moon_nontop_9x
New Member
Download Luận văn Ứng dụng hệ thống nhận dạng miễn dịch nhân tạo mờ trong chẩn đoán ung thư
Mục lục
Lời Thank . 1
Lời nói đầu . 2
Mục lục . 4
Danh mục thuật ngữ và viết tắt . 8
Danh mục các hình vẽ . 10
Danh mục các bảng . 11
Chương 1 Tổng quan . 12
1.1 Phát biểu vấn đề . 12
1.2 Hệ thống nhận dạng miễn dịch nhân tạo mờ . 13
1.3 Hệ thống nhận dạng miễn dịch nhân tạo mờ và chẩn đoán ung thư . 14
1.4 Một số nghiên cứu gần đây . 15
1.4.1 Những nghiên cứu AIRS . 15
1.4.2 Những nghiên cứu ung thư vú . 16
1.5 Phân tích nhu cầu thực tế của ứng dụng . 16
1.6 Mục tiêu của đề tài. 17
1.7 Nội dung của luận văn . 18
Chương 2 Các hệ thống miễn dịch: Tự nhiên và Nhân tạo . 19
2.1 Hệ thống miễn dịch tự nhiên . 19
2.1.1 Các thành phần miễn dịch . 20
2.1.2 Nhớ và học . 25
2.1.3 Tính đa dạng và tính phân phối . 26
2.1.4 Bản chất của tự nhận biết . 27
2.2 Hệ thống miễn dịch nhân tạo . 27
2.2.1 Kháng nguyên, kháng thể và tế bào B . 27
2.2.2 Quả cầu nhận dạng nhân tạo và sự cạnh tranh tài nguyên . 28
2.3 Tế bào nhớ, đột biến và chọn lọc dòng. 29
2.4 Mạng miễn dịch và sự tương tác tế bào – tế bào . 30
2.5 Sự phân lớp . 31
Chương 3 Thuật toán Hệ thống nhận dạng miễn dịch nhân tạo . 32
3.1 Các định nghĩa . 32
3.2 Thuật toán nhận dạng miễn dịch nhân tạo . 35
3.2.1 Khởi tạo . 36
3.2.2 Xác định tế bào nhớ và phát sinh ARB . 37
3.2.3 Cạnh tranh tài nguyên và phát triển tế bào nhớ ứng viên . 39
3.2.4 Giới thiệu tế bào nhớ . 43
3.2.5 Phân lớp . 44
3.3 Thảo luận về thuật toán AIRS . 44
Chương 4 Ứng dụng vào hệ thống chẩn đoán ung thư . 47
4.1 Tiến trình chẩn đoán ung thư . 47
4.2 Dữ liệu nhập của hệ thống . 49
4.2.1 Dữ liệu nhập ung thư vú . 49
4.2.2 Dữ liệu nhập ung thư cổ tử cung . 50
4.3 Dữ liệu xuất của hệ thống . 51
4.3.1 Dữ liệu xuất ung thư vú . 51
4.3.2 Dữ liệu xuất ung thư cổ tử cung . 52
4.4 Xây dựng hệ thống AIRS . 52
4.4.1 Khởi tạo . 53
4.4.2 Xác định tế bào nhớ và phát sinh ARB . 53
4.4.3 Cạnh tranh tài nguyên và phát triển tế bào nhớ ứng viên . 56
4.4.4 Giới thiệu tế bào nhớ . 59
4.4.5 Phân lớp . 61
4.5 Tích hợp logic mờ vào AIRS – FAIRS . 61
4.5.1 Biến mờ . 61
4.5.2 Tập luật mờ . 62
4.5.3 Hàm thành viên . 63
Chương 5 Kết luận . 65
5.1 Bộ dữ liệu ung thư vú . 65
5.1.1 Mục đích thử nghiệm . 65
5.1.2 Kết quả đạt được . 65
5.2 Bộ dữ liệu ung thư cổ tử cung . 67
5.2.1 Mục đích thử nghiệm . 67
5.2.2 Kết quả đạt được . 67
5.3 Nhận xét . 67
5.3.1 Ưu điểm . 67
5.3.2 Khuyết điểm . 68
5.4 Hướng phát triển . 68
Tài liệu tham khảo . 69
Phụ lục . 73
Chức năng phần mềm . 73
Các độ đo để đánh giá khả năng thực hiện . 73
Thuật toán K láng giềng gần nhất . 74
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Chương 1
Tổng quan
Nội dung của Chương 1 trình bày tổng quan về Hệ thống nhận dạng miễn dịch
nhân tạo (Artificial Immune Regconition System – AIRS), Hệ thống nhận dạng miễn
dịch nhân tạo mờ (Fuzzy Artificial Immune Regconition System – FAIRS), và ứng
dụng chẩn đoán ung thư vú thông qua hai hệ thống này; giới thiệu chung về tình
hình nghiên cứu hiện nay trên thế giới cũng như trong nước; đồng thời nêu lên mục
đích, nội dung và ý nghĩa của đề tài.
