Kỹ thuật tính toán tự động thời gian làm đầy mao mạch trong mô phỏng thực hành cấp cứu y khoa tại Việt Nam

hao tác ấn trên da và quan sát thời gian làm đầy mao mạch (CRT) là một thao tác không thể thiếu trong chữa trị y khoa. Bài viết này đề xuất một phương pháp tính toán tự động CRT dựa trên các chỉ số sự sống của bệnh nhân sử dụng mạng nơron đa lớp lan truyền ngược.
Nội dung trích xuất từ tài liệu:
Kỹ thuật tính toán tự động thời gian làm đầy mao mạch trong mô phỏng thực hành cấp cứu y khoa tại Việt NamKỷ yếu Hội nghị KHCN Quốc gia lần thứ XIV về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), TP. HCM, ngày 23-24/12/2021DOI: 10.15625/vap.2021.0048 KỸ THUẬT TÍNH TOÁN TỰ ĐỘNG THỜI GIAN LÀM ĐẦY MAO MẠCH TRONG MÔ PHỎNG THỰC HÀNH CẤP CỨU Y KHOA TẠI VIỆT NAM Nguyễn Đức Hoàng1, Đỗ Năng Toàn2, Nguyễn Tuấn Minh1, Ngô Đức Vĩnh3 Học viện Công nghệ Bưu chính Viễn thông 1 Viện Công nghệ thông tin, Viện Hàn lâm Khoa học và Công nghệ Việt Nam 2 3 Đại học Công nghiệp Hà Nội hoangnd@ptit.edu.vn, donangtoan@gmail.com, minhnt@ptit.edu.vn, ngoducvinh@gmail.com TÓM TẮT: Thao tác ấn trên da và quan sát thời gian làm đầy mao mạch (CRT) là một thao tác không thể thiếu trong chữatrị y khoa. Tuy nhiên, thời gian làm đầy mao mạch hiện nay vẫn chỉ được ước lượng dựa trên kinh nghiệm của bác sĩ. Bài báo nàyđề xuất một phương pháp tính toán tự động CRT dựa trên các chỉ số sự sống của bệnh nhân sử dụng mạng nơron đa lớp lan truyềnngược. Kỹ thuật đề xuất sử dụng tập dữ liệu đầu vào ghi nhận tại Bệnh viện Nhi Trung ương và được ứng dụng trong xây dựng ứngdụng mô phỏng cấp cứu y khoa ở trẻ em và tỏ ra có hiệu quả trong việc hiển thị sự biến đổi theo thời gian của hệ thống mao mạchdưới da. Từ khóa: Mô phỏng da, thời gian làm đầy mao mạch, mạng nơron đa lớp lan truyền ngược, thực tế ảo. I. GIỚI THIỆU Trong quá trình chuẩn đoán y khoa, bác sĩ thường xuyên ấn ngón tay lên da bệnh nhân và quan sát thời gian cầnthiết để da hồng hào trở lại. Thời gian này được gọi là thời gian làm đầy mao mạch (CRT) và nó liên quan mật thiếtđến tình trạng tuần hoàn hiện tại của bệnh nhân. Khi xây dựng mô phỏng bài giảng cấp cứu nhi, chúng tôi đã thực hiệnmô phỏng lại thao tác kiểm tra CRT trên bệnh nhân. Tuy nhiên, do không có một công thức chính xác để tính toán thờigian CRT, việc xây dựng tập dữ liệu trạng thái cho bệnh nhân đã gặp nhiều khó khăn. Do đó, chúng tôi đã nghiên cứuvà xây dựng một phương pháp tính toán tự động CRT dựa trên các chỉ số sự sống khác của bệnh nhân. Phương phápnày được ứng dụng trong việc mô phỏng biến đổi màu sắc của lớp da người dưới tác dụng của ngoại lực [1]. Hình 1. Mô tả việc làm đầy mao mạch dưới da và mô phỏng trong không gian ảo [1] Từ đầu thế kỉ 20, các nhà khoa học đã bắt đầu nghiên cứu về trí tuệ nhân tạo, xoay quanh ý tưởng về việcnghiên cứu cấu trúc hoạt động của hệ thần kinh con người và động vật, rồi mô phỏng các hoạt động đó bằng máy đểtạo ra