(Tóm tắt đề án) nghiên cứu xây dựng ứng dụng hỗ trợ chẩn đoán bệnh về da

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - Nguyễn Duy Quang NGHIÊN CỨU XÂY DỰNG ỨNG DỤNG HỖ TRỢ CHẨN ĐỐN BỆNH VỀ DA CHUN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 8.48.01.01 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) TÓM TẮT LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: TS HOÀNG VĂN THÀNH HÀ NỘI - 2023 i Luận văn hoàn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học: PGS TS Phạm Văn Cường Phản biện 1: ……………………………………………………………… Phản biện 2: ……………………………………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thông 1 MỞ ĐẦU Trong năm gần đây, với phát triển vũ bão trí tuệ nhân tạo, đặc biệt lĩnh vực thị giác máy tính đạt tốc độ xử lý nhanh độ xác cao, việc ứng dụng thị giác máy tính phục vụ đời sống lẽ tất yếu Ngành nghề thiếu ứng dụng thị giác máy tính ngành y tế Đặc thù nước ta nhiệt đới gió mùa, thời tiết có biến chuyển đột ngột có điều kiện thích hợp để vi khuẩn, viruss, tia UV gây nhiều bệnh da Theo thống kê, bệnh da số 24 loại bệnh tác động chi phí lớn người dân, năm giới 75 tỉ USD chi phí dành để điều trị bệnh Riêng nước ta, khảo sát nghiên cứu 2.400 người Bình Thuận từ tháng đến tháng năm 2020 mơ hình bệnh da, cho thấy có tới 41% số người bị viêm da dị ứng, bệnh nấm-ký sinh trùng (20,6%), xạ (9,8%) Tầm quan trọng phát phân loại bệnh da ? Các bệnh da phát sớm điều trị hiệu Nhiều tình trạng da có kết tốt chẩn đoán điều trị giai đoạn đầu Phát kịp thời cho phép can thiệp y tế kịp thời, ngăn chặn tiến triển bệnh giảm biến chứng tiềm ẩn Xác định bệnh da cụ thể giúp chuyên gia chăm sóc sức khỏe xác định phương pháp điều trị thích hợp Các tình trạng da khác địi hỏi chiến lược điều trị khác nhau, chẳng hạn thuốc bôi, thuốc uống, thay đổi lối sống can thiệp phẫu thuật Phân loại xác đảm bảo bệnh nhân nhận phương pháp điều trị phù hợp cho tình trạng họ, cải thiện hội phục hồi Một số bệnh da, chẳng hạn nhiễm nấm bệnh truyền nhiễm ghẻ, lây truyền từ người sang người khác Phát phân loại sớm giúp điều trị kịp thời, giảm nguy lây truyền cho người khác Điều đặc biệt quan trọng môi trường bệnh viện, trường học không gian sinh hoạt chung, nơi bệnh truyền nhiễm ngồi da lây lan nhanh chóng 2 Các bệnh da ảnh hưởng đáng kể đến chất lượng sống người Các tình trạng bệnh vẩy nến, bệnh chàm mụn trứng cá gây khó chịu thể chất, đau, ngứa đau khổ tinh thần Các thách thức gặp phải phát phân loại bệnh da ? Trong trình thực luận văn, có nhiều thách thức gặp phải Đầu tiên vấn đề liệu Việc có liệu tồn diện hình ảnh bệnh da dán nhãn xác thách thức Nó địi hỏi hợp tác với bác sĩ da liễu, tiếp cận với nhiều trường hợp bệnh da có kiến thức chun mơn y khoa, đặc biệt chuyên môn da liễu Bộ liệu bệnh ngồi da bị cân theo nhóm, số nhóm bệnh liệu so với nhóm khác Điều dẫn đến mơ hình thiên lệch hoạt động nhóm bệnh có liệu Bên cạnh đó, bệnh ngồi da thu từ nhiều nguồn khác khác đáng kể