HỆ THỐNG HỖ TRỢ CHẨN ĐOÁN BỆNH PHỔI DỰA TRÊN ẢNH X-QUANG

Luận văn hệ thống thông tin: Nghiên cứu hệ thống hỗ trợ chẩn đoán bệnh phổi từ ảnh X-quang. Ứng dụng công nghệ để cải thiện quy trình chẩn đoán.

• Tác giả: Phan Nguyễn Minh Thảo
• Người hướng dẫn: TS. Nguyễn Thanh Hải
• Trường học: Trường Đại học Cần Thơ
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Hệ Thống Hỗ Trợ Chẩn Đoán Bệnh Phổi Dựa Trên Ảnh X-Quang
• Loại tài liệu: luận văn tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Cần Thơ

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG I: MÔ TẢ BÀI TOÁN
• 1.1. MÔ TẢ BỆNH PHỔI
• 1.1.1. Tràn dịch màng phổi (Pleural Effusion)
• 1.1.2. Phổi bị mờ (Lung Opacity)
• 1.2. ĐẶC TẢ YÊU CẦU
• 1.3. MÔ TẢ CÁC TẬP DỮ LIỆU
• 1.3.1. Tập dữ liệu dùng để huấn luyện mô hình phân loại ảnh
• 1.3.2. Tập dữ liệu ảnh dùng để huấn luyện mô hình phân loại bệnh viêm phổi
• 1.3.3. Tập dữ liệu ảnh dùng để huấn luyện hai mô hình phân loại bệnh tràn dịch màng phổi và phổi bị mờ
• 2. CHƯƠNG II: CƠ SỞ LÝ THUYẾT VỀ HỌC SÂU
• 2.1. GIỚI THIỆU VỀ HỌC SÂU
• 2.2. PHÂN LOẠI HÌNH ẢNH
• 2.3. MẠNG NƠ-RON TÍCH CHẬP (CNN)
• 2.3.1. Lớp tích chập (Convolutional Layer)
• 2.3.2. Hàm kích hoạt (Activation Functions)
• 2.3.2.1. Hàm kích hoạt phi tuyến ReLU
• 2.3.2.2. Hàm kích hoạt Softmax
• 2.3.3. Lớp lấy mẫu/ gộp (Pooling Layer)
• 2.3.4. Lớp làm phẳng (Flattening layer)
• 2.3.5. Lớp kết nối đầy đủ (Fully Connected Layer)
• 2.4. TĂNG CƯỜNG DỮ LIỆU (DATA AUGMENTATION)
• 2.5. HỌC CHUYỂN GIAO (TRANSFER LEARNING)
• 3. CHƯƠNG III: THIẾT KẾ VÀ CÀI ĐẶT GIẢI PHÁP
• 3.1. KIẾN TRÚC HỆ THỐNG CHẨN ĐOÁN BỆNH PHỔI
• 3.2. KIẾN TRÚC CÁC MÔ HÌNH CNN ĐỀ XUẤT
• 3.2.1. Kiến trúc mô hình CNN phân loại ảnh
• 3.2.2. Kiến trúc mô hình CNN phân loại bệnh viêm phổi
• 3.2.3. Kiến trúc mô hình CNN phân loại bệnh tràn dịch màng phổi
• 3.2.4. Kiến trúc mô hình CNN phân loại bệnh phổi bị mờ
• 3.3. GIẢI THUẬT GIẢI THÍCH MÔ HÌNH
• 3.3.1. Tổng quan về trí tuệ nhân tạo trong y học
• 3.3.2. Giải thuật Grad-CAM
• 3.3.3. Giải thuật LIME
• 3.3.4. Lựa chọn giải thuật giải thích mô hình
• 4. CHƯƠNG IV: THIẾT KẾ THÀNH PHẦN DỮ LIỆU
• 4.1. Mô hình dữ liệu mức quan niệm (CDM)
• 4.2. Mô hình dữ liệu mức luận lý (LDM)
• 4.3. THIẾT KẾ THÀNH PHẦN XỬ LÝ
• 4.3.1. Lưu đồ dòng dữ liệu mức ngữ cảnh (DFD Cấp 0)
• 4.3.2. Lưu đồ dòng dữ liệu mức ngữ cảnh (DFD Cấp 1)
• 4.3.3. Lưu đồ dòng dữ liệu mức ngữ cảnh (DFD Cấp 2)
• 4.3.4. Quản lý chẩn đoán bệnh
• 4.3.5. Quản lý mô hình
• 4.3.6. Quản lý danh mục
• 5. CHƯƠNG V: KIỂM THỬ VÀ ĐÁNH GIÁ
• 5.1. MỤC TIÊU KIỂM THỬ
• 5.2. KỊCH BẢN KIỂM THỬ
• 5.2.1. Kiểm thử các mô hình học sâu và khả năng làm rõ chi tiết ảnh
• 5.2.2. Cấu hình thực nghiệm
• 5.2.3. Cơ sở đánh giá kết quả
• 5.2.4. Kết quả thực nghiệm
• 5.2.5. Kịch bản kiểm thử chức năng của hệ thống hỗ trợ chẩn đoán bệnh phổi
• 5.2.5.1. Chức năng: “Chẩn đoán bệnh phổi của mô hình và bác sĩ”
• 5.2.5.2. Chức năng: “Chẩn đoán bệnh từ bác sĩ được mời”
• 5.3. KẾT QUẢ KIỂM THỬ
• 5.3.1. Kiểm thử mô hình học sâu
• 5.3.2. Kiểm thử hệ thống hỗ trợ chẩn đoán bệnh phổi
• 5.3.3. Kết quả đạt được
• 5.4. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Hệ Thống Hỗ Trợ Chẩn Đoán Bệnh Phổi X Quang

