Xây dựng hệ thống hỗ trợ chẩn đoán bệnh sử dụng Neural networks

Xây dựng hệ thống hỗ trợ chẩn đoán bệnh sử dụng Neural networks Xây dựng hệ thống hỗ trợ chẩn đoán bệnh sử dụng Neural networks Xây dựng hệ thống hỗ trợ chẩn đoán bệnh sử dụng Neural networks luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN ĐỨC THỌ XÂY DỰNG HỆ THỐNG HỖ TRỢ CHẨN ĐOÁN BỆNH SỬ DỤNG NEURAL NETWORKS LUẬN VĂN THẠC SĨ KĨ THUẬT CÔNG NGHỆ THÔNG TIN Hà Nội – 2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - NGUYỄN ĐỨC THỌ XÂY DỰNG HỆ THỐNG HỖ TRỢ CHẨN ĐOÁN BỆNH SỬ DỤNG NEURAL NETWORKS LUẬN VĂN THẠC SĨ KĨ THUẬT CÔNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS TS PHẠM VĂN HẢI Hà Nội – 2019 LỜI CAM ĐOAN Em xin cam đoan đề tài: “Xây dựng hệ thống hỗ trợ chẩn đoán bệnh sử dụng Neural Networks” m t cơng trình nghiên cứu đ c lập khơng có chép ngƣời khác Đề tài m t sản phẩm mà em nỗ lực nghiên cứu trình học tập Hệ Đào Tạo Sau Đại Học, Trƣờng Đại Học Bách Khoa Hà N i Trong q trình viết có tham khảo m t số tài liệu có nguồn gốc rõ ràng, dƣới hƣớng dẫn thầy giáo, Phó Giáo Sƣ - Tiến Sĩ Phạm Văn Hải, giảng viên Viện Công Nghệ Thông Tin Truyền Thông trƣờng Đại Học Bách Khoa Hà N i Em xin cam đoan có vấn đề em xin chịu hồn tồn trách nhiệm Hà Nội, ngày 02 tháng 09 năm 2019 LỜI CẢM ƠN Đầu tiên, em xin đƣợc gửi lời cảm ơn sâu sắc tới Thầy giáo – PGS.TS Phạm Văn Hải, Viện Công nghệ thông tin Truyền thông, Trƣờng Đại học Bách Khoa Hà N i hƣớng dẫn cho em lời khuyên trình thực luận văn Tiếp theo, em xin chân thành cảm ơn thầy cô Viện Công nghệ thông tin truyền thông, Viện đào tạo sau đại học, Trƣờng Đại học Bách Khoa Hà N i tạo điều kiện cho em suốt trình học tập nghiên cứu trƣờng Cảm ơn thạc sĩ bác sĩ Phạm Thị Hồng Nhung hỗ trợ em việc xây dựng sở tri thức số liệu nghiên cứu cho luận văn Cuối cùng, em xin bày tỏ lòng cảm ơn tới ngƣời thân gia đình, bạn bè đ ng viên giúp đỡ để em hoàn thành luận văn Hà Nội, ngày 02 tháng 09 năm 2019 HỌC VIÊN Nguy n Đức Thọ MỤC LỤC LỜI CAM ĐOAN .1 LỜI CẢM ƠN .2 DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .5 CHƢƠNG 1: GIỚI THIỆU 1.1 Tổng quan 1.2 Phát biểu toán .9 1.3 Định hƣớng giải toán 1.4 Mục tiêu luận văn 1.5 N i dung luận văn 10 CHƢƠNG 2: CƠ SỞ LÝ THUYẾT 11 2.1 Hệ sở tri thức – Hệ chuyên gia 11 2.2.1 Khái niệm 11 2.2.2 Các thành phần hệ sở tri thức 11 2.2.3 Biểu di n kiện – luật hệ sở tri thức 12 2.2.4 Khoảng cách kiện .13 2.3 Mạng nơ-ron nhân tạo 15 2.3.1 Khái niệm 15 2.3.2 Các thành phần 16 2.3.3 Các mơ hình mạng thƣờng gặp 19 2.3.4 Thuật toán lan truyền ngƣợc 20 CHƢƠNG 3: ĐỀ XUẤT MƠ HÌNH HỆ THỐNG HỖ TRỢ CHẨN ĐỐN BỆNH SỬ DỤNG MẠNG NEURAL 25 3.1 Mơ hình ứng dụng hỗ trợ chẩn đoán bệnh đái tháo đƣờng 25 3.2 Đầu vào đầu 26 3.3 Mô tả liệu học 28 3.4 Xử lý liệu 30 3.4.1 Xử lý liệu ngoại lai 30 3.4.2 Quy chuẩn liệu 31 3.5 Mô hình mạng nơ-ron kết hợp sở tri thức 33 3.5.1 Cơ sở tri thức 33 3.5.2 Lựa chọn thu c tính đầu vào sử dụng CSDLTT 39 3.5.3 Lựa chọn số lƣợng lớp số lƣợng node sử dụng CSDLTT 41 3.5.4 Mơ hình mạng nơ-ron 45 3.5.5 Tối ƣu hiệu mơ hình mạng nơ-ron 47 