Tổng quan về luận án

Nghiên cứu khoa học trong lĩnh vực Trí tuệ nhân tạo (AI) và Hệ thống thông tin y tế đang đối mặt với thách thức nghiêm trọng về tính bất định, tính chu kỳ và sự thiếu hụt tri thức trong dữ liệu lâm sàng. Luận án tiến sĩ mang tên "Nghiên cứu phát triển mô hình đồ thị tri thức mờ dạng cặp và ứng dụng trong hỗ trợ chẩn đoán bệnh", chuyên ngành Hệ thống thông tin (Mã số: 9480104), do NCS. Cù Kim Long thực hiện dưới sự hướng dẫn khoa học của PGS. Phạm Văn Hải và PGS. Hà Quốc Trung tại Đại học Bách khoa Hà Nội (2023), là công trình tiên phong giải quyết bài toán suy diễn xấp xỉ trong môi trường dữ liệu cực đoan và không hoàn chỉnh.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế các hệ suy diễn mờ truyền thống như FIS (Fuzzy Inference System) của Mamdani hay Takagi-Sugeno, và các mô hình đồ thị tri thức ngữ nghĩa (Knowledge Graph - KG) kinh điển (Google, 2012; Bernard et al., 2018; Yong Zhang et al., 2020) bộc lộ giới hạn nghiêm trọng: KG thông thường không thể biểu diễn tính bất định theo biên độ và pha của các triệu chứng bệnh, trong khi mô hình đồ thị tri thức mờ đơn lẻ M-CFIS-FKG (2020) chỉ khai thác các cặp đơn (single pairs), hoàn toàn bất lực khi tập dữ liệu đầu vào bị thiếu thông tin hoặc cơ sở luật mờ (Fuzzy Rule Base - FRB) quá nhỏ. Đồng thời, các hệ suy diễn mờ phức tinh giản luật (M-CFIS-R) gặp hiện tượng bùng nổ thời gian tính toán khi duyệt qua không gian dữ liệu lớn.

Để giải quyết triệt để vấn đề này, luận án xây dựng hai câu hỏi nghiên cứu (Research Questions - RQ) và hệ giả thuyết khoa học:

  • RQ1: Làm thế nào để phát triển mô hình suy diễn dựa trên đồ thị tri thức mờ dạng cặp (FKG-Pairs) khi thông tin tập dữ liệu đầu vào chưa đầy đủ nhằm tối ưu hóa độ chính xác và giảm thiểu thời gian tính toán so với M-CFIS-FKG và FIS?
    • Giả thuyết H1: Việc liên kết các siêu đỉnh (hyper-nodes) đa thuộc tính dạng cặp (Double Pairs $FKG\text{-}Pairs2$, Tripple Pairs $FKG\text{-}Pairs3$) kết hợp toán tử xấp xỉ Max-Min sẽ duy trì độ tin cậy suy diễn ngay cả khi cơ sở dữ liệu bị khuyết thuộc tính.
  • RQ2: Làm thế nào để xây dựng mô hình suy diễn đồ thị tri thức mờ trong các trường hợp cực đoan (FKG-Extreme) khi tập dữ liệu huấn luyện cực nhỏ ($<10%$) hoặc kích thước dữ liệu quá lớn ($5V$) thiếu tri thức nền tảng?
    • Giả thuyết H2: Việc tích hợp kỹ thuật học tăng cường $Q\text{-}learning$ với phương trình Bellman vào việc tối ưu không gian trạng thái - hành động của đồ thị tri thức mờ sẽ nâng cao vượt trội độ chính xác phân loại trong điều kiện thiếu luật mờ ban đầu.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết tập mờ (Fuzzy Sets Theory), Cấu trúc đồ thị mờ (Fuzzy Graph Structure - FGS), Hệ suy diễn mờ phức Mamdani (M-CFIS) và Học tăng cường (Reinforcement Learning). Về quy mô thực nghiệm, công trình được kiểm chứng trên 6 bộ dữ liệu chuẩn quốc tế từ kho UC Irvine Machine Learning Repository (UCI) gồm Diabetes (390 mẫu), Breast Cancer WBCD (680 mẫu), Liver (4.156 mẫu), Wine Quality (1.599 mẫu), Cardiotocography CTG (2.126 mẫu), Arrhythmia (452 mẫu, 36 thuộc tính) và 2 bộ dữ liệu lâm sàng thực tế tại Việt Nam: 210 bệnh nhân tiền sản giật (19 chỉ số cận lâm sàng) tại Bệnh viện Phụ sản Trung ương và 3.652 hồ sơ bệnh nhân bệnh thận mạn (15 chỉ số sinh hóa) tại Bệnh viện Đa khoa tỉnh Điện Biên.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy ba dòng nghiên cứu (streams) chính định hình các hệ hỗ trợ ra quyết định lâm sàng (Clinical Decision Support Systems - CDSS):

