Thanh bên bài viết
Số lượt xem pdf: 115
XÂY DỰNG MẠNG TƯƠNG TÁC Y HỌC SỬ DỤNG PHƯƠNG PHÁP HỌC MÁY
Nội dung chính của bài viết
Tóm tắt
Mạng tương tác y học là công cụ biểu diễn mối quan hệ phức tạp và đa chiều của các yếu tố y học. Việc xây dựng mạng theo con đường cổ điển thường bị hạn chế bởi lượng dữ liệu quá lớn và trên một lĩnh vực quá rộng. Gần đây, trí tuệ nhân tạo cho thấy là một phương pháp tiềm năng giải quyết vấn đề trên khi có thể xử lý một lượng thông tin khổng lồ trong thời gian ngắn. Trong nghiên cứu này, chúng tôi đề xuất một phương pháp xây dựng mạng tương tác sử dụng các phương pháp học máy. Cụ thể, các phương pháp xử lý văn bản được dùng để đọc các văn bản, sàng lọc các yếu tố y học. Quy trình đánh giá được xây dựng để lượng hoá mối quan hệ của các yếu tố. Kết quả phân tích thử nghiệm trên 97 tài liệu y văn với 76 nghìn trang và 32 triệu từ, chúng tôi lọc ra được và xây dựng mạng tương tác cho 438 yếu tố có giá trị thống kê cao nhất. Đánh giá mạng thông qua phân tích định tính tính hợp lý của các mối quan hệ như “bệnh - triệu chứng”, “triệu chứng – cơ quan” đã cho thấy sự tương thích cao với các tri thức y học hiện tại. Các kết quả này đã xác nhận sự phù hợp của mạng, cũng như tính khả dụng của mạng khi áp dụng vào các tác vụ phân tích trong y học. Xa hơn, kết quả này cũng góp phần thúc đẩy quá trình áp dụng trí tuệ nhân tạo vào y học.
Chi tiết bài viết
Từ khóa
mạng tương tác, trí tuệ nhân tạo, y học, học máy.
Tài liệu tham khảo
2. Prather, J C et al (1997). “Medical data mining: knowledge discovery in a clinical data warehouse.” Proceedings: a conference of the American Medical Informatics Association. AMIA Fall Symposium, 101-5
3. Cassam, Q (2017). Diagnostic error, overconfidence and self-knowledge. Palgrave Commun 3, 17025
4. Chang, Hyeong Soo, et al (2016). "Google DeepMind's AlphaGo: operations research's unheralded role in the path-breaking achievement." OR/MS Today, vol.43, no.5
5. Finlayson, S. G., LePendu, P., & Shah, N. H. (2014). Building the graph of medicine from millions of clinical narratives. Scientific Data, 1, 140032.
6. Sondhi, Parikshit & Sun, J. & Tong, Hanghang & Zhai, ChengXiang. (2012). SympGraph: A framework for mining clinical notes through symptom relation graphs. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
7. Ian Rogers (2005), The Google Pagerank Algorithm and How It Works, IPR Computing Ltd
8. Maya Rotmensch et al. (2017), Learning a Health Knowledge Graph from Electronic Medical Records, Sciencific report Journal - Volume 7 -Number 5994 - 36-37
9. Travis Goodwin et al, (2013), Automatic Generation of a Qualified Medical Knowledge Graph and its Usage for Retrieving Patient Cohorts from Electronic Medical Records, 2013 IEEE Seventh International Conference on Semantic Computing