CHƢƠNG 4: KẾT QUẢ THỰC NGHIỆM 52 4.1 Thông số máy chủ 52 4.2 Kết thực nghiệm 52 4.3 Đánh giá 54 4.4 Usecase: Dữ liệu nghiên cứu bệnh nhân đái tháo đƣờng trung tâm N i tiết – Đái tháo đƣờng, bệnh viện Bạch Mai Hà N i 55 4.4.1 Dữ liệu thử nghiệm 55 4.4.2 Xử lý liệu 56 4.4.3 Kiểm tra kết chẩn đốn mơ hình mạng nơ-ron đề xuất 57 4.5 Chƣơng trình thử nghiệm .58 CHƢƠNG 5: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 61 5.1 Kết luận 61 5.2 Hƣớng phát triển 61 TÀI LIỆU THAM KHẢO 62 DANH MỤC CÁC KÍ HIỆU, CHỮ VIẾT TẮT Chữ viết tắt Viết đầy đủ Ý nghĩa AI Artificial Intelligence Trí tuệ nhân tạo ANN Artificial Neural Network Mạng nơ-ron nhân tạo ĐTĐ Đái tháo đƣờng Đái tháo đƣờng FFNN Feed forward neural network Mạng nơ-ron truyền thẳng RNN Recurrent neural network Mạng nơ-ron hồi quy MLP Multi Layer Perceptron Mạng truyền thẳng nhiều lớp KBANN Knowledge Based Artificial Mạng nơ-ron nhân tạo dựa Neural Network sở tri thức FPG Fact Precedence Graph Đồ thị liên kết kiện UCI Center for Machine Learning Trung tâm học máy hệ and Intelligent Systems at the thống thông minh trƣờng University of California, Irvine đại học California, Irvine HbA1c Hemoglobin đặc biệt kết hợp Glycated hemoglobin hemoglobin đƣờng glucose CSDL Cơ sở liệu Cơ sở liệu CSDLTT Cơ sở liệu tri thức Cơ sở liệu tri thức bao gồm kiện luật ReLU Hàm truyền ReLU Rectified Linear Unit DANH MỤC CÁC BẢNG Bảng 1: Ví dụ biểu di n kiện hệ sở tri thức 13 Bảng 2: M t số hàm kích hoạt thơng dụng 18 Bảng 3: Mô tả thu c tính tập liệu 29 Bảng 4: Số lƣợng ghi sai mặt ngữ nghĩa theo thu c tính 31 Bảng 5: Thu c tính giá trị biên đ 32 Bảng 6: Mẫu liệu đầu vào 32 Bảng 7: Mẫu liệu đầu vào chuẩn hóa 33 Bảng 8: M t số yếu tố nguy sử dụng cu c khảo sát chẩn đoán bệnh ĐTĐ Thái Lan 34 Bảng 9: M t số mơ hình chẩn đốn bệnh đái tháo đƣờng 35 Bảng 10: Các thu c tính liệu học sau q trình tiền xử lý liệu 35 Bảng 11: M t số kiện có sở tri thức 36 Bảng 12: M t số luật có CSDLTT 38 Bảng 13: M t số giá trị khoảng cách kiện sở tri thức 40 Bảng 14: Sự tƣơng ứng sở tri thức mạng nơ-ron 42 Bảng 15: Đ xác với b liệu test áp dụng phƣơng pháp hạn chế overfitting sau 4000 chu kì epoch 51 Bảng 16: Hệ số sử dụng cho mơ hình học 53 Bảng 17: Hiệu mơ hình mạng nơ-ron với b liệu UCI 54 Bảng 18: Đ xác m t số mơ hình mạng nơ-ron b liệu 55 Bảng 19: Thông tin liệu nghiên cứu bệnh nhân trung tâm N i tiết – Đái tháo đƣờng, bệnh viện Bạch Mai Hà N i 56 Bảng 20: Kết thực nghiệm mơ hình với b liệu nghiên cứu bệnh nhân đái tháo đƣờng bệnh viện Bạch Mai Hà N i 58 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1: Mơ hình ứng dụng hệ sở tri thức 11 Hình 2: Đồ thị Fact Precedence Graph (FPG) 14 Hình 3: Đơn vị xử lý mạng nơ-ron 16 Hình 4: Mạng nơ-ron truyền thẳng 19 Hình 5: Mạng nơ-ron hồi quy 20 Hình 6: Mạng lan truyền thẳng nhiều lớp 21 Hình 7: Mơ hình mạng với thuật toán lan truyền ngƣợc sai số 22 Hình 8: Quá trình lan truyền tiến 23 Hình 9: Cơng thức tính output cho node mạng nơ-ron 23 Hình 10: Kiến trúc hệ thống mơ hình đề xuất 25 Hình 11: Sơ đồ hoạt đ ng trình học mạng nơ-ron kết hợp CSDLTT 27 Hình 12: Biểu đồ histogram thu c tính liệu 30 Hình 13: Biểu đồ FPS kiện 40 Hình 14: Biểu đồ hàm mát Entropy mơ hình mạng nơ-ron nhiều lớp với số lƣợng node thay đổi từ – toán phân lớp 41 Hình 15: Biểu đồ hàm mát Entropy mơ hình mạng nơ-ron nhiều lớp với số lƣợng lớp thay đổi từ – toán phân lớp 42 Hình 16: Xây dựng liên kết từ CSDLTT 44 Hình 17: Xây dựng mạng node cách ánh xạ cấu trúc phân cấp 44 Hình 18: Xây dựng mạng nơ-ron 45 Hình 19: M t mơ hình mạng nơ-ron với số lƣợng lớp ẩn số lƣợng node lớp ẩn dựa CSDLTT 46 Hình 20: Biểu đồ đ xác giá trị hàm mát q trình training 47 Hình 21: Mơ hình mạng nơ-ron áp dụng dropout 48 Hình 22: Biểu đồ đ xác giá trị hàm mát mơ hình đề xuất áp dụng dropout sau 500 chu kì epoch 49 Hình 23: Biểu đồ đ xác hàm mát mơ hình đề xuất áp dụng L2 regularization sau 500 chu kì epoch 50 Hình 24: Điểm dừng học mơ hình trƣớc giá trị hàm mát tăng trở lại 51 Hình 25: Mơ hình mạng nơ-ron thử nghiệm biểu di n thƣ viện Keras 52 Hình 26: Biểu đồ giá trị hàm mát đ xác với b liệu training b liệu test 4000 chu kì epoch 53 Hình 27: Kết q trình training mơ hình mạng sau loại bỏ thu c tính Blood Pressure Skin Thickness 57 Hình 28: Màn hình tình chẩn đốn bệnh ĐTĐ 59 Hình 29: Màn hình tính quản lý kiện 60 Hình 30: Màn hình tính quản lý luật 60 Hình 24: Điểm dừng học mơ hình trƣớc giá trị hàm mát tăng trở lại (đƣờng màu xanh thẳng đứng) Early stopping đạt hiệu tốt kết hợp với phƣơng pháp hạn chế overfitting, sử dụng early stopping đơn lẻ, mơ hình ngừng học từ sớm tƣợng overfitting xảy từ sớm mơ hình học Vì áp dụng đồng thời phƣơng pháp hạn chế overfitting nhƣ trình bày bao gồm: bỏ học, trọng số quy dừng sớm Chạy thử nghiệm cách phối hợp phƣơng pháp xử lý hàm mát ta có kết đ xác với b liệu test bảng sau: Bảng 15: Đ xác với b liệu test áp dụng phƣơng pháp hạn chế overfitting sau 4000 chu kì epoch Phƣơng pháp Độ xác đạt đƣợc Early stopping + Dropout 94.77% Early stopping + L2 regularization 86.36% Early stopping + L2 regularization + Dropout 81.81% 51 CHƢƠNG 4: KẾT QUẢ THỰC NGHIỆM 4.1 Thông số máy chủ Để đánh giá mức đ hiệu mạng nơ-ron đề xuất, nghiên cứu thực so sánh với việc sử dụng mạng nơ-ron truyền thẳng nghiên cứu khác B liệu đƣợc sử dụng luận văn b liệu bệnh nhân ĐTĐ khu vực Pima Indian [5] Kết thực nghiệm dƣới đƣợc chạy máy chủ có thơng số nhƣ sau:  Máy Dell E6440  CPU Core i7 - 4600M core thread  GPU AMD Radeon HD 8690M  Ram DDRL4 1600Mhz  Hệ điều hành: Ubuntu 18.04 4.2 Kết thực nghiệm Trong trình thực nghiệm, nghiên cứu áp dụng mơ hình mạng nơ-ron truyền thẳng sử dụng giải thuật lan truyền ngƣợc, thu c tính đầu vào, số lớp ẩn số node lớp ẩn đƣợc xác định dựa sở tri thức đƣợc thể tính mơ hình hóa Keras nhƣ sau: Hình 25: Mơ hình mạng nơ-ron thử nghiệm biểu di n thƣ viện Keras 52 Bảng sau thể tham số đƣợc sử dụng cho mạng nơ-ron mơ hình học Bảng 16: Hệ số sử dụng cho mơ hình học Thành phần Giá trị Tổng số lƣợng liệu 768 Số lƣợng liệu học 80 tổng liệu Số lƣợng liệu test 20 tổng liệu Batch Size 16 Hệ số epochs 4000 Hàm mát Binary cross Entropy Thuật toán tối ƣu