  1. Dòng nghiên cứu đồ thị tri thức ngữ nghĩa (Semantic Knowledge Graphs): Bernard và cộng sự (2018) đã đề xuất mô hình biểu diễn tri thức và cơ chế suy diễn phác đồ điều trị thảo dược trong y học cổ truyền châu Phi; Yong Zhang và cộng sự (2020) tích hợp đồ thị tri thức chăm sóc sức khỏe với tri thức chuyên gia chuyên khoa; Ravi và cộng sự (2019) phát triển khung mô tả tri thức ngữ nghĩa hỗ trợ chẩn đoán tại phòng khám. Tuy nhiên, các cấu trúc KG này sử dụng logic rõ (crisp logic), không xử lý được dữ liệu có tính chu kỳ, thông tin mờ hoặc biên độ dao động phức tạp.
  2. Dòng nghiên cứu hệ suy diễn mờ và mờ phức (FIS, CFIS, M-CFIS): Zadeh (1965), Mamdani (1974), Takagi-Sugeno (1985) thiết lập nền tảng tính toán mềm. Sau đó, các hệ mờ phức (Complex Fuzzy Systems - CFS) và Mamdani Complex Fuzzy Inference System (M-CFIS) được ứng dụng trong chẩn đoán ung thư trực tràng và phân loại đa tiêu chí (MCDM). Dù vậy, mô hình tinh giản luật M-CFIS-R (2020) dựa trên cơ chế so khớp mẫu tuần tự dẫn đến chi phí tính toán tăng lũy thừa khi cơ sở dữ liệu mở rộng.
  3. Dòng nghiên cứu đồ thị tri thức mờ kết hợp (Fuzzy Knowledge Graph): Đột phá từ mô hình M-CFIS-FKG (2020) áp dụng thuật toán suy diễn nhanh FISA (Fast Inference Search Algorithm). Tuy nhiên, mô hình này chỉ dừng lại ở việc biểu diễn các cặp thuộc tính đơn lẻ (single pairs).
Chiều hướng so sánh Đồ thị tri thức ngữ nghĩa (Bernard et al., 2018; Yong Zhang et al., 2020) Hệ suy diễn mờ phức tinh giản luật (M-CFIS-R, 2020) Đồ thị tri thức mờ cặp đơn (M-CFIS-FKG, 2020) Mô hình đề xuất luận án ($FKG\text{-}Pairs$ & $FKG\text{-}Extreme$)
Cơ chế suy diễn Logic rõ, ontology tĩnh So khớp luật mờ phức Mamdani Suy diễn xấp xỉ FISA trên cặp đơn Suy diễn trên siêu đỉnh đa cặp kết hợp $Q\text{-}learning$
Khả năng chịu lỗi thiếu dữ liệu Kém (bị gián đoạn nếu thiếu thuộc tính) Kém (không sinh nhãn nếu thiếu luật khớp) Trung bình (chỉ suy diễn qua liên kết đơn) Xuất sắc (suy diễn liên hợp qua $k\text{-}pairs$ và $Q\text{-}value$)
Hiệu năng trong trường hợp cực đoan Không tối ưu cho dữ liệu lớn đa chiều Bùng nổ thời gian tính toán Độ chính xác suy giảm mạnh khi thiếu tri thức Đảm bảo độ chính xác cao và tối ưu hóa thời gian

Tranh luận học thuật cốt lõi tồn tại giữa hai quan điểm: Một bên cho rằng việc mở rộng tổ hợp cặp thuộc tính sẽ gây hiện tượng bùng nổ không gian tổ hợp (combinatorial explosion); bên còn lại khẳng định việc suy diễn đơn lẻ làm mất đi mối tương quan phi tuyến giữa các triệu chứng lâm sàng. Luận án đã giải quyết mâu thuẫn này bằng cách đề xuất điều kiện dừng (stopping condition) xác định giá trị cận trên $k$, dung hòa hoàn hảo giữa độ chính xác phân loại và thời gian tính toán thực thi.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra những bước tiến mang tính đột phá cho các lý thuyết nền tảng:

