Chia sẻ bài báo qua Email ỨNG DỤNG HỆ SUY DIỄN MỜ PHỨC TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH XƠ GAN
Thông tin bài báo
Ngày nhận bài: 06/02/20 Ngày hoàn thiện: 29/04/20 Ngày đăng: 11/05/20Các tác giả
1. Trần Thị Ngân
, Học viện Khoa học và Công nghệ - Viện hàn lâm Khoa học và Công nghệ Việt Nam,
Viện Công nghệ thông tin - Viện hàn lâm Khoa học và Công nghệ Việt Nam,
Trường Đại học Thủy lợi2. Nguyễn Thị Dung, Trường Đại học Công nghệ thông tin và truyền thông - ĐH Thái Nguyên
3. Nguyễn Long Giang, Viện Công nghệ thông tin - Viện hàn lâm Khoa học và Công nghệ Việt Nam,
4. Trần Mạnh Tuấn, Trường Đại học Thủy lợi
Tóm tắt
Bài toán chẩn đoán bệnh là bài toán phổ biến trong y học. Việc chẩn đoán đúng và chính xác có ý nghĩa quan trọng trong việc điều trị của bệnh nhân. Chẩn đoán sớm và chính xác giúp việc điều trị có hiệu quả cao với chi phí thấp hơn rất nhiều. Có nhiều nghiên cứu đưa ra các phương pháp chẩn đoán bệnh sử dụng trí tuệ nhân tạo và học máy. Ngoài ra, lý thuyết tập mờ và logic mờ cũng có vai trò to lớn trong việc giải quyết bài toán chẩn đoán bệnh. Trong bài báo này, chúng tôi giới thiệu một phương pháp dựa trên lý thuyết về tập mờ phức để xây dựng hệ hỗ trợ ra quyết định. Từ đó xây dựng ứng dụng để giải bài toán chẩn đoán bệnh xơ gan trên bộ dữ liệu thực tế được thu thập từ các bệnh viện ở Thái Nguyên. Kết quả thực nghiệm chỉ ra rằng, mô hình đề xuất có kết quả hỗ trợ chẩn đoán cao hơn các phương pháp FMNN, SVM, FIS, FLT được so sánh.
Từ khóa
Toàn văn:
PDFTài liệu tham khảo
[1]. K. K. Oad, X. DeZhi, and P. K. Butt, “A Fuzzy Rule Based Approach to Predict Risk Level of Heart Disease,” Global Journal of Computer Science and Technology, vol. 14, no. 3, pp. 16-22, 2014.
[2]. E. Ramírez, O. Castillo, and J. Soria, Hybrid System for Cardiac Arrhythmia Classification with Fuzzy K-Nearest Neighbors and Neural Networks Combined by a Fuzzy Inference System, In Soft Computing for Recognition Based on Biometrics, Springer Berlin Heidelberg, pp. 37-55, 2010.
[3]. L. H. Son, T. M. Tuan, H. Fujita, N. Dey, A. S. Ashour, V. T. N. Ngoc, and D. T. Chu, “Dental diagnosis from X-Ray images: An expert system based on fuzzy computing,” Biomedical Signal Processing and Control, vol. 39, pp. 64-73, 2018.
[4]. J. Shell, and S. Coupland, “Fuzzy transfer learning: methodology and application,” Information Sciences, vol. 293, pp. 59-79, 2015.
[5]. D. Ramot, R. Milo, M. Friedman, and A. Kandel, “Complex fuzzy sets,” IEEE Transactions on Fuzzy Systems, vol. 10, no. 2, pp. 171-186, 2002.
[6]. D. Ramot, M. Friedman, G. Langholz, and A. Kandel, “Complex fuzzy logic,” IEEE Transactions on Fuzzy Systems, vol. 11, no. 4, pp. 450-461, 2003.
[7]. J. J. Buckley, “Fuzzy complex analysis II: integration,” Fuzzy Sets and Systems, vol. 49, no. 2, pp. 171-179, 1992.
[8]. Z. Guang-Quan, “Fuzzy limit theory of fuzzy complex numbers,” Fuzzy Sets and Systems, vol. 46, no. 2, pp. 227-235, 1992.
[9]. X. Ma, J. Zhan, M. Khan, M. Zeeshan, S. Anis, and A. S. Awan, “Complex fuzzy sets with applications in signals,” Computational and Applied Mathematics, vol. 38, no. 4, p. 150, 2019.
[10]. H. Garg, and D. Rani, “A robust correlation coefficient measure of complex intuitionistic fuzzy sets and their applications in decision-making,” Applied Intelligence, vol. 49, no. 2, pp. 496-512, 2019.
[11]. L. Y. Wei, T. L. Chen, and T. H. Ho, “A hybrid model based on adaptive-network-based fuzzy inference system to forecast Taiwan stock market,” Expert Systems with Applications, vol. 38, no. 11, pp. 13625-13631, 2011.
[12]. J. S. Jang, “ANFIS: adaptive-network-based fuzzy inference system,” IEEE transactions on systems, man, and cybernetics, vol. 23, no. 3, pp. 665-685, 1993.
[13]. G. Selvachandran, S. G. Quek, L. T. H. Lan, N. L. Giang, W. Ding, M. Abdel-Basset, and V. H. C. Albuquerque, “A New Design of Mamdani Complex Fuzzy Inference System for Multi-attribute Decision Making Problems,” IEEE Trans. Fuzzy Syst., 2019, doi:10.1109/TFUZZ.2019.2961350
[14]. R. J. Hyndman, and A. B. Koehler, “Another look at measures of forecast accuracy,” International journal of forecasting, vol. 22, no. 4, pp. 679-688, 2006.
[15]. C. Cortes, and V. Vapnik, “Support-vector networks,” Machine Learning, vol. 20, no. 3, pp. 273-297, 1995.
[16]. T. N. Tran, D. M. Vu, M. T. Tran, and B. D. Le, “The Combination of Fuzzy Min–Max Neural Network and Semi-supervised Learning in Solving Liver Disease Diagnosis Support Problem,” Arabian Journal for Science and Engineering, vol. 44, no. 4, pp. 2933-2944, 2018.
[17]. T. N. Tran, T. D. Nguyen, M. T. Tran, T. H. L. Luong, “Fuzzy transfer learning model in cirrhosis diagnosis support,” Journal of Science and Technology, vol. 189, no. 13, pp. 93-98, 2018.Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu