Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị

113 3 0
  • Loading ...
1/113 trang
Tải xuống

Thông tin tài liệu

Ngày đăng: 02/01/2019, 10:31

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP.HCM NGUYỄN VŨ MINH DUY ÁP DỤNG KHAI THÁC TẬP PHỔ BIẾN TỐI ĐẠI ĐỂ PHÁT TRIỂN HỆ HỖ TRỢ QUYẾT ĐỊNH CHẨN ĐOÁN ĐIỀU TRỊ LUẬN VĂN THẠC SĨ Chuyên ngành: Công nghệ thông tin Mã ngành: 60480201 TP HỒ CHÍ MINH, tháng năm 2017 i BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP.HCM NGUYỄN VŨ MINH DUY ÁP DỤNG KHAI THÁC TẬP PHỔ BIẾN TỐI ĐẠI ĐỂ PHÁT TRIỂN HỆ HỖ TRỢ QUYẾT ĐỊNH CHẨN ĐOÁN ĐIỀU TRỊ LUẬN VĂN THẠC SĨ Chuyên ngành: Công nghệ thông tin Mã ngành: 60480201 CÁN BỘ HƯỚNG DẪN KHOA HỌC: PGS.TS QUẢN THÀNH THƠ TP HỒ CHÍ MINH, tháng năm 2017 ii CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC CƠNG NGHỆ TP HCM Cán hướng dẫn khoa học : PGS.TS Quản Thành Thơ Luận văn Thạc sĩ bảo vệ Trường Đại học Công nghệ TP HCM ngày 23 tháng năm 2017 Thành phần Hội đồng đánh giá Luận văn Thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ Luận văn Thạc sĩ) S C T h T1 T ứ S 2V P Phản G biện S T Phản S biện L 4T S 5L T Ủ S viên, N nhận T Chủ tịch Hội đồng đánh giá Luận sau Luận văn Xác sửa chữa (nếu có) Chủ tịch Hội đồng đánh giá LV TS.Vũ Thanh Hiền TRƯỜNG ĐH CƠNG NGHỆ TP HCM CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM PHÒNG QLKH – ĐTSĐH Độc lập – Tự – Hạnh phúc TP HCM, ngày 25 tháng 03 năm 2017 NHIỆM VỤ LUẬN VĂN THẠCHọ tên học viên: Nguyễn Vũ Minh Duy tháng, năm sinh: 05/08/1983 ngành: Cơng nghê thơng tin Giới tính: Nơi sinh: MSHV: Nam Ngày, Đồng tháp Chuyên 1441860042 I- Tên đề tài: Áp dụng khai thác tập phổ biến tối phát triển hệ hỗ trợ định chẩn đoán điều trị II- Nhiệm vụ nội dung: Nghiên cứu cách thức sử dụng triệu chứng hỗ trợ cho bác sĩ định chẩn đoán bệnh Nghiên cứu giải thuật tập phổ biến tối đại khai thác liệu Phát triển hệ thống hỗ trợ định chẩn đoán điều trị dựa thuật toán khai thác tập phổ biến tối đại Hiện thực hệ thống thành phân hệ ứng dụng (mơ đun) tích hợp vào phần mềm quản lý khám bệnh, để hỗ trợ định chẩn đoán điều trị trình khám chữa bệnh bác sĩ III- Ngày giao nhiệm vụ: 23/01/2016 IV- Ngày hoàn thành nhiệm vụ: 30/03/2017 V- Cán hướng dẫn: PGS.TS Quản Thành Thơ CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) PGS.TS Quản Thành Thơ KHOA QUẢN LÝ CHUYÊN NGÀNH (Họ tên chữ ký) i LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi hướng dẫn khoa học PGS.TS Quản Thành Thơ Các số liệu, kết nêu Luận văn trung thực chưa công bố cơng trình khác Tơi xin cam đoan giúp đỡ cho việc thực Luận văn cảm ơn thông tin trích dẫn Luận văn rõ nguồn gốc Học viên thực Luận văn (Ký ghi rõ họ tên) Nguyễn Vũ Minh Duy ii LỜI CÁM ƠN Lời đầu tiên, với lòng biết ơn sâu sắc, xin chân thành cảm ơn đến quý Thầy, Cơ giảng viên đặc biệt PGS.TS Võ Đình Bảy, q Thầy Cơ Phòng Quản Lý Khoa Học- Đào Tạo Sau Đại Học bạn bè trường Đại Học Cơng Nghệ Hutech tận tình truyền đạt cho học viên kiến thức quý báu suốt trình học tập, nghiên cứu rèn luyện để tơi hồn