(Luận văn) nghiên cứu một số thuật toán học máy và ứng dụng trong phân loại bệnh

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - lu an va n PHẠM XUÂN THU p ie gh tn to d oa nl w NGHIÊN CỨU MỘT SỐ THUẬT TOÁN HỌC MÁY VÀ ỨNG DỤNG TRONG PHÂN LOẠI BỆNH u nf va an lu LUẬN VĂN THẠC SĨ KỸ THUẬT ll oi m (Theo định hướng ứng dụng) z at nh z m co l gm @ an Lu HÀ NỘI – 2021 n va ac th si HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - lu an n va PHẠM XUÂN THU ie gh tn to p NGHIÊN CỨU MỘT SỐ THUẬT TOÁN HỌC MÁY VÀ ỨNG DỤNG TRONG PHÂN LOẠI BỆNH d oa nl w CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN 8.48.01.04 u nf va an lu MÃ SỐ: ll LUẬN VĂN THẠC SĨ KỸ THUẬT m oi (Theo định hướng ứng dụng) z at nh z HÀ NỘI – 2021 m co l gm @ NGƯỜI HƯỚNG DẪN KHOA HỌC: TS VŨ VĂN THỎA an Lu n va ac th si i LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng tơi Nội dung luận văn có tham khảo sử dụng tài liệu, thông tin đăng tải tạp chí khoa học trang web liệt kê danh mục tài liệu tham khảo Tất tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn tồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Hà nội, ngày tháng năm 2021 lu an Người cam đoan n va p ie gh tn to d oa nl w Phạm Xuân Thu ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si ii LỜI CẢM ƠN Được đồng ý Học Viện Công Nghệ Bưu Chính Viễn Thơng, thầy giáo hướng dẫn TS Vũ Văn Thỏa, học viên thực đề tài luận văn tốt nghiệp Thạc sĩ: “Nghiên cứu số thuật toán học máy ứng dụng phân loại bệnh” Để hoàn thành luận văn này, học viên xin chân thành cảm ơn thầy cô giáo tận tình hướng dẫn, giảng dạy suốt trình học tập, nghiên cứu rèn luyện Học Viện Công Nghệ Bưu Chính Viễn Thơng lu Học viên xin đặc biệt gửi lời cảm ơn đến TS Vũ Văn Thỏa, người thầy an trực tiếp hướng dẫn trình thực luận văn tốt nghiệp Nhờ động va n viên bảo tận tình thầy thời gian qua giúp học viên vượt qua tn to khó khăn nghiên cứu để luận văn hoàn thành ie gh Học viên xin gửi lời cảm ơn tới gia đình, bạn bè đồng nghiệp, p người bên cổ vũ tinh thần, tạo điều kiện thuận lợi để học viên học nl w tập hồn thành tốt luận văn oa Học viên có nhiều cố gắng để thực luận văn cách hồn chỉnh d Tuy nhiên, cịn nhiều hạn chế kiến thức kinh nghiệm nên lu va an tránh khỏi thiếu sót định mà học viên chưa thấy Học viên ll văn hoàn chỉnh u nf mong nhận góp ý q Thầy, Cơ giáo bạn đồng nghiệp để luận m oi Học viên xin trân trọng cám ơn! z at nh Hà Nội, ngày tháng năm 2021 z l gm @ Học viên m co Phạm Xuân Thu an Lu n va ac th si iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN .ii MỤC LỤC iii DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT v DANH MỤC BẢNG vi DANH MỤC HÌNH vii MỞ ĐẦU lu CHƯƠNG TỔNG QUAN VỀ BÀI TOÁN PHÂN LOẠI BỆNH VÀ HỌC MÁY 1.1 Giới thiệu toán phân loại bệnh vấn đề liên quan an va n 1.1.1 Khái niệm