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

Tác giả: Lê Trần Đạt

Lĩnh vực: Dược học

Nội dung tài liệu:

Khóa luận tốt nghiệp đại học ngành Dược học này tập trung vào việc ứng dụng trí tuệ nhân tạo (AI) để chẩn đoán bệnh lý tim mạch. 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). Mục tiêu là đánh giá và so sánh hiệu quả của các mô hình này với các phương pháp truyền thống, giải thích quá trình xử lý dữ liệu để đánh giá tính tối ưu của mô hình, và xác định ảnh hưởng của dữ liệu đầu vào đến kết quả chẩn đoán.

Nghiên cứu nhấn mạnh những khó khăn trong chẩn đoán bệnh tim mạch hiện nay như tình trạng bệnh nhân đến viện muộn, yêu cầu chuyên môn cao, tốn thời gian, và hạn chế về cơ sở vật chất. Trí tuệ nhân tạo được xem là giải pháp tiềm năng để khắc phục những hạn chế này, mang lại khả năng chẩn đoán nhanh chóng và chính xác.

Đặc biệt, nghiên cứu ứng dụng lý thuyết Dempster-Shafer, một lý thuyết được phát triển từ lý thuyết Bayes, có khả năng xử lý sự không chắc chắn của dữ liệu và bằng chứng, rất phù hợp với dữ liệu y khoa thực tế. Lý thuyết này cũng cho phép xây dựng phép kết hợp các mô hình, ngay cả khi các mô hình đó được xây dựng từ các nguồn dữ liệu hoặc lý thuyết thống kê khác nhau.

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 [po, 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