MedStudio: An online intelligent medical platform for Vietnamese users. Integration of large language models with machine translation for medical question answering systems

Khóa luận MedStudio: Nền tảng y tế tích hợp LLM và dịch máy tại ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Trương Minh Triều
• Người hướng dẫn: PGS. Hoàng Văn Dũng
• Trường học: Trường Đại học Sư phạm Kỹ thuật TP. HCM
• Chuyên ngành: Công nghệ thông tin
• Đề tài: MedStudio: An online intelligent medical platform for Vietnamese users. Integration of large language models with machine translation for medical question answering systems
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về nền tảng y tế MedStudio tại ĐH SPKT TP

Nền tảng y tế MedStudio là đề tài khóa luận tốt nghiệp kỹ sư của sinh viên Trương Minh Triều và Hoàng Quang Khải. Đề tài thuộc Bộ môn Trí tuệ Nhân tạo, Khoa Công nghệ Thông tin, Đại học Sư phạm Kỹ thuật TP.HCM. Nghiên cứu do Phó Giáo sư Hoàng Văn Dũng trực tiếp hướng dẫn. Mục tiêu chính là xây dựng một cổng thông tin y tế thông minh hỗ trợ người dùng Việt Nam tiếp cận tri thức y học đáng tin cậy. Hệ thống giải quyết sự khan hiếm nguồn dữ liệu chuyên ngành tiếng Việt bằng cách kết hợp mô hình ngôn ngữ lớn hiện đại với các thư viện dịch máy tiên tiến. MedStudio không chỉ tập trung vào việc hỏi đáp văn bản thông thường. Dự án phát triển mã nguồn mở toàn diện nhằm thúc đẩy cộng đồng nghiên cứu y tế thông minh trong nước. Các thành phần lõi của hệ thống bao gồm dịch vụ hỏi đáp y khoa, công cụ dịch thuật chuyên ngành và mô đun xử lý ảnh chẩn đoán. Sự ra đời của nền tảng đánh dấu bước tiến quan trọng trong việc ứng dụng trí tuệ nhân tạo vào hệ thống chăm sóc sức khỏe cộng đồng tại Việt Nam.

1.1. Xuất xứ đề tài nghiên cứu tại ĐH SPKT TP.HCM

Đề tài xuất phát từ nhu cầu thực tiễn của người dân Việt Nam khi tìm kiếm thông tin sức khỏe trực tuyến. Rào cản ngôn ngữ gây khó khăn cho việc tiếp cận kiến thức chuẩn quốc tế. Nhóm tác giả tại Bộ môn Trí tuệ Nhân tạo thuộc ĐH SPKT TP.HCM đã khởi xướng dự án MedStudio. Công trình nhận được sự định hướng khoa học từ PGS. Hoàng Văn Dũng và phản biện từ TS. Trần Nhật Quang. Luận văn tập trung giải quyết bài toán hỏi đáp y khoa thông minh bằng cách liên kết công nghệ xử lý ngôn ngữ tự nhiên với dịch thuật tự động. Nền tảng được xây dựng với mục tiêu phụng sự cộng đồng và hỗ trợ bác sĩ lâm sàng.

1.2. Mục tiêu chiến lược và tính mở của MedStudio

MedStudio định hướng trở thành giải pháp công nghệ nguồn mở hàng đầu trong lĩnh vực y tế số tại Việt Nam. Toàn bộ mã nguồn hệ thống cùng thư viện dịch thuật VietTranslate được công khai minh bạch. Quyết định mở mã nguồn giúp các nhà nghiên cứu trong nước dễ dàng kế thừa và phát triển thêm tính năng mới. Bên cạnh mã nguồn, nhóm tác giả xây dựng tập dữ liệu dược phẩm VietMeD phục vụ công tác huấn luyện. Bộ dữ liệu chuẩn này được kiểm soát truy cập nghiêm ngặt cho mục đích học thuật. Mô hình hợp tác mở tạo động lực thúc đẩy hệ sinh thái y tế thông minh phát triển mạnh mẽ và bền vững.

II. Thách thức dịch máy và rào cản ứng dụng LLM trong y tế

Lĩnh vực y tế đòi hỏi độ chính xác tuyệt đối trong mọi khâu xử lý thông tin. Tuy nhiên, việc ứng dụng các mô hình ngôn ngữ lớn vào môi trường y tế tiếng Việt gặp nhiều trở ngại lớn. Phần lớn mô hình LLM tiên tiến hiện nay được huấn luyện chủ yếu trên dữ liệu tiếng Anh. Dữ liệu y khoa tiếng Việt vừa phân tán vừa thiếu hụt trầm trọng các nguồn kiểm chứng chuẩn xác. Hiện tượng ảo giác của mô hình có thể tạo ra chẩn đoán sai lầm gây nguy hiểm đến tính mạng người bệnh. Quá trình dịch máy thông thường cũng thường xuyên dịch sai các thuật ngữ dược học phức tạp. Sự sai lệch từ ngữ nhỏ có thể dẫn tới hướng dẫn sử dụng thuốc không an toàn. Ngoài ra, việc phân tách từ ngữ tiếng Việt gặp khó khăn do tính đơn lập và cấu trúc ghép phức tạp. Quy trình phân đoạn hình ảnh y tế như phim chụp cắt lớp vi tính hay cộng hưởng từ cũng đòi hỏi tài nguyên tính toán lớn. Những rào cản này đặt ra yêu cầu cấp thiết về một giải pháp chuyên biệt hóa công nghệ trí tuệ nhân tạo.