phân lớp liệu toán phân loại bệnh to 1.1.3 Các độ đo đánh giá mô hình phân loại bệnh ie gh tn 1.1.2 Quy trình thực phân loại bệnh p 1.1.4 Các ứng dụng toán phân loại bệnh 1.2 Tổng quan học máy w oa nl 1.2.1 Khái niệm học máy phân loại kỹ thuật học máy d 1.2.2 Ứng dụng học máy xây dựng mơ hình phân loại bệnh 1.3 Tổng quan học sâu an lu va 1.3.1 Khái niệm học sâu ll u nf 1.3.2 Hướng tiếp cận học sâu 10 1.4 Kết luận chương 11 m oi CHƯƠNG NGHIÊN CỨU THUẬT TOÁN CÂY QUYẾT ĐỊNH VÀ THUẬT TOÁN MÁY VECTOR HỖ TRỢ 13 2.1 Khảo sát thuật toán định vấn đề liên quan 13 z at nh z 2.1.1 Giới thiệu phương pháp 13 @ gm 2.1.2 Khảo sát nội dung phương pháp 14 m co l 2.1.3 Đánh giá phương pháp 15 2.2 Khảo sát thuật toán máy vectơ hỗ trợ vấn đề liên quan 15 2.2.1 Giới thiệu phương pháp 15 an Lu 2.2.2 Kỹ thuật SVM tuyến tính với tập liệu phân tách 18 n va ac th si iv 2.2.3 Kỹ thuật SVM tuyến tính với tập liệu khơng phân tách 21 2.2.4 Kỹ thuật SVM phi tuyến phân lớp nhị phân 24 2.2.5 Kỹ thuật tối thiểu SMO 27 2.2.6 Kỹ thuật SVM phân lớp đa lớp 27 2.2.7 Đánh giá phương pháp 29 2.3 Kết luận chương 29 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 31 3.1 Tổng quan xét nghiệm hóa nghiệm 31 3.1.1 Giới thiệu chung xét nghiệm hóa nghiệm 31 3.1.1 Đặc điểm liệu xét nghiệm hóa nghiệm 33 lu an 3.1.2 Thu thập liệu nghiên cứu 34 3.2 Bài toán phân loại bệnh dựa kết xét nghiệm hóa nghiệm 36 va n 3.2.1 Đặt toán 36 to 3.2.3 Các kịch thử nghiệm 38 ie gh tn 3.2.2 Tiền xử lý liệu 36 p 3.2.4 Công cụ thực nghiệm 39 3.3 Kết thực nghiệm đánh giá 40 w oa nl 3.3.1 Chuẩn bị liệu thực thử nghiệm 40 d 3.3.2 Kết thực nghiệm 43 lu u nf va an 3.3.3 Phân tích đánh giá kết thực nghiệm 49 3.4 Kết luận chương 53 ll DANH MỤC TÀI LIỆU THAM KHẢO 55 Tiếng Việt 55 Tiếng Anh 55 oi m z at nh PHỤ LỤC 57 z m co l gm @ an Lu n va ac th si v DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng việt an n va Mạng nơ-ron nhân tạo CNTT Information Technology Công nghệ thông tin CSDL Database Cơ sở liệu FN False Negative Số mẫu âm phân loại sai FP False Positive Số mẫu dương phân loại sai Training Huấn luyện Test Kiểm chứng Knowledge Discovery and Data Phát tri thức khai phá liệu tn to Artificial Neural Network oa lu ANN KC p ie gh HL nl w KDD d Mining lu an Máy véc tơ hỗ trợ Support Vector Machines SMO Sequential Minimal Optimization TN True Negative TP True Positive WEKA Waikato Environment for u nf va SVM Tối thiểu ll m oi Số mẫu âm phân loại z at nh Số mẫu dương phân loại z m co l gm @ Knowledge Acquisition Công cụ kiểm thử học máy an Lu n va ac th si vi DANH MỤC BẢNG Bảng 3.1: Số lượng bệnh nhân 35 Bảng 3.2: Phân bố số lượng mẫu nhóm theo kích cỡ mẫu 40 Bảng 3.3: Cơ cấu nhóm bệnh với số mẫu HL KC tương ứng 41 Bảng 3.4: Chi tiết tập tin liệu 42 Bảng 3.5: Kết phân lớp phương pháp SVM theo chiến