chất lượng, điều kiện ánh sáng, độ phân giải cài đặt máy ảnh Chất lượng hình ảnh ảnh hưởng đến hiệu suất thuật tốn thị giác máy tính, gây khó khăn cho việc phát phân loại xác bệnh da Chẩn đốn bệnh da cách xác thách thức thiếu liệu trực quan, hình thái tổn thương riêng lẻ, phân bố vị trí thể, màu sắc, tỷ lệ xếp tổn thương Khơng dừng lại đó, để chẩn đốn bệnh da phải tiếp cần nhiều phương pháp theo hướng y khoa Ví dụ, có bốn phương pháp chẩn đốn lâm sàng cho khối u ác tính: quy tắc ABCD, phân tích mẫu, phương pháp Menzies phương pháp kiểm tra điểm Thơng thường bác sĩ có kinh nghiệm chẩn đốn xác sử dụng phương pháp Mặt khác, chẩn đoán bác sĩ dựa kiến thức, phán đoán chủ quan người thay đổi lớn bác sĩ khác Các bệnh da biểu biến thể đáng kể loại bệnh Các cá nhân khác biểu triệu chứng khác xuất tổn thương da khác tùy thuộc vào yếu tố loại da, tuổi tác dân tộc Triển khai mơ hình học máy thiết bị di động thách thức không nhỏ Các thiết bị di động có sức mạnh tính tốn hạn chế so với mơi trường máy tính để bàn máy chủ Các mơ hình u cầu nhớ tài nguyên xử lý đáng kể để thực thi hiệu Khơng vậy, mơ hình học sâu sử dụng nhiều nhớ, khiến việc triển khai chúng hoàn toàn vào nhớ thiết bị trở nên khó khăn Thời lượng pin hạn chế việc chạy mơ hình AI sử dụng nhiều tài ngun làm cạn kiệt pin cách nhanh chóng khó khăn triển khai mơ hình học máy thiết bị di động Các thiết bị di động khơng phải lúc có kết nối internet ổn định đáng tin cậy, đặc biệt vùng sâu vùng xa di chuyển Triển khai mơ hình AI server gặp vấn đề tình Vì vậy, việc triển khai mơ hình AI chạy cục thiết bị mà không yêu cầu kết nối mạng liên tục, điều cần thiết để có trải nghiệm người dùng liền mạch khả truy cập rộng Mục tiêu đề tài, phương pháp sử dụng đóng góp đề tài Nhận thức tầm quan trọng ý nghĩa khoa học việc hỗ trợ chẩn đoán bệnh da, luận văn thực mục tiêu nghiên cứu hướng tiếp cận, phân tích lựa chọn cơng nghệ để từ đề xuất giải pháp xây dựng ứng dụng chẩn đoán bệnh da, nhằm tạo công cụ ứng dụng tối đa công nghệ vào chẩn đoán, hỗ trợ điều trị bệnh da, giảm tải cho sở y tế hỗ trợ cộng đồng phòng bệnh da Luận văn trình bày số phương pháp áp dụng học sâu liệu y tế, liệu bệnh da, khó khăn hạn chế phương pháp Luận văn sử dụng sở liệu sử dụng rộng rãi toán nhận dạng bệnh da Dermnet [3], HAM1000 [15], … Sau sử dụng phương pháp học máy để nhận dạng loại bênh da Cuối xây dựng ứng dụng để phát loại bệnh da đưa thông tin bệnh khuyến cáo cho người dùng Trên khái quát tầm quan trọng ý nghĩa khoa học việc hỗ trợ chẩn đoán bệnh da Với mong muốn đóng góp phần công sức, luận văn thực đề tài: “Nghiên cứu xây dựng ứng dụng hỗ trợ chẩn đoán bệnh da” Nội dung luận văn bao gồm phần mở đầu, phần kết luận chương nội dung tổ chức sau: Chương Tổng quan : - Khái quát, hệ thống hóa lý thuyết liên quan đến toán nhận diện bệnh da; - Mô tả sở liệu sử dụng toán nhận dạng bệnh da; - Các phương pháp nhận dạng đề xuất trước đó; - Các ứng dụng hỗ trợ chẩn đốn bệnh da giới thiệu Chương Mạng rơ-ron tích chập cho tốn nhận dạng bệnh da : - Các thành phần mạng nơ-ron tích chập - Kiến trúc mạng nơ-tron - Q trình huấn luyện mạng nơ-tron cho tốn nhận dạng bệnh da - Một số phương pháp nâng cao hiệu mạng nơ-tron Chương Phương án đề xuất, thực nghiệm kết xây dựng ứng dụng : - Cơ sở liệu sử dụng để đánh giá hiệu - Thước đo đánh giá hiệu - Đề xuất phương án để tiến hành thực nghiệm - Tiến hành thực nghiệm để để chọn mơ hình CNN có hiệu tốt - Xây dựng ứng dụng hỗ trợ chẩn đoán bệnh da iOS có sử dụng mơ hình CNN chọn CHƯƠNG TỔNG QUAN Trong chương này, học viên giới thiệu tổng quan toán nhận diện bệnh da, đưa tầm quan trọng việc giải tốn, khó khăn thách thức gặp phải tìm lời giải cho tốn, sở liệu sử dụng để giúp giải tốn, giới thiệu cơng nghệ sử dụng để giải toán ứng dụng sử dụng phổ biến 1.1 Các toán nhận diện bệnh da 1.1.1 Giới thiệu Những tiến gần trí tuệ nhân tạo (Artificial Intelligence - AI) thập kỷ qua đặc biệt lĩnh vực học sâu mạng nơ-ron tích chập (Convolutional Neural Network - CNN) mở hội phát triển hệ thống y tế dựa hình ảnh chẩn đốn sàng lọc đáng tin cậy Error: Reference source not found Bối cảnh nghiên cứu gần chứng kiến thay đổi từ phân đoạn hình ảnh (tức tách khu vực có liên quan hình ảnh) trích xuất đặc trưng sang phân loại tự động cách sử dụng kĩ thuật học sâu (Deep Learning) Các phương pháp giải toán phát hiện/sàng lọc bệnh da theo quỹ đạo tương tự với phương pháp xử lý hình ảnh truyền thống để loại bỏ tạo phẩm khơng liên quan (ví dụ: tóc) khắc phục cách sử dụng kĩ thuật trí tuệ nhân tạo học sâu Các kỹ thuật học sâu gần khơng u cầu trích xuất đặc trưng rõ ràng thường không bị ảnh hưởng yếu tố nhiễu ảnh hưởng đến hình ảnh (ví dụ: cường độ ánh sáng, màu sắc, chuyển đổi, phản xạ, v.v.) Error: Reference source not found Tuy nhiên, chúng có xu hướng chun sâu tính tốn Error: Reference source not found Ngồi ra, nhóm thử nghiệm mơ hình phân loại để cải thiện hiệu suất phân loại tổn thương da Deep CNN Data Augmentation nghiên cứu Error: Reference source not found Hệ thống phân loại đề xuất đánh giá liệu thử nghiệm tổn thương da Ngoài ra, nghiên cứu trình bày ảnh hưởng lần tăng cường hình ảnh ba phân loại quan sát thấy hiệu suất phân loại bị ảnh hưởng khác lần tăng cường có kết tốt so với phương pháp truyền thống 1.1.2 Bài toán nhận diện bệnh da Bài tốn 1: Phát xem liệu có phải bệnh da hay khơng Bài tốn 2: Phân loại liệu có loại bệnh 1.2 Cơ sở liệu sử dụng tốn nhận dạng bệnh da Để giải tốn nhận dạng da thách thức cần vượt qua cần có sở liệu Đặc biệt y học, sở liệu loại bệnh khó tìm thấy, phần số lượng cá nhân, tổ chức ghi lại liệu bệnh Mặt khác, dù có liệu hình ảnh, việc xác định nhãn loại bênh cho ảnh cần bác sĩ chuyên môn cao Đây thực thách thức lớn toán nhận dạng bệnh da Tuy vậy, có số sở liệu sử dụng để đào tạo đánh giá mơ hình học máy vấn đề xác định bệnh da Một số sở liệu thường sử dụng bao gồm : ISIC (International