Chẩn đoán bệnh trong y học cổ truyền: Hướng tiếp cận dựa trên đồ thị tri thức mờ dạng cặp

Trong nghiên cứu này, một hướng tiếp cận mới dựa trên mô hình đồ thị tri thức mờ dạng cặp được đề xuất ứng dụng cho bài toán chẩn đoán bệnh trong y học cổ truyền. Mô hình đề xuất được áp dụng đối với bài toán chẩn đoán bệnh cho các sản phụ và đã chứng minh được hiệu quả trong việc suy luận xấp xỉ, chẩn đoán bệnh trong y học cổ truyền.

Tập 2021, Số 2, Tháng 12 Chẩn đoán bệnh y học cổ truyền: Hướng tiếp cận dựa đồ thị tri thức mờ dạng cặp Cù Kim Long1,5 , Trần Mạnh Tuấn2 , Lê Hoàng Sơn3 ,Phạm Minh Chuẩn3 , Lương Thị Hồng Lan2 , Phạm Văn Hải1 , Nguyễn Thọ Thông2 Trường Công nghệ thông tin Truyền thông, Trường Đại học Bách khoa Hà Nội Khoa Công nghệ thông tin, Trường Đại học Thủy lợi Viện Công nghệ thông tin, Đại học Quốc gia Hà Nội Khoa Công nghệ thông tin, Trường Đại học Sư phạm Kĩ thuật Hưng Yên Trung tâm Công nghệ thông tin, Bộ Khoa học Công nghệ Tác giả liên hệ: Trần Mạnh Tuấn, tmtuan@tlu.edu.vn Ngày nhận bài: 30/07/2021, ngày sửa chữa: 28/10/2021, ngày duyệt đăng: 15/11/2021 Định danh DOI: 10.32913/mic-ict-research-vn.v2021.n2.1003 Tóm tắt: Chẩn đốn bệnh y học cổ truyền thường cốt lại bốn cách “Vọng - Văn - Vấn - Thiết” (hay gọi “Tứ chẩn”) Trong năm gần đây, đội ngũ lương y, bác sĩ sử dụng kết hợp phác đồ điều trị y học cổ truyền với kết khám, xét nghiệm y học đại nhằm nâng cao chất lượng chẩn đoán bệnh Điều thúc đẩy mạnh mẽ công tác nghiên cứu y học cổ truyền dân tộc áp dụng cơng nghệ thơng tin vào q trình khám chẩn đốn bệnh nhằm mục đích hỗ trợ đội ngũ lương y, bác sĩ bệnh viện y học cổ truyền địa phương Gần đây, hướng nghiên cứu suy luận dựa đồ thị tri thức mờ với ưu điểm cho phép thực suy luận trường hợp thiếu tri thức kho liệu nhận nhiều quan tâm ý nhà nghiên cứu nước Tuy nhiên, nghiên cứu chủ yếu tập trung vào khai phá tri thức mạng xã hội hay toán ứng dụng lĩnh vực khác mà chưa tập trung vào toán y tế Trong nghiên cứu này, hướng tiếp cận dựa mơ hình đồ thị tri thức mờ dạng cặp đề xuất ứng dụng cho toán chẩn đoán bệnh y học cổ truyền Mơ hình đề xuất áp dụng toán chẩn đoán bệnh cho sản phụ chứng minh hiệu việc suy luận xấp xỉ, chẩn đoán bệnh y học cổ truyền Từ khóa: Đồ thị tri thức mờ, đồ thị tri thức mờ dạng cặp, suy luận xấp xỉ, chẩn đoán bệnh, y học cổ truyền Title: Abstract: Keywords: Disease Diagnosis in the Traditional Medicine: A Novel Approach based on FKG-Pairs Disease diagnosis in traditional medicine is often summarized in four ways: "Vong - Van - Van - Thiet" (or so-called "Four diagnostics") In recent years, the team of physicians and doctors have used a combination of the treatment regimens in traditional medicine with the results of examination and tests in modern medicine to improve the quality of disease diagnosis This has strongly promoted the research of traditional medicine and the application of information technology in the process of medical examination and diagnosis in order to support the team of physicians and doctors at the local traditional medical hospitals Recently, the direction of inferential research based on fuzzy knowledge graphs with the advantage of allowing inferences in cases of lack of knowledge in data warehouses has received much attention from researchers domestically and internationally However, the researches mainly focus on knowledge mining in social networks or applied problems in many sectors but without the medical sector In this study, a new approach based on the FKG-Pairs model is proposed to apply to the problem of disease diagnosis in traditional medicine The proposed model is also applied to validate the pregnant women diagnosis and has proven the efficiency in approximate reasoning to diagnose diseases in traditional medicine Knowledge graph, KFG-Pairs, approximate reasoning, disease diagnosis, traditional medicine 59 Các cơng trình nghiên cứu, phát triển ứng dụng CNTT Truyền thông I GIỚI THIỆU