Trung tâm Thông tin - Thư viện Trường Đại học Y Dược Hải Phòng

NLM	D2
Tác giả CN	Nguyễn Thị Chăm
Nhan đề	Xử lý dữ liệu mất cân bằng trong y tế bằng mô hình học sâu / Nguyễn Thị Chăm
Thông tin xuất bản	H. :Cục Khoa học và Công nghệ,2026
Mô tả vật lý	Tr.161-175
Tóm tắt	Đề tài tập trung nghiên cứu vấn đề mất cân bằng dữ liệu trong lĩnh vực y tế với năm giải pháp xử lý mất cân bằng, trong đó trọng tâm là mô hình mạng đối nghịch tạo sinh (GAN) và một biến thể nổi bật của nó (cGAN). Kết quả thực nghiệm khẳng định hiệu quả vượt trội của GAN, cGAN. Trên tập dữ liệu thực nghiệm, các mô hình GAN không chỉ đạt Recall cao hơn cho lớp bệnh hiếm mà còn giữ F1-score, ROC-AUC và G-Mean ở mức khả khi với độ cải thiện bình quân tương ứng là 20.37%, 7.44%, 7.00% và 7.17% của GAN và cGAN. Kết quả này chứng tỏ năng lực phát hiện bệnh chính xác hơn ở lớp vốn dễ bị bỏ sót.
Thuật ngữ chủ đề	Tin học
Từ khóa tự do	Mất cân bằng dữ liệu; Mô hình học sâu
Tác giả(bs) CN	Bùi Thị Hồng Hạnh
Địa chỉ	100Kho Bài trích(1): BT13926
Tệp tin điện tử	https://vjol.info.vn/khoahocsuckhoe-HPMU/vi/article/view/160272/
Tệp tin điện tử	https://lib.hpmu.edu.vn/kiposdata2/tapchi2026/anhbiatc/biakhsk_thumbimage.jpg

MARC

Hiển thị đầy đủ trường & trường con

Tag	Giá trị
000	00000nab#a2200000ui#4500
001	34565
002	6
004	E7296521-5007-431C-B8FE-CFA4DB86C3C3
005	202609071044
008	081223s2026 vm\| vie
009	1 0
039	[ ] \|a 20260907104404 \|b phuongntt \|y 20260907104125 \|z phuongntt
041	[ ] \|a Vie
084	[ ] \|a D2
100	[ ] \|a Nguyễn Thị Chăm
245	[ ] \|a Xử lý dữ liệu mất cân bằng trong y tế bằng mô hình học sâu / \|c Nguyễn Thị Chăm
260	[ ] \|a H. : \|b Cục Khoa học và Công nghệ, \|c 2026
300	[ ] \|a Tr.161-175
520	[ ] \|a Đề tài tập trung nghiên cứu vấn đề mất cân bằng dữ liệu trong lĩnh vực y tế với năm giải pháp xử lý mất cân bằng, trong đó trọng tâm là mô hình mạng đối nghịch tạo sinh (GAN) và một biến thể nổi bật của nó (cGAN). Kết quả thực nghiệm khẳng định hiệu quả vượt trội của GAN, cGAN. Trên tập dữ liệu thực nghiệm, các mô hình GAN không chỉ đạt Recall cao hơn cho lớp bệnh hiếm mà còn giữ F1-score, ROC-AUC và G-Mean ở mức khả khi với độ cải thiện bình quân tương ứng là 20.37%, 7.44%, 7.00% và 7.17% của GAN và cGAN. Kết quả này chứng tỏ năng lực phát hiện bệnh chính xác hơn ở lớp vốn dễ bị bỏ sót.
650	[ ] \|a Tin học
653	[ ] \|a Mất cân bằng dữ liệu
653	[ ] \|a Mô hình học sâu
691	[ ] \|a CTĐT Thạc sĩ Y tế công cộng
691	[ ] \|a CTĐT Bác sĩ nội trú Chẩn đoán hình ảnh
700	[ ] \|a Bùi Thị Hồng Hạnh
773	[ ] \|t Tạp chí Khoa học sức khỏe Tập 4 số 1 - 2026 \|d Hà Nội
852	[ ] \|a 100 \|b Kho Bài trích \|j (1): BT13926
856	[ ] \|u https://vjol.info.vn/khoahocsuckhoe-HPMU/vi/article/view/160272/
856	[1 ] \|u https://lib.hpmu.edu.vn/kiposdata2/tapchi2026/anhbiatc/biakhsk_thumbimage.jpg
890	[ ] \|a 1 \|b 0 \|c 0 \|d 0

Dòng	Mã vạch	Bản sao	Nơi lưu	Tình trạng	Cho phép yêu cầu
1	BT13926	1	Kho Bài trích
#1 BT13926 Nơi lưu Kho Bài trích Tình trạng

Bình luận