Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số y tế, chẩn đoán hình ảnh (X-quang, MRI, CT Scanner) đóng vai trò nền tảng trong phát hiện sớm và xây dựng phác đồ điều trị bệnh lý. Theo thống kê từ Tổ chức Y tế Thế giới (WHO), các bệnh lý cơ xương khớp—đặc biệt là thoái hóa khớp gối (Knee Osteoarthritis)—ảnh hưởng đến hơn 30% dân số trên 60 tuổi, gây áp lực nặng nề lên hệ thống chăm sóc sức khỏe toàn cầu. Tại Việt Nam, quy trình đọc và phân tích ảnh X-quang tại các bệnh viện phần lớn vẫn thực hiện thủ công bởi các bác sĩ chẩn đoán hình ảnh, dẫn đến tình trạng quá tải, thời gian trả kết quả kéo dài (trung bình 30–60 phút/ca) và tiềm ẩn nguy cơ sai sót do yếu tố chủ quan hoặc mệt mỏi thị giác.

Vấn đề cốt lõi hiện nay là các hệ thống lưu trữ và truyền hình ảnh y khoa truyền thống (PACS - Picture Archiving and Communication System) thường được xây dựng theo kiến trúc đơn khối hoặc Single-tenant cục bộ tại từng cơ sở y tế. Mô hình này đòi hỏi chi phí đầu tư máy chủ, bản quyền phần mềm và đội ngũ vận hành đắt đỏ, khiến các phòng khám vừa và nhỏ hoặc bệnh viện tuyến dưới khó tiếp cận các công nghệ trí tuệ nhân tạo (AI) tiên tiến.

+-------------------------------------------------------------------------+
|                              DiagHub SaaS                               |
|  +--------------------+  +-----------------------+  +----------------+  |
|  | Tenant A (Clinic)  |  |  Tenant B (Hospital)  |  | Tenant C (Lab) |  |
|  +---------+----------+  +-----------+-----------+  +--------+-------+  |
|            |                         |                       |          |
|            +-------------------+     |     +-----------------+          |
|                                |     |     |                            |
|                                v     v     v                            |
|                     [ ASP.NET Core API Gateway ]                        |
|                                |     |                                  |
|            +-------------------+     +-------------------+              |
|            v                                             v              |
|   [ Multi-Tenant Engine ]                       [ AI Inference Pipe ]   |
|   - Tenant Resolver Filter                      - YOLOv5 (ROI Knee)     |
|   - Shared DB / Shared Schema                   - DenseNet201 + IncepV3 |
|   - PostgreSQL with TenantId                    - Kellgren-Lawrence     |
+-------------------------------------------------------------------------+

Đồ án tốt nghiệp "Tìm hiểu kiến trúc Multi-tenant và ứng dụng xây dựng hệ thống phần mềm hỗ trợ chẩn đoán bệnh dựa trên ảnh y khoa" (nền tảng DiagHub) giải quyết triệt để các bất cập trên bằng các mục tiêu cụ thể:

  1. Nghiên cứu và hiện thực kiến trúc Multi-tenant nhằm phục vụ đồng thời nhiều tổ chức y tế (Bệnh viện, Phòng khám, Trung tâm chẩn đoán) trên cùng một hạ tầng dùng chung nhưng đảm bảo cách ly dữ liệu logic tuyệt đối.
  2. Tích hợp pipeline xử lý ảnh y khoa thông minh, tự động định vị Vùng quan tâm (ROI - Region of Interest) và phân độ thoái hóa khớp gối theo thang đo chuẩn quốc tế Kellgren-Lawrence (KL grade 0–4).
  3. Tối ưu hóa chi phí vận hành và tài nguyên hạ tầng, cung cấp mô hình dịch vụ SaaS (Software-as-a-Service) linh hoạt với các gói tài nguyên (Editions), hỗ trợ dùng thử 100 lượt chẩn đoán miễn phí và thanh toán theo quy mô sử dụng.