1.1 Phát biểu vấn đề
Khi khoa học kĩ thuật phát triển, cuộc sống của con người không ngừng cải thiện
nhờ vào các thành tựu nghiên cứu. Máy móc thiết bị đóng vai trò quan trọng trong
việc cơ giới hoá mọi hoạt động của con người, trong đó phải kể đến các thiết bị y tế,
y khoa dùng trong việc xét nghiệm và chẩn đoán bệnh.
Việc tích hợp những ứng dụng giúp hỗ trợ chẩn đoán trong y khoa bắt đầu hình
thành khi độ chính xác trong các bài toán phân lớp dần tăng cao, khởi đầu từ logic
mờ, tiếp đến là các loại mạng nơron truyền thống, thuật giải di truyền, các mô hình
tích hợp… Ở đây, một hệ thống phân lớp được sử dụng để thực hiện phân lớp hay
còn gọi là chẩn đoán ung thư, được nghiên cứu, phân tích và ứng dụng – gọi là hệ
thống nhận dạng miễn dịch nhân tạo mờ (FAIRS).
Cũng như các hệ thống nhận dạng khác, FAIRS cũng bao gồm 2 giai đoạn: huấn
luyện và thử nghiệm. Trong đó, giai đoạn huấn luyện sẽ sử dụng “cơ chế miễn dịch”
để đào thải những “tác nhân xấu” (những mẫu không tốt hay không cần thiết cho
việc nhận dạng), chỉ giữ lại những tế bào có ích cho cơ thể. Giai đoạn thử nghiệm
Trang 13
được thực hiện bằng cách so khớp mẫu cần phân lớp và những tế bào có ích, nếu
khớp với mẫu nào nhất thì phân lớp của mẫu cũng chính là kết quả chẩn đoán ung
thư.
Quá trình phân tích ứng dụng chẩn đoán ung thư được mô tả trong Hình 1.1.
Hình 1.1: Tiến trình phân tích ứng dụng chẩn đoán ung thư
1.2 Hệ thống nhận dạng miễn dịch nhân tạo mờ
Thuật toán phân lớp bằng Hệ thống nhận dạng miễn dịch nhân tạo (Artificial
Immune Regconition System - AIRS) là một thuật toán quan trọng trong lĩnh vực
Hệ thống miễn dịch nhân tạo (Artificial Immune System - AIS) và có khả năng ứng
dụng rất hiệu quả và hấp dẫn. AIRS được ứng dụng chủ yếu trong các bài toán phân
lớp y khoa như ung thư vú, bệnh tim, đái tháo đường… và cho những kết quả thỏa
đáng. Vì vậy, AIRS chứng tỏ được nó là một kỹ thuật trí tuệ nhân tạo trong lĩnh vực
y khoa. Bên cạnh đó, cơ chế phân phối tài nguyên trong thuật toán AIRS được thực
hiện bằng logic mờ, gọi là Hệ thống nhận dạng miễn dịch nhân tạo mờ (Fuzzy
Artificial Regconition System - Fuzzy AIRS).