tập trung vào khai phá tri thức mạng xã hội hay toán ứng dụng lĩnh vực khác mà chưa tập trung vào toán lĩnh vực y tế Trong nghiên cứu này, hướng tiếp cận dựa mơ hình đồ thị tri thức mờ dạng cặp (FKG-Pairs) đề xuất để ứng dụng cho toán chẩn đoán bệnh y học cổ truyền Đây kết hợp y học cổ truyền y học đại Cụ thể, nhóm tác giả kết hợp sử dụng phác đồ điều trị y học cổ truyền với tập liệu thu thập từ kết đo, xét nghiệm y học đại Với hướng tiếp cận mới, nhãn đầu xác định cách kết hợp nhiều nhãn ngơn ngữ, gọi cặp thuộc tính (cặp đơi, cặp ba, ) Những đóng góp báo mặt khoa học bao gồm: Chẩn đốn bệnh y học q trình xác định bệnh nguyên tạo triệu chứng người bệnh Chẩn đoán bệnh y học cổ truyền tổng hợp kiến thức, kỹ thực hành dựa lý thuyết, niềm tin kinh nghiệm địa văn hóa khác nhau, dù giải thích hay khơng, sử dụng để chẩn đoán bệnh thể chất [1] Phương pháp chẩn đoán bệnh y học cổ truyền cốt lại bốn cách “Vọng - Văn - Vấn - Thiết” hay gọi “Tứ chẩn” [2] Một hướng nghiên cứu suy luận xấp xỉ dựa đồ thị tri thức đồ thị tri thức mờ với ưu điểm cho phép thực suy luận trường hợp thiếu tri thức kho liệu nhận nhiều quan tâm ý nhà nghiên cứu nước Đồ thị tri thức (Knowledge Graph) [3] kỹ thuật sử dụng để giải toán phân loại, hỗ trợ định hiệu Tuy nhiên, đồ thị tri thức gặp khó khăn q trình biểu diễn đồ thị suy luận xấp xỉ tập liệu đầu vào có chứa thơng tin nhập nhằng, mơ hồ, không rõ ràng Gần đây, đồ thị tri thức mờ (Fuzzy Knowledge Graph - FKG) lần đầu giới thiệu vào năm 2020 tích hợp mơ hình M-CFIS-FKG [4] Nó đưa để giải hạn chế đồ thị tri thức cách sử dụng nhãn ngôn ngữ cho thuộc tính tập liệu huấn luyện Đầu tiên, đồ thị tri thức mờ xây dựng sau giai đoạn chuẩn bị liệu (hay gọi biểu diễn đồ thị) Sau đó, q trình suy luận xấp xỉ sử dụng để tìm nhãn ghi tập liệu kiểm thử Đồ thị tri thức mờ suy luận dựa luật IF-THEN, tác động nhãn ngơn ngữ có khả tạo nhãn đầu tương ứng Chẳng hạn, toán chẩn đoán tiền sản giật [5], việc bác sĩ đưa định chẩn đốn “Bình thường”, “Tiền sản giật", hay “Tiền sản giật nặng” phụ thuộc vào nhãn ngơn ngữ "Cao", “Bình thường” hay “Thấp” thuộc tính “Huyết áp”, nhãn ngơn ngữ “Cao” hay “Bình thường” thuộc tính “LDH” (Axit Lactic Dehydrogenase), với độ xác khoảng 90% Trong trường hợp này, có luật mờ biểu diễn sau: • • • Đề xuất mơ hình cho toán chẩn đoán bệnh y học cổ truyền Việt Nam dựa đồ thị tri thức mờ dạng cặp (FKG-Pairs) Đề xuất cải tiến cơng thức tính trọng số mơ hình M-CFIS-FKG từ cặp đơn thành dạng cặp k (k pairs) Điều ý nghĩa quan trọng mặt học thuật mà cịn có ý nghĩa mặt ứng dụng giải toán hỗ trợ định nhiều lĩnh vực khác thông qua việc sử dụng đồ thị tri thức mờ dạng cặp Hệ thống đề xuất góp phần cải thiện độ xác tốn chẩn đốn bệnh tiểu đường thai phụ Phần cịn lại báo cấu trúc sau: Phần II trình bày khái niệm sử dụng để nghiên cứu phát triển mơ hình đề xuất toán chẩn đoán bệnh y học cổ truyền Xây dựng đồ thị tri thức mờ dạng cặp cho toán chẩn đoán bệnh y học cổ truyền Việt Nam đề xuất Phần III Phần IV đưa kết thực nghiệm để kiểm chứng mơ hình đề xuất Phần cuối đưa kết luận số hướng nghiên cứu II KHÁI NIỆM CƠ BẢN Trong mục này, báo trình bày kiến thức sử dụng để nghiên cứu phát triển mơ hình đề xuất toán chẩn đoán bệnh y học cổ truyền IF “Huyết áp” “Cao” AND “LDH” “Cao” then “Tiền sản giật nặng”, với độ tin cậy 90% Bằng cách tích lũy kiện đơn lẻ (hoặc cặp đơn đồ thị tri thức), kết xác định nhãn ghi Tuy nhiên, mơ hình M-CFIS-FKG [4] sử dụng cặp đơn (Single Pairs) trình suy luận Điều dẫn đến khó khăn việc áp dụng đồ thị tri thức mờ để giải toán phân loại, trợ giúp định lĩnh vực y học, nông nghiệp, môi trường v.v Ngoài ra, nghiên cứu gần [3, 6–11] liên quan đến đồ thị tri thức đồ thị tri thức mờ chủ yếu Hệ suy diễn mờ Để áp dụng hệ suy diễn mờ (Fuzzy Inference System) [9, 12–14], số điều kiện sau cần thỏa mãn: Thứ nhất, thang đánh giá rõ ràng tham số hệ suy diễn mờ phải thống Thứ hai, thuật ngữ mức độ tham số phải đưa Cuối cùng, thuật ngữ để