Phạm vi và giới hạn: Hệ thống tập trung xử lý ảnh chụp X-quang khớp gối định dạng chuẩn DICOM, PNG, JPEG; tích hợp mô hình học sâu DIKO và kiến trúc sDesCO. Đồ án giới hạn phạm vi kiểm thử tại môi trường giả lập đám mây đa người thuê, hướng đến triển khai diện rộng trên hạ tầng đám mây công cộng (Cloud Computing).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp phần mềm y tế hiện nay trên thị trường tồn tại nhiều giới hạn khi so sánh giữa các mô hình triển khai:

Tiêu chí so sánh Hệ thống PACS truyền thống Giải pháp Single-Tenant Cloud Nền tảng DiagHub Multi-Tenant
Kiến trúc hạ tầng Cục bộ (On-Premise) tại viện Máy chủ/VM riêng cho mỗi tenant Ứng dụng duy nhất, chia sẻ tài nguyên
Chi phí triển khai ban đầu Rất cao ($10,000 - $50,000+) Trung bình - Cao (mỗi tenant 1 cụm) Rất thấp (mô hình đăng ký SaaS)
Tốc độ mở rộng (Scalability) Kém, phụ thuộc phần cứng vật lý Chậm (cần khởi tạo VM/DB mới) Tức thì (cấp phát qua Tenant Registry)
Tự động chẩn đoán AI Không tích hợp hoặc plugin rời Tích hợp riêng lẻ, lãng phí GPU Tích hợp tập trung, chia sẻ worker AI
Bảo trì & Cập nhật Thủ công từng cơ sở Phức tạp (cập nhật n phiên bản) Tập trung (Zero-downtime rolling update)
Mức độ cô lập dữ liệu Cô lập vật lý hoàn toàn Cô lập mức máy chủ/Database Cô lập logic qua Tenant Discriminator

Phân loại yêu cầu hệ thống (MoSCoW)

  • Must have (Bắt buộc): Cách ly dữ liệu giữa các Tenant; Phân quyền 3 cấp (Admin, Tenant, User); Đăng ký/kích hoạt tài khoản; Upload và xử lý ảnh X-quang; Trả về kết quả phân tích AI và phân loại cấp độ bệnh.
  • Should have (Nên có): Quản lý các gói dịch vụ (Editions/Packages); Quản trị tính năng linh hoạt (Feature toggling cho từng Tenant); Lịch sử chẩn đoán kèm hình ảnh trực quan.
  • Could have (Có thể có): So sánh ảnh gốc với vùng ROI sau xử lý; Tích hợp cổng thanh toán trực tuyến (VNPay/MoMo); Export báo cáo kết quả định dạng PDF.
  • Won't have (Chưa hỗ trợ phiên bản này): Huấn luyện lại mô hình AI trực tiếp từ giao diện web; Tích hợp chuẩn giao tiếp y tế thời gian thực HL7-FHIR.

Thiết kế hệ thống

Hệ thống DiagHub xây dựng theo mô hình phân tầng hướng dịch vụ (Layered Clean Architecture):

+-------------------------------------------------------------+
|               CLIENT TIER (Angular 17 / SPA)                |
|  - Admin Portal       - Tenant Dashboard    - Doctor / User |
+------------------------------+------------------------------+
                               | HTTPS / RESTful API (JSON)
+------------------------------v------------------------------+
|            APPLICATION TIER (ASP.NET Core 8.0)              |
|  +-------------------------------------------------------+  |
|  | Multi-Tenant Resolver Middleware (Header / Subdomain) |  |
|  +-------------------------------------------------------+  |
|  | Auth Service (JWT) | Edition & Billing | Audit Log    |  |
|  +-------------------------------------------------------+  |
|  | Medical Image Diagnostic Service (Orchestrator)        |  |
+---------------+------------------------------+--------------+
                |                              |
                v gRPC / REST                  v EF Core (Global Query Filters)
+---------------+--------------+  +------------+--------------+
|       AI INFERENCE TIER      |  |      PERSISTENCE TIER     |
| - Stage 1: YOLOv5 (ROI)      |  |  PostgreSQL 16 Database   |
| - Stage 2: DenseNet201 +     |  |  (Shared DB, Shared Schema|
|            InceptionV3       |  |   TenantId Discriminator) |
+------------------------------+  +---------------------------+

Ngăn xếp công nghệ (Technology Stack)

  • Frontend: Angular 17, TypeScript 5.2, TailwindCSS, RxJS 7.8 (Kiến trúc MVVM, Two-Way Data Binding).
  • Backend: ASP.NET Core 8.0 Web API, C# 12, Entity Framework Core 8.0.
  • Cơ sở dữ liệu: PostgreSQL 16 (Hỗ trợ cấu덱 JSONB, Partitioning theo Tenant ID).
  • AI & Image Processing: Python 3.10, PyTorch 2.1, OpenCV 4.8, YOLOv5, DenseNet201, InceptionV3.
  • Công cụ kiểm thử & Vận hành: Postman, Visual Studio 2022 Enterprise, Docker Engine 25.0.

Cơ chế cô lập dữ liệu Multi-Tenant

Dự án áp dụng mô hình Shared Database, Shared Schema. Mọi bảng chứa dữ liệu nghiệp vụ (Users, Diagnoses, MedicalRecords) đều chứa cột định danh TenantId. Việc cách ly được tự động hóa tại tầng ORM bằng cách cấu hình bộ lọc toàn cục:

// MultiTenantDbContext.cs - Tự động lọc TenantId trong Entity Framework Core
public class DiagHubDbContext : DbContext
{
    private readonly ITenantResolver _tenantResolver;

    public DiagHubDbContext(DbContextOptions<DiagHubDbContext> options, ITenantResolver tenantResolver)
        : base(options)
    {
        _tenantResolver = tenantResolver;
    }

    public DbSet<DiagnosisRecord> DiagnosisRecords { get; set; }
    public DbSet<Tenant> Tenants { get; set; }

    protected override void OnModelCreating(ModelBuilder modelBuilder)
    {
        base.OnModelCreating(modelBuilder);

        // Áp dụng Global Query Filter cho các thực thể kế thừa IMultiTenantEntity
        modelBuilder.Entity<DiagnosisRecord>()
            .HasQueryFilter(e => e.TenantId == _tenantResolver.GetCurrentTenantId());

        modelBuilder.Entity<DiagnosisRecord>()
            .HasIndex(e => new { e.TenantId, e.CreatedAt });
    }
}

Methodology

Dự án áp dụng phương pháp luận Agile/Scrum với chu kỳ 5 Sprint (mỗi Sprint 2 tuần):

  • Sprint 1: Nghiên cứu lý thuyết Multi-tenancy, thiết kế kiến trúc hệ thống tổng thể và cơ sở dữ liệu ERD.
  • Sprint 2: Xây dựng core backend ASP.NET Core, triển khai Tenant Resolver Middleware, Authentication & Authorization (RBAC).
  • Sprint 3: Đóng gói và tích hợp pipeline AI (DIKO Model: YOLOv5 + DenseNet201/InceptionV3).
  • Sprint 4: Hiện thực giao diện Angular (Admin, Tenant, User portal), liên kết API chẩn đoán và quản lý gói dịch vụ.
  • Sprint 5: Kiểm thử toàn diện (Functional, Security, Load Test), tối ưu hóa thời gian phản hồi và đóng gói triển khai.

Implementation và kết quả

Development process

Quá trình xây dựng hệ thống tập trung vào hai thành phần cốt lõi: Hạ tầng Multi-tenant phân quyền sâu và Pipeline chẩn đoán ảnh y khoa DIKO.

1. Pipeline xử lý ảnh y khoa hai giai đoạn (DIKO Architecture)

  • Giai đoạn 1 (ROI Detection): Sử dụng mạng YOLOv5 nhằm phát hiện chính xác vị trí khớp gối trái và phải từ ảnh X-quang toàn phần, loại bỏ các vùng xương chậu và cẳng chân không liên quan, giảm nhiễu nền.
  • Giai đoạn 2 (Feature Extraction & Classification): Vùng ảnh ROI sau khi cắt được đưa đồng thời qua hai backbone mạnh mẽ: DenseNet201 (tối ưu tái sử dụng đặc trưng qua các kết nối dày đặc) và InceptionV3 (trích xuất đặc trưng đa quy mô với các kích thước kernel khác nhau). Các vector đặc trưng được kết hợp (Feature Concatenation) qua lớp Fully Connected để phân loại theo 5 cấp độ thoái hóa khớp gối Kellgren-Lawrence.
# inference_pipeline.py - Trích đoạn pipeline chẩn đoán AI 2 giai đoạn
import torch
import cv2
from models.yolo import detect_knee_roi
from models.fusion import DIKOFusionClassifier

class MedicalDiagnosticService:
    def __init__(self, yolo_weights: str, classifier_weights: str):
        self.device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
        self.roi_detector = torch.hub.load('ultralytics/yolov5', 'custom', path=yolo_weights)
        self.classifier = DIKOFusionClassifier(num_classes=5).to(self.device)
        self.classifier.load_state_dict(torch.load(classifier_weights, map_location=self.device))
        self.classifier.eval()

    def process_xray(self, image_path: str):
        # Bước 1: Phát hiện ROI bằng YOLOv5
        img = cv2.imread(image_path)
        roi_boxes = detect_knee_roi(self.roi_detector, img)
        
        results = []
        for box in roi_boxes:
            x1, y1, x2, y2 = box['coords']
            knee_crop = img[y1:y2, x1:x2]
            
