Luận Văn Tốt Nghiệp: Xây Dựng Mạng Tương Tác Y Học Ứng Dụng Trí Tuệ Nhân Tạo

Luận văn tốt nghiệp y tế nghiên cứu Luận văn tốt nghiệp bước đầu xây dựng mạng tương tác y học áp dụng trí tuệ nhân tạo lên dữ liệu, điều tra thực trạng, phân tích số liệu, đề

• Tác giả: Lê Văn Tuyên
• Người hướng dẫn: ThS. Lê Đình Khiết
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Dược học
• Đề tài: Xây Dựng Mạng Tương Tác Y Học Ứng Dụng AI Từ Dữ Liệu Sách Y Khoa Oxford
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC CÁC KÝ HIỆU, TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan về mạng tương tác trong trí tuệ nhân tạo
• 1.2. Khái niệm mạng tương tác
• 1.3. Trí tuệ nhân tạo
• 1.4. Xây dựng mạng tương tác bằng trí tuệ nhân tạo
• 1.5. Mạng tương tác trong Y học
• 1.6. Các nghiên cứu liên quan
• 1.7. Mạng tương tác trong lĩnh vực Y tế
• 1.8. Mạng tương tác Y học trong thế giới thực: xây dựng và ứng dụng
• 1.9. Nghiên cứu mạng tương tác Y học về đột quỵ
• 1.10. Ý nghĩa của nghiên cứu
• 2. CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Đối tượng nghiên cứu
• 2.2. Phương pháp nghiên cứu
• 2.3. Xây dựng mạng
• 2.4. Kiểm định mạng
• 3. CHƯƠNG 3: KẾT QUẢ VÀ BÀN LUẬN
• 3.1. Xây dựng mạng
• 3.2. Tiền xử lý dữ liệu
• 3.3. Danh sách từ khóa
• 3.4. Ma trận tương tác
• 3.5. Mạng tương tác và kiểm định định tính
• 3.6. Mạng tương tác tổng thể
• 3.7. Mạng tương tác Triệu chứng và Cơ quan
• 3.8. Mạng tương tác Bệnh và Triệu chứng
• 4. CHƯƠNG 4: KẾT LUẬN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về mạng tương tác trong trí tuệ nhân tạo

Mạng tương tác (Knowledge Graph - KG) là một công cụ mạnh mẽ trong việc biểu diễn dữ liệu bằng đồ thị, cho phép thể hiện mối quan hệ giữa các thực thể trong thế giới thực. Mỗi thực thể được đại diện bởi một nốt, trong khi các cạnh biểu thị mối quan hệ giữa chúng. Việc xây dựng mạng tương tác y học gặp nhiều thách thức do tính phức tạp và khối lượng thông tin khổng lồ. Sự hỗ trợ của công nghệ AI trong y tế là rất cần thiết để tổng hợp và xây dựng một mạng tương tác chính xác và hoàn chỉnh. Trí tuệ nhân tạo (AI) không chỉ giúp tự động hóa các quy trình mà còn nâng cao độ chính xác trong việc xử lý thông tin. Các nghiên cứu gần đây đã chỉ ra rằng AI có thể cải thiện đáng kể khả năng phân tích và xử lý dữ liệu y khoa, từ đó tạo ra những mạng lưới y tế hiệu quả hơn.

1.1. Khái niệm mạng tương tác

Mạng tương tác là một cách biểu diễn dữ liệu phức tạp, cho phép kết nối và phân tích các thực thể khác nhau trong lĩnh vực y học. Việc xây dựng mạng tương tác thường yêu cầu sự tham gia của các chuyên gia, tuy nhiên, với sự phát triển của AI, khả năng tự động hóa trong việc xây dựng mạng này đã trở nên khả thi hơn. Các thuật toán xử lý ngôn ngữ tự nhiên (NLP) và thị giác máy tính đã giúp trích xuất thông tin từ văn bản y khoa, tạo điều kiện cho việc xây dựng mạng tương tác y học một cách hiệu quả hơn. Điều này không chỉ giúp tiết kiệm thời gian mà còn nâng cao độ chính xác trong việc xác định mối quan hệ giữa các thực thể.