2.1. Vấn đề rào cản dịch thuật và sai lệch ngữ nghĩa

Các công cụ dịch thuật phổ thông thường thất bại trước thuật ngữ y khoa đặc thù. Ngôn ngữ y học chứa nhiều từ gốc Hy Lạp và Latinh rất khó chuyển dịch sang tiếng Việt. Sự sai lệch nhỏ trong dịch thuật có thể làm biến đổi hoàn toàn liều lượng thuốc hoặc phương pháp điều trị. Điều này trực tiếp đe dọa sự an toàn của bệnh nhân khi tra cứu hướng dẫn y khoa. Ngoài ra, văn phong giao tiếp của bệnh nhân thường mang tính khẩu ngữ dân gian và thiếu tính khoa học. Mô hình xử lý ngôn ngữ cần có khả năng chuẩn hóa câu hỏi của người dùng trước khi tiến hành dịch máy và suy luận logic.

2.2. Sự khan hiếm dữ liệu y tế tiếng Việt chuẩn hóa

Nguồn dữ liệu y tế trực tuyến bằng tiếng Việt hiện nay rất thiếu cấu trúc và phân tán. Các bài viết chăm sóc sức khỏe trên mạng xã hội thường chưa được kiểm chứng y khoa bài bản. Tình trạng này dẫn đến nguy cơ lan truyền kiến thức y tế sai lệch trong cộng đồng. Trong khi đó, các tài liệu dược thư chính thống và báo cáo nghiên cứu lâm sàng rất khó tiếp cận với người dân. Việc thiếu vắng các bộ dữ liệu hỏi đáp mở khiến việc tinh chỉnh mô hình ngôn ngữ lớn gặp nhiều bế tắc. Xây dựng tập dữ liệu chuẩn hóa về thuốc và bệnh học là yêu cầu tiên quyết cho sự phát triển của y tế thông minh.

III. Giải pháp tích hợp LLM và dịch máy của nền tảng MedStudio

Đề tài đề xuất kiến trúc tích hợp giữa mô hình ngôn ngữ lớn và thư viện dịch máy chuyên sâu VietTranslate. Cơ chế này chuyển ngữ truy vấn y khoa tiếng Việt của người bệnh sang ngôn ngữ đích chuẩn xác. Sau đó, hệ thống đưa câu hỏi vào mô hình ngôn ngữ lớn để truy xuất kiến thức và tổng hợp câu trả lời chuyên môn. Câu trả lời tiếp tục được dịch ngược sang tiếng Việt tự nhiên và dễ hiểu đối với người dân. Phương pháp phân tách từ ngữ tokenization đóng vai trò nền tảng giúp máy tính hiểu cấu trúc ngữ pháp tiếng Việt. Song song đó, nhóm nghiên cứu xây dựng tập dữ liệu chuẩn hóa VietMeD bao gồm thông tin chi tiết về khoảng hai trăm loại thuốc và thực phẩm chức năng từ dược thư uy tín. Nhằm nâng cao khả năng hỗ trợ lâm sàng, nền tảng tích hợp thêm phân hệ phân đoạn ảnh y tế chuyên sâu cho ảnh cắt lớp vi tính và cộng hưởng từ. Hiệu quả phân đoạn được kiểm định định lượng thông qua hệ số tương đồng Dice coefficient.

3.1. Thư viện VietTranslate và tập dữ liệu VietMeD

Thư viện mã nguồn mở VietTranslate được thiết kế chuyên biệt cho tác vụ dịch thuật văn bản y học. Công cụ này xử lý tiền xử lý dữ liệu và phân đoạn tokenization chuẩn xác cho câu từ tiếng Việt. Điều này giúp loại bỏ hiện tượng biến dạng thuật ngữ dược phẩm trong quá trình chuyển ngữ. Cùng với đó, tập dữ liệu VietMeD cung cấp thông tin đã qua thẩm định kỹ lưỡng về hai trăm loại dược phẩm phổ biến tại Việt Nam. Nguồn dữ liệu chất lượng cao từ dược thư quốc gia giúp mô hình sinh câu trả lời có căn cứ khoa học vững chắc. Sự kết hợp giữa VietTranslate và VietMeD bảo đảm chất lượng thông tin y tế cho người sử dụng.

3.2. Kỹ thuật phân đoạn ảnh y tế và độ đo Dice

Phân đoạn hình ảnh y tế là kỹ thuật then chốt giúp nhận diện chính xác các tổn thương bất thường trên ảnh CT, MRI, X-ray hoặc siêu âm. Tác vụ đòi hỏi độ chính xác cao trên từng điểm ảnh nhằm hỗ trợ chẩn đoán lâm sàng kịp thời. Để đánh giá mức độ trùng khớp giữa vùng phân đoạn của mô hình và nhãn giải phẫu của bác sĩ, nghiên cứu sử dụng hệ số tương đồng Dice coefficient. Giá trị DSC dao động từ không đến một phản ánh mức độ trùng khớp của kết quả phân đoạn. Thuật toán tối ưu hóa giúp giảm thiểu chi phí tính toán khi xử lý các chuỗi ảnh chụp y khoa phức tạp trên nền tảng web.