Trang 14
1.3 Hệ thống nhận dạng miễn dịch nhân tạo mờ và chẩn
đoán ung thư
Hiện nay, việc sử dụng các hệ thống phân lớp trong chẩn đoán y khoa đang ngày
càng tăng. Chúng ta không thể phủ định vai trò quan trọng của việc đánh giá bệnh
án và quyết định của chuyên gia trong chẩn đoán bệnh. Tuy nhiên, những hệ
chuyên gia cùng những kỹ thuật trí tuệ nhân tạo khác dùng để phân lớp cũng hỗ trợ
các chuyên gia rất nhiều. Những hệ thống phân lớp có thể xác định được các lỗi hợp
lý mà một chuyên gia khi mệt mỏi hay thiếu kinh nghiệm có thể gặp phải, với thời
gian ngắn hơn và chi tiết hơn.
Những đổi mới trong cách điều trị ung thư đã tạo được tỷ lệ sống cao hơn cho
những người bị bệnh này. Đặc biệt, bệnh được chẩn đoán càng sớm, tỷ lệ sống càng
tăng. Theo thống kê của các Tổ chức Y tế Thế giới, Ung thư vú là một loại bệnh
phổ biến ở phụ nữ, chỉ đứng sau ung thư cổ tử cung. Do đó việc đưa kỹ thuật trí tuệ
nhân tạo vào giải quyết bài toán chẩn đoán ung thư nói chung và ung thư vú nói
riêng là rất quan trọng.
Khi hệ thống AIS nổi lên vào thập niên 90, khả năng thực hiện của những phương
pháp đưa ra không thực sự tốt để giải quyết vấn đề phân lớp. Tuy nhiên, hệ thống
AIRS đề xuất năm 2001 đã thay đổi được vấn đề này nhờ một số thuộc tính:
AIRS thực hiện tốt trên những vấn đề khác nhau như không gian đặc trưng
có số chiều lớn, có nhiều lớp…
AIRS tự điều chỉnh theo cấu trúc không gian của vấn đề.
Bên cạnh đó, sự phân phối tài nguyên của AIRS được thực hiện bởi logic mờ làm
tăng khả năng thực hiện phân lớp, giảm được số lượng tài nguyên và thời gian phân
lớp một cách đáng kể.
Như vậy, cả hai hệ thống AIRS và Fuzzy AIRS sẽ được dùng để phân lớp tập dữ
liệu ung thư vú, được thực hiện bởi trường Đại học California tại Urvine (UCI) [15].
Trang 15
Các giai đoạn phát triển từ thuật toán đến ứng dụng được thể hiện trong Hình 1.2.
Hình 1.2: Giai đoạn phát triển thuật toán
1.4 Một số nghiên cứu gần đây
1.4.1 Những nghiên cứu AIRS
AIRS là bộ phân lớp dựa trên nguyên lý của hệ miễn dịch nhân tạo giới hạn tài
nguyên được đề xuất bởi Watkins năm 2001 [1]. AIRS có khả năng thực hiện phân
lớp rất tốt.
Trong nghiên cứu của Donald E. Goodman, AIRS được áp dụng vào vấn đề đa lớp
và được so sánh với Learning Vector Quantisation (LVQ) Kohonen [11]. Trong hầu
hết những lời giải, AIRS cho kết quả tốt hơn LVQ và LVQ tối ưu. Gaurav Marwah
và Lois Boggess cũng cố gắng thực hiện những phép biến đổi trên sự định vị tài
nguyên và những hướng tiếp cận cho việc tổ chức tập ARB [23]. Họ khai thác một
vài thuật toán khác nhằm tăng độ chính xác thuật toán và những phân lớp k láng
giềng gần nhất. Trong nghiên cứu của Donald E. Goodman, AIRS được kiểm tra
thực nghiệm bằng cách thay thế một trong hai nguồn năng lượng phân lớp bởi
Hệ miễn dịch tự nhiên
Natural Immune System - NIS
Hệ miễn dịch nhân tạo
Artificial Immune System - AIS
Hệ nhận dạng miễn dịch nhân tạo
Artificial Immune System - AIRS
Hệ nhận dạng miễn dịch nhân tạo mờ
Fuzzy Artificial Immune System - Fuzzy AIRS
Ứng dụng vào hệ thống phân lớp chẩn đoán
ung thư
Trang 16
những biến đổi khác [12]. Họ kết luận những biến đổi này cho kết quả thử nghiệm
nhanh đối với người dùng. Bên cạnh những nghiên cứu này, Hamaker và Boggess
cũng phân tích hiệu quả của việc thêm độ đo khoảng cách phi Euclidean đối với
thuật toán AIRS nguyên thủy [13].
