Bộ phân lớp dựa trên suy diễn nơ-ron mờ thích nghi với tính diễn giải được cho chẩn đoán bệnh ung thư
146 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE6.2022.56-64Từ khóa:
Mạng nơ-ron mờ; Attention; iANFIS; AI diễn giải được; Chẩn đoán ung thư.Tóm tắt
Phân tích kết quả lâm sàng sử dụng dữ liệu y tế của bệnh nhân tạo điều kiện thuận lợi cho việc ra quyết định lâm sàng và tăng độ chính xác của tiên lượng. Gần đây, học sâu (DL) với tính năng học tập dữ liệu lớn đã cho thấy độ chính xác cấp chuyên gia trong việc dự đoán kết quả lâm sàng. Tuy nhiên, nhiều mô hình học máy tinh vi này thiếu khả năng diễn giải, tạo ra các vấn đề liên quan đến chăm sóc sức khỏe đáng tin cậy. Điều này đòi hỏi sự cần thiết của các hệ thống AI có thể diễn giải có khả năng giải thích các quyết định của chúng. Về mặt này, bài báo đề xuất một bộ phân loại có thể diễn giải của phương pháp suy luận nơ-ron mờ thích nghi (iANFIS), kết hợp hệ thống suy luận mờ với trich chọn luật mờ bằng cơ chế attention. Quá trình xử lý dựa trên luật của ANFIS giúp người dùng hiểu được hành vi của mô hình được đề xuất. Luật mờ được kích hoạt và các tính năng đầu vào quan trọng nhất giúp dự đoán kết quả được xác định bởi bộ chọn luật mờ dựa trên attention. Chúng tôi tiến hành hai thử nghiệm với hai bộ dữ liệu chẩn đoán ung thư để xác minh hiệu suất của iANFIS được đề xuất. Bằng cách sử dụng phương pháp loại bỏ quy tắc đệ quy (RRE) để loại bỏ các quy tắc mờ, độ phức tạp của mô hình được giảm đáng kể trong khi vẫn duy trì hiệu năng của hệ thống khiến nó dễ diễn giải hơn.
Tài liệu tham khảo
[1]. K. Kourou, T. P. Exarchos, K. P. Exarchos, M. V. Karamouzis, and D. I. Fotiadis, “Machine learning applications in cancer prognosis and prediction,” Computational and structural biotechnology journal, vol. 13, pp. 8–17, (2015). DOI: https://doi.org/10.1016/j.csbj.2014.11.005
[2]. P. Danaee, R. Ghaeini, and D. A. Hendrix, “A deep learning approach for cancer detection and relevant gene indentification.” Pac. Symp. Biocomput., vol. 22, pp. 219–229, (2017).
[3]. J. Grundner, H. U. Prokosch, M. St??rzl, R. Croner, J. Christoph, and D. Toddenroth, “Predicting clinical outcomes in colorectal cancer using machine learning.” Stud Health Technol Inform, vol. 247, pp. 101–105, (2018).
[4]. R. Al-Bahrani, A. Agrawal, and A. Choudhary, “Survivability prediction of colon cancer patients using neural networks,” Health Informatics J., (2017). DOI: https://doi.org/10.1177/1460458217720395
[5]. K. M. Yang, C. S. Yu, J. L. Lee, C. W. Kim, Y. S. Yoon, I. J. Park, S.-B. Lim, S. H. Park, B. D. Ye, S.-K. Yang, and J. C. Kim, “Risk factors for postoperative recurrence after primary bowel resection in patients with crohn??s disease,” World J Gastroenterol., vol. 23, no. 38, p. 7016??7024, (2017). DOI: https://doi.org/10.3748/wjg.v23.i38.7016
[6]. S. Guillaume, “Designing fuzzy inference systems from data: An interpretability-oriented review,” IEEE Transactions on fuzzy systems, vol. 9, no. 3, pp. 426–443, (2001). DOI: https://doi.org/10.1109/91.928739
[7]. J.-S. Jang, “Anfis: adaptive-network-based fuzzy inference system” IEEE transactions on systems, man, and cybernetics, vol. 23, pp. 665–685, (1993). DOI: https://doi.org/10.1109/21.256541
[8]. T. Takagi and M. Sugeno, “Fuzzy Identification of Systems and Its Applications to Modeling and Control,” IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-15, no. 1, pp. 116–132, (1985). DOI: https://doi.org/10.1109/TSMC.1985.6313399
[9]. M.-T. Luong, H. Pham, and C. D. Manning, “Effective approaches to attention-based neural machine translation,” arXiv preprint arXiv:1508.04025, (2015). DOI: https://doi.org/10.18653/v1/D15-1166
[10]. D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” arXiv preprint arXiv:1412.6980, (2014).
[11]. T. Akiba, S. Sano, T. Yanase, T. Ohta, and M. Koyama, “Optuna: A next-generation hyperparameter optimization framework,” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 2623–2631, (2019). DOI: https://doi.org/10.1145/3292500.3330701
[12]. G. E. Batista, R. C. Prati, and M. C. Monard, “A study of the behavior of several methods for balancing machine learning training data,” ACM SIGKDD explorations newsletter, vol. 6, no. 1, pp. 20–29, (2004). DOI: https://doi.org/10.1145/1007730.1007735
[13]. K. Bache and M. Lichman, “Uci machine learning repository,” (2013).