thành tốt khóa học Tơi xin gửi lời cảm ơn chân thành đến TS Bs Võ Thành Liêm giảng viên Khoa Y học gia đình, trường Đại học y Phạm Ngọc Thạch nhiều bác sĩ đồng nghiệp Y khoa hướng dẫn thêm kiến thức chuyên ngành y việc chẩn đoán khám chữa bệnh để hồn thành kết nghiên cứu Tơi xin chân thành cảm ơn Ơng Nguyễn Duy Nam Tổng Giám đốc Cơng ty Tin học PowerSoft (PowerSoft.vn) tạo điều kiện cho phép tơi tích hợp phân hệ ứng dụng vào phần mềm quản lý phòng khám cơng ty để đưa vào áp dụng thực tiễn Bên cạnh đó, tơi chân thành cảm ơn PGS.TS Quản Thành Thơ người Thầy đã tận tâm truyền đạt kiến thức, dành nhiều thời gian giảng dạy hướng dẫn trình nghiên cứu chun mơn để hồn thành Luận văn cách tốt Cuối cùng, tơi xin gửi đến bạn bè, đồng nghiệp tạo điều kiện thuận lợi mặt trình học tập nghiên cứu mình, thành cơng Luận văn không nhắc đến người thân gia đình ln ln chia sẽ, động viên, giúp tơi có động lực vượt qua thời điểm khó khăn TP Hồ Chí Minh, ngày 30 tháng 03 năm 2017 (Họ tên tác giả Luận văn) Nguyễn Vũ Minh Duy TÓM TẮT Trong vấn đề khai thác liệu nhiều nhà khoa học quan tâm tìm kiếm tập phổ biến, nhiều loại sở liệu đặc thù có ngưỡng phổ biến (minsupp) q thấp có mật độ tập phổ biến nhiều ngược lại ngưỡng phổ biến cao tập phổ biến gần khơng có, nên có nhiều phương pháp phân tích xem xét vấn đề trên, từ thuật tốn tìm tập phổ biến tối đại đề xuất Hiện với nguồn liệu triệu chứng bệnh có mối quan hệ với bệnh lý bệnh nhân phát triển lớn nhanh,vì hàng năm bệnh viện phải tổ chức lưu trữ nguồn liệu phát triển số lượng bệnh nhân đơng Từ với nguồn sở liệu lớn có nhiều chiến lược, phương pháp để xây dựng hệ hỗ trợ định lịnh vực y tế Vấn đề tìm triệu chứng bệnh phổ biến liên quan đến nhiều mặt bệnh nhằm hỗ trợ bác sĩ đưa định chẩn đốn bệnh tốt cho bệnh nhân, từ học viên đề xuất áp dụng thuật tốn tìm tập phổ biến tối đại vào toán đề tài Học viên áp dụng thuật toán MAFIA để áp dụng vào mục tiêu đề tài với kỹ thuật xếp tăng dần theo độ hỗ trợ (Dynamic Recording) nhiều chiến lược tỉa nhánh PEP, FHUT,HUTMFI nhằm mục đích tìm tập phổ biến tối đại triệu chứng bệnh để áp dụng vào hệ hỗ trợ định chẩn đoán điều trị cung cấp cho bác sĩ định điều trị cho người bệnh ABSTRACT Looking for frequent itemsets is currently interested by too many scientists, In the issue of data mining is currently interested many scientists are seeking frequent itemstes, but for many type-specific database with common threshold (minsupp) is too low, the set density too much popular or vice versa common threshold set too high, too little common or almost no, so there are many methods of analysis to consider the issue, from which the search algorithm of maximal common practice has proposed Currently the data sources symptoms have a relationship with the patient's pathology grow big and fast, because every year the hospital to organize archive data sources grows as the number of patients from east than From there to the source database so big there are strategies and methods to build decision support systems