IV. Đánh giá ứng dụng thực tiễn của MedStudio tại ĐH SPKT TP

Nghiên cứu MedStudio của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM mở ra triển vọng lớn trong công cuộc chuyển đổi số y tế. Nền tảng kết nối thành công mô hình ngôn ngữ lớn với công nghệ dịch máy và thị giác máy tính. Mô hình giải đáp thắc mắc y tế trực tuyến mang lại giá trị thiết thực cho cộng đồng người dùng Việt Nam. Người dân có thể tra cứu thông tin dùng thuốc chuẩn xác và hiểu rõ hơn về các triệu chứng thường gặp. Nền tảng cũng đóng vai trò trợ lý thông minh cho đội ngũ y tế cơ sở thông qua tính năng gợi ý thông tin và phân tích ảnh chụp chẩn đoán. Việc phát hành công khai mã nguồn MedStudio và thư viện VietTranslate tạo tiền đề vững chắc cho các nghiên cứu tiếp theo. Nền tảng khẳng định tính khả thi của việc ứng dụng công nghệ trí tuệ nhân tạo chuyên biệt vào việc bảo vệ sức khỏe nhân dân. Đây là một minh chứng xuất sắc cho chất lượng đào tạo kỹ sư công nghệ thông tin tại nhà trường.

4.1. Lợi ích đối với cộng đồng và cơ sở y tế

Nền tảng MedStudio trực tiếp thu hẹp khoảng cách tiếp cận thông tin y khoa của người dân. Người bệnh tiếp nhận câu trả lời nhanh chóng bằng tiếng Việt một cách dễ hiểu và khoa học. Tính năng này giúp giảm bớt nỗi hoang mang trước các triệu chứng bất thường của cơ thể. Đối với đội ngũ bác sĩ cơ sở, hệ thống cung cấp công cụ tham khảo thứ hai tin cậy. Việc phân tích tự động ảnh X-ray và CT hỗ trợ bác sĩ nhận định sớm tổn thương bệnh lý. Nhờ vậy, áp lực khám chữa bệnh tại các bệnh viện tuyến trên có thể được giải tỏa đáng kể.

4.2. Tiềm năng mở rộng và nghiên cứu phát triển

Dự án MedStudio thiết lập nền móng kỹ thuật vững chắc để mở rộng sang các bài toán y tế chuyên sâu hơn. Trong tương lai, mô hình có thể tích hợp thêm hồ sơ bệnh án điện tử và hỗ trợ kê đơn thuốc cá nhân hóa. Kho dữ liệu VietMeD dự kiến được mở rộng thêm hàng nghìn hoạt chất tân dược và vị thuốc đông y cổ truyền. Sự hợp tác giữa các trường đại học và bệnh viện sẽ hoàn thiện độ chính xác của các thuật toán phân đoạn ảnh chẩn đoán. Dự án khẳng định tiềm năng to lớn của các kỹ sư Việt Nam trong việc làm chủ công nghệ trí tuệ nhân tạo y tế.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong lĩnh vực trí tuệ nhân tạo và y tế thông minh, các bài toán xử lý ngôn ngữ tự nhiên (NLP) và thị giác máy tính (Computer Vision) đang phát triển mạnh mẽ. Tuy nhiên, trong khi các mô hình thị giác máy tính có thể áp dụng tương đối độc lập với rào cản ngôn ngữ, các mô hình xử lý ngôn ngữ tự nhiên—đặc biệt là mô hình ngôn ngữ lớn (LLM), mô hình tạo sinh văn bản và kỹ thuật truy vấn thông tin—lại phụ thuộc chặt chẽ vào ngữ liệu ngôn ngữ được huấn luyện. Đa số các mô hình ngôn ngữ tiên tiến hiện nay được huấn luyện trên tập ngữ liệu tiếng Anh quy mô lớn, do đó khi triển khai trực tiếp cho tiếng Việt, hiệu năng mô hình hóa ngôn ngữ và độ chính xác suy giảm rõ rệt.

Mặc dù xu hướng huấn luyện các mô hình đa ngôn ngữ (Multilingual Pretrained Models) đang phát triển, phương pháp này đòi hỏi chi phí tính toán rất lớn, cấu hình máy chủ đồ sộ và nguồn dữ liệu song ngữ chất lượng cao. Do đó, hướng tiếp cận sử dụng mô hình dịch máy nơ-ron (NMT) làm cầu nối—chuyển đổi câu hỏi từ ngôn ngữ nguồn (tiếng Việt) sang ngôn ngữ trung gian (tiếng Anh) để truy vấn và suy luận qua LLM, sau đó dịch ngược kết quả về tiếng Việt—được đánh giá là phương án tối ưu hóa hiệu năng hệ thống. Dù vậy, dữ liệu y tế chứa lượng lớn thuật ngữ chuyên ngành (tên thuốc, tên bệnh, triệu chứng lâm sàng), khiến các mô hình dịch tổng quát gặp nhiều sai sót. Bên cạnh đó, việc chẩn đoán y tế thực tế đòi hỏi khả năng xử lý đồng thời cả dữ liệu văn bản lẫn hình ảnh y khoa (ảnh da liễu, ảnh giải phẫu bệnh).