lược 1/k với nhóm mẫu 43 Bảng 3.6: Kết phân lớp phương pháp SVM theo chiến lược 1/1 với nhóm mẫu lu .44 an Bảng 3.7: Kết phân lớp theo định 44 va n Bảng 3.8: Bảng kết huấn luyện thuật tốn theo nhóm mẫu 44 tn to Bảng 3.9: Bảng kết kiểm chứng thuật tốn theo nhóm mẫu 45 ie gh Bảng 3.10: Kết phân lớp phương pháp SVM theo chiến lược 1/k với nhóm mẫu p 45 nl w Bảng 3.11: Kết phân lớp phương pháp SVM theo chiến lược 1/1 với nhóm mẫu oa 46 d Bảng 3.12: Kết phân lớp theo j48 .46 lu va an Bảng 3.13: Bảng kết huấn luyện thuật tốn theo nhóm mẫu 46 u nf Bảng 3.14: Bảng kết kiểm chứng thuật tốn theo nhóm mẫu 47 ll Bảng 3.15: Kết phân lớp phương pháp SVM theo chiến lược 1/k với nhóm mẫu m oi 47 z at nh Bảng 3.16: Kết phân lớp phương pháp SVM theo chiến lược 1/1 với nhóm mẫu 48 z @ Bảng 3.17: Kết phân lớp theo j48 .48 l gm Bảng 3.18: Bảng kết huấn luyện thuật tốn theo nhóm mẫu 48 Bảng 3.19: Bảng kết kiểm chứng thuật toán theo nhóm mẫu 49 m co an Lu n va ac th si vii DANH MỤC HÌNH Hình 1.1 Bài toán phân loại bệnh .4 Hình 1.2 Quy trình phân loại bệnh .5 Hình 1.3 Mơ tả học sâu Hình 1.4 Quá trình học tăng cường 11 Hình 2.1 Mơ hình dạng định .14 Hình 2.2 Sự quan trọng biên siêu phẳng phân tách .16 Hình 2.3 Ví dụ biên tối ưu siêu phẳng phân tách 17 lu Hình 2.4 Ảnh hưởng C đến độ rộng biên 22 an Hình 2.5 Khơng gian chiều ánh xạ từ không gian chiều 25 va n Hình 2.6 Phân lớp đa lớp sử dụng chiến lược OAA OAO 28 tn to Hình 3.1: Kết xét nghiệm BN lần xét nghiệm khác 36 ie gh Hình 3.2: Dữ liệu xét nghiệm BN tách thành dòng liệu min, max 37 p Hình 3.3: Dữ liệu xét nghiệm có ý nghĩa BN xác định .37 nl w Hình 3.4: Dữ liệu xét nghiệm chuẩn hóa với miền [0.0;10.0] 38 oa Hình 3.5: Màn hình WEKA 40 d Hình 3.6: Biểu đồ so sánh độ xác phân loại thử nghiệm theo thuật toán lu va an nhóm 50 u nf Hình 3.7: Biểu đồ so sánh độ xác phân loại thử nghiệm theo thuật tốn ll nhóm 51 m oi Hình 3.8 Biểu đồ so sánh độ xác phân loại thử nghiệm theo thuật toán z at nh nhóm 51 Hình 3.9: Biểu đồ so sánh thời gian thuật toán thử nghiêm tập HL .52 z m co l gm @ Hình 3.10: Biểu đồ so sánh thời gian thuật toán thử nghiêm tập KC 53 an Lu n va ac th si MỞ ĐẦU Trên giới Việt Nam, công tác y tế chăm sóc sức khỏe tồn dân có vị trí to lớn quan trọng phát triển xã hội Đặc biệt, thời kỳ đại dịch Covid-19, công tác khám, chữa bệnh cho bệnh nhân có ý nghĩa quan trọng Quá trình điều trị bệnh nhân phụ thuộc nhiều vào kết xét nghiệm cận lâm sàng (bao gồm xét nghiệm định, chẩn đốn hình ảnh thăm dị chức năng) Các kết xét nghiệm đóng vai trò quan trọng định lu bác sĩ, điều dưỡng nhân viên y tế tồn q trình điều trị, chăm an sóc bệnh nhân va n Trong giai đoạn nay, tình trạng bệnh tật có xu hướng gia tăng đại tn to dịch diễn với quy mô tồn giới Do đó, việc đảm bảo chất lượng khám điều ie gh trị thách thức