Đang tải... (xem toàn văn)
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).
Tuyển 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.vn GIỚI THIỆU Thời gian gần đây, ung thư bệnh phổ biến giới Các bệnh viện trở lên tải với số lượng bệnh nhân lớn sở vật chất hạn chế Hơn nữa, phát ung thư sớm việc điều trị hiệu chi phí thấp nhiều Q trình chẩn đốn bệnh thủ cơng có số nhược điểm Thứ nhất, với số lượng lớn bệnh nhân, thường bác sĩ phải làm việc nhiều tải Thứ hai bác sĩ đặc biệt với người có nhiều kinh nghiệm cịn hạn chế kinh phí để tra lương cho bác sĩ hạn chế Thứ ba, trình nhiều thời gian bệnh viện chờ đợi bệnh nhân đến khám điều trị Vì vậy, hệ thống hỗ trợ định tự động đưa chẩn đốn bệnh nhân Nó cịn có giá trị hệ thống hỗ trợ định cung cấp kết xác, nâng cao chất lượng chăm sóc giảm thời gian khám điều trị bệnh nhân Tự động chẩn đoán ung thư sớm bệnh nhân coi toán nhập dạng phân loại mẫu Bài tốn nhận dạng phân loại mẫu giải nhiều mơ hình khác mạng nơron (ANN)[2], hệ chuyên gia, logic mờ, máy hỗ trợ vectơ [3], hồi quy (CART) [1] Trong số đó, mạng nơron nhân tạo min-max mờ (FMN) [5] mơ hình dự báo tốt đầy tiềm cho ứng dụng báo y tế [4] Ưu FMN khả học trực tuyến, có khả học từ mẫu đào tạo kết hợp với thơng tin học trước Hơn nữa, FMN cung cấp định mềm thông qua hàm thuộc mờ Tuy nhiên độ xác phân loại mẫu số trường hợp hạn chế Do đó, để nâng cao khả ứng dụng FMN, nhiều tác giả đề xuất cải tiến FMN với mục tiêu nâng cao độ xác phân loại mẫu Trong báo này, chúng tơi ứng dụng mơ hình FMN cải tiến học bán giám sát kết hợp với việc sử dụng thông tin bổ trợ cho phép giải đồng thời hai vấn đề giảm số lượng hyper box khả dụng cho tập liệu mà 100% số lượng mẫu chưa gán nhãn Mơ hình sử dụng gọi SCFMM-D (Semi-clustering and Fuzzy Min Max neural network in Diagnosis) Trong phần cấu truc sau: phần trình bày chi tiết phương pháp SFCMN, phần trình bày kết thực nghiệm, phần kết luận PHƯƠNG PHÁP SFCMN D tập liệu vào thuật toán học, Ah=(ah1, ah2, , ahn) In mẫu vào thứ h (h = 1, 2,…, m) tập D Thuật toán học tạo hyper box, gán nhãn cho hyper box gán nhãn cho mẫu đầu vào Thuật toán học sử dụng tập hyper box: - Tập B: gồm hyper box có kích thước lớn chứa mẫu liệu gần tâm cụm - Tập G: gồm hyper box có kích thước nhỏ, hyper box nằm hyper box B (GB) - Tập L: gồm hyper box có kích thước nhỏ, chứa liệu nằm vùng danh giới, vùng nhiễu Tập L gồm hyper box đưa vào cắt tỉa dựa số CF 160 Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN: 978-604-82-2548-3 Thuật toán gồm pha: - Pha 1: thuật toán học FMN không giám sát thực lần duyệt qua mẫu vào tạo tập B=(B1, B2, , Bk) gồm k hyper box khác nhau, với hyper box cụm Thuật toán học tách tập D thành hai tập D1 D2 Tập liệu D1 gồm mẫu nằm hyper box Bj gán nhãn theo số Bj Tập D2 mẫu cịn lại khơng gán nhãn (Hình 1) nhãn hyper box gần lớn ngưỡng mà cung cấp người dùng coi giới hạn tối thiểu Ngược lại, giá trị nhỏ hơn, khơng có hyper box tạo Trong trường hợp này, mẫu nhập bỏ qua xem mẫu lần duyệt liệu (Hình 2) Begin Dữ liệu vào AhD1 Begin Có hyperbox chứa Ah? Chọn mẫu vào AhD Có hyperbox chứa Ah? n Tạo gán nhãn cho hyperbox y n Tạo gán nhãn cho hyperbox Mở rộng hyperbox n n Dữ liệu vào hết? y n n Dữ liệu vào hết? y Dữ liệu vào AhD2 Ah có thuộc vào hyperbox có trước? n Dữ liệu vào AhD D2=D2{Ah} Có chồng lấn hyperbox? y Co lại hyperbox Co lại hyperbox Ah có thuộc hyperbox có trước? Mở rộng hyperbox n Có chồng lấn hyperbox? y n y y Có hyperbox chứa Ah? Gán nhãn Ah theo Bj D1=D1{Ah} n Độ thuộc Ah vào hyperbox gần lớn β? y n Dữ liệu