I. Hướng dẫn tổng quan đề tài ứng dụng AI đánh giá mụn online
Đề tài nghiên cứu này tập trung vào việc phát triển một ứng dụng AI nhận diện mụn nhằm giải quyết vấn đề phổ biến về mụn trứng cá. Mụn trứng cá được Tổ chức Y tế Thế giới (WHO) xem là một bệnh mãn tính, ảnh hưởng đến hơn 90% trẻ ở tuổi dậy thì và kéo dài đến tuổi trưởng thành. Vấn đề này không chỉ gây tác động thẩm mỹ mà còn ảnh hưởng sâu sắc đến tâm lý, làm giảm sự tự tin và chất lượng cuộc sống. Đề tài hướng tới việc xây dựng một hệ thống chẩn đoán mụn trứng cá tự động, có khả năng đánh giá mức độ nghiêm trọng của mụn và đưa ra gợi ý điều trị ban đầu. Mục tiêu chính là cung cấp một công cụ tiện lợi, nhanh chóng và chính xác, hỗ trợ người dùng, đặc biệt là học sinh, sinh viên, trong việc hiểu rõ tình trạng da của mình. Nghiên cứu này là một đồ án tốt nghiệp CNTT tiêu biểu, kết hợp kiến thức y học và công nghệ, đặc biệt là xử lý ảnh y tế và machine learning trong da liễu. Ứng dụng sẽ phân tích hình ảnh khuôn mặt, xác định vị trí, phân loại các loại mụn phổ biến, từ đó đưa ra phác đồ điều trị mụn cá nhân hóa. Đây là một bước tiến quan trọng trong việc dân chủ hóa dịch vụ tư vấn da liễu online, giúp người dùng tiếp cận các giải pháp chăm sóc da hiệu quả mà không cần tốn quá nhiều chi phí hay thời gian.
1.1. Bối cảnh và tính cấp thiết của hệ thống chẩn đoán mụn
Mụn trứng cá là một bệnh lý da liễu phổ biến, xuất phát từ bốn yếu tố chính: tăng tiết bã nhờn, thay đổi trong nang lông, vi khuẩn Propionibacterium acnes, và tình trạng viêm nhiễm. Thực trạng cho thấy nhiều người, đặc biệt là sinh viên, thiếu kiến thức đúng đắn để phân loại mụn và thường tự điều trị sai cách. Một khảo sát trên 195 sinh viên cho thấy phần lớn (57.9%) tìm kiếm thông tin trên Internet, một nguồn thông tin thiếu kiểm chứng. Điều này dẫn đến nguy cơ làm tình trạng mụn trở nên nghiêm trọng hơn, để lại sẹo và vết thâm vĩnh viễn. Việc phát triển một hệ thống chẩn đoán mụn trứng cá là cực kỳ cấp thiết, giúp người dùng nhận biết sớm, phân loại chính xác các loại mụn (mụn đầu đen, mụn đầu trắng, sẩn viêm, mụn mủ) và hiểu được mức độ nghiêm trọng. Hệ thống này hoạt động như một công cụ sàng lọc ban đầu, giúp giảm tải cho các bác sĩ da liễu và trao quyền cho người dùng chủ động hơn trong việc chăm sóc da mụn.
1.2. Mục tiêu nghiên cứu chính của luận văn về AI trong da liễu
Mục tiêu cốt lõi của luận văn về AI này là tìm ra một phương pháp nhận diện mụn trứng cá nhanh chóng và chính xác thông qua hình ảnh chụp bằng điện thoại thông minh. Nhiệm vụ nghiên cứu bao gồm: 1) Nghiên cứu cơ sở y học về các loại mụn trứng cá thông thường và cách nhận diện chúng. 2) Phân tích và đánh giá các phương pháp nhận diện mụn hiện có, cả về mặt công nghệ và y khoa. 3) Đề xuất một mô hình cải tiến, kết hợp các thuật toán nhận dạng mụn hiệu quả. 4) Xây dựng một cơ sở dữ liệu ảnh mụn để huấn luyện và kiểm thử mô hình. Cuối cùng, đề tài hướng đến việc hiện thực hóa mô hình này thành một ứng dụng thực tế, có khả năng phân tích, đánh giá mức độ nghiêm trọng của mụn, và cung cấp lộ trình hỗ trợ điều trị phù hợp cho từng cá nhân, góp phần cải thiện sức khỏe làn da trong cộng đồng.