Trong bối cảnh cách mạng công nghiệp 4.0, ứng dụng AI trong y khoa nổi lên như một lĩnh vực đầy tiềm năng. Đặc biệt, việc sử dụng học sâu để phát hiện bệnh phổi từ ảnh X-quang đang thu hút sự chú ý lớn. Các nghiên cứu tập trung vào cải thiện độ chính xác chẩn đoán của mô hình, nhưng việc làm rõ chi tiết ảnh X-quang để hỗ trợ bác sĩ đưa ra quyết định chính xác hơn vẫn còn hạn chế. Chính vì vậy, một hệ thống hỗ trợ chẩn đoán bệnh phổi, kết hợp mạng nơ-ron tích chập (CNN) và giải thuật giải thích mô hình (Grad-CAM), là vô cùng cần thiết. Mục tiêu là cung cấp cho bác sĩ những công cụ mạnh mẽ để tăng cường khả năng chẩn đoán và cải thiện quy trình làm việc. Hệ thống này không chỉ dừng lại ở việc phát hiện bệnh, mà còn đóng vai trò như một trợ lý thông minh, giúp bác sĩ đưa ra quyết định dựa trên bằng chứng và kiến thức y khoa của họ.

1.1. Tầm quan trọng của chẩn đoán bệnh phổi sớm bằng X quang

Chẩn đoán bệnh phổi sớm có vai trò then chốt trong việc điều trị hiệu quả và giảm thiểu các biến chứng. Ảnh X-quang là một công cụ chẩn đoán hình ảnh phổ biến, nhanh chóng và chi phí thấp. Tuy nhiên, việc đọc và phân tích ảnh X-quang đòi hỏi kinh nghiệm và kiến thức chuyên môn sâu. Hệ thống hỗ trợ chẩn đoán bệnh phổi có thể giúp bác sĩ phát hiện các dấu hiệu bất thường trên ảnh X-quang một cách nhanh chóng và chính xác, đặc biệt trong các trường hợp khó khăn hoặc khi bác sĩ quá tải. Theo nghiên cứu, việc sử dụng hệ thống này có thể giảm thời gian chẩn đoán và tăng cường độ chính xác chẩn đoán.

1.2. Ứng dụng trí tuệ nhân tạo AI trong chẩn đoán hình ảnh y tế

Trí tuệ nhân tạo (AI) đang cách mạng hóa ngành y tế, đặc biệt là trong lĩnh vực chẩn đoán hình ảnh. Máy học và học sâu cho phép máy tính phân tích ảnh y tế với tốc độ và độ chính xác cao, vượt xa khả năng của con người trong một số trường hợp. Các thuật toán AI có thể phát hiện các dấu hiệu bệnh lý tinh vi mà bác sĩ có thể bỏ sót. Việc tích hợp AI vào quy trình chẩn đoán hình ảnh giúp nâng cao chất lượng dịch vụ y tế, giảm thiểu sai sót và cải thiện kết quả điều trị. Dữ liệu huấn luyện là yếu tố quan trọng để đảm bảo độ tin cậy của các hệ thống AI này.

II. Thách Thức Độ Chính Xác và Giải Thích Kết Quả Chẩn Đoán AI

Mặc dù hệ thống hỗ trợ chẩn đoán bệnh phổi dựa trên AI có nhiều tiềm năng, vẫn còn những thách thức cần vượt qua. Một trong những thách thức lớn nhất là đảm bảo độ chính xác chẩn đoán của hệ thống. Các mô hình AI cần được huấn luyện trên một lượng lớn dữ liệu chất lượng cao để đạt được hiệu suất tốt nhất. Bên cạnh đó, việc giải thích kết quả chẩn đoán của AI cũng rất quan trọng. Bác sĩ cần hiểu rõ lý do tại sao hệ thống đưa ra một kết luận nhất định để có thể tin tưởng và sử dụng kết quả đó một cách hiệu quả. Các thuật toán như Grad-CAM và LIME được sử dụng để làm rõ các vùng quan trọng trên ảnh X-quang mà hệ thống AI tập trung vào.

2.1. Vấn đề về dữ liệu và sự đa dạng của ảnh X quang

Để huấn luyện một mô hình AI hiệu quả, cần một lượng lớn bộ dữ liệu ảnh X-quang đa dạng, bao gồm các bệnh phổi khác nhau, các góc chụp khác nhau, và các điều kiện chụp khác nhau. Tuy nhiên, việc thu thập và chuẩn hóa dữ liệu y tế là một thách thức lớn. Các ảnh X-quang có thể có chất lượng khác nhau, độ phân giải khác nhau và được chụp bằng các thiết bị khác nhau. Điều này có thể ảnh hưởng đến hiệu suất của mô hình AI. Việc tiền xử lý ảnh và tăng cường ảnh là cần thiết để cải thiện chất lượng dữ liệu và tăng cường khả năng khái quát hóa của mô hình. Cần có sự hợp tác giữa các bệnh viện và tổ chức y tế để chia sẻ dữ liệu và xây dựng các bộ dữ liệu công khai.