Adam Hàm truyền lớp ẩn ReLU Hàm truyền lớp ẩn Sigmoid lớp output Sau trình học, giá trị hàm mát đ xác thay đổi theo chu kì epoch đƣợc thể biểu đồ bên dƣới: Hình 26: Biểu đồ giá trị hàm mát đ xác với b liệu training b liệu test 4000 chu kì epoch 53 Quá trình học kiểm tra với b liệu test khơng cịn xuất hiện tƣợng overfitting Kết thử nghiệm cho thấy mơ hình đạt đ xác cao mức 94.77 sau m t số lần chạy thử nghiệm, ch số t lệ xác, t lệ tái f1-score đƣợc thể bảng dƣới đây: Bảng 17: Hiệu mơ hình mạng nơ-ron với b liệu UCI Đ xác (accuracy) 94.77% T lệ xác (precision) 94% T lệ tái (recall) 85.46% F1 score 89.52% 4.3 Đánh giá Với mạng nơ-ron nhiều lớp thông thƣờng xử lý b liệu nghiên cứu khác, đạt đ xác đạt 79.05% [16], 93.06% với Small-world neural network (SW-FFANN) [17], qua cho thấy mơ hình mạng nơ-ron đạt hiệu chẩn đốn tốt với b liệu nghiên cứu Tuy nghiên với mơ hình nêu trên, việc lựa chọn thu c tính đầu vào c ng nhƣ tham số mơ hình mạng dựa tính tốn ngƣời xây dựng hệ thống điều dẫn tới lựa chọn không hiệu quả, việc thay đổi tập liệu vận dụng kết nghiên cứu y học dẫn tới việc phải nghiên cứu, xây dựng lại mơ hình học máy từ đầu nhiều chi phí cho việc phát triển nâng cấp Trong nghiên cứu này, việc kết hợp mạng nơ-ron truyền thẳng sử dụng thuật toán lan truyền ngƣợc sở tri thức, đ xác đạt đƣợc mơ hình đề xuất với b liệu đƣợc sử dụng 94.77% Bảng dƣới kết đ xác mơ hình đề xuất m t số mơ hình mạng nơ-ron khác: 54 Bảng 18: Đ xác m t số mơ hình mạng nơ-ron b liệu Độ xác Mơ hình Mạng neural truyền thẳng [18] 79.05% Probabilistic neural network (PNN) [16] 81.49% Small-world neural network (SW-FFANN)[17] 93.06% Mơ hình đề xuất 94.77% Bằng việc kết hợp với sở tri thức, thu c tính đầu vào tham số mơ hình mạng đƣợc lựa chọn dựa tri thức chuyên gia có ý nghĩa với đánh giá ngƣời xây dựng hệ thống Khi mơ hình mạng đƣợc xây dựng có thu c tính đầu vào thu c tính hay đƣợc sử dụng q trình chẩn đốn thực tế, đồng thời số lớp ẩn hay số node lớp thể đƣợc liên quan chặt chẽ thu c tính tham số đƣợc xác định phép suy di n giống nhƣ lập luận đƣợc sử dụng q trình chẩn đốn xác định tình trạng bệnh nhân viên y tế Cùng với đó, mơ hình học máy đƣợc phát triển tự cải thiện tri thức đƣợc chun gia đƣa vào mơ hình thơng qua CSDLTT m t cách liên tục, cập nhật mà khơng cần phân tích đề xuất lại mơ hình Tuy nhiên sử dụng mạng nơ-ron cho việc chẩn đốn bệnh khơng thể đƣợc sử dụng cho việc giải thích lập luận để đƣa kết luận chẩn đốn 4.4 Usecase: Dữ liệu nghiên cứu bệnh nhân đái tháo đƣờng trung tâm Nội tiết – Đái tháo đƣờng, bệnh viện Bạch Mai Hà Nội 4.4.1 Dữ liệu thử nghiệm B liệu đƣợc sử dụng liệu 60 bệnh nhân nghiên cứu trung tâm N i tiết – Đái tháo đƣờng, bệnh viện Bạch Mai Hà N i [19], đƣợc thu thập bác sĩ Phạm Thị Hồng Nhung thời gian từ tháng 9/2017 đến tháng 12/2018 Dữ liệu bệnh nhân bao gồm thơng tin phù hợp sử dụng để phục vụ thử nghiệm cho luận văn nhƣ sau: 55 Bảng 19: Thông tin liệu nghiên cứu bệnh nhân trung tâm N i tiết – Đái tháo đƣờng, bệnh viện Bạch Mai Hà N i Thuộc tính Kiểu Mơ tả liệu Tỉ lệ thiếu liệu (%) TUOI