II. Top thách thức khi tự điều trị và chăm sóc da mụn tại nhà
Việc tự điều trị mụn tại nhà đối mặt với nhiều rào cản, đặc biệt với đối tượng sinh viên và người có thu nhập thấp. Thách thức lớn nhất là về kinh tế. Theo khảo sát, 84.6% sinh viên chỉ có thể chi dưới 1 triệu đồng mỗi tháng cho việc chăm sóc da. Chi phí cao cho một lần khám và điều trị tại phòng khám da liễu (93% cho rằng tốn kém) khiến họ ngần ngại tìm đến sự trợ giúp chuyên nghiệp trừ khi tình trạng đã rất nặng. Thách thức thứ hai là sự thiếu hụt kiến thức chuyên môn. Người dùng thường không phân biệt được các loại mụn, dẫn đến việc lựa chọn sai sản phẩm điều trị. Sự phổ biến của các thói quen sinh hoạt không lành mạnh như thức khuya, stress, ăn nhiều đồ ngọt cũng làm tình trạng mụn tái phát và nặng hơn. Những khó khăn này nhấn mạnh nhu cầu về một giải pháp công nghệ có khả năng cung cấp kiến thức và định hướng điều trị chính xác. Một phần mềm phân tích da thông minh có thể giúp khắc phục những hạn chế này, mang lại hiệu quả cao hơn trong việc chăm sóc da mụn tại nhà.
2.1. Hạn chế của các giải pháp công nghệ phân tích da hiện có
Thị trường hiện nay đã có một số công nghệ hỗ trợ phân tích da, nhưng vẫn tồn tại nhiều hạn chế. Các thiết bị chuyên dụng như Skin Scanner của Dior hay máy soi da kết nối máy tính tuy có độ chính xác cao nhưng chi phí rất đắt đỏ và không phổ biến, người dùng thông thường khó tiếp cận. Các ứng dụng di động như Effaclar Spot Scan của La Roche-Posay tuy tiện lợi hơn nhưng cũng có nhược điểm. Ứng dụng này yêu cầu điều kiện chụp ảnh khắt khe (3 góc mặt, ánh sáng chuẩn), thời gian phân tích lâu và chỉ gợi ý sản phẩm skincare của chính hãng, làm giảm sự lựa chọn của người dùng. Hơn nữa, nhiều ứng dụng khác như TroveSkin hay Medgic thường tập trung vào các chỉ số chung như nếp nhăn, độ ẩm thay vì đi sâu vào phân loại và đánh giá mức độ nghiêm trọng của mụn. Những hạn chế này tạo ra một khoảng trống thị trường cho một ứng dụng toàn diện hơn.
2.2. Rào cản tâm lý và nhu cầu tư vấn da liễu online cấp thiết
Ngoài các vấn đề về kinh tế và kiến thức, rào cản tâm lý cũng là một yếu tố quan trọng. Nhiều người cảm thấy e ngại khi phải đến gặp bác sĩ da liễu nếu tình trạng mụn chưa quá nặng. Mụn trứng cá còn gây ra các tác động tiêu cực về tâm lý, làm mất tự tin trong giao tiếp và tạo ra rào cản xã hội. Khảo sát của nhóm nghiên cứu cho thấy nhu cầu rất lớn về một công cụ có thể giúp người dùng tự kiểm tra tại nhà. Cụ thể, người dùng rất mong muốn biết chính xác loại mụn, tình trạng nặng nhẹ của da, và nhận được gợi ý sản phẩm phù hợp. Nhu cầu về một dịch vụ tư vấn da liễu online tiện lợi, riêng tư và đáng tin cậy là rất rõ ràng. Một ứng dụng thông minh có thể đáp ứng chính xác nhu cầu này, trở thành một người trợ lý ảo đắc lực cho người dùng trong hành trình điều trị mụn.