xác định độ thuộc giá trị phải xác định Sau thỏa mãn điều kiện 60 Tập 2021, Số 2, Tháng 12 này, trình áp dụng hệ suy diễn mờ mô tả ngắn gọn theo số bước sau: • • • • • Bảng I HỆ CƠ Bước Áp dụng phương pháp mờ (Fuzzification) để chuyển đổi giá trị rõ thành giá trị mờ dựa hàm thuộc (Membership Functions) Bước Sử dụng toán tử mờ (AND, OR, NOT) để đưa luật biểu diễn mệnh đề IF-THEN Bước Áp dụng công cụ suy diễn (Inference Engine) để tìm kết đầu Bước Kết hợp tất tập mờ đại diện cho đầu luật để tổng hợp vào tập mờ Bước Áp dụng phương pháp giải mờ (Defuzzification) để chuyển đổi giá trị mờ thành giá trị rõ SỞ LUẬT MỜ PHỨC Kết 𝑆𝑗 𝑆1 𝑆2 𝑆𝑚−1 𝑆𝑚 luận 𝑃𝑖 𝑃1 Cao Cao Rất cao Cao 𝑃2 B.thường B.thường B.thường Thấp 𝑃𝑛−1 B.thường B.thường B.thường B.thường 𝑃𝑛 Thấp B.thường Thấp Thấp Cao 1,2, B.thường Thấp C Triệu chứng Cao B.thường bệnh Thấp nhân Rất cao Cao B.thường Cao B.thường Thấp Đồ thị tri thức mờ Ponens cổ điển [16, 17] Trong [18–20], để xây dựng kiện sở luật cần có vai trị chun gia nhằm đánh giá liên quan liệu chuyên ngành Tri thức chuyên gia biểu diễn thành mệnh đề dạng: Như đề cập Phần I, thuật ngữ đồ thị tri thức mờ (FKG) lần đầu giới thiệu vào năm 2020 tích hợp mơ hình M-CFIS-FKG [4] Như đề cập Phần I, thuật ngữ đồ thị tri thức mờ (FKG) lần đầu giới thiệu vào năm 2020 tích hợp mơ hình M-CFIS-FKG Về mặt hình thức, giống với đồ thị tri thức [3, 6, 8, 11] Các đỉnh đại diện cho nhãn thuộc tính/nhãn đầu luật, cạnh tương ứng với cung nối đỉnh IF A THEN B IF 𝐴1 , 𝐴2 THEN 𝐵1 ,𝐵2 đó, 𝐴, 𝐴1 , 𝐴2 mệnh đề điều kiện 𝐵, 𝐵1 , 𝐵2 kết luận Trong [4], thuật toán FISA áp dụng để suy luận tìm nhãn ghi dựa vào kết tính toán trọng số cạnh 𝐴ij𝑡 𝐵il𝑡 cách sử dụng công thức (1) (2) tương ứng III XÂY DỰNG ĐỒ THỊ TRI THỨC MỜ DẠNG CẶP CHO BÀI TOÁN Y HỌC CỔ TRUYỀN Ở VIỆT NAM Bài toán chẩn đoán bệnh y học cổ truyền 𝐴𝑖𝑡 𝑗 = 𝑋𝑖 có liên quan với 𝑋 𝑗 luật thứ t |𝑅| Đầu vào: Giả sử có sở luật mờ toán chẩn đoán bệnh y học cổ truyền sau áp dụng trình tiền xử lý phác đồ điều trị y học cổ truyền tập liệu kết đo, xét nghiệm thu thập thầy thuốc Cơ sở luật mờ toán chẩn đoán bệnh y học cổ truyền thu bao gồm n luật 𝑃1 , 𝑃2 , , 𝑃𝑛 đại diện cho số lượng bệnh nhân, m thuộc tính 𝑆1 , 𝑆2 , , 𝑆 𝑚 đại diện cho triệu chứng; C nhãn đầu 1, 2, 3, , C đại diện cho kết luận chẩn đoán bệnh thầy thuốc với người bệnh mô tả Bảng I (1) 𝑡 = 1, 𝑘, ≤ 𝑖 ≤ 𝑗 ≤ 𝑚 | X𝑖 quan hệ với nhãn 𝑙 luật thứ 𝑡| |𝑅| (2) 𝑡 = 1, 𝑘, ≤ 𝑖 ≤ 𝑗 ≤ 𝑚, 𝑙 = 1, 𝐶 𝐵𝑖𝑙𝑡 = ∑︁ 𝐴𝑖𝑡 𝑗 × Suy luận xấp xỉ Ngồi ra, có thêm bệnh nhân biểu diễn sau: Suy luận xấp xỉ (Approximate Reasoning) giới thiệu Zadeh [15] bối cảnh việc thực suy diễn dựa thông tin mơ hồ, không đầy đủ Đây lý thuyết không chắn dựa logic mờ liên quan đến việc định lượng lập luận cách sử dụng ngôn ngữ tự nhiên mà từ có nghĩa nhập nhằng, khơng rõ ràng Nó dựa tổng quát hóa Modus IF 𝑆1 “Thấp” 𝑆2 “Thấp” 𝑆3 “Cao” 𝑆4 “Rất cao” 𝑆5 “Thấp” 𝑆 𝑚−1 “Cao” 𝑆 𝑚 “Thấp” THEN kết luận = ? Đầu ra: Kết luận chẩn đoán bệnh thầy thuốc bệnh nhân dựa sở luật mờ có 61 Các cơng trình nghiên cứu, phát triển ứng dụng CNTT Truyền thông Xây dựng đồ thị tri thức mờ dạng cặp cho toán chẩn đoán bệnh y học cổ truyền Việt Nam Trong phạm vi nghiên cứu báo này, chúng tơi tập trung vào q trình biểu diễn đồ thị tri thức mờ suy luận xấp xỉ để đưa kết luận chẩn đoán bệnh thầy thuốc người bệnh Trong phần này, chúng tơi trình bày số nội dung chủ yếu liên quan đến việc xây dựng đồ thị tri thức mờ dạng cặp (FKG-Pairs) cho toán chẩn đoán bệnh y học cổ truyền Việt Nam, cụ thể là: Đề xuất mơ hình cho tốn chẩn đốn bệnh y học cổ truyền Việt Nam; trình bày bước thực chẩn đốn bệnh theo mơ hình đề xuất; đưa ví dụ số minh họa cho mơ hình đề xuất b) Các bước thực Từ sở luật mờ nêu Bảng I, số bước thực để tính toán trọng số, biểu diễn đồ thị tri thức mờ dạng cặp, áp dụng trình suy luận xấp xỉ, đưa kết luận chẩn đoán bệnh Bước Tính trọng số 𝐴, 𝐵 a) Mơ hình đề xuất cho tốn chẩn đốn bệnh y học cổ truyền Việt Nam Bộ trọng số 𝐴 đồ thị tri thức mờ dạng cặp trọng số cạnh nối nhãn ngơn ngữ thuộc tính luật t (𝑅𝑡 ) Các trọng số tính cơng thức số (3) đây: Mơ hình đề xuất cho toán chẩn đoán bệnh y học cổ truyền Việt Nam gồm có tám bước chia thành hai giai đoạn (giai đoạn chuẩn bị; giai đoạn biểu diễn chẩn đốn) Hình 𝑡 𝐴ij 𝑘 = Giai đoạn chuẩn bị (1) Tổng hợp phác đồ điều trị YHCT (3) 𝑡 = 1, 𝑛, ≤ 𝑖 < 𝑗 < < 𝑘 ≤ 𝑚 − Bộ trọng số 𝐵 đồ thị tri thức mờ dạng cặp trọng số cạnh nối nhãn cặp thuộc tính với nhãn đầu luật t (𝑅𝑡 ) Chúng tính cơng thức số (4) (2) Thu thập liệu từ thầy thuốc khám bệnh (3) Tiến hành xử lý liệu 𝑡 = 𝐵ij 𝑘𝑙 (4) Xây dựng sở luật mờ ∑︁ 𝑡 𝐴ij 𝑘+1 × 𝑚𝑖𝑛 |𝑆𝑖 → 𝑙trong luật t| , |𝑅| 𝑆 𝑗 → 𝑙trong luật t |𝑆 𝑘 → 𝑙trong luật t| , , |𝑅| |𝑅| (5) Tính tốn trọng số Giai đoạn biểu diễn chẩn đoán 𝑆𝑖 → 𝑆 𝑗 → → 𝑆 𝑘+1 luật thứ t |𝑅| (4) 𝑡 = 1, 𝑛, ≤ 𝑖 < 𝑗 < < 𝑘 ≤ 𝑚 − 1, 𝑙 = 1, 𝐶 Bước Biểu diễn đồ thị tri thức mờ dạng cặp Từ sở luật mờ nêu Bảng I, biểu diễn đồ thị tri thức mờ dạng cặp Hình lưu trữ ma trận kề (6) Biểu diễn đồ thị tri thức mờ (7) Áp dụng trình suy luận xấp xỉ (8) Đưa kết luận chẩn đoán bệnh Hình Mơ hình đề xuất cho tốn chẩn đoán bệnh y học cổ truyền Việt Nam Như nêu phần phát biểu toán, giả sử có sở luật mờ toán chẩn đoán bệnh y học cổ truyền sau áp dụng trình tiền xử lý phác đồ điều trị y học cổ truyền tập liệu kết đo, xét nghiệm thu thập thầy thuốc Hình Biểu diễn đồ thị tri thức mờ dạng cặp 62 Tập 2021, Số 2, Tháng 12 Ở đây, cặp 𝑆𝑖 , 𝑆 𝑗 , , 𝑆 𝑘 tạo siêu đỉnh gồm nhãn ngơn ngữ k thuộc tính kết hợp lại gọi cặp k Ví dụ, hai thuộc tính kết hợp lại gọi cặp đơi, ba thuộc tính kết hợp thành cặp ba, Thuật toán 1: FKG dạng cặp Sau đó, chúng tơi biểu diễn cung nối siêu đỉnh luật 𝑅𝑡 , cung nối siêu đỉnh với nhãn đầu luật 𝑅𝑡 Bước Áp dụng trình suy luận xấp xỉ đưa kết chẩn đoán bệnh Ở bước này, chúng tơi cải tiến áp dụng thuật tốn FISA [4] để suy luận xấp xỉ cho trường hợp cặp k nhằm đưa kết luận chẩn đoán bệnh bệnh nhân Đầu tiên, tính tốn tổng trọng số cạnh 𝐶 từ siêu đỉnh đến nhãn đầu cách sử dụng công thức số (5) ∑︁ 𝑡 𝑡 𝐶ij 𝑘𝑙 = 𝐵ij 𝑘𝑙 (5) 10 11 Dữ liệu vào: Tập liệu kiểm thử, m: Số thuộc tính luật, n: Số mẫu tập liệu, C: Số nhãn thuộc tính Dữ liệu ra: Nhãn mẫu begin Nhập giá trị ; Nhận tập liệu kiểm thử; Tiến hành mờ hóa tập liệu kiểm thử ; for 𝑖 = to 𝑚 for 𝑡 = to 𝑛 for 𝑙 = to 𝐶 while ≤ 𝑖 < 𝑗 < ≤ 𝑘 𝑡 𝑡 ; Tính = 𝐵ij 𝑘𝑙 Tính 𝐶ij 𝑘𝑙 𝑡 𝐷 𝑙 = 𝑀𝑎𝑥1≤𝑖< 𝑗< ≤ 𝑘 𝐶𝑖 𝑗 𝑘𝑙 + 𝑀𝑖𝑛1≤𝑖< 𝑗< ≤ 𝑘 𝐶𝑖 𝑗 𝑘𝑙 ; end Xác định nhãn mẫu t: 𝐿𝑎𝑏𝑒𝑙 = 𝑝 If 𝐷 𝑝 = 𝑀𝑎𝑥𝑙=1,𝐶 𝐷 𝑙 12 13 14 𝑡 15 𝑡 = 1, 𝑛, 𝑙 = 1, 𝐶, ≤ 𝑖 < 𝑗 < ≤ 𝑘 Tiếp theo, chúng tơi áp dụng phép tốn Max-Min để tính giá trị 𝐷 cách sử dụng công thức số (6) end 16 end 17 18 end 𝐷 𝑙 = 𝑀𝑎𝑥 1≤𝑖< 𝑗< ≤ 𝑘 𝐶𝑖 𝑗 𝑘𝑙 + 𝑀𝑖𝑛1≤𝑖< 𝑗< ≤ 𝑘 𝐶𝑖 𝑗 𝑘𝑙 (6) Bảng II CƠ SỞ LUẬT MỜ CỦA SÁU BỆNH NHÂN DỰA VÀO KẾT LUẬN CHẨN ĐOÁN BỆNH CỦA BÁC SĨ Cuối cùng, nhãn đầu ghi (hay kết luận chẩn đoán thầy thuốc người bệnh) đưa cách sử dụng phép toán Max công thức số (7) 𝐿𝑎𝑏𝑒𝑙 = 𝑝 If 𝐷 𝑝 = 𝑀𝑎𝑥𝑙=1,𝐶 𝐷 𝑙 end Nhận nhãn mẫu t lặp lại bước từ đến 12 để tìm nhãn mẫu khác kết thúc 𝐵𝑁 (7) Các bước thực được trình bày chi tiết lưu đồ Thuật toán Độ phức tạp thuật toán KFG dạng cặp đánh giá 𝑂 𝑛𝐶𝑚 𝑘 𝑆1 𝑆2 𝑆3 𝑆4 Rất cao Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường 𝐵𝑁 Cao 𝐵𝑁 Cao 𝐵𝑁 Bình thường 𝐵𝑁 Cao 𝐵𝑁 Rất cao 𝑆5 𝑆6 Kết luận Cao Cao Bình thường Bình thường Cao Cao Bình thường Bình thường Bình thường Bình thường Bình thường Bình thường thêm hồ sơ bệnh án bệnh nhân Hồ sơ bệnh nhân biểu diễn dạng luật mờ sau: IV KẾT QUẢ THỰC NGHIỆM Thực nghiệm liệu mô IF 𝑆1 Cao, 𝑆2 Cao, 𝑆3 Bình thường, 𝑆4 Bình thường, 𝑆5 Cao, 𝑆3 Cao THEN Kết luận =? Giả sử nhận danh sách gồm sáu bệnh nhân {𝐵𝑁1 , 𝐵𝑁2 , 𝐵𝑁3 , 𝐵𝑁4 , 𝐵𝑁5 , 𝐵𝑁6 }, bệnh nhân ghi nhận kết đo, xét nghiệm thể qua triệu chứng {𝑆1 , 𝑆2 , 𝑆3 , 𝑆4 , 𝑆5 , 𝑆6 } Các bác sĩ xem xét đưa kết luận chẩn đốn bệnh người bệnh thơng qua nhãn ngơn ngữ Bình thường, TSG, TSG nặng tương ứng với nhãn 0, 1, Sau giai đoạn chuẩn bị, nhận sở luật mờ Bảng II Yêu cầu: Đưa kết luận chẩn đoán bệnh