Khai thác yếu tố tần suất triệu chứng trong chẩn đoán giai đoạn ban đầu bằng các giải thuật học sâu

Bài viết "Khai thác yếu tố tần suất triệu chứng trong chẩn đoán giai đoạn ban đầu bằng các giải thuật học sâu" y đề xuất phương pháp chẩn đoán bệnh từ thông tin mô tả triệu chứng từ người bệnh bằng tiếng Việt, có chú ý khai thác yếu tố tần suất xuất hiện của các triệu chứng dựa trên các phương pháp học sâu. So với các công trình trước đây không chú ý đến yếu tố tần suất, độ chính xác đạt được của bài báo này cải thiện được trên 2%. Kết quả thử nghiệm đạt độ chính xác cao là rất đáng khích lệ cho hướng tiếp cận này. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Khai thác yếu tố tần suất triệu chứng trong chẩn đoán giai đoạn ban đầu bằng các giải thuật học sâu Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Khai thác yếu tố tần suất triệu chứng trong chẩn đoán giai đoạn ban đầu bằng các giải thuật học sâu Huỳnh Trung Trụ và Nguyễn Trung Hiếu Khoa Công Nghệ Thông Tin II, Học Viện Công Nghệ Bưu Chính Viễn Thông Email: truht@ptithcm.edu.vn, hieunt.tg@ptithcm.edu.vnAbstract— Các triệu chứng người bệnh mô tả có nhiều ý cho đến dữ liệu cảm biến. Đặc điểm chung của các loạinghĩa trong quá trình chẩn đoán và chữa bệnh. Trong dữ liệu này là phức tạp, không đồng nhất, chú thíchđó, tần suất xuất hiện các triệu chứng là yếu tố quan kém và cơ bản là không có cấu trúc. Để xử lý tốt cáctrọng không thể bỏ qua. Xây dựng được các hệ thống dữ liệu này cần nền tảng kiến thức miền đầy đủ vàthông minh hiểu được các thông tin này nhằm chẩn đoánbệnh ban đầu sẽ giúp việc phân luồng người bệnh vào chuyên sâu.khám chuyên khoa nhanh chóng và hiệu quả hơn. Bài Bài báo này đề xuất phương pháp xử lý và khai phábáo này đề xuất phương pháp chẩn đoán bệnh từ thông dữ liệu không chuyên sâu. Đó là dữ liệu mô tả triệutin mô tả triệu chứng từ người bệnh bằng tiếng Việt, có chứng của người bệnh. Thông thường, những mô tả vềchú ý khai thác yếu tố tần suất xuất hiện của các triệu triệu chứng chưa thể là cơ sở cho các bác sỹ nhận địnhchứng dựa trên các phương pháp học sâu. So với các bệnh. Tuy nhiên, đó cũng cũng là những thông tin cócông trình trước đây không chú ý đến yếu tố tần suất, độ nhiều ý nghĩa trong quá trình chẩn đoán bệnh. Vì vậy,chính xác đạt được của bài báo này cải thiện được trên nghiên cứu khai thác nguồn dữ liệu này là động lực cho2%. Kết quả thử nghiệm đạt độ chính xác cao là rất đáng các tác giả thực hiện bài báo này.khích lệ cho hướng tiếp cận này. Phần tiếp theo của bài báo sẽ trình bày một số công Keywords- Corpus, Deep Learning, Healthcare, trình liên quan về học sâu và về y tế ở mục 2. Mục 3 sẽPhysical exam. trình bày về phương pháp thực hiện của bài báo này từ quá trình chuyển đổi và xử lý dữ liệu đến các cấu hình I. GIỚI THIỆU của một số giải thuật học sâu dùng trong thử nghiệm để đánh giá phương pháp đề xuất. Mục 4 sẽ trình bày các Ứng dụng các kỹ thuật tuệ nhân tạo trong lĩnh vực kết quả đạt được và các ý kiến thảo luận. Phần trìnhy tế đã được quan tâm từ rất lâu. Mong muốn xây dựng bày những ý kiến kết luận và hướng phát triển tiếp dựacác hệ thống hỗ trợ chăm sóc sức khỏe hoặc thăm trên kết quả đạt được từ bài báo này sẽ trình được bàykhám bệnh tự động là mong muốn rất lớn của mọi trong mục 5.người không chỉ của các nhà khoa học. Khoa học kỹthuật và công nghệ phát triển, nhất là sự phát triển của II. CÁC CÔNG TRÌNH LIÊN QUANkhoa học máy tính, cùng với các phương pháp học sâu. Do được quan tâm nhiều nên các thử nghiệm dùng tríNhiều công trình nghiên cứu về lĩnh vực này trên thế tuệ nhân tạo trong y học khá đa dạng. Các công trìnhgiới với những kết quả rất tốt đã được công bố [1]. Ứng thường nghiên cứu chuyên sâu vào một bệnh cụ thể.dụng tiến bộ của khoa học máy tính trong các công Madison Beary và cộng sự [14] giới thiệu một môtrình nghiên cứu này khá đa dạng, từ thị giác máy tính, hình học sâu phân loại trẻ em khỏe mạnh hoặc có khảnhận dạng giọng nói cho đến xử lý ngôn ngữ tự nhiên năng mắc chứng tự kỷ. Mô hình Madison Beary sửcho tiếng Anh. Khi xử lý dữ liệu lĩnh vực y khoa, dụng là CNN kết hợp với mô hình MobileNet [15].những công trình xử lý bài toán chuyên sâu theo Kết quả Madison Beary đạt được rất tốt, độ chính xácchuyên ngành hẹp như [6] và [7] cần chi phí và công đạt đến 94,6%. Tác giả Amjad Rehman [16] và cácsức rất lớn. cộng sự phân loại bệnh bạch cầu mãn tính dòng tế bào Học hiểu tri thức y sinh là điều khó khăn nhưng rất lympho sử dụng mô CNN phân loại ảnh chụp tế. Độquan trọng. Quá ...