III. Phương pháp ứng dụng AI nhận diện mụn qua xử lý ảnh y tế
Giải pháp cốt lõi của đề tài là xây dựng một hệ thống nhận diện mụn tự động dựa trên công nghệ xử lý ảnh y tế và trí tuệ nhân tạo. Quy trình này được chia thành nhiều mô-đun chuyên biệt, bắt đầu từ việc tiền xử lý ảnh đầu vào cho đến khi xác định được các vùng da bất thường. Hệ thống này, hay còn gọi là acne detection system, được thiết kế để hoạt động hiệu quả trên ảnh chụp từ điện thoại di động thông thường. Đầu vào là một bức ảnh chân dung 2D, chụp rõ khuôn mặt. Mô-đun đầu tiên, Nhận diện điểm bất thường, sẽ thực hiện các bước như giảm nhiễu, cân bằng sáng, và quan trọng nhất là phát hiện khuôn mặt cùng các vùng nhiễu (tóc, mắt, môi) để loại trừ. Sau đó, thuật toán nhận dạng mụn sẽ được áp dụng trên vùng da còn lại. Phương pháp này dựa trên việc phân tích không gian màu của ảnh, một kỹ thuật phổ biến trong lĩnh vực computer vision for dermatology. Các nghiên cứu liên quan như “Automated facial acne assessment from smartphone images” đã chỉ ra hiệu quả của việc sử dụng không gian màu CIE Lab* để phân tách các điểm bất thường (mụn, thâm, sẹo) khỏi nền da khỏe mạnh.
3.1. Kỹ thuật phân vùng khuôn mặt và vai trò của không gian màu
Để tăng độ chính xác, thay vì xử lý toàn bộ khuôn mặt, hệ thống áp dụng kỹ thuật phân vùng. Dựa trên nghiên cứu của Amini và cộng sự, khuôn mặt được định vị bằng 68 điểm mốc, sau đó được chia thành 5 vùng chính: trán, má trái, má phải, mũi và cằm. Việc nhận diện điểm bất thường trên từng vùng riêng biệt giúp thuật toán hoạt động hiệu quả hơn. Kỹ thuật phân đoạn màu đóng vai trò then chốt. Thay vì dải màu HSV, nghiên cứu này ưu tiên sử dụng dải màu CIE Lab*. Kênh màu 'a*' trong không gian này đặc biệt hiệu quả trong việc phân biệt các sắc độ đỏ và xanh lá, giúp làm nổi bật các tổn thương viêm đỏ của mụn. Bằng cách xác định một ngưỡng giá trị phù hợp trên kênh màu 'a*', hệ thống có thể tự động khoanh vùng các khu vực có dấu hiệu bất thường, tạo ra dữ liệu đầu vào cho bước phân loại tiếp theo.
3.2. Xây dựng mô hình nhận diện đối tượng để xác định mụn
Sau khi xác định các điểm bất thường, bước tiếp theo là phân loại chúng. Đây là lúc mô hình nhận diện đối tượng phát huy vai trò. Các điểm bất thường được trích xuất từ ảnh gốc và đưa vào một mô hình học máy đã được huấn luyện trước. Mô hình này, thường là một mạng nơ-ron tích chập (CNN) thuộc lĩnh vực deep learning phân loại mụn, sẽ phân tích các đặc trưng của từng điểm ảnh như màu sắc, kết cấu, hình dạng. Đầu ra của mô-đun này là các nhãn phân loại, ví dụ: mụn đầu trắng, mụn đầu đen, sẩn viêm đỏ, mụn mủ, hoặc không phải mụn (vết thâm, nốt ruồi). Để mô hình hoạt động chính xác, việc xây dựng một cơ sở dữ liệu ảnh mụn chất lượng cao, được gán nhãn bởi chuyên gia da liễu, là yếu tố quyết định. Chất lượng của dữ liệu đầu vào này sẽ ảnh hưởng trực tiếp đến hiệu suất của toàn bộ hệ thống.
