Tên đề tài:
Chẩn đoán bệnh lý mạch vành bằng phương pháp kết hợp bằng chứng sử dụng lý thuyết Dempster Shafer
Ngành:
Dược học
Tóm tắt nội dung tài liệu:
Luận văn tập trung nghiên cứu về bệnh lý tim mạch (CVDs), nguyên nhân hàng đầu gây bệnh tật và tử vong trên toàn cầu, đặc biệt nhấn mạnh tình hình tại Việt Nam. Nhu cầu cấp thiết về phát hiện và chẩn đoán sớm bệnh tim mạch được đặt ra. Đề tài đề xuất ứng dụng trí tuệ nhân tạo (AI), cụ thể là lý thuyết Dempster Shafer (DST) trong việc kết hợp bằng chứng để chẩn đoán bệnh lý tim mạch. Lý thuyết DST được lựa chọn vì khả năng mô phỏng hành vi phân tích của con người và xử lý thông tin không chắc chắn, vượt trội hơn so với các phương pháp truyền thống dựa trên xác suất thống kê kinh điển như Bayes.
Mục tiêu chính của nghiên cứu bao gồm:
- Xây dựng mô hình chẩn đoán bệnh lý tim mạch sử dụng AI và lý thuyết Dempster Shafer để tích hợp các bằng chứng.
- So sánh hiệu quả chẩn đoán của mô hình mới với các mô hình sử dụng lý thuyết Bayes truyền thống.
Nghiên cứu cung cấp cái nhìn tổng quan về sinh lý, giải phẫu tim mạch, các bệnh lý liên quan như hội chứng mạch vành mạn và cấp, đồng thời giới thiệu về trí tuệ nhân tạo, học máy và quy trình ứng dụng AI trong chẩn đoán lâm sàng.
Mục lục chi tiết:
- CHƯƠNG 1: TỔNG QUAN
- 1.1. Sinh lý tim mạch và giải phẫu tim mạch
- 1.1.1. Hình thể bên trong của tim
- 1.1.2. Cấu tạo của tim
- 1.2. Bệnh động mạch vành
- 1.2.1. Sinh lý bệnh của bệnh động mạch vành
- 1.2.2. Nguyên nhân gây bệnh động mạch vành
- 1.2.3. Hội chứng mạch vành mạn
- 1.2.3.1. Định nghĩa
- 1.2.3.2. Lâm sàng và cận lâm sàng
- 1.2.4. Hội chứng mạch vành cấp
- 1.2.4.1. Hội chứng mạch vành cấp không có ST chênh lên
- 1.2.4.2. Hội chứng nhồi máu cơ tim cấp có ST chênh lên
- 1.3. Trí tuệ nhân tạo
- 1.3.1. Khái niệm
- 1.3.2. Tổng quan về lịch sử ngành trí tuệ nhân tạo trong y học và thách thức cần vượt qua
- 1.3.3. Học máy và hướng đi triển vọng giải quyết các vấn đề đặt ra
- 1.3.4. Quy trình làm việc khi áp dụng trí tuệ nhân tạo vào chẩn đoán lâm sàng
- 1.4. Lý thuyết kết hợp bằng chứng Dempster Shafer theory
- 1.4.1. Khái niệm lý thuyết Dempster Shafer
- 1.4.2. Luật kết hợp – Dempster's Rule
- 1.4.3. So sánh thuyết Dempster Shafer với thuyết Bayes
- 1.5. Các nghiên cứu liên quan
- CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
- 2.1. Đối tượng nghiên cứu
- 2.2. Phương pháp nghiên cứu
- 2.2.1. Tiền xử lý dữ liệu
- 2.2.2. Dempster Shafer Theory
- 2.2.3. Phương pháp Bayes classification (Logistics regression)
- 2.2.4. Kiểm tra chéo (Cross-validation)
- 2.2.5. Tối ưu hóa sườn dốc (Gradient descent)
- 2.2.6. Ma trận nhiễu (Confusion matrix)
- CHƯƠNG 3: KẾT QUẢ
- 3.1. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần uncertainty bằng gradient descent (DST + GD [p])
- 3.2. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần khả năng bị bệnh và không bị bệnh của mỗi triệu chứng bằng gradient descent (DST + GD [po, P1])
- 3.3. Mô hình sử dụng lý thuyết xác suất Bayes kết hợp Logistic Regression
- 3.4. Bộ trọng số đối với khả năng không bị bệnh, khả năng bị bệnh và không xác định sau khi chạy gradient descent
- CHƯƠNG 4: BÀN LUẬN
- 4.1. Hai mô hình sử dụng Dempster Shafer Theory
- 4.1.1. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần uncertainty bằng gradient descent (DST + GD [p])
- 4.1.2. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần khả năng bị bệnh và không bị bệnh của mỗi triệu chứng bằng gradient descent (DST + GD [po, P1])
- 4.1.3. Hạn chế và tiềm năng của mô hình sử dụng thuật toán Dempster Shafer Theory
- 4.2. So sánh kết quả giữa hai mô hình sử dụng Dempster Shafer Theory và mô hình sử dụng lý thuyết xác suất Bayes kết hợp Logistic Regression
- KẾT LUẬN
- 1. Thuật toán Dempster Shafer
- 2. Hạn chế của nghiên cứu
- 3. Đề xuất của nhóm nghiên cứu
- TÀI LIỆU THAM KHẢO