sở khám, chữa bệnh phải đối mặt với p tình trạng tải Một yêu cầu cấp bách đặt phải có hệ thống hỗ trợ việc nl w phân loại bệnh nhanh chóng, xác để kịp thời cứu chữa bệnh nhân oa Cùng với phát triển mạnh mẽ công nghệ thông tin, kỹ thuật học d máy học sâu nghiên cứu triển khai ứng dụng nhiều lĩnh vực, lu va an giải hiệu tốn phân lớp (Classification) liệu Phân lớp liệu u nf việc xếp liệu vào lớp khác Ví dụ: Phân lớp sinh viên theo kết ll học tập, phân lớp loài thực vật, … Bài toán phân lớp liệu thường m oi giải cách sử dụng số kỹ thuật học máy như: Cây định z at nh (Decision Tree), Máy vector hỗ trợ (Support Vector Machine), Mạng Nơ-ron nhân tạo (Artificial Neural Network), Thuật toán Bayes (Naive Bayes), … z @ Bài toán phân loại bệnh dựa kết xét nghiệm thuộc lớp giải m co l gm toán phân lớp liệu Do áp dụng kỹ thuật học máy khác để an Lu n va ac th si 46 Bảng 3.11: Kết phân lớp phương pháp SVM theo chiến lược 1/1 với nhóm mẫu lu an va n Kết thử nghiệm đối phương pháp định bảng 3.12 to p ie gh tn Bảng 3.12: Kết phân lớp theo j48 d oa nl w ll u nf va an lu oi m z at nh Kết độ đo thuật toán thử nghiệm bước huấn luyện theo z gm @ kịch tổng hợp bảng 3.13 Bảng 3.13: Bảng kết huấn luyện thuật tốn theo nhóm mẫu SVM 1/k 1/1 an Lu 96,2 J48 m co Độ nhạy (%) l Các độ đo đánh giá 96,5 90,2 n va ac th si 47 Độ đặc hiệu (%) 99,5 98,8 97,6 Độ xác dự đốn (%) 96,4 96,6 90,6 Thời gian xây dựng mơ hình (s) 0,3 0,11 0,06 Kết kiểm chứng mơ hình tổng hợp bảng 3.14 Bảng 3.14: Bảng kết kiểm chứng thuật tốn theo nhóm mẫu SVM Các độ đo đánh giá J48 lu an n va 1/1 Độ nhạy (%) 95,9 96,7 91,8 Độ đặc hiệu (%) 99,9 98,5 98,2 Độ xác dự đốn (%) 96,5 96,9 93 Thời gian xây dựng mơ hình (s) 0,06 0,05 0,06 gh tn to 1/k p ie 3) Kết thử nghiệm với nhóm mẫu (n = 3863) Kết thử nghiệm đối phương pháp SVM xây dựng mơ hình theo chiến nl w lược 1/k bảng 3.15 d oa Bảng 3.15: Kết phân lớp phương pháp SVM theo chiến lược 1/k với nhóm mẫu ll u nf va an lu oi m z at nh z m co l gm @ Kết thử nghiệm đối phương pháp SVM xây dựng mơ hình theo chiến an Lu lược 1/k bảng 3.16 n va ac th si 48 Bảng 3.16: Kết phân lớp phương pháp SVM theo chiến lược 1/1 với nhóm mẫu lu an va n Kết thử nghiệm đối phương pháp định bảng 3.17 to p ie gh tn Bảng 3.17: Kết phân lớp theo j48 d oa nl w ll u nf va an lu oi m z at nh Kết độ đo thuật toán thử nghiệm bước huấn luyện theo z @ kịch tổng hợp bảng 3.18 1/k 96,6 J48 1/1 97,1 94,6 an Lu Độ nhạy (%) SVM m co Các độ đo đánh giá l gm Bảng 3.18: Bảng kết huấn luyện thuật toán theo nhóm mẫu n va ac th si 49 Độ đặc hiệu (%) 98,1 98,6 98,6 Độ xác dự đoán (%) 96,7 97,2 94,6 Thời gian xây dựng mơ hình (s) 0,67 0,33 0,28 Kết kiểm chứng mơ hình tổng hợp bảng 3.19 Bảng 3.19: Bảng kết kiểm chứng thuật toán theo nhóm mẫu SVM Các độ đo đánh giá J48 lu an n va 1/1 Độ nhạy (%) 96,4 98 95,7 Độ đặc hiệu (%) 99,3 98,7 98,5 Độ xác dự đốn (%) 96,7 98 95,7 Thời gian xây dựng mơ hình (s) 0,19 0,13 0,09 gh tn to 1/k p ie 3.3.3 Phân tích đánh giá kết thực nghiệm nl w Dựa vào kết thử nghiệm trình bày trên, mục luận văn oa thực phân tích đánh giá kết d Kết độ xác thuật tốn thử nghiệm theo nhóm mẫu tập lu ll u nf va an huấn luyện tập kiểm chứng biểu diễn dạng biểu đồ hình 3.6 oi m z at nh z m co l gm @ an Lu n va ac th si 50 96,4 100 97,3 97 95,3 94,6 88,5 90 80 70 60 50 40 30 20 lu an 10 va n Huấn luyện Kiểm chứng to 1/1 j48 gh tn 1/k p ie Hình 3.6: Biểu đồ so sánh độ xác phân loại thử nghiệm theo thuật tốn w nhóm oa nl Quan sát biểu đồ hình 3.6 nhận thấy rằng, thuật toán thử nghiệm d cho kết có tỉ lệ phân loại xác cao tập huấn luyện (từ 94% trở lên) an lu Trong đó, mơ hình SVM theo chiến lược 1/1 có tỉ lệ phân loại xác cao (94,6%) ll u nf va (97,3%) mơ hình định (j48) có tỉ lệ phân loại xác thấp oi m Tuy nhiên, thực kiểm thử tỷ lệ phân loại xác bị sụt giảm Trong z at nh đó, mơ hình SVM theo chiến lược 1/1 có tỉ lệ phân loại xác cao (97%) mơ hình định (j48) có tỉ lệ phân loại xác thấp (88,5%) Lý z sụt giảm tập huấn luyện nhỏ, cần phải có kích thước lớn để đảm gm @ bảo kết kiểm chứng m co theo biểu đồ hình 3.7 3.8 l Tương tự, ta so sánh kết phân loại thử nghiệm theo nhóm an Lu n va ac th si 51 96,4 100 96,6 96,5 96,9 90,6 93 90 80 70 60 50 40 30 20 lu an 10 va n Huấn luyện Kiểm chứng to 1/1 j48 gh tn 1/k p ie Hình 3.7: Biểu đồ so sánh độ xác phân loại thử nghiệm theo thuật tốn nhóm 98 95,7 ll u nf va an lu 50 96,7 94,6 d 60 97,2 oa 70 96,7 nl 80 w 90 100 m oi 40 z at nh 30 20 z gm @ 10 Kiểm chứng 1/k 1/1 j48 m co l Huấn luyện an Lu Hình 3.8 Biểu đồ so sánh độ xác phân loại thử nghiệm theo thuật tốn nhóm n va ac th si 52 Quan sát hình 3.7 3.8 nhận thấy kết mơ hình thực kiểm chứng tệp có kích thước lớn cho xác cao (>=93%) Hình 3.9 trình bày biểu đồ thống kê thời gian thực thuật tốn theo nhóm mơ hình thử nghiệm tập huấn luyện 0,8 0,7 0,67 0,6 0,5 lu an 0,4 va n 0,3 0,22 gh 0,11 tn to 0,2 ie 0,1 0,11 0,06 0,03 p Nhóm Nhóm nl w 0,33 0,28 0,3 1/1 j48 d oa 1/k Nhóm lu an Hình 3.9: Biểu đồ so sánh thời gian thuật toán thử nghiêm tập HL u nf va Hình 3.10 trình bày biểu đồ thống kê thời gian thực thuật tốn theo nhóm mơ hình thử nghiệm tập kiểm chứng ll oi m z at nh z m co l gm @ an Lu n va ac th si 53 0,2 0,19 0,18 0,16 0,14 0,13 0,12 0,1 0,09 0,08 0,06 0,06 0,05 0,05 0,04 lu 0,03 an 0,02 va n Nhóm Nhóm to 1/1 j48 gh tn 1/k Nhóm p ie Hình 3.10: Biểu đồ so sánh thời gian thuật toán thử nghiêm tập KC oa nl w 3.4 Kết luận chương Trong chương luận văn tiến hành thực nghiệm thuật toán học máy d an lu nghiên cứu chương cho toán phân loại bệnh với liệu trích va xuất từ Bệnh viện Trung ương Quân đội 108 ll u nf Kết thử nghiệm