Để giải quyết các thách thức trên, đề tài thực hiện 7 nhiệm vụ nghiên cứu cụ thể:

1. Nghiên cứu, xây dựng mô đun truy vấn thông tin y khoa.
2. Nghiên cứu, xây dựng mô đun dịch máy y khoa tiếng Anh - tiếng Việt.
3. Nghiên cứu, xây dựng mô đun trả lời câu hỏi y khoa (gồm các mô đun con: thu thập, tiền xử lý và tải dữ liệu; lập chỉ mục (indexing) và lưu trữ dữ liệu; dịch máy y khoa; xử lý và tiền xử lý truy vấn; truy vấn thông tin y khoa; tạo sinh câu trả lời dựa trên ngữ cảnh).
4. Nghiên cứu, xây dựng mô đun phân đoạn vùng tổn thương và trả lời câu hỏi về tổn thương y khoa (gồm mô đun phân loại hình ảnh và phân đoạn vùng tổn thương).
5. Nghiên cứu, xây dựng mô đun trả lời câu hỏi về thị giác y khoa (Visual Question Answering - VQA).
6. Nghiên cứu, xây dựng mô đun tra cứu, hỏi đáp về thuốc và dược thư Việt Nam.
7. Xây dựng tập dữ liệu dược thư Việt Nam "Vietnamese Pharmaceuticals Dataset" (VietMeD).

Đối tượng nghiên cứu chính của khóa luận gồm: các mô hình ngôn ngữ, mô hình ngôn ngữ lớn, mô hình tạo sinh văn bản, mô hình dịch máy nơ-ron, mô hình phân loại và phân đoạn hình ảnh y khoa, mô hình ngôn ngữ thị giác (VLM), cùng các tập dữ liệu chuyên ngành y tế. Phạm vi nghiên cứu được thực hiện từ ngày 06/01/2025 đến ngày 11/05/2025 tại Bộ môn Trí tuệ Nhân tạo, Khoa Công nghệ Thông tin, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết thông qua hệ thống khái niệm, thuật toán và mô hình học sâu thuộc hai lĩnh vực NLP và Computer Vision:

• Xử lý ngôn ngữ tự nhiên và Biểu diễn từ vựng:
  • Kỹ thuật Tokenization: Phân tích Word Tokenization (gặp giới hạn kích thước từ vựng và hiện tượng từ ngoài từ vựng - OOV), Character Tokenization (giảm kích thước từ vựng nhưng làm tăng độ dài chuỗi), và Subword Tokenization (cân bằng giữa từ và ký tự, xử lý hiệu quả từ OOV).
  • Word Embeddings: Kỹ thuật nhúng thưa (Sparse Embedding) gồm One-hot encoding và Bag-of-words (BoW); kỹ thuật thống kê TF-IDF (kết hợp Term Frequency và Inverse Document Frequency); kỹ thuật nhúng dày đặc (Dense Embedding) và Contextual Embedding nhằm biểu diễn quan hệ ngữ nghĩa trong không gian vector nhiều chiều.
• Hệ thống Truy vấn thông tin (Information Retrieval - IR):
  • Keyword-based Search: Ứng dụng thuật toán xác suất BM25 để xếp hạng tài liệu dựa trên tần số xuất hiện từ khóa, độ dài tài liệu và độ dài trung bình của tập ngữ liệu ($\text{avgdl}$), cùng các tham số điều chỉnh $k_1 \in [1.2, 2.0]$ và $b$. Để khắc phục nhược điểm điểm IDF bị âm đối với các từ phổ biến xuất hiện trên một nửa kho văn bản, công thức IDF được hiệu chỉnh với ngưỡng giá trị nhỏ nhất $\epsilon$ ($\text{IDF} = \epsilon$).
  • Semantic-based Search: Tính toán độ tương đồng ngữ nghĩa trong không gian vector thông qua phép đo Cosine Similarity và Dot Product.
• Hệ thống Hỏi đáp (Question Answering) và RAG:
  • Phân loại hệ thống QA thành Extractive QA, Abstractive QA, Open-domain QA và Closed-domain QA; đánh giá qua các chỉ số Exact Match (EM), F1-score và Relevance.
  • Kiến trúc Retrieval-Augmented Generation (RAG) gồm 3 thành phần chính: Truy xuất thông tin (Retriever), Tạo sinh nội dung (Generation) và Tích hợp thông tin (Integration).
• Kiến trúc mạng học sâu:
  • Mạng Transformer: Cơ chế Scaled Dot-Product Attention, Multi-Head Attention, Masked Multi-Head Attention, Positional Encoding, Feed-Forward Networks, cùng cấu trúc phân tầng Encoder - Decoder.
  • Mô hình dịch máy nơ-ron (NMT): Khảo sát các kiến trúc OPUS-MT, T5, mT5, BART, mBART, envit5 và vinai-translate.
  • Mô hình thị giác máy tính: Kiến trúc ResNet với các khối phần dư (Residual blocks) cho phân loại ảnh; kiến trúc DeepLab v3+ kết hợp tích chập Atrous (Atrous Convolution với dilation rate), Atrous Spatial Pyramid Pooling (ASPP) và cấu trúc Encoder - Decoder với tích chập Atrous; so sánh với kiến trúc mạng UNET.
  • Độ đo phân đoạn ảnh y tế: Độ đo Intersection over Union (IoU) và hệ số tương đồng Dice (Dice Similarity Coefficient - DSC), tính toán trên giao và hợp của hai tập hợp điểm ảnh.

Phương pháp nghiên cứu kết hợp giữa nghiên cứu lý thuyết từ các công trình khoa học trong và ngoài nước, thực nghiệm lập trình xây dựng nền tảng hệ thống, và phương pháp phân tích định lượng dựa trên các bộ độ đo chuẩn. Dữ liệu thực nghiệm bao gồm: MedQuAD (hỏi đáp y khoa), MedEV (dữ liệu dịch thuật y tế), ISIC 2018 (Task 1 phân đoạn tổn thương và Task 3 phân loại tổn thương da liễu), PathVQA (hỏi đáp thị giác giải phẫu bệnh) và tập dữ liệu VietMeD.

Thiết kế và triển khai

Hệ thống MedStudio được thiết kế theo kiến trúc nền tảng tích hợp trực tuyến "tất cả trong một" (all-in-one), hỗ trợ xử lý đa mô thức (Multimodal) với các mô đun chức năng độc lập:

Tên mô đun	Chức năng kỹ thuật chính	Công nghệ và mô hình sử dụng
Truy vấn thông tin y khoa	Tìm kiếm từ khóa và tìm kiếm ngữ nghĩa trên kho tài liệu y tế	Elasticsearch (BM25), Qdrant (Vector DB, Cosine Similarity)
Dịch máy y khoa (VietTranslate)	Dịch hai chiều tiếng Việt - tiếng Anh chuyên sâu cho thuật ngữ y tế	Thư viện VietTranslate, tiền huấn luyện và tinh chỉnh NMT
Trả lời câu hỏi y khoa (RAG)	Xử lý truy vấn thông minh và tạo sinh câu trả lời có ngữ cảnh	Chuỗi tiền xử lý prompt, Llama 3.2, Cohere API
Phân loại hình ảnh y khoa	Nhận diện và gán nhãn các bệnh lý tổn thương da	ResNet (Residual blocks) trên tập dữ liệu ISIC 2018 task 3
Phân đoạn tổn thương y khoa	Tách vùng tổn thương trên từng điểm ảnh (segmentation mask)	DeepLab v3+ (ASPP, Atrous Conv), UNET trên ISIC 2018 task 1
Hỏi đáp thị giác y khoa (VQA)	Giải đáp câu hỏi dạng mở và có/không trên ảnh bệnh học	Mô hình ngôn ngữ thị giác (VLM) trên tập dữ liệu PathVQA
Tra cứu dược thư	Tra cứu thông tin liều dùng, chỉ định thuốc và thực phẩm chức năng	Cơ sở dữ liệu chuẩn hóa VietMeD

Quy trình xử lý truy vấn trong mô đun trả lời câu hỏi y khoa được triển khai qua chuỗi kỹ thuật tiền xử lý prompt nhiều bước:

• Query Normalization: Chuẩn hóa câu hỏi đầu vào dựa trên trạng thái của bộ nhớ hội thoại (xử lý riêng biệt khi chat memory trống hoặc khi đã có dữ liệu lịch sử).
• Query Transformation & Query Classification: Phân loại ngữ cảnh câu hỏi và xác định thuộc tính (question_type, question_category).
• Query Optimization, Expansion & Augmentation: Mở rộng và bổ sung thông tin cho câu truy vấn nhằm tối ưu hóa khả năng trích xuất dữ liệu.
• Query Routing & Query Generation: Điều hướng câu truy vấn tới bộ lưu trữ tương ứng và tổng hợp câu trả lời hoàn chỉnh thông qua mô hình tạo sinh.

Trong quá trình truy vấn vector trên Qdrant và Elasticsearch, hệ thống thiết lập bộ lọc (filter) theo hai trường siêu dữ liệu question_type và question_category nhằm thu hẹp không gian tìm kiếm đối với các câu hỏi xác định rõ thông tin, đồng thời giữ tính chất tìm kiếm tự do đối với các câu hỏi mở để đảm bảo khả năng khai thác dữ liệu.

Nội dung chính theo từng chương

Chương 1. Tổng quan về luận văn

Chương mở đầu trình bày tính cấp thiết của việc xây dựng nền tảng y tế thông minh hỗ trợ người dùng Việt Nam. Tác giả chỉ rõ khoảng cách về tài nguyên dữ liệu giữa tiếng Anh và tiếng Việt trong NLP y khoa, phân tích tính khả thi của phương pháp dùng mô hình dịch máy nơ-ron làm cầu nối trung gian, đồng thời xác lập mục tiêu, đối tượng, phạm vi nghiên cứu, kế hoạch thực hiện 15 tuần và 3 sản phẩm đầu ra dự kiến (MedStudio, VietTranslate, VietMeD).

Chương 2. Nền tảng và cơ sở lý thuyết của luận văn

Chương này tổng hợp toàn diện các cơ sở toán học và lý thuyết học sâu:

• Nguyên lý phân tách token và các kỹ thuật biểu diễn vector từ ngữ (One-hot, BoW, TF-IDF, Dense Embedding).
• Lý thuyết truy xuất thông tin (IR) với thuật toán từ khóa BM25 (bao gồm công thức toán học và kỹ thuật ngăn ngừa điểm âm của IDF) và tìm kiếm ngữ nghĩa vector.
• Bản chất của bài toán Question Answering, cấu trúc kiến trúc RAG (Retriever, Generator, Integration) và các độ đo đánh giá (EM, F1, Relevance).
• Chi tiết cấu trúc mạng Transformer (cơ chế Attention đa đầu, mã hóa vị trí, FFN) và các dòng mô hình dịch máy mã nguồn mở.
• Lý thuyết thị giác máy tính: phân biệt Semantic segmentation, Instance segmentation và Medical image segmentation; cấu trúc khối Residual trong ResNet; cơ chế tích chập Atrous và khối ASPP trong DeepLab v3+; các công thức đo lường phân đoạn ảnh (IoU, Dice coefficient).

