Tóm tắt Luận án Tiến sĩ Hệ thống thông tin: Nghiên cứu phát triển mô hình đồ thị tri thức mờ dạng cặp và ứng dụng trong hỗ trợ chẩn đoán bệnh

Mục đích nghiên cứu của đề tài "Nghiên cứu phát triển mô hình đồ thị tri thức mờ dạng cặp và ứng dụng trong hỗ trợ chẩn đoán bệnh" là nghiên cứu phát triển mô hình đồ thị tri thức mờ dạng cặp và ứng dụng cho các hệ hỗ trợ ra quyết định một cách hiệu quả.
Nội dung trích xuất từ tài liệu:
Tóm tắt Luận án Tiến sĩ Hệ thống thông tin: Nghiên cứu phát triển mô hình đồ thị tri thức mờ dạng cặp và ứng dụng trong hỗ trợ chẩn đoán bệnh BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI Cù Kim Long NGHIÊN CỨU PHÁT TRIỂN MÔ HÌNHĐỒ THỊ TRI THỨC MỜ DẠNG CẶP VÀ ỨNG DỤNG TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH Ngành: Hệ thống thông tin Mã số: 9480104 TÓM TẮT LUẬN ÁN TIẾN SĨ HỆ THỐNG THÔNG TIN Hà Nội - 2023 Công trình được hoàn thành tại: Đại học Bách Khoa Hà Nội NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. PGS.TS Phạm Văn Hải 2. PGS.TS Hà Quốc Trung Phản biện 1: ................................................................... Phản biện 2: ................................................................... Phản biện 3: ...................................................................Luận án được bảo vệ tại Hội đồng đánh giá luận án tiến sĩ cấp Đại học Bách khoaHà Nội họp tại Đại học Bách khoa Hà Nội.Vào hồi … giờ … ngày … tháng … năm …Có thể tìm hiểu luận án tại:1. Thư viện Tạ Quang Bửu - Đại học Bách khoa Hà Nội.2. Thư viện Quốc gia Việt Nam. MỞ ĐẦU1. Tổng quan Chẩn đoán bệnh được hiểu là quá trình ra quyết định nhằm xác định bệnh hoặc căn nguyên tạora các triệu chứng của người bệnh. Chẩn đoán bệnh trong y học hiện đại là việc hỏi bệnh, khaithác tiền sử bệnh, thăm khám thực thể, khi cần thiết thì chỉ định làm xét nghiệm cận lâm sàng,thăm dò chức năng để chẩn đoán và chỉ định phương pháp điều trị phù hợp đã được công nhận.Chẩn đoán bệnh trong y học cổ truyền là tổng hợp của các kiến thức, kỹ năng và thực hành dựatrên lý thuyết, niềm tin và kinh nghiệm bản địa của các nền văn hóa khác nhau, dù có thể giảithích hay không, được sử dụng để chẩn đoán bệnh cả về thể chất lẫn tinh thần. Trong những năm gần đây, đội ngũ lương y, bác sĩ thường sử dụng kết hợp giữa phác đồ điềutrị trong y học cổ truyền với kết quả khám, xét nghiệm trong y học hiện đại nhằm nâng cao chấtlượng chẩn đoán bệnh. Điều này đã thúc đẩy mạnh mẽ công tác nghiên cứu y học và áp dụngcông nghệ thông tin vào trong quá trình khám và chẩn đoán bệnh nhằm mục đích hỗ trợ đội ngũlương y, bác sĩ tại bệnh viện ở các địa phương. Gần đây, hướng nghiên cứu suy diễn dựa trên đồ thị tri thức mờ (FKG) với ưu điểm cho phépthực hiện suy diễn trong những trường hợp dữ liệu thu thập chưa đầy đủ hoặc thiếu tri thức trongkho dữ liệu đã nhận được nhiều sự quan tâm và chú ý của các nhà nghiên cứu trong và ngoàinước. FKG lần đầu được giới thiệu vào năm 2020 trong mô hình M-CFIS-FKG. Nó đã giải quyếthạn chế của đồ thị tri thức (KG) khi giải quyết bài toán chẩn đoán bệnh dựa trên bộ dữ liệu cótính chất chu kỳ, thông tin đầu vào không chắc chắn. FKG sử dụng các nhãn ngôn ngữ cho cácthuộc tính trong tập dữ liệu huấn luyện. Đầu tiên, đồ thị tri thức mờ được xây dựng sau giai đoạntiền xử lý (hay gọi là biểu diễn đồ thị tri thức mờ). Sau đó, quá trình suy diễn xấp xỉ được ápdụng để tìm nhãn đầu ra của các bản ghi mới trong tập dữ liệu kiểm tra. Đồ thị tri thức mờ suydiễn dựa trên tập luật IF-THEN (hay gọi là cơ sở luật mờ), trong đó tác động của nhãn ngôn ngữcó khả năng tạo ra nhãn đầu ra tương ứng. Hơn nữa, mô hình M-CFIS-FKG cũng đã vượt qua được hạn chế của mô hình dựa trên hệ suydiễn mờ phức dạng Mamdani (chẳng hạn M-CFIS-R) trong việc tìm nhãn đầu ra của các mẫu mớichưa có trong cơ sở luật mờ bằng cách áp dụng thuật toán FISA sử dụng cơ chế suy diễn xấp xỉ.Lấy ví dụ trong bài toán chẩn đoán dấu hiệu tiền sản giật, việc bác sĩ đưa ra quyết định kết luậnchẩn đoán bệnh (hay nhãn đầu ra) là “Bình thường”, “Tiền sản giật”, hay “Tiền sản giật nặng”phụ thuộc vào nhãn ngôn ngữ “Cao”, “Bình thường” hay “Thấp” của thuộc tính đầu vào “Huyếtáp”, và nhãn ngôn ngữ “Cao” hay “Bình thường” của thuộc tính đầu vào “LDH” (axit lacticdehydrogenase), với độ chính xác khoảng 90%. Trong trường hợp này, một luật mờ được biểudiễn như sau: IF “Huyết áp” là “Cao” và “LDH” là “Cao” THEN “Tiền sản giật nặng”, với độtin cậy là 90%. Bằng cách tích lũy từng sự kiện đơn lẻ (hoặc cặp đơn trong đồ thị tri thức mờ),kết quả sẽ xác định được nhãn đầu ra của bản ghi mới. Tuy nhiên, mô hình M-CFIS-FKG chỉ sử dụng các cặp đơn (single pairs) trong quá trình suydiễn nên vẫn chưa xử lý vấn đề trường hợp thông tin của tập dữ liệu đầu vào chưa đầy đủ. Hơnnữa, trong một số trường hợp cực đoan, các phương pháp suy diễn mờ hiện nay chưa giải quyếtđược bài toán phân loại, hỗ trợ ra quyết định khi bộ dữ liệu đầu vào lớn hoặc cơ sở luật mờ quánhỏ (chẳng hạn bài toán chẩn đoán bệnh trong lĩnh vực y tế). Đây là động cơ chính của luận án đãđược tập trung nghiên cứu phát triển mô hình mới nhằm giả ...