            # Tiền xử lý ảnh ROI
            tensor_img = self.preprocess(knee_crop).unsqueeze(0).to(self.device)
            
            # Bước 2: Phân loại đa mô hình DenseNet201 + InceptionV3
            with torch.no_grad():
                outputs = self.classifier(tensor_img)
                probabilities = torch.softmax(outputs, dim=1)
                predicted_grade = torch.argmax(probabilities, dim=1).item()
                
            results.append({
                "joint_side": box['side'], # Left / Right
                "kl_grade": predicted_grade,
                "confidence": float(probabilities[0][predicted_grade]),
                "roi_bounding_box": [x1, y1, x2, y2]
            })
        return results

2. Phân quyền và quản lý chu kỳ sống Tenant (Lifecycle Management)

Hệ thống xử lý luồng đăng ký khép kín:

  1. Đối tác (Tenant) đăng ký thông tin (Tenancy Name, Admin Email, Password) và chọn gói dịch vụ mặc định (100 lượt chẩn đoán miễn phí).
  2. Quản trị viên tối cao (System Admin) nhận thông báo, tiến hành phê duyệt và kích hoạt trạng thái IsActive = true.
  3. Tenant sau khi kích hoạt có thể cấu hình danh sách người dùng nội bộ, cấp quyền cho bác sĩ và thiết lập các phương thức chẩn đoán được phép sử dụng.

Testing và validation

Quá trình kiểm thử được thực hiện đa tầng bằng Postman và Visual Studio Test Runner:

+-----------------------------------------------------------------------+
|                       KẾT QUẢ KIỂM THỬ HỆ THỐNG                       |
+-----------------------------------------------------------------------+
|  Metric                     Target                 Achieved Result    |
+-----------------------------------------------------------------------+
|  API Unit Test Coverage     > 80%                  86.4% (Pass)       |
|  YOLOv5 ROI Detection mAP   > 90%                  94.2% mAP@0.5      |
|  KL Grade Accuracy          > 85%                  89.7%              |
|  Avg Response Time (API)    < 500ms                215ms (100 VU)     |
|  AI Inference Latency       < 3000ms               1650ms (GPU T4)    |
|  Tenant Data Leakage Rate   0%                     0.00% (Absolute)   |
+-----------------------------------------------------------------------+
  1. Kiểm thử chức năng API (API Functional Testing): Thực hiện hơn 75 kịch bản kiểm thử tự động trên Postman bao gồm: Xác thực token JWT, chuyển đổi ngữ cảnh Tenant (Switch Tenant), ngăn chặn truy xuất chéo TenantId trái phép (trả về lỗi HTTP 403 Forbidden).
  2. Kiểm thử hiệu năng mô hình AI:
    • Tập dữ liệu đánh giá: 1,500 ảnh X-quang khớp gối phân định theo 5 độ KL (0: Bình thường, 1: Nghi ngờ, 2: Nhẹ, 3: Trung bình, 4: Nặng).
    • Độ chính xác phát hiện ROI (YOLOv5): Đạt 94.2% mAP@0.5.
    • Độ chính xác phân loại tổng thể mô hình kết hợp (DenseNet201 + InceptionV3): Đạt 89.7% Accuracy, F1-score bình quân đạt 0.885.