vào hết? y End toán học duyệt qua mẫu để gán nhãn cho mẫu theo nhãn hyper box thuộc tập G Thuật toán SCFMN tìm hyper box gần cách sử dụng hàm thuộcTrong trường hợp này, mẫu đầu vào gắn nhãn 161 y Mở rộng hyperbox Có chồng lấn hyperbox? n y Co lại hyperbox Tạo gán nhãn cho hyperbox Hình Thuật tốn học bổ trợ thêm thơng tin cách gán nhãn cho số mẫu đầu vào - Pha 2: thuật tốn học FMN có giám sát thực lần duyệt qua mẫu tập liệu D1 tạo tập hyper box G (G1 ,G , ,G j ) Với tập liệu D2, thuật y Gán nhãn cho Ah n Tất liệu có nhãn? y End Hình Thuật tốn học gán nhãn cho mẫu liệu dựa vào nhãn mẫu bổ trợ thông tin pha Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN: 978-604-82-2548-3 KẾT QUẢ THỰC NGHIỆM KẾT LUẬN Trong thực nghiệm với liệu Breast Cancer Wisconsin (Diagnostic) với 569 mẫu 32 thuộc tính, có 10 thuộc tính giá trị thực Tất mẫu đầu vào tập liệu gán nhãn đối thuật toán FMNN [5], FMN-CF [6] Trong với SCFMM-D (với tham số: CF = 0.45, = 20, = 0.8) mẫu đầu vào khơng có nhãn kèm Các thực nghiệm lặp lại 30 lần, lần với chuỗi liệu huấn luyện ngẫu nhiên Trong thực nghiệm, phương pháp đánh giá kết theo thống kê để tính trung bình bao gồm số: Acc (Accuracy – Độ xác), NoH (Number of Hyper boxes - Số hyper box tạo q trình thực thuật tốn) Trong báo này, chúng tơi đề xuất mơ hình kết hợp học bán giám sát mạng nơron max mờ (SCFMM-D) áp dụng cho toán chẩn đoán bệnh ung thư Mơ hình đánh giá thực nghiệm liệu ung thư vú Wisconsin (BCWD) Các kết thực nghiệm chứng minh phương pháp đề xuất đạt kết tốt tiêu chí đặt với khả thiết lập sở quy tắc Để tiếp tục công việc, cần phải điều tra thông tin cụ thể bệnh nhân tập liệu để cải thiện độ xác dự đốn Bảng Bảng kết thực nghiệm FMNN FMN-CF Acc NoH Acc SCFMN-D NoH Acc NoH 0.10 68.63 362 67.73 78 83.52 48 0.20 72.44 287 70.67 62 84.31 37 0.30 74.42 210 75.17 43 86.73 30 0.40 73.62 154 72.72 34 84.53 20 0.50 67.28 121 70.39 21 83.34 16 0.60 66.08 80 65.28 17 83.03 12 0.70 63.45 40 60.76 10 82.02 0.80 58.55 20 56.24 80.02 0.90 54.54 16 53.45 79.89 Dựa kết độ xác số lượng Hyper box tạo ra, mơ hình đề xuất có kết tốt với giá trị khác tham số ngưỡng Dựa vào bảng ta thấy, giá trị Acc tốt lân cận = 0.3 TÀI LIỆU THAM KHẢO [1] Breiman, L (2017) Classification and regression trees Routledge [2] Haykin, S (1994) Neural networks: a comprehensive foundation Prentice Hall PTR [3] Nasrabadi, N M (2007) Pattern recognition and machine learning Journal of electronic imaging, 16(4), 049901 [4] Patil, P., & Waghole, S (2014) Cancer Diagnosis Using Fuzzy Min-Max Neural Network WithRule Extraction International Journal of Engineering Research and Applications, 4(2), 11-15 [5] Simpson, P K (1993) Fuzzy min-max neural networks-part 2: Clustering IEEE Transactions on Fuzzy systems, 1(1), 32-45 [6] Singh, A., & Pandey, B (2014) Intelligent techniques and applications in liver disorders: a survey International Journal of Biomedical Engineering and Technology, 16(1), 27-70 162 ... bán giám sát mạng nơron max mờ (SCFMM-D) áp dụng cho tốn chẩn đốn bệnh ung thư Mơ hình đánh giá thực nghiệm liệu ung thư vú Wisconsin (BCWD) Các kết thực nghiệm chứng minh phương pháp đề xuất... Using Fuzzy Min- Max Neural Network WithRule Extraction International Journal of Engineering Research and Applications, 4(2), 1 1-1 5 [5] Simpson, P K (1993) Fuzzy min- max neural networks-part 2: Clustering...Tuyển tập Hội nghị Khoa học thư? ??ng niên năm 2018 ISBN: 97 8-6 0 4-8 2-2 54 8-3 Thuật toán gồm pha: - Pha 1: thuật tốn học FMN khơng giám sát thực lần duyệt qua mẫu