Module 4 - Tuần 4 - Tabular Data Project: Phân loại khả năng mắc bệnh tim dựa vào các triệu chứng

🧠 Module 4 - Tuần 4 — ❤️ Heart Disease Classifier – Time-Series Team

Chào mừng bạn đến với Heart Disease Classifier – dự án mở rộng từ nhóm Time-Series Team. Hệ thống này tập trung vào chẩn đoán và phân loại bệnh tim dựa trên nhiều hướng tiếp cận tiên tiến trong Machine Learning & Deep Learning, đồng thời tích hợp Explainable AI (XAI) giúp giải thích quyết định mô hình.

🧪 Trải nghiệm Heart Disease Classifier tại đây

• Slide giới thiệu sản phẩm: Canvas

🧪 Mã nguồn / Notebook

• Google Colab: Colab-Pipeline 1
• Google Colab: Colab-Pipeline 2
• Streamlit: Stremlot-Pipeline 1

👉 Đối tượng người dùng

• Nhà nghiên cứu AI Y tế: thử nghiệm mô hình đa phương thức trong chẩn đoán tim mạch.
• Sinh viên/Học viên: tài liệu tham khảo khi nghiên cứu Ensemble Learning & Fusion.
• Bác sĩ & bệnh viện: định hướng triển khai hệ thống gợi ý lâm sàng minh bạch.

🎯 Hai hướng mở rộng chính

1. So sánh Ensemble Learning: Stacking vs TSA

• Pipeline tổng quát: Chuẩn hoá dữ liệu Cleveland, huấn luyện nhiều mô hình cơ sở.
• Stacking Model: Kết hợp dự đoán của Random Forest, XGBoost, LightGBM, CatBoost → Logistic Regression meta-learner.
• Tunicate Swarm Algorithm (TSA): Thuật toán meta-heuristic lấy cảm hứng từ sinh học, tối ưu trọng số kết hợp mô hình.
• Triển khai & Kết quả: So sánh độ chính xác, ROC–AUC, và độ ổn định khi thay đổi dữ liệu.
• XAI: Dùng beeswarm plot và feature importance để minh hoạ vai trò của từng mô hình con trong ensemble.

2. CardioFusion: Ghép đa phương thức EchoNet + Cleveland

• Pipeline tổng quát: Hợp nhất dữ liệu tabular (Cleveland) và video tim (EchoNet).
• Mô hình thành phần: MLP cho dữ liệu bảng (Cleveland). CNN/ResNet50 cho dữ liệu hình ảnh tim (EchoNet).
• Fusion Model: Cơ chế kết hợp đặc trưng (feature-level fusion) → mô hình dự đoán chung.
• Triển khai & Kết quả: Fusion cho thấy cải thiện rõ rệt so với dùng từng nguồn dữ liệu riêng lẻ.

🔍 Giải thích & Ứng dụng

Explainable AI (XAI):

• Với ensemble: đánh giá tầm ảnh hưởng toàn cục của mỗi mô hình cơ sở.
• Với fusion: trực quan hóa trọng số đặc trưng tim mạch và chỉ số lâm sàng.

Ứng dụng tiềm năng:

• Hệ thống gợi ý lâm sàng sớm → cảnh báo nguy cơ bệnh tim.
• Cơ sở cho việc xây dựng API phòng ngừa bệnh tim, kết nối với hệ thống bệnh viện.

📊 Kết quả tiêu biểu

• Pipeline 1: Stacking + meta-model và stacking equal weight cho thấy khả năng tối ưu trọng số dự đoán tốt hơn các mô hình riêng lẻ.

• Pipeline 2: Sử dụng ResNet-50 để trích đặc trưng từ EchoNet và MLP để trích đặc trưng từ Cleveland. Hợp nhất (fusion) đặc trưng của CNN + MLP để dự đoán bệnh tim

🔍 Tính năng nổi bật

• So sánh Ensemble Learning: triển khai Stacking Model và TSA (Tunicate Swarm Algorithm) để tối ưu trọng số dự đoán.
• Fusion đa phương thức: kết hợp dữ liệu tabular (Cleveland) với hình ảnh tim (EchoNet) qua ResNet50 + MLP.
• Explainable AI (XAI): trực quan hóa mức ảnh hưởng của từng mô hình con trong ensemble và mức đóng góp của từng đặc trưng trong fusion.
• Dashboard trực quan: biểu đồ ROC–AUC, Confusion Matrix, Beeswarm Plot và Feature Importance hỗ trợ phân tích kết quả.

♻️ Ưu điểm

• Độ chính xác cao: CardioFusion cho kết quả vượt trội so với dùng đơn nguồn dữ liệu.
• Minh bạch: XAI giúp hiểu vì sao hệ thống đưa ra quyết định → tăng độ tin cậy trong ứng dụng y tế.
• Linh hoạt: dễ mở rộng với nhiều thuật toán ensemble hoặc mô hình fusion khác.
• Ứng dụng thực tiễn: có thể phát triển thành API gợi ý lâm sàng hỗ trợ ngăn ngừa bệnh tim.

🛠️ Công nghệ sử dụng

🗂️ Tài liệu đính kèm

🗂️ Bài báo tham khảo