in the medical field Problem finding out the most common symptoms related to the disease to support many doctors make decisions to better diagnose patients, from which students apply the algorithm proposed finding common practice maximal in math topic Students apply MAFIA algorithm to apply to the target with the technical topics sorted in ascending order of magnitude supports (Dynamic Recording) and pruning strategies such as PEP, FHUT, HUTMFI aims to find common practice maximal symptoms for application in a decision support system diagnosis and treatment give doctors treatment decisions for patients MỤC LỤC DANH MỤC CÁC BẢNG xi MỞ ĐẦU 1 Lý chọn đề tài Nội dung nghiên cứu 3 Mục tiêu nghiên cứu Đối tượng nghiên cứu Phạm vi nghiên cứu Phương pháp nghiên cứu Cấu trúc luận văn Chương 01: GIỚI THIỆU TỔNG QUAN 1.1 Các khái niệm định nghĩa 1.2 Tổng quan khai thác tập phổ biến luật kết hợp 10 1.3 Hệ chuyên gia lĩnh vực y tế 14 1.4 Kết luận chương 01 17 Chương 02: KHAI THÁC TẬP PHỔ BIẾN TỐI ĐẠI 18 2.1 Tổng quát khai thác tập phổ biến tối đại 18 2.2 Thuật tốn tìm kiếm theo chiều rộng Apriori 19 2.3 Thuật tốn tìm kiếm theo chiều rộng Max-Miner 24 2.4 Thuật tốn tìm kiếm theo chiều sâu GENMAX 27 2.5 Thuật tốn tìm kiếm theo chiều sâu FPMAX 31 2.6 Thuật tốn tìm kiếm theo chiều sâu MAFIA 36 2.7 Thuật toán mở rộng xMAFIA (Extention MAFIA): 51 2.8 Kết luận chương 02 55 CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ 59 3.1 Mơi trường thực nghiệm thuật tốn 59 3.2 Kết thực nghiệm giải thuật CSDL 62 3.3 Mô đun hệ hỗ trợ định chẩn đoán bệnh CSDL 65 3.3.1 Qui trình khám chữa bệnh cho bệnh nhân đến khám bệnh: 65 3.3.2 Mô đun độc lập hỗ trợ định chẩn đoán bệnh: 70 3.3.3 Tích hợp mơ đun hỗ trợ định chẩn đoán bệnh vào phần mềm quản lý phòng khám: 77 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 81 #2 #3 Hình 3.9 Hình mơ tả thao tác thực giao diện website Bước 1:  Ta chọn tập CSDL giao dịch bệnh CSDL bác sĩ khám bệnh cho bệnh nhân ghi nhận triệu chứng mã hoá theo định dạng   Chọn giải thuật cần thực : xMAFIA, MAFIA, FP-MAX Chọn độ hỗ trợ minsupp  Chọn tên bệnh theo CSDL giao dịch bệnh: từ chọn tên bệnh ứng dụng CSDL triệu chứng liên quan mặt bệnh hình 3.6, phần mềm mã hoá lại triệu chứng theo danh mục Bước 2: hình trả kết trả tập phổ biến tối đại triệu chứng có liên quan tới mặt bệnh chọn bước Tiếp tục ta huấn luyện hay cho chạy tiếp tục tập CSDL giao dịch bệnh khác hình 3.10 Bước 3:  Ta truyền giá trị mã triệu chứng vào địa ví dụ : https://mfisalgorithms.herokuapp.com/mfi/predict?symptoms=19,13,27,12,14, phần phía sau địa 19,13,27,12,14 mã triệu chứng người dùng nhập vào Giao diện website trả giá trị [{"id":4,"name":"A01.00","normalizedName":"A01.00","detail":"Thương hàn không xác định","confidence":0.29184298113207546}]  Bệnh A01.00-Thương hàng khơng xác định có độ tin cậy confidence= 0.29184298113207546  Từ bác sĩ chọn bệnh A01.00 để tham khảo thêm triệu chứng liên quan mặt bệnh Sau giao diện kết trả ta chạy 10 tập CSDL giao dịch bệnh bảng 3.7 với