông tin chăm sóc sức khỏe đang phát triển bùng nổ, kiến thức Y tế dạng văn bản (Textual Medical Knowledge-TMK) đang ngày càng chiếm một vị trí quan trọng trong hệ thống thông tin chăm sóc sức khỏe.
Vì vậy, một số nghiên cứu đã phát triển và tích hợp TMK vào mạng tương tác để cung cấp cho máy tính việc truy xuất và giải thích các kiến thức Y khoa một cách nhanh chóng và chính xác. Ernst và cộng sự, đề xuất phương pháp xây dựng một mạng tương tác lớn một cách tự động. Nguồn dữ liệu của họ là từ điển đồng nghĩa từ (Unified Medical Language System) và nguồn đầu vào từ nhiều ấn phẩm khoa học và bài đăng trên các cổng thông tin sức khỏe khác nhau [7]. Shi và cộng sự, cung cấp một thuật toán để loại bỏ suy luận vô nghĩa trên biểu đồ kiến thức để cải thiện hiệu suất của kết quả suy luận [27].
Rotmensch và cộng sự, đề xuất tạo một biểu đồ quan hệ giữa các bệnh với các triệu chứng mà dữ liệu có thể lấy từ EMR một cách tự động. Nguồn dữ liệu của họ bao gồm hồ sơ Y tế ở khoa cấp cứu của hơn 270,000 lượt bệnh nhân [25]. Những cách tiếp cận để xây dựng các mạng tương tác Y học phụ thuộc vào thuật ngữ Y tế tiêu chuẩn, vốn còn thiếu trong một số ngôn ngữ như tiếng Trung Quốc. Do đó, những nỗ lực xây dựng các mạng tương tác Y học trên các ngôn ngữ như vậy luôn nhận được kết quả có độ chính xác tương đối thấp.
Các thuật toán xây dựng vẫn cần được cải thiện để giải quyết các vấn đề như vậy trong công việc trong tương lai [37]. Sự phát triển của trí tuệ nhân tạo trong việc giúp các bác sĩ lâm sàng chẩn đoán, đưa ra quyết định điều trị và dự đoán kết quả. Chúng được thiết kế để hỗ trợ nhân viên Y tế trong công việc hàng ngày của họ dựa vào các thao tác máy móc với các dữ liệu và kiến thức đã được lưu trữ. Các hệ thống như vậy bao gồm mạng nơ ron nhân tạo (Artificial Neural Network), hệ thống chuyên gia mở, hệ thống thông minh kết hợp, …[23].
Và nhờ sự tiến bộ của công nghệ xử lý dữ liệu lớn (big data) và NLP, tự động khái thác dữ liệu từ hồ sơ sức khỏe điện tử (Electronic Medical Records- EMR) [10, 12, 14-16, 18, 19, 29, 32, 35], khai thác dữ liệu từ các văn bản Y khoa trở thành một xu hướng nghiên cứu đầy hứa hẹn trong việc xây dựng mạng tương tác. Các nghiên cứu liên quan 1. Mạng tương tác trong lĩnh vực Y tế Năm 2020, Gyanesh Anand [2] đã xây dựng mạng tương tác Y học với tập dữ liệu đã được thu thập từ các nguồn khác nhau. Nguồn nổi bật là trang web MedIndia.
Các nguồn khác là Medline, WebMD và trang web NIH. Dữ liệu Y tế dạng văn bản đã được thu thập từ Bách khoa toàn thư Y tế với mã nguồn mở có sẵn trên mạng internet. Sau khi thu thập dữ liệu, dữ liệu phải được xử lý. Dữ liệu đã xử lý được lưu trữ ở định dạng JSON.
Số trang sau khi xử lý còn lại 1742. Tác giả tạo bản thể MedOnto để mô hình hóa các khái niệm khác nhau trong lĩnh vực Y tế. Dữ liệu thực tế được đưa vào bản thể một cách tự động. Phương pháp Entity Recognition (NER) trích xuất thực thể trong trường hợp văn bản ở định dạng ngôn ngữ tự nhiên thuần túy tiếng Anh.
MetaMap NER của Unified Medical Language System đã được sử dụng để trích xuất các thực thể mong muốn từ các đoạn văn. Hai phương pháp phân biệt đã được sử dụng để trích xuất các thực thể có liên quan sau đó được thêm vào mạng tương tác. Mạng tương tác Y học trong thế giới thực: xây dựng và ứng dụng Năm 2020, Linfeng Li cùng các cộng sự [17] đã xây dựng mạng tương tác Y học từ các EMR quy mô lớn.