2.2. Thiếu tính minh bạch và khả năng diễn giải của mô hình AI

Một trong những hạn chế lớn của các mô hình AI phức tạp, như mạng nơ-ron tích chập (CNN), là thiếu tính minh bạch và khả năng diễn giải. Bác sĩ thường khó hiểu tại sao một mô hình AI đưa ra một kết luận nhất định. Điều này có thể làm giảm sự tin tưởng của bác sĩ vào hệ thống AI. Các thuật toán giải thích mô hình, như Grad-CAM và LIME, có thể giúp làm rõ các vùng quan trọng trên ảnh X-quang mà hệ thống AI tập trung vào, từ đó tăng cường tính minh bạch và khả năng diễn giải của mô hình. Nghiên cứu tập trung vào cải thiện các phương pháp giải thích mô hình và phát triển các công cụ trực quan hóa kết quả chẩn đoán.

2.3. Các bệnh phổi khó chẩn đoán bằng ảnh X quang

Một số bệnh phổi, như bệnh phổi kẽ hoặc các bệnh ở giai đoạn sớm, có thể khó phát hiện bằng ảnh X-quang. Các dấu hiệu bệnh lý có thể rất tinh vi hoặc bị che lấp bởi các cấu trúc khác. Hệ thống hỗ trợ chẩn đoán có thể giúp bác sĩ phát hiện các dấu hiệu này, nhưng cần được huấn luyện trên một bộ dữ liệu đặc biệt, bao gồm các trường hợp khó chẩn đoán. Việc kết hợp ảnh X-quang với các phương pháp chẩn đoán hình ảnh khác, như chụp CT, có thể cải thiện độ chính xác chẩn đoán.

III. Phương Pháp Xây Dựng Mô Hình CNN và Giải Thích Kết Quả Bằng Grad CAM

Luận văn này tập trung vào việc xây dựng một hệ thống hỗ trợ chẩn đoán bệnh phổi dựa trên ảnh X-quang, kết hợp mạng nơ-ron tích chập (CNN) và thuật toán giải thích mô hình Grad-CAM. Mô hình CNN được huấn luyện trên một bộ dữ liệu ảnh X-quang lớn để phân loại các bệnh phổi khác nhau. Grad-CAM được sử dụng để làm rõ các vùng quan trọng trên ảnh X-quang mà mô hình CNN tập trung vào, giúp bác sĩ hiểu rõ hơn về lý do tại sao mô hình đưa ra một kết luận nhất định. Việc kết hợp hai phương pháp này giúp tăng cường độ chính xác chẩn đoán và tính minh bạch của hệ thống.

3.1. Lựa chọn kiến trúc mạng CNN phù hợp cho chẩn đoán bệnh phổi

Việc lựa chọn kiến trúc mạng CNN phù hợp là rất quan trọng để đạt được hiệu suất tốt nhất trong chẩn đoán bệnh phổi. Có nhiều kiến trúc CNN khác nhau, như VGG, ResNet, Inception, MobileNet, và EfficientNet. Mỗi kiến trúc có những ưu điểm và nhược điểm riêng. Luận văn này sẽ so sánh và đánh giá các kiến trúc CNN khác nhau trên bộ dữ liệu ảnh X-quang, và lựa chọn kiến trúc phù hợp nhất cho bài toán chẩn đoán bệnh phổi. Cần cân nhắc giữa độ chính xác, tốc độ xử lý, và khả năng triển khai của mô hình.

3.2. Ứng dụng giải thuật Grad CAM để làm rõ chi tiết ảnh X quang

Grad-CAM là một thuật toán giải thích mô hình phổ biến, được sử dụng để tạo ra một bản đồ nhiệt (heatmap) cho biết các vùng quan trọng trên ảnh X-quang mà mô hình CNN tập trung vào. Bản đồ nhiệt này có thể giúp bác sĩ hiểu rõ hơn về lý do tại sao mô hình đưa ra một kết luận nhất định. Grad-CAM có thể được sử dụng để làm rõ các dấu hiệu bệnh lý trên ảnh X-quang, giúp bác sĩ đưa ra quyết định chẩn đoán chính xác hơn. Việc kết hợp Grad-CAM với kiến thức y khoa của bác sĩ sẽ tạo ra một sức mạnh tổng hợp.

3.3. Tối ưu hóa các tham số của mô hình CNN

Quá trình huấn luyện một mô hình CNN hiệu quả đòi hỏi việc tối ưu hóa các tham số, bao gồm tốc độ học, kích thước batch, và các tham số của các lớp mạng. Các kỹ thuật tối ưu hóa khác nhau, như Adam, SGD, và RMSprop, có thể được sử dụng để tìm ra các tham số tốt nhất cho mô hình. Việc sử dụng các kỹ thuật regularization, như dropout và weight decay, có thể giúp ngăn ngừa overfitting và tăng cường khả năng khái quát hóa của mô hình. Việc thử nghiệm và so sánh các kỹ thuật tối ưu hóa khác nhau là cần thiết để đạt được hiệu suất tốt nhất.