bệnh nhân dựa sở luật mờ nêu Bảng II mà hỏi thêm ý kiến bác sĩ Để giải yêu cầu toán đưa kết luận chẩn đoán bệnh bệnh nhân mới, chúng tơi áp dụng mơ hình đề xuất trình bày mục B (Phần III) Dưới đây, nhóm tác giả mơ tả bước thực với trường hợp FKG-Pairs với k=3 (cặp 3) sau: Bước 1: Tính trọng số 𝐴, 𝐵 Ngồi ra, giai đoạn biểu diễn chẩn đoán bệnh dựa vào đồ thị tri thức mờ dạng cặp, nhóm tác giả nhận Trước hết, trọng số 𝐴 gồm cạnh nối nhãn 63 Các cơng trình nghiên cứu, phát triển ứng dụng CNTT Truyền thơng Bảng III KẾT QUẢ TÍNH BỘ TRỌNG 𝐵𝐴 𝐴1234 𝐴1235 𝐴1236 𝐴1245 𝐴1246 𝐴1256 𝐴1345 𝐴1346 𝐴1356 𝐴1456 𝐴2345 𝐴2346 𝐴2356 𝐴2456 𝐴3456 𝐵𝑁 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/3 1/3 1/3 1/3 1/3 𝐵𝑁 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 𝐵𝑁 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/3 1/3 1/3 1/3 1/3 𝐵𝑁 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 SỐ Bảng IV KẾT QUẢ TÍNH BỘ TRỌNG 𝐴 𝐵𝑁 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 𝐵 𝐵123𝑙 𝐵124𝑙 𝐵125𝑙 𝐵126𝑙 𝐵134𝑙 𝐵135𝑙 𝐵136𝑙 𝐵145𝑙 𝐵146𝑙 𝐵156𝑙 𝐵234𝑙 𝐵235𝑙 𝐵236𝑙 𝐵245𝑙 𝐵246𝑙 𝐵256𝑙 𝐵345𝑙 𝐵346𝑙 𝐵356𝑙 𝐵456𝑙 𝐵𝑁 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 1/6 ngôn ngữ triệu chứng hồ sơ bệnh nhân t (𝑃𝑡 ) tính cơng thức số (3) Chẳng hạn, xét 𝐵𝑁 trọng số 𝐴 tính sau: | Rất cao→B.thường→B.thường→Cao | 1 = 6, 𝐴1234 = | Rất cao→B.thường→B.thường→Cao | 1 𝐴1235 = = 6, Rất cao→B.thường→B.thường→B.thường | | 1 𝐴1236 = =6 𝐵𝑁 5/9 5/9 5/9 5/9 5/9 5/9 5/9 5/9 5/9 5/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 𝐵𝑁 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 𝐵𝑁 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 𝐵𝑁 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 5/12 𝐶1232 = 𝐶1242 = 𝐶1252 = 𝐶1262 = 𝐶2342 = 𝐶2352 = 𝐶2362 = 𝐶2452 = 𝐶2462 = 𝐶2562 = 1 1 = = 𝐴1356 = 𝐴1346 = 𝐴1345 = 𝐴1256 1 = = 𝐴3456 𝐴2356 𝐵𝑁 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 𝐵 𝐶1231 = 𝐶1241 = 𝐶1251 = 𝐶1261 = 𝐶1341 = 𝐶1351 = 𝐶1361 = 𝐶1451 = 𝐶1461 = 𝐶1561 = 𝐶2341 = 𝐶2351 = 𝐶2361 = 𝐶2451 = 𝐶2461 = 𝐶2561 = 𝐶3451 = 𝐶3461 = 𝐶3561 = 𝐶4561 = Tương tự, ta có: 1 = 𝐴1246 𝐴1245 1 𝐴1456 = 1 = = 𝐴2346 𝐴2345 𝐵𝑁 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 10/9 SỐ 𝐶1342 = 𝐶1352 = 𝐶1362 = 𝐶1452 = 𝐶1462 = 𝐶1562 = /9 𝐶3452 = 𝐶3462 = 𝐶3562 = 𝐶4562 = 10 /9 Giá trị ( 𝐷) tính cách áp dụng cơng thức (6), ta có: 𝐷 = 𝐷 = 0, 𝐷 = 10 /9 Do đó, sử dụng phép tốn Max cơng thức số (7) ta thu nhãn đầu hồ sơ bệnh nhân 𝐷 lớn (nghĩa bệnh nhân chẩn đoán bị tiền sản giật nặng) Bằng cách áp dụng công thức số (3) tính tương tự, ta có kết tính tốn trọng số 𝐴 hiển thị Bảng III Tiếp theo, áp dụng công thức số (4) để tìm trọng số cạnh nối nhãn cặp thuộc tính với nhãn đầu kết luận chẩn đoán bệnh nhân t (𝑃𝑡 ) Kết tính tốn trọng số 𝐵 hiển thị Bảng IV Tóm lại, qua kết ví dụ thực nghiệm liệu mơ phỏng, thấy mơ hình đề xuất áp dụng cho tốn chẩn đoán bệnh y học cổ truyền Việt Nam hồn tồn tin cậy Điều khẳng định mơ hình đề xuất báo tiếp tục nghiên cứu để ứng dụng chẩn đoán bệnh cách kết hợp y học cổ truyền với y học đại bệnh viện, sở khám bệnh, đặc biệt bệnh viện y học cổ truyền sở khám bệnh địa phương Bước Biểu diễn đồ thị tri thức mờ dạng cặp Ở bước này, đồ thị tri thức mờ dạng cặp biểu diễn từ sở luật mờ Bảng II trọng số 𝐴, 𝐵 tính Bước Hình minh họa đồ thị tri thức mờ dạng cặp với trọng số Bước Áp dụng trình suy luận xấp xỉ đưa kết chẩn đoán bệnh Dựa vào kết tính trọng số 𝐵, chúng tơi đưa kết luận chẩn đốn bệnh bệnh nhân dựa sở luật mờ nêu Bảng II Đầu tiên, giá trị (𝐶) ( 𝐷) hồ sơ bệnh bệnh nhân tính tốn, suy luận xấp xỉ cách sử dụng cơng thức số (5) ta tính giá trị (𝐶): Thực nghiệm liệu thực tế a) Kịch thực Trong phần này, nhóm tác giả tiến hành thực nghiệm với liệu sản phụ bác sĩ theo dõi định làm xét nghiệm để chẩn đoán liệu sản phụ có bị tiền sản giật hay khơng? Từ bác sĩ đưa định yêu cầu theo dõi chặt chẽ sản phụ suốt thời gian 𝐶1230 = 𝐶1240 = 𝐶1250 = 𝐶1260 = 𝐶1340 = 𝐶1350 = 𝐶1360 = 𝐶1450 = 𝐶1460 = 