1.4.2 Những nghiên cứu ung thư vú
Cũng như những vấn đề chẩn đoán bệnh án khác, các hệ thống phân lớp cũng được
sử dụng để chẩn đoán ung thư vú. Khi những nghiên cứu liên quan đến các ứng
dụng phân lớp được kiểm nghiệm, chúng ta có thể thấy một số lượng lớn các
phương pháp được sử dụng để đạt được hiệu quả phân lớp cao. Phương pháp C4.5
cho độ chính xác phân lớp là 94.74% sử dụng ngưỡng hợp lý 10 (10 CV) [26].
Hamilton thu được độ chính xác 96% với phương pháp RIAC (10 CV) [14].
Trong khi đó Ster và Dobnikar đạt 96.8% với phương pháp Linear Discriminant
Analysis (LDA) (10 CV) [30]. Độ chính xác thu được bởi Bennett và Blue là
97.2% khi sử dụng phương pháp SVM [7]. Nơron mờ được áp dụng và cho độ
chính xác là 95.06% (10 CV) [24] và 97.51% với di truyền mờ (huấn luyện 75%,
kiểm nghiệm 25%) [25]. Hơn nữa, Setiono
Download miễn phí Luận văn Ứng dụng hệ thống nhận dạng miễn dịch nhân tạo mờ trong chẩn đoán ung thư
Mục lục
Lời Thank . 1
Lời nói đầu . 2
Mục lục . 4
Danh mục thuật ngữ và viết tắt . 8
Danh mục các hình vẽ . 10
Danh mục các bảng . 11
Chương 1 Tổng quan . 12
1.1 Phát biểu vấn đề . 12
1.2 Hệ thống nhận dạng miễn dịch nhân tạo mờ . 13
1.3 Hệ thống nhận dạng miễn dịch nhân tạo mờ và chẩn đoán ung thư . 14
1.4 Một số nghiên cứu gần đây . 15
1.4.1 Những nghiên cứu AIRS . 15
1.4.2 Những nghiên cứu ung thư vú . 16
1.5 Phân tích nhu cầu thực tế của ứng dụng . 16
1.6 Mục tiêu của đề tài. 17
1.7 Nội dung của luận văn . 18
Chương 2 Các hệ thống miễn dịch: Tự nhiên và Nhân tạo . 19
2.1 Hệ thống miễn dịch tự nhiên . 19
2.1.1 Các thành phần miễn dịch . 20
2.1.2 Nhớ và học . 25
2.1.3 Tính đa dạng và tính phân phối . 26
2.1.4 Bản chất của tự nhận biết . 27
2.2 Hệ thống miễn dịch nhân tạo . 27
2.2.1 Kháng nguyên, kháng thể và tế bào B . 27
2.2.2 Quả cầu nhận dạng nhân tạo và sự cạnh tranh tài nguyên . 28
2.3 Tế bào nhớ, đột biến và chọn lọc dòng. 29
2.4 Mạng miễn dịch và sự tương tác tế bào – tế bào . 30
2.5 Sự phân lớp . 31
Chương 3 Thuật toán Hệ thống nhận dạng miễn dịch nhân tạo . 32
3.1 Các định nghĩa . 32
3.2 Thuật toán nhận dạng miễn dịch nhân tạo . 35
3.2.1 Khởi tạo . 36
3.2.2 Xác định tế bào nhớ và phát sinh ARB . 37
3.2.3 Cạnh tranh tài nguyên và phát triển tế bào nhớ ứng viên . 39
3.2.4 Giới thiệu tế bào nhớ . 43
3.2.5 Phân lớp . 44
3.3 Thảo luận về thuật toán AIRS . 44
Chương 4 Ứng dụng vào hệ thống chẩn đoán ung thư . 47