IV. Cách deep learning phân loại mụn và gợi ý phác đồ điều trị
Sau khi các điểm bất thường được khoanh vùng, hệ thống chuyển sang giai đoạn phân loại và đánh giá. Mô-đun Phân loại điểm bất thường sử dụng các kỹ thuật machine learning trong da liễu để xác định chính xác từng loại mụn. Các thuật toán học sâu (deep learning) được huấn luyện trên một tập dữ liệu lớn gồm hàng ngàn hình ảnh mụn đã được gán nhãn. Mô hình sẽ học cách phân biệt các đặc điểm tinh vi giữa mụn đầu trắng, mụn đầu đen, sẩn viêm và mụn mủ. Kết quả của bước này là một bản đồ mụn chi tiết trên khuôn mặt người dùng, với từng vị trí được gán nhãn cụ thể. Dựa trên số lượng và loại mụn được phát hiện, Mô-đun Đánh giá tình trạng sẽ tính toán mức độ nghiêm trọng của mụn theo các thang điểm y khoa chuẩn hóa, ví dụ như kỹ thuật Leeds. Kết quả cuối cùng là một con số hoặc cấp độ (nhẹ, trung bình, nặng) phản ánh tổng quan tình trạng da hiện tại, làm cơ sở cho việc gợi ý lộ trình điều trị.
4.1. Xây dựng hệ chuyên gia tư vấn trị mụn và cá nhân hóa lộ trình
Mô-đun cuối cùng và quan trọng nhất là Gợi ý điều trị. Đây là một hệ chuyên gia tư vấn trị mụn được xây dựng dựa trên kiến thức y khoa. Đầu vào của mô-đun này là kết quả phân loại và đánh giá mức độ nghiêm trọng. Dựa trên loại mụn chủ đạo và tình trạng tổng thể, hệ thống sẽ: 1) Cung cấp thông tin về nguyên nhân gây ra loại mụn đó. 2) Đưa ra cảnh báo nếu tình trạng mụn ở mức độ nặng và khuyên người dùng nên đi gặp bác sĩ. 3) Gợi ý một phác đồ điều trị mụn cá nhân hóa, bao gồm các bước chăm sóc da cơ bản, hoạt chất điều trị phù hợp và những thay đổi trong lối sống. Lộ trình này được thiết kế riêng cho từng người, đảm bảo tính phù hợp và hiệu quả, thay vì các lời khuyên chung chung.
4.2. Gợi ý sản phẩm skincare phù hợp dựa trên phân tích dữ liệu
Một tính năng giá trị gia tăng của hệ thống là skincare routine recommender. Dựa trên loại mụn và mức độ nghiêm trọng, ứng dụng có thể gợi ý sản phẩm skincare chứa các hoạt chất đặc trị phù hợp. Ví dụ, với mụn đầu đen và mụn nhẹ, hệ thống có thể gợi ý sản phẩm chứa Salicylic Acid (BHA). Với mụn viêm, Benzoyl Peroxide hoặc Retinoids có thể được đề xuất. Không giống như các ứng dụng của một nhãn hàng, hệ thống này được thiết kế để gợi ý sản phẩm từ nhiều thương hiệu khác nhau với các mức giá đa dạng. Điều này giúp người dùng, đặc biệt là sinh viên, có thể tìm thấy sản phẩm hiệu quả và phù hợp với ngân sách của mình. Tính năng này giúp kết nối trực tiếp từ chẩn đoán đến giải pháp, hoàn thiện trải nghiệm người dùng.