Skin Imaging Collaboration), HAM10000, DermQuest, PH2, SD-198… 1.3 Các phương pháp nhận dạng đề xuất trước Một số phương pháp xác định bệnh da nhà nghiên cứu lĩnh vực đề xuất Dưới nghiên cứu đáng ý năm vừa qua : "Dermatologist-level classification of skin cancer with deep neural networks" (2017) Esteva cộng sự, "Automatic melanoma detection using deep learning" (2018) Han cộng sự, "Deep learning for identifying metastatic breast cancer" (2017) Cruz-Roa cộng sự, "Automatic detection of skin cancer using weight-based ensemble deep learning networks" (2019) Alom cộng sự, "Skin lesion classification using deep convolutional neural networks" (2016) Menegola cộng 1.4 Các ứng dụng hỗ trợ chẩn đoán bệnh da giới thiệu Các ứng dụng hỗ trợ chẩn đốn bệnh ngồi da phân tích hình ảnh phát triển ứng dụng từ lâu Các ứng dụng tận dụng kỹ thuật máy học thị giác máy tính để phân tích hình ảnh soi da hình ảnh chụp máy ảnh điện thoại thông minh Nổi bật ứng dụng : Dermatology AI, SkinVision, Miiskin, FirstDerm, VisualDx ,… CHƯƠNG MẠNG NƠ-RON TÍCH CHẬP CHO BÀI TỐN NHẬN DẠNG BỆNH VỀ DA Chương giới thiệu tổng quan toán nhận diện bệnh da, đưa tầm quan trọng việc giải toán Trong chương trình bày kiến trúc mạng nơ-tron, q trình huấn luyện mạng nơ-tron cho tốn nhận dạng bệnh da số phương pháp nâng cao hiệu mạng nơtron 2.1 Các thành phần mạng nơ-ron tích chập Thuật tốn Perceptron thuật toán supervised learning sử dụng để giải tốn phân lớp nhị phân Nó phát triển Frank Rosenblatt vào năm 1957 tài trợ Văn phòng nghiên cứu hải quân Hoa Kỳ Thuật tốn Perceptron mơ hình đơn giản mạng neuron nhân tạo Nó cố gắng tìm siêu phẳng (hyperplane) không gian đặc trưng để phân tách hai lớp liệu Nếu hai lớp liệu linearly separable, tức tách biệt tuyến tính với siêu phẳng, thuật tốn Perceptron hội tụ tìm phân lớp hoàn hảo Mặc dù Perceptron hoạt động với tốn phân lớp tuyến tính, đóng góp quan trọng vào việc phát triển nơron mơ hình mạng sau Perceptron coi tảng thuật toán học sâu mạng nơ-ron nhiều tầng (mạng nơ-ron nhiều lớp) 2.2 Kiến trúc mạng nơ-tron Convolutional Neural Networks (CNNs) phát triển nhằm giải toán liên quan đến xử lý hình ảnh thị giác máy tính CNNs đời với mục tiêu mô cách thức hoạt động thị giác hệ thống thần kinh sinh học người.CNN giới thiệu Yann LeCun, Yoshua Bengio Geoffrey Hinton vào năm 1990 Đây tiến quan trọng lĩnh vực học sâu có đóng góp to lớn cho xử lý hình ảnh thị giác máy tính 9 Mạng CNN bao gồm lớp đặc biệt lớp tích chập (convolutional layer) lớp tổng hợp (pooling layer) Lớp tích chập giúp trích xuất đặc trưng từ liệu hình ảnh cách áp dụng lọc (filter) phép tích chập Lớp tổng hợp giúp giảm kích thước đặc trưng tạo biểu diễn thưa (sparse representation) liệu.Một cấu trúc CNN tiêu chuẩn bao gồm lớp tích chập lớp tổng hợp xen kẽ nhau, kết thúc với nhiều lớp fully connected layer lớp đầu Các lớp fully connected layer có chức mạng nơ-ron truyền thẳng thông thường, nhận đầu vào từ đặc