các mạng thần kinh nhân tạo có khả năng xử lý thông tin giống với con người. Vào năm 1943, Warren McCullogh và Walter Pitts đã đề xuất một mô hình nơron nhân tạo (ANN) dựa trên cấutạo của nơron thần kinh gồm hai thành phần: thành phần đầu tiên thực hiện phép tính tổng tuyến tính của các đầu vàovới các hệ số tỉ trọng nào đó, còn thành phần còn lại là một hàm số nhận tổng này làm biến số. Về cơ bản, mô hình nàyvẫn được sử dụng cho đến ngày nay. Sau đó, vào năm 1986, Rumelhart và các cộng sự đã đề xuất thuật toán lan truyềnngược [2], một thuật toán được sử dụng để huấn luyện mạng nơron nhân tạo tự động dựa trên các dữ liệu đã có. Từđây, các ứng dụng và nghiên cứu liên quan đến ANN bắt đầu xuất hiện. Khả năng thực sự của ANN đó là mô phỏng lạicác mối quan hệ tuyến tính cũng như phi tuyến dựa trên việc huấn luyện trực tiếp bằng các tập dữ liệu mẫu. Hiện nay, ANN đã được ứng dụng rất nhiều trong việc chuẩn đoán bệnh nhân và tỏ ra hiệu quả. Năm 2015,Vijayarani và Dhayanand đề xuất một phương pháp chuẩn đoán bệnh thận dựa trên thuật toán SVM và ANN [3]. Năm2016, Shenbagarajan và các cộng sự đã đề xuất phương pháp phân tích ảnh chụp cộng hưởng từ MRI của não sử dụngANN để chuẩn đoán khối u não [4]. Các nghiên cứu mới về mô phỏng da người sử dụng mạng nơron thần kinh có thểkể đến như cũng được nghiên cứu và công bố như việc xây dựng lớp da đa lớp của người với mô phỏng Monte Carlo[5], chẩn đoán ung thư da dựa trên hình ảnh thông qua mạng nơ rơn phức hợp [6]. Trong bài báo này, chúng tôi sẽ đưa ra kỹ thuật tính toán tự động CRT dựa trên kĩ thuật mạng nơron đa lớpđược huấn luyện bằng thuật toán Lan truyền ngược. Các tham số tính được này cho phép mô phỏng các biến đổi dướiNguyễn Đức Hoàng, Đỗ Năng Toàn, Nguyễn Tuấn Minh, Ngô Đức Vĩnh 101lực tương tác trên da người một cách tự động dựa trên các thông số về sức khoẻ thông thường của bệnh nhân, đảm bảogần đúng với thực tế. Phần còn lại của bài báo được thể hiện như sau: Phần 2 trình bày cơ sở khoa học của nghiên cứu.Phần 3 xây dựng kỹ thuật tính toán đề xuất. Tiếp theo là tiến hành thử nghiệm và cuối cùng là kết luận về kỹ thuậtđề xuất. Hình 2. Alexey Oleksii Ivakhnenko và mạng nơron đa lớp đầu tiên II. CƠ SỞ KHOA HỌC CỦA NGHIÊN CỨU Mạng nơron nhân tạo được ứng dụng trong lĩnh vực y khoa từ rất sớm và vẫn đang tiếp tục phát triển đến ngàynay. Một số nghiên cứu được thực hiện từ những năm cuối thế kỷ 20 đến nay: Vào năm 1997, R. Polikar và các cộng sự đã thực hiện nghiên cứu để chuẩn đoán bệnh nhân Alzheimer [7].Phương pháp đề xuất là huấn luyện một mạng nơron nhân tạo bằng các sơ đồ ERP của 2 nhóm bệnh nhân: một nhómmắc bệnh Alzheimer và một nhóm không bị Alzheimer. Các sơ đồ này sẽ được tiền xử lý bằng phương pháp biển đổiWavelet rời rạc. Dữ liệu thu được sau khi tiền xử lý sẽ được sử dụng để huấn luyện mạng nơron bằng thuật toán lantruyền ngược. Hình 3. Sơ đồ ERP của hai nhóm bệnh nhân bị Alzheimer và ...