4.1 Tiến trình chẩn đoán ung thư . 47
4.2 Dữ liệu nhập của hệ thống . 49
4.2.1 Dữ liệu nhập ung thư vú . 49
4.2.2 Dữ liệu nhập ung thư cổ tử cung . 50
4.3 Dữ liệu xuất của hệ thống . 51
4.3.1 Dữ liệu xuất ung thư vú . 51
4.3.2 Dữ liệu xuất ung thư cổ tử cung . 52
4.4 Xây dựng hệ thống AIRS . 52
4.4.1 Khởi tạo . 53
4.4.2 Xác định tế bào nhớ và phát sinh ARB . 53
4.4.3 Cạnh tranh tài nguyên và phát triển tế bào nhớ ứng viên . 56
4.4.4 Giới thiệu tế bào nhớ . 59
4.4.5 Phân lớp . 61
4.5 Tích hợp logic mờ vào AIRS – FAIRS . 61
4.5.1 Biến mờ . 61
4.5.2 Tập luật mờ . 62
4.5.3 Hàm thành viên . 63
Chương 5 Kết luận . 65
5.1 Bộ dữ liệu ung thư vú . 65
5.1.1 Mục đích thử nghiệm . 65
5.1.2 Kết quả đạt được . 65
5.2 Bộ dữ liệu ung thư cổ tử cung . 67
5.2.1 Mục đích thử nghiệm . 67
5.2.2 Kết quả đạt được . 67
5.3 Nhận xét . 67
5.3.1 Ưu điểm . 67
5.3.2 Khuyết điểm . 68
5.4 Hướng phát triển . 68
Tài liệu tham khảo . 69
Phụ lục . 73
Chức năng phần mềm . 73
Các độ đo để đánh giá khả năng thực hiện . 73
Thuật toán K láng giềng gần nhất . 74
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
Trang 12Chương 1
Tổng quan
Nội dung của Chương 1 trình bày tổng quan về Hệ thống nhận dạng miễn dịch
nhân tạo (Artificial Immune Regconition System – AIRS), Hệ thống nhận dạng miễn
dịch nhân tạo mờ (Fuzzy Artificial Immune Regconition System – FAIRS), và ứng
dụng chẩn đoán ung thư vú thông qua hai hệ thống này; giới thiệu chung về tình
hình nghiên cứu hiện nay trên thế giới cũng như trong nước; đồng thời nêu lên mục
đích, nội dung và ý nghĩa của đề tài.
1.1 Phát biểu vấn đề
Khi khoa học kĩ thuật phát triển, cuộc sống của con người không ngừng cải thiện
nhờ vào các thành tựu nghiên cứu. Máy móc thiết bị đóng vai trò quan trọng trong
việc cơ giới hoá mọi hoạt động của con người, trong đó phải kể đến các thiết bị y tế,
y khoa dùng trong việc xét nghiệm và chẩn đoán bệnh.
Việc tích hợp những ứng dụng giúp hỗ trợ chẩn đoán trong y khoa bắt đầu hình
thành khi độ chính xác trong các bài toán phân lớp dần tăng cao, khởi đầu từ logic
mờ, tiếp đến là các loại mạng nơron truyền thống, thuật giải di truyền, các mô hình
tích hợp… Ở đây, một hệ thống phân lớp được sử dụng để thực hiện phân lớp hay
còn gọi là chẩn đoán ung thư, được nghiên cứu, phân tích và ứng dụng – gọi là hệ
thống nhận dạng miễn dịch nhân tạo mờ (FAIRS).
