Tổng quan nghiên cứu

Trong bối cảnh đại dịch toàn cầu và sự thiếu hụt nghiêm trọng nguồn nhân lực y tế với tỷ lệ thiếu hụt ước tính khoảng 15 triệu nhân viên y tế vào năm 2030 theo các báo cáo y tế quốc tế, việc xây dựng các hệ thống trí tuệ nhân tạo hỗ trợ nhận diện và mô tả hình ảnh y khoa tự động trở thành một nhu cầu cấp thiết. Bài toán chú thích ảnh tự động (Image Captioning) kết hợp giữa thị giác máy tính và xử lý ngôn ngữ tự nhiên đóng vai trò then chốt trong việc phân tích và hiểu bối cảnh trực quan. Tuy nhiên, phần lớn các mô hình hiện đại trên thế giới đều được phát triển dựa trên các bộ dữ liệu tiếng Anh quy mô lớn với hơn 6.5 triệu cặp ảnh-văn bản, trong khi các giải pháp chú thích hình ảnh bằng tiếng Việt, đặc biệt trong lĩnh vực chăm sóc sức khỏe, vẫn còn gặp nhiều rào cản do sự khan hiếm dữ liệu chuyên ngành và tính phức tạp về mặt ngữ nghĩa.

Luận văn này tập trung nghiên cứu mô hình Oscar (Object-Semantics Aligned Pre-training) nhằm giải quyết triệt để vấn đề mất cân đối ngữ nghĩa giữa hình ảnh và văn bản tiếng Việt trong lĩnh vực y tế. Nghiên cứu được triển khai trong năm 2021 tại Phòng thí nghiệm Truyền thông Đa phương tiện (MMLab-UIT), Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM. Mục tiêu cụ thể của đề tài bao gồm việc tích hợp các nhãn đối tượng (object tags) làm điểm neo ngữ nghĩa, tối ưu hóa quá trình huấn luyện liên phương thức thị giác - ngôn ngữ và áp dụng kỹ thuật Self-Critical Sequence Training (SCST). Kết quả nghiên cứu đã giúp nâng cao chỉ số đánh giá trung bình AVG(BLEU1, BLEU2, BLEU3, BLEU4) từ mức cơ sở 0.286 khi thiết lập beam size bằng 3, tạo ra bước đột phá quan trọng trong việc tự động hóa diễn giải nội dung hình ảnh y khoa tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của hai khung lý thuyết học sâu nền tảng: lý thuyết nhận diện thị giác thông qua mạng nơ-ron tích chập trích xuất vùng đặc trưng (Faster R-CNN) và lý thuyết mô hình ngôn ngữ dựa trên cơ chế tự chú ý đa đầu (Transformer/BERT). Kiến trúc Oscar chuyển đổi cách tiếp cận biểu diễn cặp ảnh - văn bản thông thường thành bộ ba dữ liệu gồm chuỗi từ vựng, chuỗi nhãn đối tượng phát hiện được và tập hợp các véc-tơ đặc trưng vùng ảnh.

Trong không gian biểu diễn đa phương thức, các nhãn đối tượng đóng vai trò như những điểm neo ngữ nghĩa vững chắc, giúp kết nối đặc trưng hình ảnh trực quan với không gian nhúng từ vựng của mô hình ngôn ngữ. Các khái niệm trung tâm được vận dụng xuyên suốt gồm:

  • Cơ chế chú ý đa đầu (Multi-Head Self-Attention) giúp mô hình hóa mối quan hệ phi tuần tự giữa các thành phần thị giác và ngôn ngữ.
  • Hàm mất mát phục hồi từ bị che (Masked Token Loss) với tỷ lệ che ngẫu nhiên 15% các token văn bản và nhãn đối tượng.
  • Hàm mất mát tương phản (Contrastive Loss) với tỷ lệ xáo trộn nhãn đối tượng 50% để phân biệt cặp biểu diễn chuẩn và cặp bị ô nhiễm dữ liệu.
  • Kỹ thuật học tăng cường chuỗi tự phê phán (Self-Critical Sequence Training - SCST) nhằm trực tiếp tối ưu hóa các thang đo đánh giá sinh ngôn ngữ tự nhiên.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu chuyên ngành y tế tiếng Việt mang tên VieCap4H, bao gồm hàng nghìn hình ảnh y tế chất lượng cao được gán nhãn mô tả chi tiết bằng tiếng Việt chuẩn ngữ cảnh chăm sóc sức khỏe. Phương pháp chọn mẫu phân tầng được áp dụng để chia dữ liệu thành các tập huấn luyện, kiểm định và kiểm tra độc lập nhằm bảo đảm tính đại diện của các nhóm thực thể bệnh học và bối cảnh lâm sàng.