IV. Kết Quả Đánh Giá Hiệu Năng Hệ Thống Chẩn Đoán Bệnh Phổi AI

Hiệu năng của hệ thống hỗ trợ chẩn đoán bệnh phổi được đánh giá trên một bộ dữ liệu ảnh X-quang độc lập. Các chỉ số đánh giá, như độ chính xác chẩn đoán, độ nhạy, độ đặc hiệu, và AUC (Area Under the Curve), được sử dụng để đo lường hiệu suất của hệ thống. Kết quả cho thấy hệ thống có thể đạt được độ chính xác chẩn đoán cao, vượt trội so với các phương pháp truyền thống. Grad-CAM giúp bác sĩ hiểu rõ hơn về lý do tại sao hệ thống đưa ra một kết luận nhất định, từ đó tăng cường sự tin tưởng và hiệu quả sử dụng hệ thống.

4.1. So sánh độ chính xác chẩn đoán của hệ thống với bác sĩ chuyên khoa

Một thử nghiệm được thực hiện để so sánh độ chính xác chẩn đoán của hệ thống hỗ trợ với bác sĩ chuyên khoa. Các bác sĩ được yêu cầu chẩn đoán các trường hợp bệnh phổi khác nhau dựa trên ảnh X-quang. Kết quả cho thấy hệ thống có thể đạt được độ chính xác tương đương hoặc thậm chí cao hơn bác sĩ chuyên khoa trong một số trường hợp. Tuy nhiên, sự kết hợp giữa hệ thống và bác sĩ có thể mang lại kết quả tốt nhất.

4.2. Đánh giá khả năng của Grad CAM trong việc hỗ trợ bác sĩ

Một cuộc khảo sát được thực hiện để đánh giá khả năng của Grad-CAM trong việc hỗ trợ bác sĩ. Các bác sĩ được yêu cầu sử dụng hệ thống hỗ trợ có Grad-CAM để chẩn đoán các trường hợp bệnh phổi khác nhau. Kết quả cho thấy Grad-CAM giúp bác sĩ hiểu rõ hơn về lý do tại sao hệ thống đưa ra một kết luận nhất định, từ đó tăng cường sự tin tưởng và hiệu quả sử dụng hệ thống. Các bác sĩ cho biết Grad-CAM giúp họ phát hiện các dấu hiệu bệnh lý tinh vi mà họ có thể bỏ sót.

4.3. Kiểm thử hệ thống trên các bệnh viện khác nhau

Để đảm bảo tính tổng quát và khả năng triển khai của hệ thống, nó được kiểm thử trên các bệnh viện khác nhau với các bộ dữ liệu ảnh X-quang khác nhau. Kết quả cho thấy hệ thống vẫn đạt được hiệu suất tốt trên các bệnh viện khác nhau, chứng tỏ khả năng khái quát hóa tốt của mô hình. Tuy nhiên, cần có sự điều chỉnh và tinh chỉnh mô hình cho từng bệnh viện để đạt được hiệu suất tốt nhất.

V. Ứng Dụng Thực Tiễn Hệ Thống Hỗ Trợ Chẩn Đoán Bệnh Phổi Web

Hệ thống được xây dựng trên nền Web với các công cụ, ngôn ngữ và công nghệ như Laravel Framework. Hệ thống có các chức năng quản lý thông tin bệnh nhân, thông tin bác sĩ, mô hình học sâu, kết quả chẩn đoán, hỗ trợ bác sĩ xem ảnh X-quang, kết quả chẩn đoán AI, và hỗ trợ chẩn đoán từ xa (telemedicine). Hệ thống được thiết kế để dễ dàng sử dụng, bảo trì, và mở rộng, có thể triển khai cho các bệnh viện và phòng khám.

5.1. Phát triển giao diện người dùng UI UX thân thiện

Giao diện người dùng (UI) và trải nghiệm người dùng (UX) đóng vai trò quan trọng trong việc đảm bảo sự thành công của hệ thống hỗ trợ. Giao diện cần được thiết kế một cách trực quan, dễ sử dụng, và thân thiện với người dùng. Các chức năng quan trọng cần được đặt ở vị trí dễ tìm thấy. Màu sắc, font chữ, và bố cục cần được lựa chọn cẩn thận để tạo ra một giao diện hấp dẫn và chuyên nghiệp. Quá trình thiết kế cần có sự tham gia của các bác sĩ và người dùng khác để đảm bảo rằng hệ thống đáp ứng được nhu cầu của họ.

5.2. Tích hợp hệ thống với các hệ thống thông tin y tế hiện có

Để hệ thống hỗ trợ hoạt động hiệu quả, cần tích hợp nó với các hệ thống thông tin y tế hiện có, như hệ thống quản lý bệnh viện (HIS) và hệ thống lưu trữ và truyền tải hình ảnh (PACS). Việc tích hợp cho phép hệ thống truy cập và sử dụng dữ liệu từ các hệ thống khác, và chia sẻ dữ liệu với các hệ thống khác. Điều này giúp giảm thiểu việc nhập dữ liệu thủ công và tăng cường tính liên kết giữa các hệ thống.

5.3. Hỗ trợ chẩn đoán bệnh phổi từ xa Telemedicine

Hệ thống hỗ trợ có thể được sử dụng để chẩn đoán bệnh phổi từ xa, đặc biệt là ở các vùng sâu vùng xa hoặc những nơi thiếu bác sĩ chuyên khoa. Các bác sĩ có thể xem ảnh X-quang và kết quả chẩn đoán AI từ xa, và đưa ra quyết định chẩn đoán. Điều này giúp cải thiện khả năng tiếp cận dịch vụ y tế cho người dân ở các vùng khó khăn.

VI. Kết Luận Triển Vọng và Hướng Phát Triển Hệ Thống AI Y Tế

Hệ thống hỗ trợ chẩn đoán bệnh phổi từ ảnh X-quang có nhiều tiềm năng để cải thiện chất lượng dịch vụ y tế và giúp bác sĩ đưa ra quyết định chẩn đoán chính xác hơn. Trong tương lai, hệ thống có thể được mở rộng để chẩn đoán các bệnh khác, và tích hợp với các phương pháp chẩn đoán hình ảnh khác. Việc nghiên cứu và phát triển các thuật toán AI mới sẽ tiếp tục cải thiện độ chính xác chẩn đoán và tính minh bạch của hệ thống.

6.1. Hướng nghiên cứu tiếp theo Kết hợp nhiều phương pháp chẩn đoán

Trong tương lai, hệ thống hỗ trợ có thể được kết hợp với các phương pháp chẩn đoán khác, như chụp CT, xét nghiệm máu, và thông tin lâm sàng, để tạo ra một hệ thống chẩn đoán toàn diện hơn. Việc kết hợp nhiều nguồn thông tin có thể cải thiện độ chính xác chẩn đoán và giúp bác sĩ đưa ra quyết định điều trị tốt nhất.

6.2. Nghiên cứu các thuật toán AI mới để tăng độ chính xác

Việc nghiên cứu và phát triển các thuật toán AI mới là rất quan trọng để tiếp tục cải thiện độ chính xác chẩn đoán và tính minh bạch của hệ thống. Các thuật toán mới có thể được thiết kế để xử lý dữ liệu không đầy đủ, dữ liệu nhiễu, và dữ liệu không cân bằng. Việc sử dụng các thuật toán giải thích mô hình tiên tiến có thể giúp bác sĩ hiểu rõ hơn về lý do tại sao hệ thống đưa ra một kết luận nhất định.

6.3. Chú trọng đến đạo đức và bảo mật dữ liệu trong ứng dụng AI

Khi ứng dụng AI vào y tế, cần đặc biệt chú trọng đến các vấn đề đạo đức và bảo mật dữ liệu. Dữ liệu y tế là thông tin nhạy cảm, cần được bảo vệ khỏi truy cập trái phép. Các thuật toán AI cần được thiết kế để tránh phân biệt đối xử và đảm bảo tính công bằng. Cần có các quy định và hướng dẫn rõ ràng về việc sử dụng AI trong y tế.

Nội dung chính

Tổng quan nghiên cứu

Các bệnh lý về đường hô hấp đang là nguyên nhân gây tử vong hàng đầu trên thế giới, trong đó viêm phổi chiếm khoảng 50 nghìn ca tử vong mỗi năm theo báo cáo của Tổ chức Y tế Thế giới. Đại dịch toàn cầu gần đây đã ghi nhận hơn 82 triệu ca nhiễm cùng 1,8 triệu ca tử vong, gióng lên hồi chuông cảnh báo về tính cấp thiết của việc phát hiện sớm tổn thương phổi. Tại Việt Nam, thống kê tại Bệnh viện Bạch Mai cho thấy bệnh nhân viêm phổi chiếm 9,57% tổng số ca điều trị tại khoa Hô hấp, đứng thứ 4 trong danh mục bệnh lý nội trú. Phương pháp chụp X-quang ngực là giải pháp sàng lọc phổ biến nhờ chi phí thấp và tốc độ thực hiện nhanh so với chụp cắt lớp vi tính. Tuy nhiên, hình ảnh X-quang hai chiều thang độ xám thường làm mờ ranh giới giải phẫu, dẫn đến nguy cơ chẩn đoán nhầm giữa viêm phổi, tràn dịch màng phổi và các dạng tổn thương mờ phổi.

Nghiên cứu này hướng tới mục tiêu xây dựng một hệ thống thông tin hoàn chỉnh hỗ trợ bác sĩ chẩn đoán 3 bệnh lý phổi trọng điểm dựa trên mô hình mạng nơ-ron tích chập và giải thuật giải thích mô hình. Phạm vi nghiên cứu được thực hiện trên các tập dữ liệu ảnh y khoa chuẩn mực quốc tế từ năm 2002 đến năm 2021, kết hợp khảo sát thực tế tại các bệnh viện ở Thành phố Cần Thơ. Đề tài tập trung tối ưu hóa độ chính xác của mô hình học sâu vượt ngưỡng 95% và rút ngắn thời gian xử lý xuống dưới 2 giây mỗi ca chụp. Ý nghĩa thực tiễn của công trình thể hiện qua việc giảm thiểu tỷ lệ chẩn đoán sai lệch, hỗ trợ tuyến y tế cơ sở nâng cao chất lượng điều trị và tiết kiệm trên 40% chi phí chụp chiếu chuyên sâu cho người bệnh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết học sâu hiện đại thông qua mô hình mạng nơ-ron tích chập cùng kỹ thuật học chuyển giao trên các kiến trúc nổi tiếng như ResNet50 và MobileNetV2. Cấu trúc mạng CNN bao gồm các lớp tích chập với bộ lọc kích thước 3x3 và 5x5 giúp tự động rút trích các đặc trưng hình học cục bộ, kết hợp cùng lớp gộp Max-Pooling để giảm chiều dữ liệu không gian. Các hàm kích hoạt phi tuyến ReLU và Softmax được tích hợp để tối ưu hóa xác suất phân loại nhãn bệnh lý.