Cũng như các hệ thống nhận dạng khác, FAIRS cũng bao gồm 2 giai đoạn: huấn
luyện và thử nghiệm. Trong đó, giai đoạn huấn luyện sẽ sử dụng “cơ chế miễn dịch”
để đào thải những “tác nhân xấu” (những mẫu không tốt hay không cần thiết cho
việc nhận dạng), chỉ giữ lại những tế bào có ích cho cơ thể. Giai đoạn thử nghiệm
Trang 13
được thực hiện bằng cách so khớp mẫu cần phân lớp và những tế bào có ích, nếu
khớp với mẫu nào nhất thì phân lớp của mẫu cũng chính là kết quả chẩn đoán ung
thư.
Quá trình phân tích ứng dụng chẩn đoán ung thư được mô tả trong Hình 1.1.
Hình 1.1: Tiến trình phân tích ứng dụng chẩn đoán ung thư
1.2 Hệ thống nhận dạng miễn dịch nhân tạo mờ
Thuật toán phân lớp bằng Hệ thống nhận dạng miễn dịch nhân tạo (Artificial
Immune Regconition System - AIRS) là một thuật toán quan trọng trong lĩnh vực
Hệ thống miễn dịch nhân tạo (Artificial Immune System - AIS) và có khả năng ứng
dụng rất hiệu quả và hấp dẫn. AIRS được ứng dụng chủ yếu trong các bài toán phân
lớp y khoa như ung thư vú, bệnh tim, đái tháo đường… và cho những kết quả thỏa
đáng. Vì vậy, AIRS chứng tỏ được nó là một kỹ thuật trí tuệ nhân tạo trong lĩnh vực
y khoa. Bên cạnh đó, cơ chế phân phối tài nguyên trong thuật toán AIRS được thực
hiện bằng logic mờ, gọi là Hệ thống nhận dạng miễn dịch nhân tạo mờ (Fuzzy
Artificial Regconition System - Fuzzy AIRS).
Trang 14
1.3 Hệ thống nhận dạng miễn dịch nhân tạo mờ và chẩn
đoán ung thư
Hiện nay, việc sử dụng các hệ thống phân lớp trong chẩn đoán y khoa đang ngày
càng tăng. Chúng ta không thể phủ định vai trò quan trọng của việc đánh giá bệnh
án và quyết định của chuyên gia trong chẩn đoán bệnh. Tuy nhiên, những hệ
chuyên gia cùng những kỹ thuật trí tuệ nhân tạo khác dùng để phân lớp cũng hỗ trợ
các chuyên gia rất nhiều. Những hệ thống phân lớp có thể xác định được các lỗi hợp
lý mà một chuyên gia khi mệt mỏi hay thiếu kinh nghiệm có thể gặp phải, với thời
gian ngắn hơn và chi tiết hơn.
Những đổi mới trong cách điều trị ung thư đã tạo được tỷ lệ sống cao hơn cho
những người bị bệnh này. Đặc biệt, bệnh được chẩn đoán càng sớm, tỷ lệ sống càng
tăng. Theo thống kê của các Tổ chức Y tế Thế giới, Ung thư vú là một loại bệnh
phổ biến ở phụ nữ, chỉ đứng sau ung thư cổ tử cung. Do đó việc đưa kỹ thuật trí tuệ
nhân tạo vào giải quyết bài toán chẩn đoán ung thư nói chung và ung thư vú nói
riêng là rất quan trọng.
Khi hệ thống AIS nổi lên vào thập niên 90, khả năng thực hiện của những phương
pháp đưa ra không thực sự tốt để giải quyết vấn đề phân lớp. Tuy nhiên, hệ thống
AIRS đề xuất năm 2001 đã thay đổi được vấn đề này nhờ một số thuộc tính:
AIRS thực hiện tốt trên những vấn đề khác nhau như không gian đặc trưng
có số chiều lớn, có nhiều lớp…
AIRS tự điều chỉnh theo cấu trúc không gian của vấn đề.
Bên cạnh đó, sự phân phối tài nguyên của AIRS được thực hiện bởi logic mờ làm
tăng khả năng thực hiện phân lớp, giảm được số lượng tài nguyên và thời gian phân
lớp một cách đáng kể.
Như vậy, cả hai hệ thống AIRS và Fuzzy AIRS sẽ được dùng để phân lớp tập dữ
liệu ung thư vú, được thực hiện bởi trường Đại học California tại Urvine (UCI) [15].
Trang 15
Các giai đoạn phát triển từ thuật toán đến ứng dụng được thể hiện trong Hình 1.2.
Hình 1.2: Giai đoạn phát triển thuật toán
1.4 Một số nghiên cứu gần đây
1.4.1 Những nghiên cứu AIRS
AIRS là bộ phân lớp dựa trên nguyên lý của hệ miễn dịch nhân tạo giới hạn tài
nguyên được đề xuất bởi Watkins năm 2001 [1]. AIRS có khả năng thực hiện phân
lớp rất tốt.
Trong nghiên cứu của Donald E. Goodman, AIRS được áp dụng vào vấn đề đa lớp
và được so sánh với Learning Vector Quantisation (LVQ) Kohonen [11]. Trong hầu
hết những lời giải, AIRS cho kết quả tốt hơn LVQ và LVQ tối ưu. Gaurav Marwah
và Lois Boggess cũng cố gắng thực hiện những phép biến đổi trên sự định vị tài
nguyên và những hướng tiếp cận cho việc tổ chức tập ARB [23]. Họ khai thác một
vài thuật toán khác nhằm tăng độ chính xác thuật toán và những phân lớp k láng
giềng gần nhất. Trong nghiên cứu của Donald E. Goodman, AIRS được kiểm tra
thực nghiệm bằng cách thay thế một trong hai nguồn năng lượng phân lớp bởi
Hệ miễn dịch tự nhiên
Natural Immune System - NIS
Hệ miễn dịch nhân tạo
Artificial Immune System - AIS
Hệ nhận dạng miễn dịch nhân tạo
Artificial Immune System - AIRS
Hệ nhận dạng miễn dịch nhân tạo mờ
Fuzzy Artificial Immune System - Fuzzy AIRS
Ứng dụng vào hệ thống phân lớp chẩn đoán
ung thư
Trang 16
những biến đổi khác [12]. Họ kết luận những biến đổi này cho kết quả thử nghiệm
nhanh đối với người dùng. Bên cạnh những nghiên cứu này, Hamaker và Boggess
cũng phân tích hiệu quả của việc thêm độ đo khoảng cách phi Euclidean đối với
thuật toán AIRS nguyên thủy [13].
1.4.2 Những nghiên cứu ung thư vú
Cũng như những vấn đề chẩn đoán bệnh án khác, các hệ thống phân lớp cũng được
sử dụng để chẩn đoán ung thư vú. Khi những nghiên cứu liên quan đến các ứng
dụng phân lớp được kiểm nghiệm, chúng ta có thể thấy một số lượng lớn các
phương pháp được sử dụng để đạt được hiệu quả phân lớp cao. Phương pháp C4.5
cho độ chính xác phân lớp là 94.74% sử dụng ngưỡng hợp lý 10 (10 CV) [26].
Hamilton thu được độ chính xác 96% với phương pháp RIAC (10 CV) [14].
Trong khi đó Ster và Dobnikar đạt 96.8% với phương pháp Linear Discriminant
Analysis (LDA) (10 CV) [30]. Độ chính xác thu được bởi Bennett và Blue là
97.2% khi sử dụng phương pháp SVM [7]. Nơron mờ được áp dụng và cho độ
chính xác là 95.06% (10 CV) [24] và 97.51% với di truyền mờ (huấn luyện 75%,
kiểm nghiệm 25%) [25]. Hơn nữa, Setiono