Quy trình phân tích dữ liệu trải qua các bước kỹ thuật chuẩn hóa:

  1. Mô hình Faster R-CNN quét qua ảnh để trích xuất khoảng 50 vùng đặc trưng nổi bật, mỗi vùng được mã hóa thành một véc-tơ đặc trưng 2048 chiều kết hợp cùng tọa độ không gian 4 chiều đến 6 chiều.
  2. Bộ nhận diện đối tượng tiến hành trích xuất danh sách nhãn đối tượng dạng chuỗi văn bản với độ chính xác cao.
  3. Bộ ba dữ liệu được đưa vào mô hình Transformer khởi tạo từ cấu trúc BERT (với kích thước ẩn 768 chiều ở bản base và 1024 chiều ở bản large) để học biểu diễn tương tác qua chu kỳ huấn luyện kéo dài từ 900.000 đến 1.000.000 bước lặp.

Lý do lựa chọn mô hình Oscar kết hợp SCST thay vì kiến trúc Encoder-Decoder truyền thống (CNN-LSTM) là vì Oscar khắc phục triệt để hiện tượng mơ hồ ngữ nghĩa do các vùng ảnh bị chồng lấn, đồng thời SCST loại bỏ hoàn toàn sự lệch pha giữa hàm mất mát cross-entropy thông thường và các chỉ số đo lường học thuật như BLEU hay CIDEr.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh chuyên sâu trên tập dữ liệu VieCap4H đã mang lại những phát hiện quan trọng:

Thứ nhất, việc đưa nhãn đối tượng làm điểm neo ngữ nghĩa giúp mô hình Oscar vượt trội hoàn toàn so với mô hình Encoder-Decoder truyền thống sử dụng CNN kết hợp LSTM. Chỉ số BLEU-1 ghi nhận mức tăng trưởng hơn 24.5%, nâng điểm số trung bình của 4 bậc BLEU từ mức cơ sở 0.286 lên trên 0.325 khi áp dụng giải mã beam search với kích thước bằng 3.

Thứ hai, việc áp dụng kỹ thuật tinh chỉnh Self-Critical Sequence Training (SCST) giúp cải thiện đáng kể chất lượng câu mô tả. Thang đo CIDEr ghi nhận mức tăng trưởng hơn 18.2% so với quá trình huấn luyện sử dụng hàm mất mát cross-entropy tiêu chuẩn, chứng minh hiệu quả của việc định hướng trực tiếp theo phần thưởng đánh giá văn bản.

Thứ ba, việc tinh chỉnh tham số của mô đun dò tìm đối tượng Faster R-CNN phù hợp với các thực thể trong môi trường y tế (như thiết bị phẫu thuật, nhân viên y tế, giường bệnh, bệnh nhân) giúp giảm tỷ lệ gán nhãn sai lệch xuống khoảng 12.8%, tạo tiền đề vững chắc cho việc sinh chú thích chuẩn xác.

Thứ tư, thuật toán giải mã Beam Search với kích thước beam từ 3 đến 5 mang lại sự cân bằng tối ưu giữa độ đa dạng từ vựng và tính chuẩn xác ngữ pháp tiếng Việt, nâng tỷ lệ câu mô tả đạt chuẩn tự nhiên lên trên 85% trong các bài kiểm tra thực nghiệm.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình xuất phát từ khả năng ánh xạ trực tiếp các vùng hình ảnh vào không gian nhúng của mô hình ngôn ngữ BERT. Trong môi trường y tế, các vùng hình ảnh thường có độ tương đồng thị giác cao (ví dụ như ranh giới giữa giường bệnh và thiết bị y tế xung quanh). Các mô hình thị giác thuần túy thường gặp khó khăn trong việc phân biệt các ranh giới này; tuy nhiên, các nhãn đối tượng dạng văn bản trong Oscar đã đóng vai trò cố định chính xác ngữ nghĩa của từng thực thể.

Dữ liệu nghiên cứu được trình bày trực quan thông qua bảng đối sánh hiệu năng đa chỉ số (bao gồm các cột BLEU-1, BLEU-2, BLEU-3, BLEU-4, ROUGE-L và CIDEr) giữa các cấu hình mô hình khác nhau, kết hợp cùng biểu đồ đường thể hiện tốc độ hội tụ của hàm tổn thất Masked Token Loss qua 1.000.000 bước huấn luyện. So với các kết quả nghiên cứu trên tập dữ liệu COCO tiếng Anh vốn đạt điểm BLEU-4 từ 0.365 đến 0.405, kết quả thu được trên tập dữ liệu tiếng Việt VieCap4H chứng minh rằng phương pháp tiền huấn luyện căn chỉnh ngữ nghĩa hoàn toàn có thể khỏa lấp khoảng trống thiếu hụt dữ liệu quy mô lớn trong các bài toán ngôn ngữ chuyên ngành.

Đề xuất và khuyến nghị

Dựa trên các phát hiện thực nghiệm, 4 nhóm giải pháp chiến lược được đề xuất nhằm phát triển và ứng dụng mô hình vào thực tế:

  1. Mở rộng và chuẩn hóa kho dữ liệu y tế tiếng Việt: Các cơ sở y tế và viện nghiên cứu cần phối hợp xây dựng thêm ít nhất 20.000 cặp ảnh - văn bản mô tả bệnh lý lâm sàng trong lộ trình 12 tháng, đặt mục tiêu nâng tỷ lệ bao phủ thuật ngữ y khoa tiếng Việt lên hơn 90%.
  2. Tối ưu hóa mô đun trích xuất đặc trưng thị giác chuyên khoa: Đội ngũ kỹ sư trí tuệ nhân tạo cần tiến hành huấn luyện lại mạng Faster R-CNN hoặc các kiến trúc Vision Transformer chuyên biệt trên tập dữ liệu hình ảnh nội soi, X-quang và siêu âm trong thời gian 6 tháng, nhằm nâng độ chính xác nhận diện bệnh lý lên trên 88%.
  3. Tinh gọn kiến trúc phục vụ triển khai trên thiết bị biên: Nhóm phát triển phần mềm cần áp dụng các kỹ thuật nén mô hình như Knowledge Distillation và Quantization trong quý 3 để giảm dung lượng mạng nơ-ron từ 40% đến 50%, bảo đảm thời gian phản hồi dưới 200 mili-giây trên các thiết bị trợ thị di động.
  4. Xây dựng quy trình học tăng cường từ phản hồi của chuyên gia y tế (RLHF): Các đơn vị công nghệ cần tích hợp cơ chế đánh giá chéo từ đội ngũ bác sĩ chuyên khoa trong vòng 9 tháng, bảo đảm loại bỏ 100% các câu mô tả có thể dẫn đến hiểu lầm tai hại trong quy trình phân loại bệnh nhân sơ bộ.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và giải pháp ứng dụng thiết thực cho 4 nhóm đối tượng:

  1. Các nhà nghiên cứu và nghiên cứu sinh chuyên ngành Trí tuệ nhân tạo và Thị giác máy tính: Cung cấp tài liệu tham khảo sâu sắc về kiến trúc căn chỉnh thị giác - ngôn ngữ (VLP), cách thức thiết lập bộ ba dữ liệu và triển khai thuật toán SCST cho các ngôn ngữ có độ phức tạp cao như tiếng Việt.
  2. Kỹ sư phát triển giải pháp Y tế số (HealthTech): Nắm vững phương pháp trích xuất đặc trưng hình ảnh y khoa và quy trình xây dựng trợ lý ảo hỗ trợ tự động lập báo cáo mô tả bệnh án trực quan với độ tin cậy cao.
  3. Đơn vị phát triển sản phẩm công nghệ hỗ trợ người khiếm thị: Ứng dụng các nguyên lý của mô hình để tích hợp vào ứng dụng camera thông minh trên điện thoại, giúp chuyển đổi hình ảnh không gian bệnh viện và sinh hoạt thường ngày thành giọng đọc tiếng Việt theo thời gian thực.
  4. Giảng viên và sinh viên ngành Khoa học máy tính: Sử dụng công trình như một tài liệu học tập mẫu mực về việc kết hợp mô hình Transformer đa phương thức, tối ưu hóa hàm mất mát và xử lý dữ liệu thực tế tại Việt Nam.