bước đầu cho thấy thuật tốn học máy triển khai oi m thực tế phù hợp với yêu cầu đề cho toán phân loại bệnh z at nh z m co l gm @ an Lu n va ac th si 54 KẾT LUẬN Các kết đạt luận văn Qua nghiên cứu lý thuyết tiến hành thực nghiệm, luận văn đạt kết sau: - Nghiên cứu tổng quan toán phân loại vấn đề liên quan - Khảo sát tổng quan kỹ thuật học máy nhằm giải toán phân bênh - Khảo sát tổng quan học sâu lu an - Khảo sát chi tiết hai thuật toán học máy bao gồm thuật toán định n va thuật toán máy vector hỗ trợ SVM tn to - Thu thập xử lý liệu kết xét nghiệm hóa nghiêm gồm 98 số - Thực thử nghiệm hai thuật toán học máy j48 SMO để phân loại bệnh p ie gh xét nghiệm với 3863 mẫu 06 nhóm bệnh liệu kết xét nghiệm hóa nghiêm Luận văn tiến hành phân tích oa nl w đánh giá kết thực nghiệm Hướng nghiên cứu d an lu Tuy đạt số kết nêu trên, luận văn số hạn chế ll Mở rộng thêm mặt bệnh phân loại phân loại mặt bệnh chi tiết Ví dụ oi m - u nf theo luận văn là: va điều kiện mặt thời gian trình độ học viên Vì vậy, hướng nghiên cứu tiếp gan, mật tụy Phát triển thành chương trình ứng dụng để hỗ trợ định hướng chẩn z - z at nh lớp mặt bệnh tiêu hóa phân lớp thành lớp chi tiết hơn: lớp bệnh m co l gm @ đoán bệnh bệnh viện an Lu n va ac th si 55 DANH MỤC TÀI LIỆU THAM KHẢO Tiếng Việt [1] Nguyễn Đạt Anh (2013) - Các xét nghiệm thường quy áp dụng thực hành lâm sàng - Nhà xuất Y học [2] Văn phịng cơng nhận chất lượng, Bộ Khoa học Công nghệ (2011), Hướng dẫn phân loại xét nghiệm y tế Tiếng Anh lu E L Allwein, R E Schapire, and Y Singer (2001) – “Reducing multiclass an [3] n va to binary: A unifying approach for margin classifiers” - The Journal of Machine Tapan Bagchi, Rahul Samant, Milan Joshi (2013) – “SVM Classifiers Built [4] gh tn to Learning Research, V.1, pp 113–141 p ie Using Imperfect Training Data” - International Conference on Mathematical Christopher J.C Burges (2000) – “A Tutorial on Support Vector Machines nl w [5] Techniques In Engineering Applications, ICMTEA 2013-BM-003 Ruben D Canlas Jr (2009) - “Data mining in healthcare: Current an lu [6] d oa for Pattern Recognition” – Kluwer Academic Publishers, Boston va applications and issues”, MSc of Science inInformation Technology, Carnegie Han J., Kamber M (2011) – “Data mining: Concepts and Techniques” - 3nd ll m [7] u nf Mellon University, Australia oi Edition, Morgan Kaufman Publishers z at nh [8] Krzysztof J Cios, G William Moore (2002), “Uniqueness of medical data mining”, Artificial Intelligence in Medicine 26, p 1–24 z gm @ [9] T M Mitchell [1997] – “Machine Learning”, McGraw-Hill [10] J Milgram, M Cheriet and R Sabourin (2006) – ““One Against One” or l m co “One Against All”: Which One is Better for Handwriting Recognition with SVMs?” - In Tenth International Workshop on Frontiers in Handwriting