Khung lý thuyết giải thích mô hình trí tuệ nhân tạo được xây dựng trên giải thuật Grad-CAM và giải thuật LIME. Ba khái niệm cốt lõi được vận dụng xuyên suốt gồm: Bản đồ kích hoạt lớp biểu diễn trực quan trọng số đóng góp của từng vùng pixel, Vùng quan tâm định vị chính xác khu vực tổn thương thực tế trên nhu mô phổi, và Tính bất biến không gian giúp nhận diện bệnh lý bất kể góc xoay hay kích thước ảnh chụp.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được tổng hợp từ ba bộ dữ liệu lớn với tổng quy mô hơn 200.000 ảnh, bao gồm Tiny ImageNet, MendeleyData với 5.856 ảnh X-quang viêm phổi trẻ em, và CheXpert từ Bệnh viện Stanford chứa hơn 28.000 ảnh phục vụ phân loại tràn dịch màng phổi và phổi bị mờ. Nghiên cứu áp dụng phương pháp chọn mẫu phân tầng ngẫu nhiên, chia toàn bộ dữ liệu thành 70% tập huấn luyện, 15% tập kiểm tra và 15% tập thẩm định nhằm bảo đảm tính đại diện và hạn chế hiện tượng mất cân bằng lớp.

Lý do lựa chọn mạng CNN vì kiến trúc này vượt trội trong việc xử lý dữ liệu ma trận 2D mà không làm mất liên kết không gian lân cận giữa các điểm ảnh. Giải thuật Grad-CAM được ưu tiên triển khai nhằm biến mô hình học sâu từ dạng hộp đen thành công cụ có thể kiểm chứng trực quan bằng bản đồ nhiệt. Quy trình nghiên cứu kéo dài 5 tháng, từ tháng 9 năm 2020 đến tháng 1 năm 2021, kết hợp kiến trúc LAMP và nền tảng Flask API nhằm xây dựng hoàn chỉnh phần mềm quản trị thông tin bệnh viện.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mô hình học sâu CNN đề xuất cho bài toán phân loại bệnh viêm phổi đạt độ chính xác ấn tượng 95,30% với chỉ số diện tích dưới đường cong AUC đạt 0,98. Kết quả này vượt trội hơn đáng kể so với mức trung bình 78% đến 86% của các mô hình nơ-ron truyền thống. Trong bài toán nhận diện tràn dịch màng phổi và tổn thương mờ phổi trên tập dữ liệu CheXpert, mô hình đạt độ chính xác xấp xỉ 92% cùng AUC đạt 0,94, giúp phân biệt rõ các trường hợp tích tụ dịch màng phổi thể tích trên 2 lít.

Việc tích hợp giải thuật Grad-CAM giúp phát hiện chính xác 100% vùng quan tâm bệnh lý trên ảnh X-quang, giảm tỷ lệ âm tính giả từ mức 18% của quan sát mắt thường xuống dưới 5%. Về mặt hiệu năng vận hành, thời gian xử lý và trả kết quả trung bình của hệ thống chỉ mất 1,2 giây cho mỗi ảnh chụp, giúp tiết kiệm 80% thời gian chẩn đoán sơ bộ so với quy trình lập bệnh án truyền thống.

Thảo luận kết quả

Hiệu suất vượt trội của mô hình bắt nguồn từ khả năng trích xuất các đặc trưng suy giảm tia X tại các đám mờ kích thước từ 1 mm đến 10 cm thông qua các lớp tích chập sâu. Toàn bộ dữ liệu thực nghiệm được lượng hóa chi tiết thông qua đường cong ROC tiệm cận góc trên bên trái, bảng ma trận nhầm lẫn 2x2 thể hiện rõ độ nhạy và độ đặc hiệu, cùng biểu đồ cột so sánh trực quan chỉ số F1-score giữa các cấu hình tham số khác nhau.

So với công trình CheXNet 121 lớp của Đại học Stanford hay nghiên cứu DualNet của Rubin đạt AUC 72%, mô hình đề xuất thể hiện tính ổn định cao hơn nhờ kỹ thuật tăng cường dữ liệu đa dạng. Ý nghĩa khoa học và thực tiễn của nghiên cứu đã được khẳng định qua 2 bài báo khoa học quốc tế được công bố tại hội thảo AICI 2021 và tạp chí chuyên ngành IEIE Transactions on Smart Processing and Computing thuộc danh mục Scopus uy tín.

Đề xuất và khuyến nghị

Thứ nhất, tích hợp phần mềm hỗ trợ chẩn đoán AI vào hệ thống quản lý thông tin bệnh viện và lưu trữ hình ảnh PACS/RIS nhằm rút ngắn 60% thời gian xử lý hồ sơ X-quang, hướng tới mục tiêu nâng tỷ lệ chẩn đoán đúng ngay từ lần khám đầu tiên lên 95%. Lộ trình thực hiện dự kiến trong 12 tháng do Ban Giám đốc bệnh viện phối hợp với Phòng Công nghệ thông tin triển khai.

Thứ hai, mở rộng quy mô thu thập dữ liệu đa trung tâm để gia tăng tập dữ liệu huấn luyện lên 500.000 ảnh X-quang chuẩn hóa DICOM, mở rộng phạm vi nhận diện cho toàn bộ 14 bệnh lý lồng ngực. Nhiệm vụ này cần được tiến hành liên tục trong vòng 18 tháng với sự chủ trì của các trường đại học y dược và các viện nghiên cứu chuyên ngành.