Chương 3. Phương pháp đề xuất

Chương 3 mô tả thiết kế kiến trúc tổng thể và chi tiết từng mô đun của hệ thống MedStudio:

• Quy trình xử lý dữ liệu từ khâu thu thập, tiền xử lý, lập chỉ mục và lưu trữ trong cơ sở dữ liệu vector.
• Thiết kế chuỗi tiền xử lý câu hỏi người dùng qua các kỹ thuật prompt kỹ thuật: Query Normalization, Query Classification, Query Expansion, Query Routing.
• Cơ chế tích hợp mô đun dịch máy hai chiều VietTranslate vào luồng xử lý RAG.
• Kiến trúc kết hợp giữa mạng phân loại ResNet và mạng phân đoạn DeepLab v3+/UNET phục vụ chẩn đoán hình ảnh tổn thương y tế.

Chương 4. Triển khai, thực nghiệm và phân tích kết quả

Chương thực nghiệm cung cấp thông tin về môi trường phần mềm (thư viện Elasticsearch, Qdrant) và các tập dữ liệu thực nghiệm:

• Thực nghiệm mô đun hỏi đáp y khoa qua 2 giải pháp phối hợp: (1) Elasticsearch kết hợp tạo sinh Llama 3.2; (2) Qdrant kết hợp tạo sinh Cohere.
• Thực nghiệm mô đun dịch máy y khoa trên ngữ liệu MedEV.
• Thực nghiệm mô đun phân loại tổn thương trên tập dữ liệu ISIC 2018 task 3.
• Thực nghiệm huấn luyện và đánh giá mô đun phân đoạn tổn thương trên tập dữ liệu ISIC 2018 task 1, so sánh chi tiết hiệu năng giữa mô hình DeepLab v3+ và mô hình UNET theo từng batch trên tập kiểm định (validation set).
• Thực nghiệm mô đun VQA trên tập dữ liệu PathVQA với hai nhóm câu hỏi dạng mở (open-ended) và câu hỏi xác nhận đúng/sai (yes/no).

Chương 5. Kết luận

Chương kết luận tổng hợp mức độ hoàn thành so với các mục tiêu đề ra ban đầu, khẳng định tính đúng đắn của việc tích hợp NMT và LLM trong giải quyết bài toán hỏi đáp y khoa tiếng Việt, đồng thời tóm lược các đóng góp về mặt kỹ thuật và dữ liệu của công trình.

Kết quả và đóng góp

Khóa luận hoàn thành việc xây dựng và triển khai thực nghiệm 3 sản phẩm nghiên cứu chính:

1. Nền tảng trực tuyến MedStudio: Nền tảng y tế đa mô thức tích hợp khả năng truy vấn tài liệu, hỏi đáp RAG, dịch máy y khoa và phân tích hình ảnh bệnh học.
2. Thư viện mã nguồn mở VietTranslate: Thư viện dịch máy nơ-ron chuyên biệt cho cặp ngôn ngữ Anh - Việt, tích hợp các mô hình tiền huấn luyện và mô hình tinh chỉnh trên dữ liệu thuật ngữ y tế.
3. Tập dữ liệu dược thư VietMeD: Tập dữ liệu tiếng Việt chuẩn hóa gồm thông tin chi tiết của hơn 200 loại thuốc và thực phẩm chức năng, được thu thập và tiền xử lý thủ công từ các nguồn dược thư chính thống.

Hệ thống thực nghiệm ghi nhận các kết quả kỹ thuật trên các bộ dữ liệu chuyên ngành:

Tác vụ thực nghiệm	Dữ liệu kiểm thử	Phương pháp / Mô hình triển khai	Tiêu chí đánh giá chính
Truy vấn và Hỏi đáp (RAG)	MedQuAD	Giải pháp 1: Elasticsearch + Llama 3.2 Giải pháp 2: Qdrant + Cohere	F1-score, Relevance, độ chính xác ngữ cảnh
Dịch máy y khoa	MedEV	VietTranslate (Pre-trained & Fine-tuned NMT)	Điểm số dịch thuật chuyên ngành y tế
Phân loại ảnh tổn thương	ISIC 2018 (Task 3)	Kiến trúc mạng nơ-ron tích chập ResNet	Độ chính xác phân loại theo batch validation
Phân đoạn ảnh tổn thương	ISIC 2018 (Task 1)	Kiến trúc DeepLab v3+ và UNET	Hệ số Dice (DSC), Intersection over Union (IoU)
Hỏi đáp thị giác y tế (VQA)	PathVQA	Visual Language Models (VLM)	Độ chính xác trên câu hỏi open-ended và yes/no

Các đóng góp chính được tác giả tự xác định gồm:

• Đề xuất kiến trúc kết hợp hiệu quả giữa dịch máy nơ-ron và mô hình ngôn ngữ lớn (RAG-NMT bridge), giải quyết rào cản thiếu hụt dữ liệu huấn luyện tiếng Việt chất lượng cao trong lĩnh vực y tế.
• Thiết kế hoàn chỉnh chuỗi xử lý và chuẩn hóa truy vấn đa bước (Query Transformation, Classification, Expansion, Routing) giúp tăng cường độ chính xác ngữ cảnh cho bộ truy xuất.
• Xây dựng tập dữ liệu dược khoa tiếng Việt VietMeD đóng vai trò ngữ liệu nền tảng phục vụ các nghiên cứu tiếp theo về dược thư số tại Việt Nam.
• Tích hợp thành công cả hai nhánh công nghệ NLP và Computer Vision vào một nền tảng thống nhất, cho phép xử lý đồng thời câu hỏi văn bản và ảnh chẩn đoán bệnh.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận nêu rõ các điểm hạn chế kỹ thuật trong quá trình thực hiện:

• Quy mô tập dữ liệu dược thư VietMeD hiện dừng lại ở khoảng hơn 200 loại thuốc và thực phẩm chức năng, chưa bao phủ toàn bộ danh mục dược phẩm lưu hành; quyền truy cập dữ liệu còn giới hạn phục vụ nội bộ nghiên cứu.
• Cơ chế lọc (filtering) dựa trên siêu dữ liệu (question_type, question_category) trong Elasticsearch và Qdrant phụ thuộc vào độ chính xác của bước phân loại truy vấn ban đầu; nếu gặp câu hỏi mơ hồ hoặc mang tính chất mở, cơ chế lọc có thể làm giảm không gian khám phá thông tin của tài liệu y khoa.
• Mô hình dịch máy y khoa đối với các thuật ngữ hiếm hoặc phức tạp vẫn có khả năng xuất hiện sai lệch ngữ nghĩa.
• Nhánh nghiên cứu mô hình ngôn ngữ thị giác (VLM) cho bài toán VQA y tế là lĩnh vực mới, độ phức tạp mô hình cao và đòi hỏi tài nguyên huấn luyện lớn nên phạm vi khảo sát thực nghiệm còn khiêm tốn.

Hướng mở rộng nghiên cứu tiếp theo bao gồm: mở rộng quy mô tập dữ liệu VietMeD lên kho ngữ liệu lớn hơn; tiếp tục tối ưu hóa độ chính xác của các mô hình phân đoạn tổn thương và phân loại ảnh y khoa; đẩy mạnh nghiên cứu và tinh chỉnh các mô hình ngôn ngữ thị giác chuyên sâu để giải đáp đa dạng các định dạng ảnh y tế phức tạp hơn.

Giá trị tham khảo

Báo cáo khóa luận cung cấp nguồn tư liệu học thuật hữu ích cho:

• Sinh viên và nghiên cứu viên thuộc các chuyên ngành Trí tuệ nhân tạo, Khoa học dữ liệu, Công nghệ thông tin và Tin học y sinh (Biomedical Informatics) đang nghiên cứu về kiến trúc RAG, dịch máy chuyên ngành hoặc ứng dụng học sâu trong y tế.
• Kỹ sư phát triển phần mềm AI quan tâm đến việc ứng dụng Elasticsearch và cơ sở dữ liệu vector Qdrant trong thiết kế các đường ống (pipeline) truy xuất thông tin ngữ nghĩa.
• Những người thực hiện đề tài về phân đoạn ảnh y tế: phần trình bày lý thuyết và so sánh chi tiết cấu trúc tích chập Atrous trong DeepLab v3+ với mô hình UNET, kèm các chỉ số đo lường Dice và IoU là tài liệu tham khảo kỹ thuật trực tiếp.

Câu hỏi thường gặp

1. MedStudio giải quyết vấn đề hạn chế dữ liệu tiếng Việt trong mô hình ngôn ngữ y khoa bằng phương pháp nào?
Hệ thống sử dụng mô hình dịch máy nơ-ron (NMT) làm cầu nối trung gian. Câu truy vấn tiếng Việt được dịch sang tiếng Anh để thực hiện truy xuất thông tin và suy luận qua các mô hình ngôn ngữ lớn (đã được tiền huấn luyện sâu trên ngữ liệu tiếng Anh), sau đó câu trả lời được dịch ngược trở lại tiếng Việt để phản hồi cho người dùng.

2. Tập dữ liệu VietMeD có quy mô và cấu trúc như thế nào?
VietMeD là tập dữ liệu chuẩn bằng tiếng Việt chứa thông tin của khoảng hơn 200 loại thuốc và thực phẩm chức năng, được xây dựng và tiền xử lý thủ công từ các nguồn dược thư uy tín của Việt Nam. Dữ liệu hiện được giới hạn truy cập cho mục đích nghiên cứu và phát triển.

3. Hai cấu hình RAG nào được triển khai để thử nghiệm mô đun trả lời câu hỏi y khoa?
Tác giả thử nghiệm hai giải pháp kết hợp: (1) Sử dụng công cụ tìm kiếm Elasticsearch cho mô đun truy vấn thông tin kết hợp mô hình ngôn ngữ Llama 3.2 cho mô đun tạo sinh câu trả lời; (2) Sử dụng cơ sở dữ liệu vector Qdrant cho mô đun truy vấn kết hợp mô hình Cohere cho mô đun tạo sinh câu trả lời.

4. Tại sao thuật toán BM25 trong khóa luận cần phải hiệu chỉnh công thức tính IDF?
Trong công thức BM25 gốc, các từ phổ biến xuất hiện ở hơn một nửa số văn bản trong tập ngữ liệu sẽ cho giá trị IDF âm, dẫn đến việc tài liệu chứa từ này bị hạ điểm đánh giá không chính xác. Do đó, hệ thống thiết lập ngưỡng $\text{IDF} = \epsilon$ (giá trị dương nhỏ nhất) để thay thế các giá trị âm.