Number Tuổi bệnh nhân BMI Number Ch số BMI PARA Number Số lần mang thai TSDTKTK Number Tiền sử đái tháo đƣờng thai kì BMI Number Ch số BMI INSULIN Number Đo nồng đ Insulin sau ăn DTDTK Number Chẩn đoán đái tháo đƣờng: + 0: bệnh nhân mắc bệnh đái tháo đƣờng + 1: bệnh nhân khơng mắc bệnh đái tháo đƣờng Ngồi liệu cịn có thơng tin khác nhƣ: họ tên, địa ch , nghề nghiệp, ch số PeptideC, ch số HOMA-IR, HOMA-B phục vụ cho nghiên cứu chun mơn, liệu khơng đƣợc sử dụng cho trình thử nghiệm luận văn 4.4.2 Xử lý liệu  Xử lý liệu ngoại lai: Trong liệu nghiên cứu không xuất liệu bị sai mặt hình thức ngữ nghĩa, trình bị bỏ qua  Quy chuẩn liệu: o Ch số PARA: ch số đánh giá tiền sử sản khoa bệnh nhân, bao gồm số ABCD đƣợc hiểu nhƣ sau: A số lần sinh đủ tháng, B số lần sinh thiếu tháng, C số lần sảy thai tự nhiên hút thai, D số cịn sống Vì sử dụng thu c tính PARA cần lấy giá trị X=C+D để đại diện cho số lần mang thai o Các ch số INSULIN, HBA1C không đơn vị với b liệu UCI, nhiên luận văn sử dụng phƣơng thức chuẩn hóa MinMaxScale, 56 sau chuẩn hóa giá trị INSULIN HBA1C tƣơng đƣơng chuyển đổi đơn vị o Tại bƣớc chuẩn hóa cuối cùng, nghiên cứu thực việc quy chuẩn liệu cách đƣa liệu khoảng – theo MinMaxScaling theo công thức sau: 4.4.3 Kiểm tra ết chẩn đốn mơ hình mạng nơ-ron đề xuất Tập liệu thử nghiệm bao gồm thu c tính đầu vào, thế, mơ hình mạng neural đề xuất loại bỏ thu c tính tƣơng ứng Skin Thickness Blood Pressure , đồng thời tiến hành trình học lại với b liệu UCI Sau trình học với thu c tính này, đ xác giảm so với trình training với đầy đủ thu c tính nhiên mức cao: 83.12 Biểu đồ hàm mát đ xác đƣợc trình training đƣợc thể hình dƣới đây: Hình 27: Kết q trình training mơ hình mạng sau loại bỏ thu c tính Blood Pressure Skin Thickness 57 Thực nghiệm với b liệu bệnh nhân bệnh viện Bạch Mai Hà N i, mơ hình đạt đƣợc đ xác 80 chẩn đốn bệnh đái tháo đƣờng T lệ xác (precision) thử nghiệm đạt 95 , nhiên t lệ tái recall ch đạt 63.33 mô hình cần cải thiện thêm để đạt t lệ tái cao Kết thực nghiệm mơ hình đƣợc thể bảng dƣới đây: Bảng 20: Kết thực nghiệm mơ hình với b liệu nghiên cứu bệnh nhân đái tháo đƣờng bệnh viện Bạch Mai Hà N i Đ xác (accuracy) 80% T lệ xác (precision) 95% T lệ tái (recall) 63.33% F1 score 76% 4.5 Chƣơng trình thử nghiệm Chƣơng trình thử nghiệm cung cấp giao diện tƣơng tác giúp ngƣời sử dụng nhận đƣợc kết chẩn đoán cách cung cấp thông tin sức khỏe cho chƣơng trình Tại hình chẩn đốn bệnh, ngƣời sử dụng nhập thông tin ch số sức khỏe, hệ thống tiến hành chuẩn đoán nguy mắc bệnh đái tháo đƣờng hiển thị kết tới ngƣời sử dụng Kết chẩn đoán đựa kết đƣợc đƣa từ mơ hình mạng nơ-ron đề xuất Hình dƣới hình giao diện tính chẩn đốn bệnh: 58 Hình 28: Màn hình tình chẩn đốn bệnh ĐTĐ Ngồi chƣơng trình cung cấp giao diện giúp chuyên gia quản lý sở tri thức Với tính quản lý kiện, chuyên gia thêm – sửa – xóa kiện có CSDLTT Dƣới giao diện hình quản lý kiện: 59 Hình 29: Màn hình tính quản lý kiện Tính quản lý luật cho phép chuyên gia thêm – sửa – xóa luật CSDLTT Các kiện để hình thành luật đƣợc chuyên gia lựa chọn danh sách kiện Dƣới giao diện tính quản lý luật suy di n: Hình 30: Màn hình tính quản lý luật 60 CHƢƠNG 5: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 5.1 Kết luận Luận văn đạt đƣợc mục tiêu đƣợc đặt thực hiện:  Ứng dụng phân tích liệu kết xét nghiệm bệnh ĐTĐ để xây dựng mơ hình học máy sử dụng mạng nơ-ron cho việc chẩn đoán bệnh  Xây dựng mạng nơ-ron kết hợp sở tri thức phục vụ cho trình huấn luyện  Xây dựng thành cơng ứng dụng hỗ trợ chẩn đốn nguy mắc bệnh đái tháo đƣờng, cho phép chuyên gia cập nhật liệu c ng nhƣ tri thức cho phép ngƣời sử dụng đƣợc hỗ trợ chẩn đoán bệnh ch thao tác giao diện đơn giản  Trong nghiên cứu ứng dụng mạng nơ-ron cho chẩn đốn xác định tình trạng bệnh hầu hết sử dụng mạng nơ-ron truyền thẳng sử dụng giải thuật lan truyền ngƣợc thông thƣờng, mô hình đề xuất đạt đƣợc đ xác cao cho b liệu huấn luyện, nhiên việc xác định mơ hình mạng c ng nhƣ lựa chọn thu c tính đầu vào ngẫu nhiên lựa chọn qua m t số lần kiểm thử Nghiên cứu đƣa phƣơng pháp lựa chọn tham số đầu vào xác định mơ hình mạng nơ-ron dựa sở tri thức tận dụng đƣợc lợi tri thức chuyên gia, nhờ đ xác cao đồng thời mơ hình có khả tự đ ng cải thiện tri thức chuyên gia thay can thiệp kĩ thuật  Có thể ứng dụng mơ hình c ng nhƣ phƣơng pháp nghiên cứu cho b liệu y tế khác lĩnh vực khác 5.2 Hƣớng phát triển  Đ xác mơ hình phụ thu c nhiều vào tri thức chuyên gia, bƣớc quản lý đánh giá tri thức cần đƣợc xử lý chặt chẽ để tránh lỗi sai logic  Chƣa có quy tắc để lựa chọn tự đ ng tham số cho mơ hình mạng nơron bao gồm: hàm kích hoạt, hàm mát, thuật tốn tối ƣu,  Ứng dụng mơ hình để xây dựng ứng dụng hỗ trợ y tế c ng nhƣ lĩnh vực khác 61 TÀI LIỆU THAM KHẢO [1] L Tan and K Ong, “The impact of medical technology on healthcare today,” Hong Kong Journal of Emergency Medicine, vol 9, p 6, 2002 [2] “Wikipedia.org.” [3] Y Chen, J Elenee Argentinis, and G Weber, “IBM Watson: How Cognitive Computing Can Be Applied to Big Data Challenges in Life Sciences Research,” Clinical Therapeutics, vol 38, no 4, pp 688–701, Apr 2016 [4] Q K Al-Shayea, “Artificial Neural Networks in Medical Diagnosis,” International Journal of Computer Science Issues, vol 8, no 2, p 6, 2011 [5] “https://data.world/uci/pima-indians-diabetes.” [6] Nguy n Đình Thuận, “Bài giảng: Các hệ sở tri thức.” 2011 [7] Phan Huy Khánh, Giáo Trình Hệ Chuyên Gia 2004 [8] K Gurney, An Introduction to Neural Networks University of Sheffield, 1997 [9] E O Olaniyi and K Adnan, “Onset Diabetes Diagnosis Using Artificial Neural Network,” presented at the International Journal of Scientific & Engineering Research, 2015, vol [10] W Aekplakorn et al., “A Risk Score for Predicting Incident Diabetes in the Thai Population,” Diabetes Care, vol 29, no 8, pp 1872–1877, Aug 2006 [11] D Noble, R Mathur, T Dent, C Meads, and T Greenhalgh, “Risk models and scores for type diabetes: systematic review,” BMJ, vol 343, Nov 2011 [12] Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning The MIT Press, 2016 [13] Jason Brownlee, “How to Control Neural Network Model Capacity With