1.2. Ứng dụng AI trong y học

AI đã được áp dụng rộng rãi trong lĩnh vực y học, từ việc hỗ trợ chẩn đoán đến việc phát triển các hệ thống hỗ trợ quyết định lâm sàng. Các nghiên cứu đã chỉ ra rằng AI có thể giúp giảm thiểu sai sót trong chẩn đoán và nâng cao chất lượng chăm sóc sức khỏe. Việc xây dựng mạng tương tác y học từ dữ liệu y khoa không chỉ giúp cải thiện khả năng truy xuất thông tin mà còn tạo ra những công cụ hỗ trợ quyết định chính xác hơn cho các bác sĩ. Sự phát triển của AI trong y học không chỉ mang lại lợi ích cho các chuyên gia mà còn cho bệnh nhân, giúp họ tiếp cận thông tin y tế một cách nhanh chóng và chính xác.

II. Đối tượng và phương pháp nghiên cứu

Nghiên cứu này tập trung vào việc xây dựng mạng tương tác y học từ dữ liệu sách y khoa của Đại học Oxford. Đối tượng nghiên cứu bao gồm các tài liệu y khoa có sẵn, được thu thập và xử lý để tạo ra một mạng tương tác có thể sử dụng cho các mục đích khác nhau trong y học. Phương pháp nghiên cứu bao gồm việc sử dụng các thuật toán học máy để phân tích và trích xuất thông tin từ dữ liệu văn bản. Việc kiểm định mạng tương tác được thực hiện thông qua các phương pháp định tính, nhằm đảm bảo tính chính xác và độ tin cậy của mạng đã xây dựng. Sự kết hợp giữa công nghệ AI trong y tế và các phương pháp phân tích dữ liệu hiện đại sẽ tạo ra một nền tảng vững chắc cho việc phát triển các ứng dụng y tế trong tương lai.

2.1. Đối tượng nghiên cứu

Đối tượng nghiên cứu chính là các tài liệu y khoa từ sách y khoa Oxford, bao gồm các kiến thức y tế dạng văn bản. Những tài liệu này chứa đựng một lượng lớn thông tin về các bệnh lý, triệu chứng và phương pháp điều trị. Việc khai thác và phân tích các tài liệu này sẽ giúp xây dựng một mạng tương tác y học có giá trị, cung cấp thông tin chính xác và kịp thời cho các bác sĩ và bệnh nhân. Sự phong phú của dữ liệu từ sách y khoa Oxford sẽ tạo điều kiện thuận lợi cho việc phát triển các ứng dụng AI trong y học.

2.2. Phương pháp nghiên cứu

Phương pháp nghiên cứu bao gồm việc sử dụng các thuật toán học máy để phân tích dữ liệu y khoa. Các bước chính trong quy trình nghiên cứu bao gồm thu thập dữ liệu, tiền xử lý dữ liệu, trích xuất thực thể và quan hệ, và cuối cùng là xây dựng mạng tương tác y học. Việc kiểm định mạng tương tác sẽ được thực hiện thông qua các phương pháp định tính, nhằm đảm bảo rằng mạng đã xây dựng có thể đáp ứng được các yêu cầu trong thực tế. Sự kết hợp giữa các phương pháp truyền thống và công nghệ hiện đại sẽ tạo ra một nền tảng vững chắc cho việc phát triển các ứng dụng y tế trong tương lai.

III. Kết quả và bàn luận

Kết quả nghiên cứu cho thấy việc xây dựng mạng tương tác y học từ dữ liệu sách y khoa Oxford đã đạt được những thành công nhất định. Mạng tương tác được xây dựng không chỉ giúp tổ chức thông tin một cách khoa học mà còn tạo điều kiện cho việc truy xuất và phân tích dữ liệu một cách nhanh chóng và chính xác. Việc áp dụng các thuật toán học máy trong quá trình xây dựng mạng đã giúp nâng cao độ chính xác và hiệu quả trong việc xác định mối quan hệ giữa các thực thể. Những kết quả này mở ra nhiều cơ hội cho việc phát triển các ứng dụng AI trong y học, từ việc hỗ trợ chẩn đoán đến việc phát triển các hệ thống thông tin y tế hiện đại.

