Khóa luận tốt nghiệp: Chẩn đoán bệnh lý tim mạch dựa trên dữ liệu thăm khám lâm sàng, cận lâm sàng bằng trí tuệ nhân tạo

Giới thiệu

Tên đề tài: Khóa luận tốt nghiệp: Chẩn đoán bệnh lý tim mạch dựa trên dữ liệu thăm khám lâm sàng, cận lâm sàng bằng trí tuệ nhân tạo

Ngành: Dược học

Tóm tắt nội dung tài liệu:

Khóa luận này tập trung nghiên cứu ứng dụng trí tuệ nhân tạo (AI) để chẩn đoán bệnh lý tim mạch, một vấn đề sức khỏe cộng đồng nghiêm trọng. Do những khó khăn trong chẩn đoán truyền thống như bệnh nhân đến muộn, quy trình phức tạp và yêu cầu chuyên môn cao, việc áp dụng AI được xem là giải pháp tiềm năng để chẩn đoán nhanh chóng và chính xác hơn. Nghiên cứu đề xuất xây dựng mô hình phân loại nhị phân và phép kết hợp mô hình dựa trên lý thuyết Dempster-Shafer (DST), nhằm khắc phục hạn chế của các phương pháp truyền thống, đặc biệt là khả năng xử lý dữ liệu không chắc chắn và thiếu sót, vốn phổ biến trong lĩnh vực y khoa.

Nghiên cứu bao gồm các phần chính:

• Tổng quan về hệ tim mạch, bệnh lý mạch vành, các yếu tố nguy cơ và phương pháp chẩn đoán hiện tại.
• Giới thiệu về trí tuệ nhân tạo và ứng dụng trong y học, tập trung vào lý thuyết Dempster-Shafer.
• Trình bày đối tượng, phương pháp nghiên cứu, bao gồm các bước tiền xử lý dữ liệu, lựa chọn mô hình (logistic regression, DST) và phương pháp đánh giá.
• Trình bày kết quả nghiên cứu, bao gồm kết quả của từng mô hình và phép kết hợp.
• Thảo luận, so sánh kết quả với các nghiên cứu trước đó và phân tích ảnh hưởng của dữ liệu thiếu.
• Đưa ra kết luận về hiệu quả của việc ứng dụng DST trong chẩn đoán bệnh lý tim mạch và đề xuất hướng nghiên cứu trong tương lai.

Mục lục chi tiết:

• MỞ ĐẦU
• CHƯƠNG 1: TỔNG QUAN TÀI LIỆU
  • 1.1. Cấu tạo hệ tim mạch
  • 1.2. Bệnh lý mạch vành
    • 1.2.1. Tổng quan về bệnh lý mạch vành
    • 1.2.2. Các yếu tố nguy cơ của bệnh lý mạch vành
    • 1.2.3. Chẩn đoán bệnh lý mạch vành
  • 1.3. Trí tuệ nhân tạo và ứng dụng trong y học
  • 1.4. Lý thuyết bằng chứng Dempster - Shafer
  • 1.5. Các nghiên cứu liên quan
• CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
  • 2.1. Đối tượng nghiên cứu
  • 2.2. Số mẫu và phương pháp lấy mẫu
  • 2.3. Nội dung nghiên cứu
  • 2.4. Phương pháp nghiên cứu
    • 2.4.1. Tiền xử lý dữ liệu
    • 2.4.2. Các mô hình sử dụng
    • 2.4.3. Phương pháp đánh giá
• CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
  • 3.1. Kết quả mô hình mô hình xây dựng dựa trên lý thuyết DST
    • 3.1.1. Tối ưu hóa p{0;1} (uncertainty) bằng gradient descent
    • 3.1.2. Tối ưu hóa [p0, p1] bằng gradient descent
  • 3.2. Kết quả mô hình logistic regression cho các biến phân loại
  • 3.3. Kết quả kết hợp mô hình
• CHƯƠNG 4: BÀN LUẬN
  • 4.1. Đánh giá mô hình và phép kết hợp mô hình
    • 4.1.1. Mô hình logistic regression
    • 4.1.2. Mô hình xây dựng dựa trên DST
    • 4.1.3. Kết hợp mô hình
  • 4.2. Đánh giá các tham số của mô hình dựa theo DST
    • 4.2.1. Phương pháp tối ưu hóa p{0;1}
    • 4.2.1. Phương pháp tối ưu hóa [p0, p1]
  • 4.3. Đánh giá ảnh hưởng của dữ liệu thiếu tới mô hình
  • 4.4. So sánh với các nghiên cứu đã thực hiện trên thế giới
    • 4.4.1. Bộ dữ liệu
    • 4.4.2. Kết quả nghiên cứu
  • 4.5. Một số điểm hạn chế của nghiên cứu
  • 4.6. Ý nghĩa của nghiên cứu
• KẾT LUẬN
  • 1. Đánh giá ứng dụng DST trong xây dựng mô hình chẩn đoán
  • 2. Đánh giá ứng dụng DST trong kết hợp mô hình chẩn đoán
  • 3. Kết luận
  • 4. Hướng nghiên cứu tương lai
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC