Khai phá thông tin mô tả bệnh tiếng Việt để chẩn đoán một số bệnh bằng phương pháp học sâu

Bài viết này đề xuất phương pháp chẩn đoán bệnh từ thông tin mô tả triệu chứng bằng các phương pháp học sâu. Phương pháp bài báo này đề xuất dựa trên các kỹ thuật xử lý ngôn ngữ tự nhiên đối với tiếng Việt trong quá trình xây dựng kho dữ liệu huấn luyện hệ thống học sâu.
Nội dung trích xuất từ tài liệu:
Khai phá thông tin mô tả bệnh tiếng Việt để chẩn đoán một số bệnh bằng phương pháp học sâu Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Khai Phá Thông Tin Mô Tả Bệnh Tiếng Việt Để Chẩn Đoán Một Số Bệnh Bằng Phương Pháp Học Sâu Huỳnh Trung Trụ và Nguyễn Ngọc Duy Khoa Công Nghệ Thông Tin II, Học Viện Công Nghệ Bưu Chính Viễn Thông Email: truht@ptithcm.edu.vn, duynn@ptithcm.edu.vn Tóm tắt — Thông tin mô tả triệu chứng của người bệnh đồng nhất vẫn là một thách thức lớn trong việc xây có nhiều ý nghĩa trong quá trình chẩn đoán và chữa dựng kho dữ liệu để huấn luyện các hệ thống học sâu. bệnh. Xây dựng được các hệ thống dựa trên trí tuệ nhân Dữ liệu của lĩnh vực y tế là rất nhiều và đa dạng. Nhiều tạo hiểu được các thông tin này sẽ giúp việc phân luồng loại dữ liệu khác nhau xuất hiện trong nghiên cứu y người bệnh vào khám chuyên khoa nhanh chóng và hiệu sinh hiện đại, từ hồ sơ sức khỏe điện tử, hình ảnh, … quả hơn. Bài báo này đề xuất phương pháp chẩn đoán cho đến dữ liệu cảm biến. Đặc điểm chung của các loại bệnh từ thông tin mô tả triệu chứng bằng các phương dữ liệu này là phức tạp, không đồng nhất, chú thích pháp học sâu. Phương pháp bài báo này đề xuất dựa trên kém và cơ bản là không có cấu trúc. Để xử lý tốt các các kỹ thuật xử lý ngôn ngữ tự nhiên đối với tiếng Việt dữ liệu này cần nền tảng kiến thức miền đầy đủ và trong quá trình xây dựng kho dữ liệu huấn luyện hệ thống học sâu. Dữ liệu huấn luyện được thu thập từ các chuyên sâu. bệnh án cũng như dựa trên sự tư vấn của bác sĩ chuyên Bài báo này đề xuất phương pháp xử lý và khai phá môn. Các giải thuật học sâu dùng trong thử nghiệm của dữ liệu không chuyên sâu. Đó là dữ liệu mô tả triệu bài báo này là Convolutional Neural Network (CNN), chứng của người bệnh. Thông thường, những mô tả về Long short-term memory (LSTM), Bidirectional LSTM triệu chứng chưa phải là cơ sở cho các bác sỹ nhận (Bi-LSTM), Bidirectional Encoder Representations from định bệnh. Tuy nhiên, đó cũng cũng là những thông tin Transformers (BERT) và sự kết hợp mô hình CNN với có nhiều ý nghĩa trong quá trình chẩn đoán bệnh. Vì LSTM và Bi-LSTM. Kết quả thử nghiệm đạt độ chính vậy, nghiên cứu khai thác nguồn dữ liệu này là động xác cao cho thấy triển vọng cao của hướng tiếp cận này. lực cho các tác giả thực nhiện bài báo này. Từ khóa - Corpus, Deep Learning, Healthcare, Phần tiếp theo của bài báo sẽ trình bày một số công Physical exam. trình liên quan về học sâu và về y tế ở mục 2. Mục 3 sẽ trình bày về phương pháp thực hiện của bài báo này từ I. GIỚI THIỆU quá trình chuyển đổi và xử lý dữ liệu đến các cấu hình Các ứng dụng khám và chữa bệnh dùng kỹ thuật trí của một số giải thuật học sâu dùng trong thử nghiệm để tuệ nhân tạo trong lĩnh vựa y tế đã được quan tâm từ rất đánh giá phương pháp đề xuất. Mục 4 trình bày các kết lâu. Mong muốn xây dựng các hệ thống hỗ trợ chăm quả đạt được và các ý kiến thảo luận. Phần trình bày sóc sức khỏe hoặc thăm khám bệnh tự động đã có từ những ý kiến kết quận và hướng phát triển dựa trên kết lâu, và là mong muốn rất lớn của mọi người. Sự phát quả đạt được từ bài báo này trình bày trong mục 5. triển của khoa học kỹ thuật, nhất là sự phát triển của khoa học máy tính, cùng với các phương pháp học sâu, II. CÁC CÔNG TRÌNH LIÊN QUAN những công trình nghiên cứu nhằm đáp ứng nhu cầu Do được quan tâm nhiều nên các thử nghiệm dùng này càng được quan tâm và cũng càng có cơ sở thành trí tuệ nhân tạo trong y học khá đa dạng. Các công trình công hơn. Nhiều công trình nghiên cứu về lĩnh vực này thường nghiên cứu chuyên sâu vào một bệnh cụ thể. trên thế giới đã được công bố [1]. Ứng dụng tiến bộ Madison Beary và cộng sự [14] giới thiệu một mô hình của khoa học máy tính trong các công trình nghiên cứu học sâu phân loại trẻ em khỏe mạnh hoặc có khả năng này khá đa dạng, từ thị giác máy tính, nhận dạng giọng mắc chứng tự kỷ. Madison Beary sử dụng CNN kết nói cho đến xử lý ngôn ngữ tự nhiên cho tiếng Anh. hợp với MobileNet [15]. Độ chính xác đạt được rất tốt, Khi xử lý dữ liệu lĩnh vực y khoa, những công trình xử đến 94,6%. Amjad Rehman [16] và các cộng sự phân lý bài toán chuyên sâu theo chuyên ngành hẹp như [6] loại bệnh bạch cầu mãn tính dòng tế bào lympho sử và [7] cần chi phí và công sức rất lớn. dụng mô CNN phân loại ảnh chụp tế. Độ chính xác mà Học hiểu tri thức y sinh là điều khó khăn nhưng rất Amjad Rehman và cộng sự đạt được lên đến 97.78%. quan trọng. Quá trình thu thập tri thức, học để hiểu biết A.Z. Peixinho [17] và cộng sự thử nghiệm chẩn đoán từ dữ liệu chủ đề này phức tạp, nhiều chiều và không ký sinh trùng đường ruột ở người bằng phương pháp ISBN 978-604-80-5958-3 261 ...