Sử dụng mạng nơron min - max mờ trong chẩn đoán bệnh ung thư

Bài viết Sử dụng mạng nơron min - max mờ trong chẩn đoán bệnh ung thư trình bày ứng dụng mô hình FMN cải tiến học bán giám sát kết hợp với việc sử dụng các thông tin bổ trợ cho phép giải quyết đồng thời cả hai vấn đề giảm số lượng hyper box và khả dụng cho các tập dữ liệu mà 100% số lượng mẫu chưa được gán nhãn. Mô hình sử dụng được gọi là SCFMM-D (Semi-clustering and Fuzzy Min Max neural network in Diagnosis).
Nội dung trích xuất từ tài liệu:
Sử dụng mạng nơron min - max mờ trong chẩn đoán bệnh ung thưTuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3 SỬ DỤNG MẠNG NƠRON MIN - MAX MỜ TRONG CHẨN ĐOÁN BỆNH UNG THƯ Trần Thị Ngân, Trần Mạnh Tuấn Khoa Công nghệ thông tin, Trường Đại học Thủy lợi, email: ttngan@tlu.edu.vn1. GIỚI THIỆU thông qua hàm thuộc mờ. Tuy nhiên độ chính xác phân loại mẫu trong một số trường hợp Thời gian gần đây, ung thư là một trong các còn hạn chế. Do đó, để nâng cao khả năngbệnh phổ biến nhất trên thế giới. Các bệnh ứng dụng của FMN, nhiều tác giả đã đề xuấtviện trở lên quá tải với số lượng bệnh nhân các cải tiến FMN với mục tiêu nâng cao độlớn và cơ sở vật chất còn hạn chế. Hơn nữa, chính xác phân loại mẫu của nó.nếu phát hiện ung thư sớm thì việc điều trị sẽ Trong bài báo này, chúng tôi ứng dụng môhiệu quả và chi phí thấp hơn nhiều. Quá trình hình FMN cải tiến học bán giám sát kết hợpchẩn đoán bệnh thủ công có một số nhược với việc sử dụng các thông tin bổ trợ chođiểm. Thứ nhất, với số lượng lớn các bệnh phép giải quyết đồng thời cả hai vấn đề giảmnhân, thường các bác sĩ phải làm việc nhiều số lượng hyper box và khả dụng cho các tậpvà quá tải. Thứ hai các bác sĩ đặc biệt với dữ liệu mà 100% số lượng mẫu chưa đượcnhững người có nhiều kinh nghiệm còn hạn gán nhãn. Mô hình sử dụng được gọi làchế trong khi kinh phí để tra lương cho các SCFMM-D (Semi-clustering and Fuzzy Minbác sĩ còn hạn chế. Thứ ba, quá trình này mất Max neural network in Diagnosis).nhiều thời gian của bệnh viện và sự chờ đợi Trong các phần tiếp theo chúng tôi cấucủa các bệnh nhân đến khám và điều trị. Vì truc như sau: phần 2 trình bày chi tiết vềvậy, một hệ thống hỗ trợ quyết định có thể tự phương pháp SFCMN, phần 3 trình bày vềđộng đưa ra các chẩn đoán các bệnh nhân. Nó các kết quả thực nghiệm, phần 4 là kết luận.còn có giá trị hơn nữa khi hệ thống hỗ trợ raquyết định có thể cung cấp các kết quả chính 2. PHƯƠNG PHÁP SFCMNxác, nâng cao chất lượng chăm sóc và giảmthời gian khám và điều trị của bệnh nhân. D là tập dữ liệu vào của thuật toán học, Tự động chẩn đoán ung thư sớm của bệnh Ah=(ah1, ah2, ..., ahn) In là mẫu vào thứ h (h =nhân có thể coi như bài toán về nhập dạng và 1, 2,…, m) của tập D. Thuật toán học tạo raphân loại mẫu. Bài toán nhận dạng và phân các hyper box, gán nhãn cho các hyper boxloại mẫu có thể được giải quyết bằng nhiều và gán nhãn cho các mẫu đầu vào. Thuật toánmô hình khác nhau như mạng nơron học sử dụng 3 tập hyper box:(ANN)[2], hệ chuyên gia, logic mờ, các máy - Tập B: gồm các hyper box có kích thướchỗ trợ vectơ [3], cây hồi quy (CART) [1]. lớn chứa các mẫu dữ liệu gần tâm cụm.Trong số đó, mạng nơron nhân tạo min-max - Tập G: gồm các hyper box có kích thướcmờ (FMN) [5] là một mô hình dự báo tốt và nhỏ, các hyper box này nằm trong hyper boxđầy tiềm năng cho các ứng dụng dữ báo y tế B (GB).[4]. Ưu thế của FMN là khả năng học trực - Tập L: gồm các hyper box có kích thướctuyến, nó có khả năng học từ các mẫu đào tạo nhỏ, chứa các dữ liệu nằm vùng danh giới,mới kết hợp với các thông tin đã học trước vùng nhiễu. Tập L gồm các hyper box đưađó. Hơn nữa, FMN cung cấp quyết định mềm vào cắt tỉa dựa trên chỉ số CF. 160 Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3 Thuật toán gồm 2 pha: bởi nhãn của hyper box gần nhất lớn hơn - Pha 1: thuật toán học FMN không giám ngưỡng mà được cung cấp bởi người dùng vàsát thực hiện một lần duyệt qua các mẫu vào nó được coi là giới hạn tối thiểu. Ngược lại,tạo ra tập B=(B1, B2,..., Bk) gồm k hyper box nếu giá trị đó nhỏ hơn, không có hyper boxkhác nhau, với mỗi hyper box như thế là một nào được tạo ra. Trong trường hợp này, mẫucụm. Thuật toán học tách tập D thành hai tập nhập được bỏ qua và nó sẽ được xem như làD1 và D2. Tập dữ liệu D1 gồm các mẫu nằm mẫu mới trong lần duyệt dữ liệu tiếp theotrong các hyper box Bj và được gán nhãn (Hình 2).theo chỉ số của Bj. Tập D2 là các mẫu còn lại Beginkhông được gán nhãn (Hình 1). Dữ liệu vào AhD1 Begin Chọn mẫu vào AhD Có hyperbox nào y Mở rộng hyperbox chứa được Ah? y Có hyperbox nào n n ...