Nodes and Layers,” https://machinelearningmastery.com, Feb-2019 [14] G G Towell and Jude W Shavlik, “Knowledge-based artificial neural networks,” Artificial Intelligence, vol 70, no 1–2, pp 119–165, Oct 1994 [15] N Srivastava, G Hinton, A Krizhevsky, I Sutskever, and R Salakhutdinov, “Dropout: A Simple Way to Prevent Neural Networks from Overfitting,” p 30, 2014 62 [16] Z Soltani and A Jafarian, “A New Artificial Neural Networks Approach for Diagnosing Diabetes Disease Type II,” 2016 [17] O Erkaymaz, M Ozer, and M Perc, “Performance of small-world feedforward neural networks for the diagnosis of diabetes,” Applied Mathematics and Computation, vol 311, pp 22–28, Oct 2017 [18] M Dutt, V Nunavath, and M Goodwin, “A Multi-layer Feed Forward Neural Network Approach for Diagnosing Diabetes,” in 2018 11th International Conference on Developments in eSystems Engineering (DeSE), Cambridge, United Kingdom, 2018, pp 300–305 [19] Phạm Thị Hồng Nhung and Nguy n Khoa Diệu Vân, “Đánh giá mức đ đề kháng Insulin m t số yếu tố liên quan bệnh nhân đái tháo đƣờng thai kỳ,” Tạp chí Y Học Thực Hành, Jun 2019 [20] D Sisodia and D S Sisodia, “Prediction of Diabetes using Classification Algorithms,” Procedia Computer Science, vol 132, pp 1578–1585, 2018 [21] H Wu, S Yang, Z Huang, J He, and X Wang, “Type diabetes mellitus prediction model based on data mining,” Informatics in Medicine Unlocked, vol 10, pp 100–107, 2018 [22] S Srivastava, L Sharma, V Sharma, A Kumar, and H Darbari, “Prediction of Diabetes Using Artificial Neural Network Approach,” in Engineering Vibration, Communication and Information Processing, vol 478, K Ray, S N Sharan, S Rawat, S K Jain, S Srivastava, and A Bandyopadhyay, Eds Singapore: The International Conference On Engineering Vibration Communication and Information Processing, 2018, pp 679–687 [23] M A Sapon, K Ismail, and S Zainudin, “Prediction of Diabetes by using Artificial Neural Network,” presented at the International Conference on Circuits, System and Simulation, 2011 [24] G Serpen and D K Tekkedil, “A Knowledge-Based Artificial Neural Network for Pulmonary Embolism Diagnosis: Development and Conceptual Aspects,” Department of Electrical Engineering and Computer Science, p 7, 2008 [25] B Strack et al., “Impact of HbA1c Measurement on Hospital Readmission Rates: Analysis of 70,000 Clinical Database Patient Records,” in BioMed research international, 2014, vol 2014 63 [26] P S Sajja and D M Shah, “Knowledge based Diagnosis of Abdomen Pain using Fuzzy Prolog Rules,” presented at the Journal of Emerging Trends in Computing and Information Sciences, 2010, vol [27] K H Miao and J H., “Coronary Heart Disease Diagnosis using Deep Neural Networks,” ijacsa, vol 9, no 10, 2018 [28] Q K Al-Shayea and I S H Bahia, “Urinary System Diseases Diagnosis Using Artificial Neural Networks,” p 5, 2010 [29] H Kriplani, B Patel, and S Roy, “Prediction of Chronic Kidney Diseases Using Deep Artificial Neural Network Technique,” in Computer Aided Intervention and Diagnostics in Clinical and Medical