an Lu Recognition Suvisoft n va ac th si 56 O’Sullivan, [11] Dympna, et al (2008) - “Using Secondary Knowledge to Support Decision Tree Classification of Retrospective Clinical Data” - Mining Complex Data (2008), pp 238-251 A.S Unal, M Hacibeyoglu (2018)-“ Detection of DDoS Attacks in Network [12] Traffic Using Deep Learning”, ICATCES 18, pp 722-726 [13] David Taniar (2007), Data Mining and Knowledge Discovery Technologies, Idea Group Publishing lu an Trang WEB n va [14] https://en.wikipedia.org/wiki/Precision_and_recal [16] https://vi.wikipedia.org p ie gh tn to [15] https://sourceforge.net/projects/weka/ d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 57 PHỤ LỤC Bảng xét nghiệm trích chọn xử lý luận văn Tên xét nghiệm TT Tên xét nghiệm TT lu an n va AFP 26 GOT (AST) Albumin máu 27 GPT (ALT) Amoniac máu 28 GGT (Gamma GT) Amylase máu 29 Glucose máu Amylase niệu 30 HDL-C Anti TG 31 Homocysteine Anti-CCP 32 LDH Apolipoprotein A1 33 LDL-C ASLO 34 Máu lắng 10 Axit Uric máu 35 Microalbumin niệu Acid Uric niệu 36 Pre-Albumin2 37 Protein máu ie gh tn to p 11 Bilirubin Total Bilirubin Direct 38 Protein niệu 24h 14 BNP 39 CRP (định lượng) 15 Ca TP 40 RF 16 CK 41 Sắt 17 CK-MB 42 TSH 18 C peptide 43 Thyroglobulin 19 Creatinin máu 20 Creatinin niệu 21 HS-CRP 22 Cholesterol 23 Ferritin 47 BIL (Bilirubin) 24 FT3 48 BLD (Hồng cầu) 25 FT4 49 GLU (Glucose) oa 13 d nl w 12 ll u nf va an lu oi m z at nh 44 Triglycerid 45 Troponin I z Ure máu gm @ 46 Nước tiểu m co l an Lu n va ac th si 58 Tên xét nghiệm TT Tên xét nghiệm TT Công thức máu lu an n va KET (Ketone) 51 LEU (Bạch cầu) 74 BA% 52 NIT (Nitrit) 75 EO# 53 pH 76 EO% 54 PRO (Protein) 77 HCT 55 SG (Tỷ trọng) 78 HGB 56 UBG (Urobilinogen) 79 LY# 57 ALB 80 LY% 58 BLO 81 MCV 59 URO 82 MCH 60 CRE 83 MCHC 61 A:C 84 MO# P:C 85 MO% MPV NE% p ie gh tn to 50 w 62 86 63 Trụ BC: 87 64 Trụ hình hạt: 88 PLT 65 Bạch cầu 89 RBC 66 Hồng cầu 90 RDW 91 WBC 92 %NEUT 93 %LYMPH 94 %MONO d oa nl Cặn nước tiểu: ll u nf va an lu oi m Điện giải máu: Cl- 68 K+ 69 Na+ 70 APTT (s) 95 71 FIB (Fibrinogen) 96 72 PT (%) 97 Định lượng Creatinin 73 PT (s) 98 Định lượng Ure z at nh 67 z gm @ #EOS m co l #BASO an Lu Nguồn: Bệnh viện Trung ương Quân đội 108 n va ac th si 59 BẢN CAM ĐOAN Tôi xin cam đoan thực việc kiểm tra mức độ tương đồng nội dung luận văn/luận án qua phần mềm DoIT cách trung thực đạt kết mức độ tương đồng 18% toàn nội dung luận văn/luận án Bản luận văn/luận án kiểm tra qua phần mềm cứng luận văn/luận án nộp để bảo vệ trước hội đồng Nếu sai tơi xin chịu hình thức kỷ luật theo quy định hành Học Viện lu an n va Hà Nội, ngày 31 tháng 12 năm 2021 tn to HỌC VIÊN CAO gh HỌC/NCS p ie (Ký ghi rõ họ tên) d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 60 lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si