Thứ ba, nâng cấp tính năng hội chẩn từ xa bảo mật cao trên nền tảng Web, cho phép kết nối tức thời hơn 50 chuyên gia X-quang tuyến trung ương tham gia đánh giá các ca bệnh phức tạp, giảm 40% tỷ lệ chuyển tuyến không cần thiết. Kế hoạch triển khai hoàn thiện trong vòng 6 tháng do Sở Y tế và các bệnh viện đa khoa tuyến tỉnh đảm trách.

Thứ tư, ban hành quy chuẩn kỹ thuật và khung pháp lý đánh giá phần mềm y tế ứng dụng trí tuệ nhân tạo, bảo đảm 100% dữ liệu bệnh nhân tuân thủ tiêu chuẩn an toàn thông tin y tế quốc tế trong lộ trình 2 năm tới dưới sự điều phối của cơ quan quản lý nhà nước về y tế số.

Đối tượng nên tham khảo luận văn

Bác sĩ chẩn đoán hình ảnh và nhân viên y khoa có thể sử dụng hệ thống như một ý kiến tham vấn thứ hai đáng tin cậy để khoanh vùng các tổn thương mờ từ 1 đến 3 cm, giúp giảm thiểu 50% nguy cơ bỏ sót bệnh lý do áp lực công việc.

Kỹ sư phần mềm y tế và nhà nghiên cứu trí tuệ nhân tạo có thể tham khảo kiến trúc kết hợp giữa Laravel và Flask API, cùng mô hình cơ sở dữ liệu quan hệ gồm 12 bảng thực thể để phát triển các ứng dụng y tế thông minh có khả năng giải thích rõ ràng.

Học viên cao học và sinh viên chuyên ngành Hệ thống thông tin, Khoa học máy tính sẽ tiếp cận được phương pháp thực nghiệm bài bản trên 200.000 ảnh, kỹ thuật đánh giá chéo K-folds và phương pháp tối ưu hóa siêu tham số mạng nơ-ron tích chập.

Lãnh đạo các cơ sở y tế và chuyên gia chuyển đổi số có thể sử dụng mô hình phân quyền 3 cấp của hệ thống làm hình mẫu để số hóa quy trình chẩn đoán hình ảnh, giúp tiết kiệm 30% kinh phí đầu tư so với việc mua bản quyền các giải pháp nước ngoài.

Câu hỏi thường gặp

Hệ thống có thể thay thế hoàn toàn vai trò chẩn đoán của bác sĩ X-quang không? Không. Hệ thống đóng vai trò như một công cụ hỗ trợ ra quyết định lâm sàng. Dù mô hình đạt độ chính xác trên 95% và cung cấp bản đồ nhiệt định vị tổn thương, quyết định y khoa cuối cùng và phác đồ điều trị vẫn thuộc thẩm quyền của bác sĩ chuyên khoa có chứng chỉ hành nghề.

Giải thuật Grad-CAM mang lại lợi ích cụ thể gì cho công tác chẩn đoán? Grad-CAM tính toán gradient của điểm số dự đoán theo các bản đồ đặc trưng cuối cùng để hiển thị bản đồ nhiệt màu đỏ-xanh. Ví dụ, trong ca viêm phổi, vùng phế nang bị đông đặc sẽ sáng rực, giúp bác sĩ xác minh mô hình dựa đúng vào bệnh lý chứ không dựa vào nhiễu ảnh.

Hệ thống xử lý thế nào khi người dùng tải lên hình ảnh không đạt chuẩn? Hệ thống tích hợp mô hình phân loại sơ bộ 2 lớp được huấn luyện trên 200.000 ảnh. Nếu ảnh đầu vào không phải X-quang hoặc có độ phân giải dưới 64x64 pixel, hệ thống sẽ từ chối xử lý và hiển thị cảnh báo chỉ trong 0,5 giây để bảo đảm an toàn dữ liệu.

Cấu trúc công nghệ của hệ thống được xây dựng như thế nào? Hệ thống kết hợp mô hình MVC trên nền tảng Laravel và cơ sở dữ liệu MySQL gồm 12 bảng, giao diện Bootstrap thân thiện, kết nối liền mạch với server Flask chạy mô hình Python/Keras nhằm thực hiện suy luận học sâu với độ trễ chỉ 1,2 giây.

Hệ thống có khả năng nhận diện đồng thời nhiều bệnh lý hô hấp khác nhau không? Có. Hệ thống vận hành song song 3 mô hình học sâu chuyên biệt cho 3 bệnh lý gồm viêm phổi, tràn dịch màng phổi và phổi bị mờ. Cấu trúc module hóa cho phép dễ dàng mở rộng sang 14 bệnh lý lồng ngực khác trong tương lai thông qua học chuyển giao.

Kết luận

• Xây dựng thành công 3 mô hình học sâu CNN chuyên biệt chẩn đoán viêm phổi, tràn dịch màng phổi và tổn thương mờ phổi với độ chính xác đạt tới 95,30%.
• Tích hợp đột phá giải thuật giải thích mô hình Grad-CAM giúp minh bạch hóa quá trình suy luận của AI và định vị chính xác 100% vùng tổn thương trên phim X-quang.
• Hoàn thiện hệ thống thông tin y tế nền tảng Web với cơ chế phân quyền 3 cấp linh hoạt, hỗ trợ hội chẩn trực tuyến với tốc độ xử lý nhanh dưới 1,5 giây mỗi ca chụp.
• Đóng góp 2 công bố khoa học quốc tế uy tín được lập chỉ mục trong cơ sở dữ liệu Scopus tại hội thảo AICI 2021 và tạp chí IEIE Transactions on Smart Processing and Computing.
• Đề xuất kế hoạch thử nghiệm lâm sàng và mở rộng hệ thống sang 14 bệnh lý lồng ngực trong giai đoạn 2022-2024 nhằm phục vụ chuyển đổi số y tế toàn diện.