𝐶1560 = 𝐶2340 = 𝐶2350 = 𝐶2360 = 𝐶2450 = 𝐶2460 = 𝐶2560 = 𝐶3450 = 𝐶3460 = 𝐶3560 = 𝐶4560 = 64 Tập 2021, Số 2, Tháng 12 Hình Biểu diễn đồ thị tri thức mờ dạng cặp lại thai kỳ để hạn chế tối đa biến chứng sản phụ thai nhi Tập liệu (BN-TienSanGiat) sử dụng để thực nghiệm gồm 199 sản phụ đến khám định kì theo dõi thai nhi với 19 thông số kiểm tra, theo dõi trình bày chi tiết Bảng V (trong đó, theo kết luận chẩn đốn có 114 sản phụ thai bình thường, 57 sản phụ có dấu hiệu tiền sản giật 28 sản phụ bị tiền sản giật nặng) Pairs3 Trong đó, Hình cho thấy phương pháp FKG-Pairs2 có thời gian tính tốn thấp (chỉ 0,0156s) độ xác lại so với FKG-Pairs3 FKGPairs4 1,96% 2,61% Điều nhận thấy rằng, suy luận chẩn đốn bệnh dựa đồ thị tri thức mờ dạng cặp (FKG-Pairs) mặt tham số độ xác cải thiện chút tăng cặp 𝑘, tham số thời gian tính tốn lại tăng nhanh Để tiến hành thực nghiệm, sử dụng ngôn ngữ Matlab 2014 cài đặt máy tính xách tay (DELL Intel(R) Core (TM) i5-7200U CPU @ 2,50GHz 2,70 GHz) thực nghiệm theo phương pháp k-fold (với k = 5) liệu BN-TienSanGiat Lý lựa chọn chia liệu theo phương pháp k-fold liệu BNTienSanGiat tương đối nhỏ (199 ghi) Mục tiêu thực nghiệm nhằm kiểm chứng khả áp dụng đồ thị tri thức mờ dạng cặp để hỗ trợ chẩn đoán dấu hiệu tiền sản giật sản phụ y học cổ truyền b) Kết thực Sau tiến hành thực hiện, kết độ xác (Accuracy) thời gian tính tốn (Computational Time) phương pháp FKG-Pairs khác (bao gồm FKGPairs2, FKG-Pairs3, FKG-Pairs4) việc chẩn đoán bệnh tiền sản giật sản phụ trình bày Bảng VI Hình Biểu đồ so sánh độ xác phương pháp Hình chứng tỏ phương pháp FKG-Pairs4 tốt mặt độ xác (80.02%), thời gian cao gấp khoảng bốn lần so FKG-Pairs2 gấp đơi so với FKG- Tóm lại, kết thực nghiệm chứng minh khả áp dụng đồ thị tri thức mờ dạng cặp để hỗ trợ chẩn 65 Các cơng trình nghiên cứu, phát triển ứng dụng CNTT Truyền thông Bảng V DANH SÁCH CÁC THUỘC TÍNH TRONG TẬP DỮ LIỆU BỆNH NHÂN TIỀN SẢN GIẬT STT Tên thuộc tính Tuổi sản phụ 18 - 66 Nghề nghiệp Công nhân, Nông dân sản phụ CCVC, Tự do, Tuổi thai nhi 15 - 40 Số lần mang thai 0-9 Chiều cao sản phụ 1,40m - 1,90m Cân nặng sản phụ 45 - 95 Huyết áp 90 - 129 Huyết áp 60 - 84 Chỉ số HGB 120 - 160 10 Chỉ số PLT 150 - 450 11 Chỉ số URE 2,5 - 6,7 12 Chỉ số CREATEIN 50,4 - 98,1 13 Chỉ số ACID URIC 150 - 350 14 Chỉ số ALT < 31/37𝑜 𝐶 15 Chỉ số AST < 31/37𝑜 𝐶 16 Chỉ số PROTEIN toàn phần 64 - 83 17 Chỉ số ALBUMIN 35 - 52 18 Chỉ số LDH < 247 19 Chỉ số PROTEIN niệu 0,1 - 0,25 Kết Nhãn (kết Miền giá trị Hình Biểu đồ so sánh thời gian tính tốn phương pháp V KẾT LUẬN Bài báo trình bày phương pháp khám chẩn đốn bệnh hoàn toàn dựa đồ thị tri thức mờ dạng cặp (FKG-Pairs) Một mơ hình áp dụng cho toán chẩn đoán bệnh y học cổ truyền Việt Nam dựa đồ thị tri thức mờ dạng cặp đề xuất gồm với tám bước chia thành hai giai đoạn: (i) chuẩn bị liệu; (ii) biểu diễn đồ thị chẩn đoán bệnh Đặc biệt, nhóm tác giả cải tiến cơng thức tính trọng số mơ hình M-CFIS-FKG từ cặp đơn thành dạng cặp k Điều góp phần thúc đẩy ứng dụng FKG-Pairs vào toán khám chẩn đốn bệnh y học cổ truyền Ngồi ra, với cách tiếp cận sử dụng FKG-Pairs góp phần làm tăng độ xác q trình suy luận để tìm nhãn đầu Một số hướng nghiên cứu liên quan đến FKG-Pairs khuyến nghị, cụ thể là: (1) xác định giá trị ngưỡng k phù hợp (ở 𝑘 = 1, 𝑚 để áp dụng FKG-Pairs cho toán trợ giúp định dựa tập liệu đầu vào có nhiều thuộc tính; (2) tìm giá trị hợp lý 𝑘 ∗ (ở 𝑘 ∗ = 1, 𝑘 ) để ứng dụng toán trợ giúp định dựa tập liệu lớn góp phần làm tăng hiệu mặt thời gian tính tốn (computational time); (3) nghiên cứu tích hợp học tăng cường (reinforcement learning) vào đồ thị tri thức mờ để xử lý toán trợ giúp định trường hợp cực đoan (extreme cases) 0: Bình thường 1: Tiền sản giật đầu luận chẩn đoán) 2: Tiền sản giật nặng Bảng VI KẾT QUẢ SO SÁNH ĐỘ CHÍNH XÁC VÀ THỜI GIAN THỰC HIỆN CỦA CÁC PHƯƠNG PHÁP Phương pháp Độ xác (%) Thời gian (giây) FKG-Pairs2 77,41% 0,0156 FKG-Pairs3 79,37% 0,0325 FKG-Pairs4 80,02% 0,0652 đoán