thuật toán xMAFIA minsupp=0.25, để tạo tập MFI bệnh để phục vụ cho mô đun hệ hỗ trợ định cung cấp triệu chứng bác sĩ nhập đầu vào có liên quan tới bệnh Tập MFI CSDL giao dịch bệnh A01.00- Thương hàn không xác định Tập MFI CSDL giao dịch bệnh A01.1- Phó thương hàn A Tập MFI CSDL giao dịch bệnh J11.1- Cảm cúm với biểu hấp khác, không định danh virus Tập MFI CSDL giao dịch bệnh J12.81- hội chứng hấp cấp tính nghiêm trọng Tập MFI CSDL giao dịch bệnh J20.9 - Viêm phế quản cấp, không xác định Tập MFI CSDL giao dịch bệnh J45- Hen [suyễn] Tập MFI CSDL giao dịch bệnh K37- Viêm ruột thừa không xác định Tập MFI CSDL giao dịch bệnh M25.4- Tràn dịch khớp Tập MFI CSDL giao dịch bệnh M25.5- Đau khớp Tập MFI CSDL giao dịch bệnh M25.6- Co cứng khớp, khơng phân loại nơi khác Hình 3.10 Hình kết chạy cho MFI bệnh 10 CSDL giao dịch bệnh 3.3.3 Tích hợp mơ đun hỗ trợ định chẩn đốn bệnh vào phần mềm quản lý phòng khám: Do đặc thù môi trường bệnh học Việt Nam tải, nên việc khám bệnh hỏi bệnh bước qui trình khám chẩn đốn bệnh nêu trên, bác sĩ thường khó khăn việc khai thác thông tin bệnh nhân, bệnh sử bệnh nhân, triệu chứng, than phiền thường bệnh nhân mô tả không rõ ràng, nên tác giả áp dụng đề tài vào thực tế bước qui trình sau giai đoạn bước qui trình khám chẩn đoán bệnh nêu trên: Bước 1: Bác sĩ hỏi bệnh nhập triệu chứng, than phiền, khám bệnh (theo danh mục chuẩn ICPC2) Bước 2: mô đun hệ hỗ trợ Bác sĩ xem bệnh mà mô đun cung cấp có liên quan nhiều triệu chứng vừa nhập (áp dụng thuật tốn tìm kiếm tập phổ biến tối đại triệu chứng liên quan mặt bệnh nhất) Bước 3: Bác sĩ xem xét bệnh nhân lựa chọn bệnh khai thác thêm triệu chứng quay lại bước Bước 4: mô đun cung cấp cho bác sĩ triệu chứng lại bệnh (nguồn từ phác đồ điều trị) bác sĩ xem xét phác đồ điều trị đính kèm để tham khảo thêm hướng điều trị cho bệnh nhân Hình 3.11 Hình mơ tả mơ hình hoạt động hệ hỗ trợ định chẩn đốn bệnh tích hợp phần mềm khám bệnh Sau tác giả công ty Powersoft cho phép tích hợp mơ đun hỗ trợ chẩn đoán bệnh từ triệu chứng bác sĩ nhập vào phần mềm để đưa gợi ý bệnh liên quan xảy từ 10 CSDL giao dịch bệnh bảng 3.7 Hình 3.12 Hình mơ tả chức phần mềm quản lý khám bệnh Powersoft tích hợp mơ đun hỗ trợ định chẩn đốn điều trị Sau tính bước thao tác hình bác sĩ cập nhật triệu chứng vào mô đun hệ hỗ trợ định chẩn đốn khám bệnh Hình 3.13 Hình mơ tả mơ đun hỗ trợ định chẩn đoán điều trị Các bước thao tác chức trình bày phần phía mục 3.3.3 hình 3.11, bước thao tác tóm tắt lại sau: Bác sĩ nhập triệu chứng, than phiền Bác sĩ xem bệnh mà mô đun cung cấp phần danh sách thứ  Các triệu chứng từ bác sĩ nhập vào, mô đun kết nối API service tính độ tin cậy cho mặt bệnh, xếp từ cao đến thấp  Bác sĩ xem xét chọn bệnh mà muốn tham khảo thêm hỏi thêm triệu chứng bệnh nhân bác sĩ chọn phần danh sách triệu chứng theo phác đồ chuẩn hiển thị để bác sĩ có thêm sở định KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Đề tài tập trung vào nghiên cứu thuật toán khai thác tập phổ biến tối đại dựa thuật toán khai thác tập phổ biến tối đại nhiều tác giả nghiên cứu Thơng qua q trình thực đề tài thực mục tiêu: Nghiên cứu sở lý thuyết kỹ thuật khai thác tập phổ biến tối đại phương pháp giải thuật Max – Miner[7], GENMAX[9], FP-MAX [10] hay MAFIA[12] Tìm hiểu CSDL giao dịch có số lượng giao dịch lớn cụ thể CSDL ngành y tế định nghĩa, qui trình khám bệnh nghiệp vụ liên quan Cài đặt thuật toán FP-MAX, MAFIA, xMAFIA mở rộng thực nghiệm CSDL sinh từ công cụ tạo liệu từ nguồn IBM tác giả Phillipe [16] [17] Đề xuất thuật toán mở rộng cải tiến xMAFIA từ thuật toán MAFIA từ giải thuật DFS dựa vào kỹ thuật xếp tăng dần theo độ hỗ trợ (Dynamic Reordering) chế nhiều chiến lược tỉa nhánh hiệu PEP, FHUT, HUTMFI hạn chết số lần duyệt CSDL, cải tiến phương pháp tỉa thêm hạng mục duyệt qua xố hạng mục khỏi danh sách thành phần nút để tạo nhánh Với cải tiến này, thuật tốn đề xuất có hiệu suất tốt so với thuật toán trước với kết thực nghiệm Từ ứng dụng thuật toán vào thực tiễn Phát triển mô đun hệ thống hỗ trợ định chẩn đoán điều trị dựa thuật toán khai thác tập phổ biến tối đại lựa chọn Hiện thực hệ thống thành hệ hỗ trợ định chẩn đoán điều trị phần mềm ứng dụng quản lý khám chữa bệnh công ty Powersoft Nhận xét ưu điểm hạn chế  Ưu điểm: - Trong CSDL có lượng giao dịch lớn giải thuật MAFIA, GENMAX hay cụ thể giải thuật mở rộng xMAFIA hiệu CSDL - Việc cải tiến mở rộng chiến lượng cắt tỉa mà không làm thay đổi cách thức hoạt động giải thuật gốc kết đầu nên việc cải tiến mở rộng đạt hiệu đáng kể giảm số lần duyệt CSDL cho phép máy tính toán nhanh áp dụng thuật toán - Thuật toán phù hợp với tất loại CSDL có lượng giao dịch lớn, đặc biệt hiệu khai thác với CSDL mà mật độ trùng lắp giao dịch lớn vừa thu thập từ thông tin khám bệnh khai thác triệu chứng bác sĩ trình khám chữa bệnh - Tạo công cụ hệ hỗ trợ định chẩn đoán khám bệnh từ CSDL triệu chứng thu thập q trình khám bệnh, cơng cụ vừa dạng độc lập tích hợp vào trực tiếp phần mềm quản lý khám bệnh  Hạn chế: - Thuật toán đạt hiệu với CSDL dày đặc, CSDL có lượng giao dịch lớn, mật độ trùng lắp giao dịch lớn, với CSDL nhỏ thời gian thực thi khơng có khác biệt hay lại không hiệu so với giải thuật FP-MAX - Số lượng CSDL giao dịch bệnh có giới hạn 10 CSDL, nên triệu chứng liên quan 10 mặt bệnh nêu mô đun hiệu tác giả thu thập thêm với nhiều liệu CSDL giao dịch bệnh tính thực áp dụng rõ ràng thực với nhiều chủng loại mặt bệnh  Hướng phát triển - Tiếp tục nghiên cứu giải thuật khai thác tập phổ biến tối đại - Nghiên cứu thêm cách thức áp dụng giải thuật vào hệ hỗ trợ định lĩnh vực y tế, lĩnh vực nhiều toán cần giải để hỗ trợ nhân viên y tế có thời gian chăm sóc người bệnh tốt - Nghiên cứu cải thiện chức mô đun hệ hổ trợ định, thu thập nhiều CSDL để kết đầu hiển thị cho người dùng cập nhật theo thời gian - Nghiên cứu toán luận văn theo hướng tiếp cận khác phân lớp TÀI LIỆU THAM KHẢO Sách: [1] Đỗ Phúc (2013) Giáo trình khai thác liệu Data mining Nhà xb Đại học Quốc Gia TP.HCM Nơi xb TP.HCM Bài báo nghiên cứu đăng tạp chí: [2] Đỗ Văn Thành (2000) ‘Một