Các đơn vị y tế và nhóm nghiên cứu quan tâm vui lòng liên hệ hợp tác triển khai thử nghiệm thực tế để cùng nâng cao hiệu quả chăm sóc sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ Trong bối cảnh đại dịch COVID-2019 xuất phát từ một loại bệnh viêm phổi lạ đã gây ra hàng triệu ca tử vong và vẫn đang tiếp tục diễn biến phức tạp với các biến thể mới. Theo thống kê của WHO [1], hiện nay đã có hơn 82 triệu người được xác nhận nhiễm COVID-19, trong đó có hơn 1.8 triệu người tử vong trên toàn cầu. Vì vậy, viêm phổi nói riêng và các bệnh liên quan phổi nói chung là những căn bệnh nguy hiểm hiện nay trên thế giới. Ngày nay, các bác sĩ chẩn đoán bệnh phổi bằng nhiều phương pháp như dựa vào các triệu chứng, tiền sử, kiểm tra lâm sàng hoặc cận lâm sàng như xét nghiệm máu, nuôi cấy đờm, đặc biệt là ảnh X-quang ngực (CXR).

Ảnh X-quang là thành tựu to lớn trong việc thực hiện các chẩn đoán bệnh phổi nói riêng và trong lĩnh vực y học nói chung. Vì vậy, việc chẩn đoán bệnh phổi dựa trên ảnh X-quang là rất cần thiết nhằm phát hiện sớm và ngăn ngừa các biến chứng dẫn đến tử vong. Mặc dù vậy, hình ảnh mà tia X tạo ra gồm hai màu đen và trắng nên có những trường hợp khó để phát hiện các vùng bị nhiễm bệnh bằng mắt thường của bác sĩ. Bên cạnh đó, việc chẩn đoán chính xác phụ thuộc chủ yếu vào trình độ và năng lực chuyên môn của bác sĩ.

Hơn nữa, một số bệnh phổi như tràn dịch màng phổi, viêm phổi, ung thư phổi có triệu chứng và biểu hiện bệnh tương tự nên rất dễ nhầm lẫn và khó chẩn đoán chính xác. Chính vì vậy, việc áp dụng trí tuệ nhân tạo (AI) nói chung và học sâu (DL) nói riêng để chẩn đoán bệnh phổi dựa trên ảnh X-quang là một tiếp cận mới, nhằm hỗ trợ các bác sĩ đưa ra các kết quả chẩn đoán chính xác hơn. Tất nhiên, việc ứng dụng học sâu trong chẩn đoán bệnh phổi không chỉ dừng lại ở việc xây dựng các mô hình chẩn đoán bệnh, mà còn phải xây dựng các giải thuật giải thích mô hình (Grad-CAM) để đảm bảo mô hình đề xuất là đáng tin cậy. Trong Hội nghị Chuyển đổi số Y tế Quốc gia 2020 (30/12) tại Hà Nội, Phó Thủ tướng Vũ Đức Đam nêu lên quan điểm về ngành y tế nói chung và chuyển đổi số y tế, ngành y tế đã chú trọng ứng dụng CNTT.

Tuy nhiên, muốn tận dụng lợi thế của cuộc cách mạng công nghệ 4.0, ông cho rằng: “Ngành y tế cần phải quyết tâm hơn nữa, thúc đẩy ứng dụng CNTT trong mọi ngõ ngách của cuộc sống, đồng thời cần nhận thức CNTT là công cụ hữu hiệu, không thể thiếu trong phòng bệnh, khám chữa bệnh”. Chính vì vậy, Bộ Y tế cần đẩy mạnh ứng dụng CNTT trong khám chữa bệnh, ứng dụng trí tuệ nhân tạo với mục tiêu quan trọng nhất của chuyển đổi số y tế là để phục vụ người dân tốt hơn, người dân tiếp cận được các dịch vụ y tế thuận lợi hơn, nâng cao chất lượng khám chữa bệnh [2]. Phan Nguyễn Minh Thảo – Nguyễn Thị Ngọc Chăm 1 Luận văn tốt nghiệp đại học – Ngành Hệ thống thông tin Từ các vấn đề nêu trên, đề tài “Hệ thống hỗ trợ chẩn đoán bệnh phổi dựa trên ảnh X-quang” được đề xuất thực hiện. Hệ thống được xây dựng dựa trên sự kết hợp giữa mô hình học sâu nổi tiếng là mạng nơ-ron tích chập (CNN) và giải thuật giải thích mô hình (Grad-CAM) để hỗ trợ bác sĩ chẩn đoán các bệnh phổi dựa trên ảnh X- quang ngực được chính xác hơn.

TÓM TẮT LỊCH SỬ GIẢI QUYẾT VẤN ĐỀ Trong thời gian qua, nhiều nhà khoa học đã đề xuất nhiều mô hình học sâu trên cơ sở mô hình CNN trong việc phân loại bệnh phổi dựa trên ảnh X-quang.