V. Bí quyết đánh giá hiệu quả của ứng dụng chẩn đoán mụn online
Để xác minh hiệu quả của phương pháp đề xuất, nhóm nghiên cứu đã tiến hành thử nghiệm trên một tập dữ liệu thực tế gồm 10 hình ảnh khuôn mặt của sinh viên. Quá trình đánh giá được thực hiện một cách khoa học và có hệ thống. Đầu tiên, phương pháp nhận diện điểm bất thường được áp dụng trên 10 tấm ảnh. Kết quả dự đoán của thuật toán sau đó được so sánh với kết quả thực tế (ground truth), được xác định thủ công bởi nhóm nghiên cứu và sẽ được kiểm chứng lại bởi bác sĩ da liễu. Việc đánh giá không chỉ dừng lại ở độ chính xác tổng thể, mà còn đi sâu vào các chỉ số hiệu suất quan trọng hơn trong các bài toán y tế. Các chỉ số này giúp hiểu rõ hơn về khả năng của mô hình trong việc phát hiện đúng các trường hợp bị mụn và không bỏ sót chúng. Kết quả từ đồ án tốt nghiệp CNTT này cho thấy tiềm năng lớn trong việc áp dụng công nghệ để hỗ trợ chẩn đoán và chăm sóc da mụn.
5.1. Phân tích ma trận nhầm lẫn và chỉ số Precision Recall
Ma trận nhầm lẫn (Confusion Matrix) là công cụ chính để đánh giá hiệu suất. Ma trận này trực quan hóa kết quả dự đoán qua bốn giá trị: True Positive (TP - phát hiện đúng điểm mụn), False Positive (FP - nhận nhầm điểm không phải mụn), True Negative (TN - xác định đúng điểm không phải mụn), và False Negative (FN - bỏ sót điểm mụn). Trong chẩn đoán y tế, việc giảm thiểu FN (bỏ sót bệnh) thường quan trọng hơn. Từ đó, hai chỉ số Precision và Recall được tính toán. Precision đo lường độ chính xác của các dự đoán dương tính, trong khi Recall (độ nhạy) đo lường khả năng phát hiện tất cả các trường hợp dương tính thực tế. Bảng đánh giá cho thấy chỉ số Recall trong việc phát hiện mụn đạt 63.68%, một con số khá ổn định với tập dữ liệu đầu vào có nhiều yếu tố gây nhiễu như ánh sáng không đều, chất lượng ảnh mờ.
5.2. Ý nghĩa kết quả Recall cao hơn Precision trong chẩn đoán
Kết quả thử nghiệm cho thấy chỉ số precision thấp trong khi recall cao. Điều này có thể chấp nhận được trong bối cảnh của một ứng dụng sàng lọc. Một chỉ số Recall cao có nghĩa là mô hình có khả năng phát hiện hầu hết các nốt mụn thực tế, giảm thiểu việc bỏ sót. Một chỉ số Precision thấp hơn có nghĩa là mô hình có thể nhận nhầm một số điểm không phải mụn (như nốt ruồi, tàn nhang) là mụn. Tuy nhiên, sai lầm này ít nghiêm trọng hơn việc bỏ sót một nốt mụn viêm đang cần điều trị. Đầu ra của mô-đun nhận diện sẽ được chuyển đến mô-đun phân loại. Mô-đun phân loại sẽ có nhiệm vụ lọc ra các dự đoán sai (FP) này. Do đó, việc ưu tiên Recall ở giai đoạn đầu là một chiến lược thiết kế hợp lý, đảm bảo không bỏ lỡ các tổn thương quan trọng cần được đánh giá mức độ nghiêm trọng của mụn.