Câu hỏi thường gặp

1. Tại sao mô hình Oscar lại mang lại hiệu quả vượt trội hơn mô hình CNN-LSTM truyền thống?

Mô hình Oscar bổ sung nhãn đối tượng làm điểm neo ngữ nghĩa trong không gian nhúng của BERT, giúp liên kết trực tiếp đặc trưng hình ảnh 2048 chiều với ngữ nghĩa từ vựng. Cách tiếp cận này loại bỏ tính mơ hồ của các vùng ảnh chồng lấn, giúp điểm số BLEU trung bình tăng hơn 13% so với mô hình tuần tự cũ.

2. Kỹ thuật Self-Critical Sequence Training (SCST) đóng vai trò gì trong quá trình sinh chú thích ảnh?

SCST sử dụng giải thuật học tăng cường để tối ưu hóa trực tiếp mô hình theo các thang đo đánh giá sinh văn bản tự nhiên thay vì hàm mất mát cross-entropy thông thường. Cơ chế này lấy điểm số của mẫu suy luận greedy làm đường cơ sở tự phê phán, giúp chỉ số CIDEr cải thiện khoảng 18.2% và hạn chế tối đa lỗi lặp từ.

3. Làm thế nào để giải quyết thách thức khan hiếm dữ liệu chú thích ảnh tiếng Việt trong lĩnh vực y tế?

Nghiên cứu áp dụng kỹ thuật học chuyển giao (Transfer Learning) bằng cách tận dụng các trọng số tiền huấn luyện và tinh chỉnh thích ứng trên tập dữ liệu VieCap4H. Phương pháp này giúp mô hình đạt độ chính xác trên 80% mà không đòi hỏi nguồn dữ liệu mẫu khổng lồ ban đầu.

4. Thuật toán Faster R-CNN được tối ưu hóa như thế nào trong quy trình này?

Faster R-CNN sử dụng mạng đề xuất vùng (RPN) với 9 hộp neo theo 3 thang đo kích thước và 3 tỷ lệ khung hình để quét bản đồ đặc trưng. Hệ thống trích xuất 50 vùng quan tâm có độ tin cậy cao nhất cho mỗi bức ảnh, chuyển đổi thành các véc-tơ đặc trưng phục vụ cho bộ mã hóa Transformer.

5. Hệ thống này có thể ứng dụng trực tiếp vào việc chẩn đoán y khoa độc lập hay không?

Hệ thống hiện đóng vai trò như một trợ lý thông minh hỗ trợ mô tả bối cảnh và nhận diện vật thể y tế trong hình ảnh với độ chính xác khoảng 85%. Để chẩn đoán lâm sàng chính xác, hệ thống cần được tích hợp thêm tập dữ liệu hình ảnh bệnh học chuyên sâu và luôn có sự giám sát của bác sĩ chuyên khoa.

Kết luận

  • Đóng góp phương pháp luận đột phá: Ứng dụng thành công kiến trúc Oscar sử dụng nhãn đối tượng làm điểm neo ngữ nghĩa cho bài toán chú thích ảnh y tế tiếng Việt.
  • Đột phá về hiệu năng thực nghiệm: Nâng cao chỉ số đánh giá trung bình BLEU từ 0.286 lên trên 0.325 và tăng điểm CIDEr thêm 18.2% nhờ kỹ thuật tối ưu hóa chuỗi tự phê phán SCST.
  • Giải quyết bài toán thiếu hụt dữ liệu: Thiết lập quy trình tiền xử lý và tinh chỉnh hiệu quả trên tập dữ liệu y tế tiếng Việt VieCap4H với hơn 50 vùng đặc trưng hình ảnh cho mỗi mẫu.
  • Mở ra hướng ứng dụng thực tiễn: Tạo tiền đề vững chắc cho việc phát triển các trợ lý y tế thông minh và công cụ hỗ trợ người khiếm thị tiếp cận thông tin y khoa tại Việt Nam.
  • Định hướng phát triển giai đoạn 2025-2027: Mở rộng kho ngữ liệu lên hơn 50.000 hình ảnh đa bệnh lý và tích hợp các mô hình đa phương thức thế hệ mới.

Các nhà nghiên cứu, kỹ sư công nghệ và đơn vị y tế quan tâm hãy bắt đầu tích hợp giải pháp học sâu đa phương thức này để nâng cao hiệu suất làm việc của hệ thống y tế số ngay hôm nay!