5. Các tác vụ thị giác máy tính trong khóa luận sử dụng những mô hình và độ đo đánh giá nào?
Tác vụ phân loại hình ảnh tổn thương da sử dụng kiến trúc ResNet (trên tập ISIC 2018 task 3). Tác vụ phân đoạn tổn thương da sử dụng hai kiến trúc DeepLab v3+ và UNET (trên tập ISIC 2018 task 1), được đánh giá thông qua hai độ đo chính là Intersection over Union (IoU) và hệ số Dice (DSC). Tác vụ VQA sử dụng VLM trên tập dữ liệu PathVQA.

Kết luận

Khóa luận tốt nghiệp của sinh viên Trương Minh Triều và Hoàng Quang Khải đã thiết kế và triển khai thành công MedStudio—một nền tảng y tế thông minh đa mô thức dành cho người dùng Việt Nam. Đề tài kết hợp hiệu quả giữa kỹ thuật Retrieval-Augmented Generation (RAG) và dịch máy nơ-ron (NMT) nhằm khắc phục sự thiếu hụt tài nguyên ngữ liệu y khoa tiếng Việt, đồng thời tích hợp đồng bộ các mô hình học sâu phân loại, phân đoạn hình ảnh và VQA. Toàn bộ quy trình từ nghiên cứu lý thuyết, xây dựng tập dữ liệu VietMeD đến thực nghiệm trên các bộ dữ liệu chuẩn (MedQuAD, ISIC 2018, PathVQA, MedEV) được thực hiện bài bản, mang lại giá trị tham khảo học thuật và ứng dụng thực tiễn trong lĩnh vực công nghệ y tế.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ LUẬN VĂN 1. Các vấn đề đặt ra va tính cấp thiết của đề tai Đầu tiên la tác vụ truy vấn thông tin va trả lời câu hỏi bằng ngôn ngữ, đâu một trong các hướng được nghiên hiện nay trong lĩnh vực xử lý ngôn ngữ tự nhiên. Với sự phát triển mạnh mẽ ngay nay, hệ thống trả lời câu hỏi được áp dụng nhiều trong đời sống con người để tìm kiêm thông tin cần thiết.

Đây la một tác vụ quan trong trong việc tương tác giữa người với kho thông tin khổng lồ một cách nhanh, hiệu quả va mang tính tự nhiên. Để mô hình có thể nâng cao khả năng truy xuất thông tin chính xác hơn, các mô hình cần phải hiểu được nội dung của câu truy vấn để có thể xác định rõ được yêu cầu người dùng cần. Cách nay sẽ tốt hơn so với các phương pháp truyền thống được áp dụng khi các phương pháp đó chỉ truy xuất dựa trên từ khóa, với cách truyền thống đều nay không đảm bảo được các nội dung được truy xuất. Do đó một số phương pháp được đề xuất nhằm nâng cao chất lượng thông tin được tìm kiếm, các mô hình sử dụng các phương pháp nhằm thay đổi các nhìn so với cách truyền thống, giúp đó có hiểu được ngữ cảnh va ý nghĩa các từ.

Các mô hình có thể hiểu biết được nội dung của câu truy vấn, từ đó, các mô hình có tìm kiếm được các thông tin từ kho dữ liệu khổng lồ tốt hơn nhờ khả năng hiểu được ngữ cảnh va ý nghĩa của từ. Bên cạnh đó, lan sóng phát triển mạnh mẽ va nhanh chóng của AI đang ảnh hưởng mạnh mẽ đến đa dạng các lĩnh vực của đời sống từ sản xuất, kinh tế, công nghiệp đến giáo dục va y học. Đối với lĩnh vực thị giác máy tính, gần như hầu hết tất cả các ứng dụng của nó đều có thể được triển khai va áp dụng ở các nước trên thế giới ma không biệt về ngôn ngữ. Tuy nhiên, ngược lại lĩnh vực xử lý ngôn ngữ lại có sự đòi hỏi va ảnh hưởng khá lớn về mặt ngôn ngữ, va do đó mặc cho có rất nhiều các nghiên cứu va kết quả khoa học đột phá trong lĩnh vực xử lý ngôn ngữ, tuy nhiên phần lớn các ứng dụng nay sẽ có nhiều giá trị đối với các nước sử dụng tiếng anh va có tiếng anh la ngôn ngữ lớn.

Một số ví dụ điển hình như la các bai toán về tạo sinh văn bản, mô hình hóa ngôn ngữ va truy vấn thông tin,. các tác vụ nay phần lớn được huấn luyện hoặc thực nghiệm trên các tập dữ liệu lớn bằng ngôn ngữ tiếng anh, do đó sức mạnh tính toán va mô hình hóa ngôn ngữ của các tác vụ 2 nay với ngôn ngữ tiếng anh la rất tốt nhưng khi triển khai cho các ngôn ngữ cụ thể của các quốc gia khác nhau chẳng hạn như tiếng Việt la rất kém. Do đó, mặc cho sự phát triển rất nhanh va đạt được rất nhiều thanh tựu, tuy nhiên ảnh hưởng va giá trị thực tế của lĩnh vực ngôn ngữ xử lý tự nhiên cho các nhiệm vụ tiếng Việt la khác yếu, hay nói cách khác la cũng sẽ phụ thuộc va yêu cầu một phương pháp nao đó có thể chuyển giao hay ánh xạ từ tiếng Anh sang tiếng Việt va ngược lại với hiệu năng tốt, đó chính la những nhiệm vụ cốt loại của bai toán dịch máy.