Images, vol 31, J D Peter, S L Fernandes, C Eduardo Thomaz, and S Viriri, Eds Cham: Springer International Publishing, 2019, pp 179–187 [30] C C Geddes, J G Fox, M E Allison, J M Boulton-Jones, and K Simpson, “An artificial neural network can select patients at high risk of developing progressive IgA nephropathy more accurately than experienced nephrologists.,” Nephrology, dialysis, transplantation  : official publication of the European Dialysis and Transplant Association European Renal Association, vol 13, no 1, pp 67–71, 1998 [31] R M Rahman and F Afroz, “Comparison of Various Classification Techniques Using Different Data Mining Tools for Diabetes Diagnosis,” 2013 [32] A G Karegowda, A S Manjunath, and M A Jayaram, Application of Genetic Algorithm Optimized Neural Network Connection Weights for Medical Diagnosis of Pima Indians Diabetes 2011 [33] Charlie Xu, Stephone Christian, and Christina Pan, “Beating Diabetes: Predicting Early Diabetes Patient Hospital Readmittance to Help Optimize Patient Care,” Leland Stanford Junior University, Dec 2017 [34] T Goudjerkan and M Jayabalan, “Predicting 30-Day Hospital Readmission for Diabetes Patients using Multilayer Perceptron,” International Journal of Advanced Computer Science and Applications, vol 10, no 2, 2019 64 [35] H Temurtas, N Yumusak, and F Temurtas, “A comparative study on diabetes disease diagnosis using neural networks,” Expert Systems with Applications, vol 36, no 4, pp 8610–8615, May 2009 [36] S Raghavendra, J S Kumar, and K RaghavendraB, “Evaluating the Performance of Neural Network Using Feature Selection Methods on Pima Indian Diabetes Dataset,” 2018 [37] D K Choubey, S Paul, and V K Dhandhania, “GA_NN: An Intelligent Classification System for Diabetes,” in Soft Computing for Problem Solving, vol 817, J C Bansal, K N Das, A Nagar, K Deep, and A K Ojha, Eds Singapore: Springer Singapore, 2019, pp 11–23 [38] J Jayashree and S Ananda Kumar, “Evolutionary correlated gravitational search algorithm (ECGS) with genetic optimized Hopfield neural network (GHNN) – A hybrid expert system for diagnosis of diabetes,” Measurement, vol 145, pp 551–558, Oct 2019 [39] J S Majeed Alneamy, Z A Hameed Alnaish, S Z Mohd Hashim, and R A Hamed Alnaish, “Utilizing hybrid functional fuzzy wavelet neural networks with a teaching learning-based optimization algorithm for medical disease diagnosis,” Computers in Biology and Medicine, vol 112, p 103348, Sep 2019 65 ... XUẤT MƠ HÌNH HỆ THỐNG HỖ TRỢ CHẨN ĐOÁN BỆNH SỬ DỤNG MẠNG NEURAL 3.1 Mơ hình ứng dụng hỗ trợ chẩn đốn bệnh đái tháo đƣờng Kiến trúc mơ hình đề xuất cho ứng dụng hỗ trợ chẩn đoán bệnh ĐTĐ đƣợc... tiêu luận văn Luận văn đề xuất xây dựng hệ thống hỗ trợ chẩn đoán bệnh sử dụng mạng nơ-ron kết hợp với sở tri thức để hỗ trợ chẩn đoán bệnh đái tháo đƣờng  Đề xuất sử dụng mạng nơ-ron lan truyền... loại bệnh viêm thận 95 cho việc cho việc chẩn đoán bệnh tim [4] Luận văn nghiên cứu ứng dụng mạng nơ-ron nhân tạo cho việc xây dựng hệ thống hỗ trợ chẩn đoán bệnh đái tháo đƣờng (ĐTĐ) Bệnh ĐTĐ bệnh