trưng trích xuất tạo kết cuối cùng.CNNs chứng minh khả xuất sắc nhiệm vụ phân loại ảnh, nhận dạng đối tượng, phát khuôn mặt, nhận dạng chữ viết tay nhiều ứng dụng khác lĩnh vực thị giác máy tính Đặc biệt, CNNs gặt hái thành cơng lớn thi nhận dạng ảnh tiếng ImageNet, đánh bại kỷ lục người số nhiệm vụ phân loại ảnh phức tạp 2.3 Quá trình huấn luyện mạng nơ-tron cho tốn Các mơ hình đào tạo bệnh da liên quan đến q trình phát triển tối ưu hóa mạng lưới thần kinh thuật toán máy học để phân loại chẩn đốn xác tình trạng da khác Mục tiêu xây dựng mơ hình phân tích hình ảnh da đưa dự đoán diện loại bệnh da Điều quan trọng cần lưu ý mơ hình đào tạo bệnh ngồi da cần có hợp tác nhà khoa học liệu, chuyên gia máy học bác sĩ da liễu chuyên gia y tế để đảm bảo ghi nhãn xác, hiệu suất đáng tin cậy phù hợp với lâm sàng Tiếp tục nghiên cứu, thu thập liệu xác nhận quan trọng để cải thiện hiệu suất tiện ích lâm sàng mơ hình ứng dụng giới thực 10 2.4 Một số phương pháp nâng cao hiệu mạng nơ-tron Có nhiều phương pháp kỹ thuật sử dụng để cải thiện hiệu suất mạng thần kinh Trông khuôn khổ luận văn, học viên xin trình bày số cách tiếp cận thường sử dụng như: tăng liệu đào tạo, tăng cường liệu, tiền xử lý chuẩn hóa, kiến trúc mạng, quy hóa, điều chỉnh siêu tham số, … 11 CHƯƠNG PHƯƠNG ÁN, ĐỀ XUẤT THỰC NGHIỆM VÀ XÂY DỰNG ỨNG DỤNG Ở chương cuối này, luận văn xin trình bày sở để đánh giá hiệu Đồng thời, đề xuất phương án để tiến hành thực nghiệm chọn mơ hình có hiệu tốt nhằm xây dựng ứng dụng hỗ trợ chẩn đoán bệnh da iOS 3.1 Cơ sở liệu sử dụng để đánh giá hiệu Bộ liệu HAM10000 sưu tập hình ảnh nội soi da tổn thương sắc tố da sử dụng rộng rãi Nó thiết kế đặc biệt cho nghiên cứu phát triển lĩnh vực chẩn đốn ung thư da máy tính Bộ liệu chứa nhiều hình ảnh khác nhau, bao gồm tổn thương da phổ biến gặp, chụp từ nhiều nguồn khác Bộ liệu HAM10000 bao gồm 10.015 hình ảnh soi da tổn thương da Bộ liệu chứa hình ảnh 7.293 tổn thương lành tính 2.982 khối u ác tính, đại diện cho loại phân nhóm tổn thương da khác Các hình ảnh liệu HAM10000 thu thập nhiều loại máy soi da, bao gồm loại máy ảnh kỹ thuật hình ảnh khác Điều làm tăng thêm tính đa dạng tập liệu, nắm bắt biến thể chất lượng hình ảnh, điều kiện ánh sáng độ phân giải Mỗi hình ảnh liệu liên kết với nhiều thông tin lâm sàng khác nhau, bao gồm loại tổn thương, chẩn đoán, tuổi bệnh nhân giới tính Bộ liệu HAM10000 bao gồm nhiều loại tổn thương sắc tố da, bao gồm u hắc tố ác tính, nevi tế bào hắc tố (nốt ruồi), u xơ da, dày sừng tiết bã, ung thư biểu mô tế bào đáy loại khác Bộ liệu cung cấp đại diện toàn diện loại tổn thương khác gặp phải thực hành lâm sàng Bộ liệu bao gồm thích chuyên gia bác sĩ da liễu cung cấp, đảm bảo tính xác đáng tin cậy 12 Bên cạnh đó, học viên thu thập hình ảnh da không bị thương tổn internet lựa chọn hình ảnh da tiêu biểu để làm phong phú thêm liệu sử dụng trình huấn luyện mơ hình 3.2 Thước đo đánh giá hiệu 3.2.1 Accuracy Accuracy