Một phương pháp phân luồng người khám bệnh dựa trên học sâu và xử lý ngôn ngữ tự nhiên

Bài viết này đề xuất phương pháp dùng các giải thuật học sâu cho việc chẩn đoán ban đầu trong thử nghiệm nhận định một số bệnh. Phương pháp mà bài viết đề xuất ứng dụng các kỹ thuật xử lý ngôn ngữ tự nhiên đối với tiếng Việt trong việc xây dựng kho dữ liệu huấn luyện hệ thống học sâu từ các bệnh án cũng như dựa trên sự tư vấn của bác sĩ chuyên môn.
Nội dung trích xuất từ tài liệu:
Một phương pháp phân luồng người khám bệnh dựa trên học sâu và xử lý ngôn ngữ tự nhiên Hội nghị Quốc gia lần thứ 23 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2020) Một Phương Pháp Phân Luồng Người Khám Bệnh Dựa Trên Học Sâu Và Xử Lý Ngôn Ngữ Tự Nhiên Nguyễn Ngọc Duy, Huỳnh Trung Trụ, Huỳnh Thị Tuyết Trinh, Lưu Ngọc Diệp Khoa Công Nghệ Thông Tin II, Học Viện Công Nghệ Bưu Chính Viễn Thông cơ sở tại TP.HCM Email: duynn, truht, trinhhuynh, luungocdiep@ptithcm.edu.vn Abstract —Ứng dụng trí tuệ nhân tạo trong chẩn đoán ban Trong phần tiếp theo của bài báo này, các tác giả sẽ trìnhđầu tốt sẽ giúp quá trình khám và chữa bệnh. Nếu chẩn đoán ban bày một số công trình liên quan về học sâu và về y tế ở mục 2.đầu hiệu quả sẽ xác định được sớm trường hợp khám có dấu hiệu Mục 3 sẽ trình bày về phương pháp thực hiện từ quá trìnhbệnh nặng thì việc chữa trị sẽ gặp thuận lợi. Ngược lại, người chuyển đổi và xử lý dữ liệu đến các cấu hình của một số giảikhám sẽ không còn lo lắng hoặc chỉ cần khám tại các cơ sở ý tế thuật học sâu dùng trong thử nghiệm của bài báo. Mục 4 cácnhỏ tại địa phương, tránh được sự lãng phí và cũng góp phầngiảm tải cho bệnh viện trung tâm. Bài báo này đề xuất phương tác giả sẽ trình bày các kết quả đạt được và các ý kiến thảopháp dùng các giải thuật học sâu cho việc chẩn đoán ban đầu luận. Các tác giả sẽ trình bày những ý kiến kết quận và hướngtrong thử nghiệm nhận định một số bệnh. Phương pháp mà bài phát triển tiếp dựa trên kết quả đạt được từ bài báo này trongbáo đề xuất ứng dụng các kỹ thuật xử lý ngôn ngữ tự nhiên đối mục 5.với tiếng Việt trong việc xây dựng kho dữ liệu huấn luyện hệthống học sâu từ các bệnh án cũng như dựa trên sự tư vấn của II. CÁC CÔNG TRÌNH LIÊN QUANbác sĩ chuyên môn. Kết quả thử nghiệm với mô hình Ở công trình [10] các tác giả giới thiệu một mô hình họcConvolutional Neural Network (CNN), Long short-term memory sâu phân loại trẻ em khỏe mạnh hoặc có khả năng mắc chứng(LSTM), Bi-LSTM, CNN-Bi-LSTM và CNN-LSTM kết hợp làkhá tốt khi nhận định các loại bệnh viêm phổi, tiêu chảy, da liễu. tự kỷ. Mô hình các tác giả sử dụng là CNN kết hợp với mô hình MobileNet. Kết quả đạt được rất tốt, độ chính xác đạt Keywords- Corpus, Deep Learning, classification, CNN, 94,6%. Trong khi đó, Amjad Rehman [11] và các cộng sựConvolution Neural Network, Healthcare, Medicine, Physical phân loại bệnh bạch cầu mãn tính dòng tế bào lympho sử dụngexam, Examination. mô CNN phân loại ảnh chụp tế bào đạt độ chính xác 97.78%. Tiếp theo trong bài báo [12] tác giả sử dụng mô hình học sâu I. GIỚI THIỆU trong chẩn đoán ký sinh trùng đường ruột ở người, tác giả sử dụng mạng nơ-ron tính chập ConvNet với độ chính xác Ứng dụng các kỹ thuật trí tuệ nhân tạo trong lĩnh vựa y tế 96.49%. Trong bài báo [13] tác giả phát hiện và chẩn đoán sâuđã được quan tâm từ rất lâu. Nhu cầu xây dựng một hệ thống răng bằng cách sử dụng thuật toán mạng nơ-ron CNNs dựahỗ trợ chăm sóc sức khỏe hoặc thăm khám bệnh tự động là trên mô hình học sâu, với độ chính xác 95%.mong muốn rất lớn của mọi người. Với sự phát triển của khoa Các công trên đạt được độ chính xác rất cao khi giải quyếthọc máy tính, và nhất là sự phát triển của các phương pháp bài toán xác định một loại bênh cụ thể.học sâu, những công trình nghiên cứu nhằm đáp ứng nhu cầu Các giải thuật học sâu trong lĩnh vực xử lý ngôn ngữ tựnày càng trở nên được quan tâm hơn và cũng càng có cơ sở ...