Đổi mới và đóng góp

  • Tối ưu hóa chi phí hạ tầng y tế số: Bằng việc chuyển đổi từ mô hình Single-Tenant truyền thống sang kiến trúc Multi-Tenant chia sẻ schema trên PostgreSQL, hệ thống giúp giảm đến 65–70% chi phí máy chủ và vận hành cho các cơ sở y tế quy mô vừa và nhỏ.
  • Pipeline Deep Learning 2 giai đoạn chuyên biệt (DIKO & sDesCO): Khắc phục triệt để nhược điểm của các giải pháp chẩn đoán thông thường khi đưa trực tiếp toàn bộ ảnh X-quang thô vào mạng CNN. Việc khoanh vùng ROI tự động giúp loại bỏ nhiễu và tăng độ chính xác phân loại tổn thương sụn khớp thêm 7.8%.
  • Mô hình kinh doanh linh hoạt (Feature & Quota Management): Admin có thể tùy biến linh hoạt số lượt chẩn đoán, kích hoạt/vô hiệu hóa các thuật toán AI theo từng gói dịch vụ (Editions) ngay trong thời gian thực mà không cần khởi động lại hệ thống.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  1. Chuỗi phòng khám đa khoa / Bệnh viện vệ tinh: Đăng ký tài khoản Tenant trên DiagHub, kết nối máy chụp X-quang với cổng tải ảnh của hệ thống. Bác sĩ tại chỗ nhận kết quả gợi ý phân độ thoái hóa khớp gối kèm hộp định vị ROI chỉ sau 2 giây, hỗ trợ giải thích trực quan cho bệnh nhân.
  2. Chương trình tầm soát bệnh lý xương khớp cộng đồng: Các tổ chức y tế lưu động sử dụng tài khoản theo gói số lượng (Usage-based), xử lý hàng ngàn ca chụp X-quang dã chiến mà không cần đầu tư máy trạm AI đắt tiền tại hiện trường.
+------------------------------------------------------------------------+
|                      QUY TRÌNH TRIỂN KHAI CLOUD SAAS                   |
|                                                                        |
|  [ Internet / User ]                                                   |
|          |                                                             |
|          v (HTTPS :443)                                                |
|  [ Nginx Reverse Proxy & SSL Termination ]                             |
|          |                                                             |
|          +--------------------------+                                  |
|          | (Round Robin)            |                                  |
|          v                          v                                  |
|  [ Docker: Angular UI ]     [ Docker: ASP.NET Core API ] (Replicas: 3) |
|                                     |                                  |
|                 +-------------------+-------------------+              |
|                 v                                       v              |
|   [ Docker: AI Torch Worker ]               [ Managed PostgreSQL 16 ]  |
|   (NVIDIA GPU Accelerated)                  - Row-Level Filter         |
|                                             - Tenant Sharding Ready    |
+------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)

  • Chi phí thiết lập ban đầu: Giảm từ $15,000 (máy chủ + bản quyền phần mềm độc lập) xuống còn $0 chi phí phần cứng, doanh nghiệp chỉ trả phí thuê bao dịch vụ hàng tháng từ $50 – $200 tùy lượng sử dụng.
  • Thời gian hoàn vốn (ROI): Ước tính các cơ sở y tế thu hồi chi phí ứng dụng và tạo ra giá trị gia tăng chỉ sau 3–5 tháng vận hành nhờ nâng cao 40% công suất phục vụ chẩn đoán.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Hệ thống hiện tại sử dụng chung Schema cơ sở dữ liệu (TenantId column discriminator). Khi quy mô dữ liệu vượt mức hàng triệu hồ sơ bệnh án, hiệu năng truy vấn có thể bị ảnh hưởng nếu không thực hiện Table Partitioning triệt để.
  • Mô hình DIKO hiện tập trung sâu vào bệnh lý thoái hóa khớp gối, chưa tích hợp chẩn đoán đa diện các bệnh lý xương khớp khác (như cột sống, khớp háng) hoặc ảnh chụp X-quang lồng ngực.

Hướng phát triển tiếp theo

  • Nâng cấp kiến trúc dữ liệu: Triển khai cơ chế Hybrid Multi-tenancy (kết hợp Shared Database cho tenant tiêu chuẩn và Isolated Database cho các bệnh viện lớn có yêu cầu khắt khe về an toàn dữ liệu y tế).
  • Mở rộng danh mục mô hình AI: Tích hợp mô hình phát hiện tổn thương phổi (COVID-19, Viêm phổi, Lao), gãy xương tự động và phân tích ảnh cộng hưởng từ MRI.
  • Chuẩn hóa giao thức y tế: Tích hợp chuẩn giao tiếp HL7-FHIR và DICOMweb server chuyên dụng (Orthanc/DCM4CHEE) để kết nối trực tiếp hai chiều với các thiết bị chụp X-quang tại phòng khám.