thước đo đánh giá hiệu suất mơ hình phân loại tính tỷ lệ số lượng dự đốn xác tổng số mẫu 3.2.2 Precision Precision thước đo đánh giá khác mơ hình phân loại, tập trung vào khả mơ hình để xác định xác mẫu dương tính (positive) Precision tính tỷ lệ số lượng dự đốn dương tính (True Positive) tổng số lượng dự đốn dương tính (True Positive + False Positive) 3.2.3 Recall (Sensitivity) Recall, gọi Sensitivity True Positive Rate, thước đo đánh giá khác mơ hình phân loại, tập trung vào khả mơ hình việc xác định bắt tất trường hợp dương tính (positive) có sẵn tập liệu Recall tính tỷ lệ số lượng dự đốn dương tính (True Positive) tổng số lượng mẫu dương tính có thực tế 3.2.4 F1 Score F1 Score độ đo tổng hợp để đánh giá hiệu suất mơ hình phân loại Nó kết hợp Precision Recall để đưa đánh giá tổng quan khả mơ hình việc xác định trường hợp dương tính âm tính 3.2.5 Ma trận nhầm lẫn (Confusion Matrix) Confusion Matrix biểu diễn dạng bảng tóm tắt hiệu suất mơ hình phân loại cách hiển thị nhãn thực tế dự đoán cho tập hợp liệu Nó cung cấp phân tích chi tiết dự đốn mơ hình, cho phép phân tích sâu độ xác lỗi tiềm ẩn mơ hình Ma trận nhầm lẫn thường 13 sử dụng nhiệm vụ học máy có giám sát, bao gồm việc đánh giá phương pháp xác định bệnh da Trên số phương pháp hay sử dụng Để giải toán nhận dạng bệnh da, học viên sử dụng phương pháp đánh giá dựa F1 Score 3.3 Tổng quan mơ hình học sâu thực nghiệm Để giải toán nhận diện bệnh da, học viên nghiên cứu tìm hiểu vè hình học máy nhận thấy số mơ hình phù hợp để giải toán nhận diện bệnh da Những mơ hình áp dụng thành cơng để giải tốn thị giác máy tính khác nhau, bao gồm phân loại hình ảnh, phát đối tượng phân đoạn hình ảnh.Trong khn khổ luận văn, học viên tiếp cập theo hướng sử dụng mơ hình để giải tốn nhận dạng bệnh da 3.4 Đề xuất phương án để tiến hành thực nghiệm 3.4.1 Thu thập liệu Dữ liệu sử dụng luận văn phần thu thập từ internet phần liệu HAM10000 Cơ sở liệu HAM10000 sử dụng sử liệu chuẩn để tiến hành huấn luyện, Tuy nhiên, CSDL chưa có tình ảnh da người khơng có bệnh Vì vậy, học viên tiến hành đánh giá sở liệu HAM10000 làm chuẩn Sau đó, để áp dụng ứng dụng thực tế, cần bổ sung thêm ảnh cho lớp "Normal" (bình thường) Ảnh lớp thu thập từ Internet, việc thu thập liệu từ internet khó khăn tải liệu khơng biết liệu liệu có với loại bệnh tìm kiếm hay khơng Chính vậy, học viên thực việc huấn luyện mơ hình hai trường hợp : Có liệu thu thập từ internet khơng có liệu thu thập từ internet 14 3.4.2 Phân chia tập liệu Luận văn thực chia liệu thành tập huấn luyện tập đánh giá phân bổ 70% liệu cho đào tạo mơ hình sử dụng 30% lại để đánh giá kết Mất cân liệu (data imbalance) vấn đề phổ biến sở liệu, đặc biệt nhiệm vụ phân loại Nó xảy số lượng mẫu thuộc lớp (class) sở liệu không cân so với số lượng mẫu thuộc lớp khác Mất cân liệu gây ảnh hưởng đáng kể đến hiệu suất mơ hình máy học vấn đề tập liệu HAM10000 HAM10000+ Nhằm cải thiện hiệu suất mơ giải vấn đề cân