dấu hiệu tiền sản giật sản phụ y học cổ truyền hoàn toàn khả thi Độ xác phương pháp cặp tư (FKG-Pairs4) đạt 80,02%, cao chút so với phương pháp cặp đôi (FKG-Pairs2) cặp ba (FKGPairs3) 2,61% 1,96% Trong thời gian tính tốn phương pháp FKG-Pairs4 cao gấp gần 4,18 lần so với FKG-Pairs2 (và 2,01 lần với FKG-Pairs3) LỜI CẢM ƠN Nghiên cứu tài trợ Quỹ Phát triển khoa học công nghệ Quốc gia (NAFOSTED) đề tài mã số 102.05-2019.316 66 Tập 2021, Số 2, Tháng 12 TÀI LIỆU THAM KHẢO suy diễn học máy chuyển đổi số,” pp 453–458, 2020 [19] S Jin, J Peng, Z Li, and Q Shen, “Bidirectional approximate reasoning-based approach for decision support,” Information Sciences, vol 506, pp 99–112, 2020 [20] J Xiong and J Wu, “Construction of approximate reasoning model for dynamic cps network and system parameter identification,” Computer Communications, vol 154, pp 180–187, 2020 [1] W H Organization et al., WHO traditional medicine strategy: 2014-2023 World Health Organization, 2013 [2] T chí y học cổ truyền Viện Y Dược cổ truyền dân tộc, “Y học cổ truyền gì? Nguyên tắc chữa bệnh địa khám, chữa uy tín [đăng tải ngày 23/6/2020]”, địa chỉ: https://www.tapchiyhoccotruyen.com/y-hoc-cotruyen.html, [truy cập ngày 20/5/2021] [3] P A Bonatti, S Decker, A Polleres, and V Presutti, “Knowledge graphs: New directions for knowledge representation on the semantic web (dagstuhl seminar 18371),” in Dagstuhl Reports, vol 8, no Schloss Dagstuhl-LeibnizZentrum fuer Informatik, 2019 [4] L T H Lan, T M Tuan, T T Ngan, N L Giang, V T N Ngoc, P Van Hai et al., “A new complex fuzzy inference system with fuzzy knowledge graph and extensions in decision making,” IEEE Access, vol 8, pp 164 899– 164 921, 2020 [5] Đăng Cơng Việt, Nghiên cứu chuẩn đốn xử trí tiền sản giật Bệnh viện Phụ sản Trung ương, Luận văn thạc sĩ, 2020, Đại học Y Hà Nội [6] H Van Pham and L K Cu, “Intelligent rule-based support model using log files in big data for optimized service call center schedule,” in Intelligent Computing in Engineering Springer, 2020, pp 931–942 [7] S Meier, B Gebel-Sauer, and P Schubert, “Knowledge graph for the visualisation of crm objects in a social network of business objects (sonbo): Development of the sonbo visualiser,” Procedia Computer Science, vol 181, pp 448– 456, 2021 [8] C K Long, H Q Trung, T N Thang, N T Dong, and P Van Hai, “A knowledge graph approach for the detection of digital human profiles in big data,” Journal of Science and Technology: Issue on Information and Communications Technology, vol 19, no 6.2, pp 6–15, 2021 [9] T T Ngan, L T H Lan, T M Tuan, N H Minh et al., “Colorectal cancer diagnosis with complex fuzzy inference system,” in Frontiers in Intelligent Computing: Theory and Applications Springer, 2020, pp 11–20 [10] J Liu, F Schmid, K Li, and W Zheng, “A knowledge graphbased approach for exploring railway operational accidents,” Reliability Engineering & System Safety, vol 207, p 107352, 2021 [11] X Wang and D Calvanese, “Editorial for special issue of journal of big data research on “big data meets knowledge graphs”,” 2021 [12] L Zadeh, “Fuzzy sets, information and control,” vol 8, no 3, pp 338–353, 1965 [13] L C Ortega, L D Otero, and C Otero, “Fuzzy inference system framework to prioritize the deployment of resources in low visibility traffic conditions,” IEEE Access, vol 7, pp 174 368–174 379, 2019 [14] T M Tuan, L T H Lan, S.