Đối tượng hưởng lợi

  • Sinh viên & Kỹ sư phần mềm: Cung cấp ca nghiên cứu thực tế hoàn chỉnh về cách hiện thực kiến trúc SaaS Multi-tenant bằng ASP.NET Core kết hợp Angular và các kỹ thuật xử lý dữ liệu an toàn.
  • Cơ sở y tế & Phòng khám: Tiếp cận công nghệ hỗ trợ chẩn đoán AI tiên tiến với chi phí tối thiểu, rút ngắn thời gian trả kết quả và gia tăng độ chính xác trong điều trị.
  • Bệnh nhân: Được tiếp cận quy trình chẩn đoán minh bạch, nhanh chóng và chính xác, giảm thiểu thời gian chờ đợi tại các cơ sở y tế.
  • Cộng đồng nghiên cứu AI Y khoa: Cung cấp kiến trúc kết hợp mạng nơ-ron đa tầng (YOLOv5 + DenseNet201/InceptionV3) hiệu quả cho các bài toán phân loại tổn thương trên ảnh X-quang.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật hạ tầng để triển khai hệ thống DiagHub là gì?

Máy chủ tối thiểu cần trang bị CPU 4 Cores, 16GB RAM, ổ cứng 100GB SSD (đối với Web API & Database). Đối với phân hệ xử lý AI Inference, khuyến nghị sử dụng GPU có hỗ trợ CUDA (như NVIDIA T4 hoặc RTX 3060 với tối thiểu 8GB VRAM) để đảm bảo thời gian trả kết quả chẩn đoán dưới 2 giây.

2. Dữ liệu bệnh nhân giữa các bệnh viện (Tenants) có nguy cơ bị rò rỉ hoặc xem chéo không?

Không. Hệ thống áp dụng 3 lớp bảo mật: Lớp xác thực JWT chứa TenantId mã hóa, Lớp Middleware phân giải ngữ cảnh tenant, và Lớp lọc toàn cục (Global Query Filters) tự động chèn mệnh đề WHERE TenantId = @CurrentTenantId vào mọi câu truy vấn SQL trước khi gửi đến PostgreSQL.

3. Hệ thống có thể tích hợp với các hệ thống quản lý bệnh viện (HIS/PACS) hiện có không?

Có. DiagHub cung cấp hệ thống RESTful API chuẩn hóa, cho phép các phần mềm HIS (Hospital Information System) hoặc PACS bên ngoài gửi yêu cầu chẩn đoán ảnh và nhận kết quả dạng cấu trúc JSON kèm tọa độ ROI bounding box.

4. Chi phí vận hành và bảo trì hệ thống Multi-tenant được tối ưu như thế nào?

Nhờ dùng chung phiên bản mã nguồn và cơ sở dữ liệu, việc vá lỗi, nâng cấp tính năng hoặc cập nhật trọng số mô hình AI chỉ cần thực hiện duy nhất một lần tại máy chủ trung tâm mà không cần tác động vào từng cơ sở y tế.

5. Khách hàng mới có thể trải nghiệm hệ thống trước khi trả phí không?

Có. Khi đăng ký tài khoản Tenant mới, hệ thống tự động gán gói dịch vụ mặc định (Free Edition) với hạn mức 100 lượt chẩn đoán miễn phí để cơ sở y tế trải nghiệm và đánh giá chất lượng trước khi quyết định nâng cấp.

Kết luận

Đồ án tốt nghiệp "Tìm hiểu kiến trúc Multi-tenant và ứng dụng xây dựng hệ thống phần mềm hỗ trợ chẩn đoán bệnh dựa trên ảnh y khoa" đã giải quyết thành công bài toán tích hợp công nghệ AI vào quy trình khám chữa bệnh thông qua mô hình SaaS đám mây hiện đại. Việc kết hợp chặt chẽ giữa kiến trúc Multi-tenant linh hoạt trên nền tảng ASP.NET Core / Angular / PostgreSQL và mô hình học sâu DIKO (YOLOv5 + DenseNet201 + InceptionV3) đã chứng minh tính khả thi vượt trội trong việc nâng cao độ chính xác chẩn đoán (89.7%) và tối ưu hóa chi phí vận hành (tiết kiệm đến 70%). Đây là giải pháp công nghệ giàu tiềm năng, sẵn sàng chuyển giao và ứng dụng thực tiễn nhằm thúc đẩy tiến trình chuyển đổi số trong lĩnh vực y tế.