liệu, học viên lựa chọn phương pháp oversampling cách sử dụng kĩ thuật augmentation: quay, lật, dịch chuyển zoom cho lớp thiểu số thuộc hai liệu HAM10000 HAM10000+ 3.4.3 Phương án tiến hành thực nghiệm Sau thu thập phân chia tập liệu, học viên tiến hành huấn luyện mơ hình Google Colab sử dụng Framework TensorFlow 2.9.3 Python 3.9, Nvidia Tesla K80 GPU với 32 GB nhớ Học viên thực hai thực nghiệm : - Thực nghiệm 1: Đánh giá hiệu mơ hình học sâu sở liệu HAM10000 Trong thực nghiệm, học viên đánh giá đặc trưng sử dụng phân tích hình ảnh chọn đặc trưng dựa số F1 Score - Thực nghiệm 2: Đánh giá hiệu mơ hình học sâu sở liệu HAM10000+ mở rộng thêm lớp liệu khơng có bệnh từ sở liệu HAM10000 15 3.5 Thực nghiệm lựa chọn mơ hình có hiệu tốt 3.5.1 Thực nghiệm : Đánh giá hiệu mơ hình học sâu sở liệu HAM10000 Với độ liệu phân bổ 70% liệu cho đào tạo mơ hình sử dụng 30% cịn lại để đánh giá 3.5.2 Thực nghiệm : Đánh giá hiệu mơ hình học sâu sở liệu HAM10000+ Với độ liệu phân bổ 70% liệu cho đào tạo mơ hình sử dụng 30% lại để đánh giá 3.6 Xây dựng ứng dụng hỗ trợ chẩn đoán bệnh da iOS 3.6.1 Xác định tính ứng dụng cần có Các tính ứng dụng thiết kế để đáp ứng nhu cầu yêu cầu người dùng nâng cao trải nghiệm người dùng tổng thể Trong khuôn khổ luận văn, học viên phát triển ứng dụng gồm tính : Nhập lưu trữ liệu, tìm kiếm lọc, tích hợp với hệ thống bên ngồi, tùy chỉnh cá nhân hóa, chức ngoại tuyến 3.6.2 Thiết kế giao diện ứng dụng 3.6.3 Lựa chọn ngơn ngữ lập trình structure design pattern 3.6.4 Convert tensorflow keras model thành coreml model 3.6.5 Lập trình ứng dụng di động với model import điện thoại 3.6.6 Lập trình server để phục vụ phát bệnh da 16 KẾT LUẬN Trên sở tìm hiểu tốn phát bệnh da lý thuyết học sâu , luận văn đạt số kết sau: - Giới thiệu tổng quan vấn đề theo dõi sức khỏe thơng qua ứng dụng hỗ trợ chẩn đốn bệnh da - Tìm hiểu số phương pháp nhận dạng bệnh da đề xuất trước - Tìm hiểu số ứng dụng hỗ trợ chẩn đoán bệnh da giới thiệu - Tìm hiểu ứng dụng mạng nơ-ron tích chập cho toán nhận dạng bệnh da - Tiến hành thu thập liệu từ internet - Xây dựng ứng dụng hỗ trợ chẩn đoán bệnh da Bên cạnh kết đạt hạn chế cần phải khắc phục: - Dữ liệu chưa đủ nhiều đa dạng, nguyên nhân dẫn đến tỉ lệ xác chưa cao - Chuyển đổi mơ hình huấn luyện tensorflow keras sang mơ hình sử dụng CoreML chưa tốt, gây ảnh hướng đến độ xác ứng dụng Thông qua kết hạn chế ta thấy rõ việc phát bệnh da cần trình nghiên cứu tìm hiểu lâu dài Trong khn khổ luận văn, học viên thực phát phân loại số bệnh da bản, để xây dựng hệ thống nhận dạng mạnh hơn, tổng quát phải cần thêm nhiều thời gian Hướng phát triển trước mắt cần phải tập trung cải thiện độ xác thời gian tính tốn hệ thống Bên cạnh đó, luận văn cịn nâng cao kiến thức chun mơn ứng dụng trí tuệ nhân tạo lĩnh vực y tế, đặc 17 biệt kĩ thuật xử lý ảnh Với đề tài học viên mong muốn phản ánh toán cấp bách đề xuất giải pháp thực nghiệm giải pháp lĩnh vực chẩn đốn bệnh da