-Y Chou, T T Ngan, L H Son, N L Giang, M Ali et al., “M-cfis-r: Mamdani complex fuzzy inference system with rule reduction using complex fuzzy measures in granular computing,” Mathematics, vol 8, no 5, p 707, 2020 [15] L A Zadeh, “Approximate reasoning based on fuzzy logic,” in Proceedings of the 6th international joint conference on Artificial intelligence-Volume 2, 1979, pp 1004–1010 [16] S Moussa and S B H Kacem, “Symbolic approximate reasoning with fuzzy and multi-valued knowledge,” Procedia computer science, vol 112, pp 800–810, 2017 [17] T T Sơn, “Lập luận xấp xỉ với giá trị biến ngôn ngữ,” Tạp chí Tin học Điều kiển, vol 15, pp 6–10, 1999 [18] N Đức Thọ cộng sự, “Ứng dụng Đồ thị tri thức, tri thức SƠ LƯỢC VỀ TÁC GIẢ Cù Kim Long Nhận Thạc sĩ Công nghệ thông tin năm 2012 Đại học Quốc gia Hà Nội (VNU) Nghiên cứu sinh từ năm 2018 Đại học Bách khoa Hà Nội Hiện Phó Giám đốc Trung tâm Công nghệ thông tin - Bộ Khoa học Công nghệ, thành viên Ban kỹ thuật TCVN/JTC1 “Công nghệ thông tin” Lĩnh vực nghiên cứu: OPS, MIS, Enterprise Architecture, Cyber Security, e-Government, Industry 4.0, Smart City, IoT, Big Data, Trí tuệ nhân tạo, Evaluation, DSS, Picture Fuzzy Set, Knowledge Graph, Fuzzy Knowledge Graph, Reinforcement Learning, Email: longck.2006@gmail.com Trần Mạnh Tuấn Nhận thạc sĩ Công nghệ thông tin trường Đại học Thái Nguyên tiến sĩ Cơ sở toán học cho tin học Học viện Khoa học Công nghệ, Viện hàn lâm Khoa học Công nghệ Việt Nam năm 2017 Hiện Phó trưởng mơn Hệ thống thơng tin, Khoa Công nghệ thông tin, Trường Đại học Thủy lợi Lĩnh vực nghiên cứu: ứng dụng trí tuệ nhân tạo, học máy, liệu lớn, logics mờ Email: tmtuan@tlu.edu.vn Lê Hoàng Sơn Nhận tiến sĩ Toán - Tin trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội (ĐHQGHN) năm 2013 Được phong hàm Phó Giáo sư ngành Công nghệ Thông tin năm 2017 Hiện Trưởng phòng Đa phương tiện Thực ảo, Viện Cơng nghệ Thơng tin, ĐHQGHN Lĩnh vực nghiên cứu: Trí tuệ nhân tạo, khai phá liệu, tính tốn mềm, hệ tư vấn hệ thống thông tin địa lý, ứng dụng y tế mạng viễn thông Một số ứng dụng triển khai gần đây: Hệ thống hỗ trợ chẩn đoán bệnh từ ảnh y tế với mơ hình học sâu đồ thị tri thức, hệ thống bán giám sát phát đối tượng ảnh viễn thám, hệ tư vấn lớn (Mega RS) với kỹ thuật trích rút thơng tin bệnh án điện tử, phần mềm phân tích biểu cảm khuôn mặt, hỗ trợ định động Email: sonlh@vnu.edu.vn 67 Các cơng trình nghiên cứu, phát triển ứng dụng CNTT Truyền thông Nguyễn Thọ Thông Lương Thị Hồng Lan Nhận thạc sĩ SPKT Tin học trường Đại học Bách Khoa Hà nội; bảo vệ luận án tiến sĩ chuyên ngành Khoa học máy tính Học viện Khoa học Cơng nghệ, Viện hàn lâm Khoa học Công nghệ Việt Nam năm 2021 Hiện giảng viên môn Hệ thống thông tin, khoa Công nghệ thông tin, trường Đại học Thủy lợi Lĩnh vực nghiên cứu: Trí tuệ nhân tạo, tính tốn mềm, hệ mờ, logic mờ, khai phá liệu Email: lanlhbk@tlu.edu.vn Nhận tiến sĩ chuyên ngành Hệ thống thông tin trường Đại học Công nghệ, Đại học quốc gia Hà Nội (ĐHQGHN) năm 2021 Hiện giảng viên khoa Công nghệ thông tin, trường Đại học Thủy Lợi Lĩnh vực nghiên cứu: Ra định đa tiêu chí, hệ thống thơng tin, hệ tư vấn trí tuệ nhân tạo Email: thongnt89@tlu.edu.vn Phạm Văn Hải Nhận tiến sĩ Công nghệ thông tin trường Đại học Ritsumeikan Nhật Bản năm 2013 Được phong hàm Phó Giáo sư năm 2017 Hiện giảng viên cao cấp trường Công nghệ Thông tin - Truyền thông, Đại học Bách khoa Hà Nội Lĩnh vực nghiên cứu: Ứng dụng trí tuệ nhân tạo (chuyển đổi số, cách mạng công nghiệp 4.0), học máy, tính tốn mềm, phân tích liệu lớn, ứng dụng hệ mờ, logics, hệ thống thông minh lai, tích hợp hệ thống, Big Data; Email: haipv@soict.hust.edu.vn Phạm Minh Chuẩn Nhận thạc sĩ Toán tin ứng dụng tiến sĩ Hệ thống thông tin trường Đại học Bách Khoa Hà nội năm 2018 Hiện Trưởng mơn Khoa học máy tính, khoa Công nghệ thông tin, trường Đại học Sư phạm Kỹ thuật Hưng Yên Lĩnh vực nghiên cứu: Trí tuệ nhân tạo, khai phá liệu, học máy, hệ tư vấn Email: chuanpm@gmail.com 68 ... nghiên cứu n? ?y, hướng tiếp cận dựa mơ hình đồ thị tri thức mờ dạng cặp (FKG-Pairs) đề xuất để ứng dụng cho toán chẩn đoán bệnh y học cổ truyền Đ? ?y kết hợp y học cổ truyền y học đại Cụ thể, nhóm... luận chẩn đoán bệnh th? ?y thuốc bệnh nhân dựa sở luật mờ có 61 Các cơng trình nghiên cứu, phát tri? ??n ứng dụng CNTT Truyền thông X? ?y dựng đồ thị tri thức mờ dạng cặp cho toán chẩn đoán bệnh y học cổ. .. Bước Biểu diễn đồ thị tri thức mờ dạng cặp Ở bước n? ?y, đồ thị tri thức mờ dạng cặp biểu diễn từ sở luật mờ Bảng II trọng số