cách tiếp cận định chẩn đoán lâm sàng’ Tạp chí tin học điều khiển học Viện Công nghệ Thông tin 16(1) 52-58 [3] Văn Thế Thành, Trần Minh Bảo (2012) ‘Xây dựng hệ hỗ trợ định chẩn đốn bệnh’ Tạp chí khoa học Đại học Huế tập 74A số 129139 [4] Tripathy, B K.; Acharjya, D P and Cynthya (April 2011) ‘A Framework for Intelligent Medical Diagnosis using Rough Set with Formal Concept Analysis’, International Journal of Artificial Intelligence & Applications (IJAIA), Vol.2, No.2 [5] Dr Nakamura, Dr Allan H Bruckheim (2009) Framework Doctor’s Exam [6] Bs Bảo Phi (2015) software DAPro 2.1, Medisoft.com.vn [7] R J Bayardo (1998) Efficiently mining long patterns from databases, ACM SIGMOD’98 [8] R Agrawal, R Srikant (June 1994) Fast algorithms for mining association rules in large databases Research Report RJ 9839, IBM Almaden Research Center, San Jose, California [9] Karam Gouda, Mohammed J Zaki (2001) Efficiently Mining Maximal Frequent Itemsets, ICDM01 [10] Găosta Grahne, Jianfei Zhu (2003) High Performance Mining of Maximal Frequent Itemsets In 6th International Workshop on High Performance Data Mining [11] J Han, J Pei, and Y Yin (May 2000) Mining frequent patterns without candidate generation In Proceeding of Special Interest Group on Management of Data pages 1–12 Dallas, TX [12] Johannes Gehrke, Doug Burdick Manuel Calimlim (2001) A Maximal Frequent Itemset Algorithm for Transactional Databases Department of Computer Science, Cornell University ICDE’01 Các tài liệu từ internet/website: [13] Sở y tế TP.HCM (2016) nguồn liệu mặt bệnh liên quan triệu chứng trích xuất từ kho phác đồ điều trị [online],11/3/2017, từ [14] Tổ chức Bác sĩ Gia đình giới WONCA (2017) Danh mục than phiền triệu chứng ICPC2 quốc tế bác sĩ gia đình [online], 11/3/2017, từ [15] Đại học Northwestern Đại học Maryland School of Medicine (2016) Dữ liệu mặt bệnh liên quan triệu chứng [online], 11/3/2017, từ [16] IBM (2016) Công cụ tạo liệu khai thác liệu [online], 11/03/1983, từ [17] Philippe fournier viger (2017) SPMF is an open-source data mining mining library written in Java, specialized in pattern mining [online], 11/3/2017, ... sĩ định chẩn đoán bệnh Nghiên cứu giải thuật tập phổ biến tối đại khai thác liệu Phát triển hệ thống hỗ trợ định chẩn đoán điều trị dựa thuật toán khai thác tập phổ biến tối đại Hiện thực hệ. .. TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP.HCM NGUYỄN VŨ MINH DUY ÁP DỤNG KHAI THÁC TẬP PHỔ BIẾN TỐI ĐẠI ĐỂ PHÁT TRIỂN HỆ HỖ TRỢ QUYẾT ĐỊNH CHẨN ĐOÁN ĐIỀU TRỊ LUẬN VĂN THẠC SĨ Chuyên ngành: Công nghệ thông... Đồng tháp Chuyên 1441860042 I- Tên đề tài: Áp dụng khai thác tập phổ biến tối phát triển hệ hỗ trợ định chẩn đoán điều trị II- Nhiệm vụ nội dung: Nghiên cứu cách thức sử dụng triệu chứng hỗ trợ
- Xem thêm -

Xem thêm: Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị , Áp dụng khai thác tập phổ biến tối đại để phát triển hệ hỗ trợ quyết định chẩn đoán điều trị

Gợi ý tài liệu liên quan cho bạn

Nhận lời giải ngay chưa đến 10 phút Đăng bài tập ngay