3.1. Xây dựng mạng

Quá trình xây dựng mạng tương tác y học đã được thực hiện thông qua việc thu thập và xử lý dữ liệu từ sách y khoa Oxford. Các thuật toán học máy đã được áp dụng để trích xuất thông tin từ văn bản, tạo ra một mạng tương tác có thể sử dụng cho các mục đích khác nhau trong y học. Kết quả cho thấy mạng tương tác đã được xây dựng một cách hiệu quả, với khả năng tổ chức và phân tích thông tin một cách khoa học. Điều này không chỉ giúp nâng cao chất lượng chăm sóc sức khỏe mà còn tạo ra những công cụ hỗ trợ quyết định chính xác hơn cho các bác sĩ.

3.2. Tiền xử lý dữ liệu

Tiền xử lý dữ liệu là một bước quan trọng trong quá trình xây dựng mạng tương tác y học. Các dữ liệu thu thập được từ sách y khoa Oxford đã được xử lý để loại bỏ những thông tin không cần thiết và chuẩn hóa các thuật ngữ y tế. Việc này giúp đảm bảo rằng thông tin được sử dụng trong mạng tương tác là chính xác và đáng tin cậy. Kết quả cho thấy quá trình tiền xử lý đã giúp nâng cao chất lượng dữ liệu, từ đó tạo điều kiện thuận lợi cho việc xây dựng mạng tương tác hiệu quả hơn.

IV. Kết luận

Nghiên cứu đã chỉ ra rằng việc xây dựng mạng tương tác y học từ dữ liệu sách y khoa Oxford là khả thi và có giá trị thực tiễn cao. Sự kết hợp giữa công nghệ AI trong y tế và các phương pháp phân tích dữ liệu hiện đại đã tạo ra một nền tảng vững chắc cho việc phát triển các ứng dụng y tế trong tương lai. Kết quả nghiên cứu không chỉ mở ra nhiều cơ hội cho việc cải thiện chất lượng chăm sóc sức khỏe mà còn góp phần nâng cao hiệu quả trong việc chẩn đoán và điều trị bệnh. Những thách thức trong việc xây dựng mạng tương tác vẫn còn tồn tại, tuy nhiên, với sự phát triển không ngừng của công nghệ, hy vọng rằng những vấn đề này sẽ được giải quyết trong tương lai gần.

4.1. Ý nghĩa của nghiên cứu

Nghiên cứu này có ý nghĩa quan trọng trong việc phát triển mạng tương tác y học từ dữ liệu sách y khoa. Kết quả nghiên cứu không chỉ giúp nâng cao chất lượng chăm sóc sức khỏe mà còn tạo ra những công cụ hỗ trợ quyết định chính xác hơn cho các bác sĩ. Sự phát triển của AI trong y học sẽ góp phần cải thiện khả năng chẩn đoán và điều trị bệnh, từ đó nâng cao chất lượng cuộc sống cho bệnh nhân.

4.2. Hướng phát triển trong tương lai

Hướng phát triển trong tương lai của nghiên cứu này là tiếp tục cải thiện các thuật toán và phương pháp xây dựng mạng tương tác y học. Việc mở rộng dữ liệu và tích hợp thêm các nguồn thông tin khác sẽ giúp nâng cao độ chính xác và hiệu quả của mạng tương tác. Đồng thời, nghiên cứu cũng sẽ tập trung vào việc phát triển các ứng dụng AI trong y học, nhằm hỗ trợ các bác sĩ trong công việc hàng ngày và cải thiện chất lượng chăm sóc sức khỏe.

Trích đoạn nội dung tài liệu

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 Luan van 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 Luan van 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 Luan van 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.