  • Mở rộng lý thuyết Cấu trúc đồ thị mờ (FGS): Kế thừa các tiên đề của Dinesh et al. (2011), Akram (2013) và Talebi (2019), công trình đã hình thức hóa khái niệm siêu đỉnh (hyper-nodes) và quan hệ mờ đa cấp giữa các nhãn ngôn ngữ $(V_i, V_j, \dots, V_k)$, chuyển hóa đồ thị tri thức mờ từ cấu trúc phẳng sang cấu trúc topo mạng lưới đa chiều.
  • Phát triển khung suy diễn xấp xỉ mở rộng: Định nghĩa lại toán tử liên kết trọng số $w_{(i,j\dots k)t}$ giữa các thuộc tính trong luật thứ $t$ ($R_t$) và trọng số $\overline{w}_{(i,j\dots k)c}$ từ các siêu đỉnh đến nhãn lớp đầu ra $C$. Điều này cho phép mở rộng quy tắc Mamdani truyền thống sang dạng quy tắc mờ hợp nhất với cơ chế tính điểm trọng tâm và độ mạnh trung bình thích nghi.
  • Thiết lập mô hình dịch chuyển hình thái (Paradigm Shift): Chuyển từ cơ chế "khớp luật tĩnh" (static rule-matching) sang "học chính sách động thích nghi" (dynamic policy adaptation) thông qua việc nhúng phương trình Bellman của $Q\text{-}learning$ vào đồ thị tri thức mờ trong mô hình $FKG\text{-}Extreme$.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 3 trụ cột lý thuyết: Lý thuyết tập mờ phức Mamdani, Cấu trúc đồ thị tri thức ngữ nghĩa và Kỹ thuật học tăng cường $Q\text{-}learning$.

                                  +---------------------------------------------------------+
                                  |                 DỮ LIỆU ĐẦU VÀO LÂM SÀNG                |
                                  |    (Bệnh án tiền sản giật, Bệnh thận mạn, UCI benchmarks) |
                                  +----------------------------+----------------------------+
                                                               |
                                                               v
                                  +---------------------------------------------------------+
                                  |                   GIAI ĐOẠN TIỀN XỬ LÝ                  |
                                  |        (Mờ hóa dữ liệu, Thiết lập nhãn ngôn ngữ L, M, H) |
                                  +----------------------------+----------------------------+
                                                               |
                                                               v
                                  +---------------------------------------------------------+
                                  |               CƠ CHẾ SINH LUẬT MỜ (FIS / M-CFIS)         |
                                  |                  Xây dựng Cơ sở luật mờ (FRB)           |
                                  +----------------------------+----------------------------+
                                                               |
                                  +----------------------------+----------------------------+
                                  |                                                         |
                                  v                                                         v
    +-----------------------------------------------+     +-------------------------------------------------+
    |         MÔ HÌNH SUY DIỄN FKG-PAIRS            |     |           MÔ HÌNH SUY DIỄN FKG-EXTREME          |
    |  - Thiết lập siêu đỉnh k-pairs (k = 2, 3, 4)   |     |  - Tích hợp không gian trạng thái - hành động   |
    |  - Tính toán trọng số w_ijk và w_bar_ijk,c    |     |  - Cập nhật hàm Q-value qua phương trình Bellman|
    |  - Áp dụng điều kiện dừng cận trên k          |     |  - Xử lý kịch bản cực đoan (<10% train, >90% test|
    +-----------------------+-----------------------+     +------------------------+------------------------+
                            |                                                      |
                            +--------------------------+---------------------------+
                                                       |
                                                       v
                                  +---------------------------------------------------------+
                                  |               GIAI ĐOẠN SUY DIỄN XẤP XỈ                 |
                                  |       (Toán tử Max-Min, Gán nhãn lớp chẩn đoán đầu ra)  |
                                  +----------------------------+----------------------------+
                                                               |
                                                               v
                                  +---------------------------------------------------------+
                                  |              ĐÁNH GIÁ & KIỂM ĐỊNH THỐNG KÊ              |
                                  |     (Accuracy, F1-score, One-way / Two-way ANOVA test)  |
                                  +---------------------------------------------------------+

Khung phân tích được xác định trong các điều kiện biên (boundary conditions) chặt chẽ:

  1. Không gian thuộc tính liên tục được rời rạc hóa và mờ hóa qua các hàm thuộc tam giác/hình thang với các giá trị ngôn ngữ chuẩn (ví dụ: Low, Medium, High).
  2. Hàm giá trị $\mathcal{F}(k)$ được tối ưu hóa đồng thời dựa trên hai tham số: độ chính xác $Acc(k)$ và thời gian tính toán $Time(k)$ thông qua công thức xác định cận trên $k$: $$\mathcal{F}(k) = \alpha \cdot Acc(k) - \beta \cdot Time(k)$$
  3. Không gian trạng thái $S_t$ và hành động $A_t$ trong $FKG\text{-}Extreme$ tuân thủ cập nhật phần thưởng tức thời $R_{t+1}$ và hệ số suy giảm tương lai $\gamma \in (0, 1)$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được định vị theo trường phái Triết học Thực chứng Thực nghiệm (Positivism) kết hợp Phương pháp Nghiên cứu Khoa học Thiết kế (Design Science Research - DSR). Thiết kế nghiên cứu đa tầng (Multi-level design) bao gồm:

  • Tầng 1 (Tầng biểu diễn tri thức): Chuyển đổi dữ liệu thuộc tính bệnh án thành các đồ thị tri thức mờ dạng cặp $FKG\text{-}Pairs1$, $FKG\text{-}Pairs2$, $FKG\text{-}Pairs3$, $FKG\text{-}Pairs4$.
  • Tầng 2 (Tầng tối ưu hóa học tăng cường): Sử dụng thuật toán $Q\text{-}learning$ để điều hướng quá trình chọn hành động gán nhãn trong trường hợp cực đoan.
  • Tầng 3 (Tầng kiểm định thống kê và thực thi ứng dụng): Kiểm chứng sai số và độ tin cậy bằng phân tích phương sai ANOVA một yếu tố và hai yếu tố.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu tuân thủ các tiêu chuẩn học thuật nghiêm ngặt:

  • Tiêu chuẩn lựa chọn mẫu (Inclusion/Exclusion criteria):
    • Với bệnh nhân tiền sản giật: Chọn sản phụ từ 18 đến 66 tuổi, tuổi thai từ 15 đến 40 tuần, có đầy đủ 19 chỉ số lâm sàng và cận lâm sàng (Huyết áp tâm thu 90–129 mmHg, Huyết áp tâm trương 60–84 mmHg, $LDH < 247$ U/L, Acid Uric 150–350 $\mu$mol/L, Protein niệu $\ge 0.25$ g/L). Loại bỏ các hồ sơ mất mát dữ liệu vượt quá $20%$.
    • Với bệnh thận mạn (BTM): 3.652 hồ sơ bệnh nhân từ 1 đến 100 tuổi, theo dõi các chỉ số sinh hóa máu gồm Creatinine ($4.26 - 8.632$ $\mu$mol/L), Urea, Albumin, Protein toàn phần và mức lọc cầu thận (GFR).
  • Tam giác hóa phương pháp (Triangulation): Kết hợp kiểm chứng chéo $k\text{-}fold$ cross-validation ($k=10$), so sánh đối chuẩn trên 6 tập benchmark quốc tế UCI và mô phỏng trên 2 bộ dữ liệu lâm sàng thực địa.

Data và phân tích

Phân tích dữ liệu sử dụng hệ thống công cụ chuyên sâu gồm Python 3.9, MATLAB Fuzzy Logic Toolbox, thư viện đồ thị NetworkX, framework giao diện Kivy và Microsoft Excel.

Phương trình cập nhật giá trị $Q\text{-}value$ trong mô hình $FKG\text{-}Extreme$ được cài đặt chính xác theo công thức Bellman: $$Q(S_t, A_t) \leftarrow Q(S_t, A_t) + \alpha \left[ R_{t+1} + \gamma \max_{a} Q(S_{t+1}, a) - Q(S_t, A_t) \right]$$ Trong đó $\alpha \in (0,1)$ là tốc độ học (learning rate), $\gamma \in (0,1)$ là hệ số suy giảm phần thưởng tương lai.

Độ chính xác phân loại ($Accuracy$), độ nhạy ($Recall$), độ đặc hiệu ($Precision$) và $F1\text{-}Score$ được chuẩn hóa qua ma trận nhầm lẫn ($TP, TN, FP, FN$): $$Accuracy = \frac{TP + TN}{TP + TN + FP + FN}; \quad Precision = \frac{TP}{TP + FP}; \quad Recall = \frac{TP}{TP + FN}$$

Kiểm định giả thuyết thống kê được thực hiện qua phân tích ANOVA một yếu tố (One-way ANOVA) và hai yếu tố (Two-way ANOVA) với mức ý nghĩa $p < 0.05$ nhằm chứng minh sự khác biệt về hiệu năng giữa $FKG\text{-}Pairs$, $FKG\text{-}Extreme$ so với FIS, $M\text{-}CFIS\text{-}R$ và $M\text{-}CFIS\text{-}FKG$ là có ý nghĩa thống kê.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của mô hình cặp đôi ($FKG\text{-}Pairs2$): Trên bộ dữ liệu chuẩn UCI và tiền sản giật, phương pháp $FKG\text{-}Pairs2$ kết hợp cơ chế FIS và M-CFIS mang lại độ chính xác phân loại trung bình đạt từ $88.5%$ đến $96.8%$, vượt trội rõ rệt so với $FKG\text{-}Pairs1$ (cặp đơn) và các hệ mờ truyền thống.
  2. Tiết kiệm thời gian tính toán mang tính cách mạng: Trong khi mô hình $M\text{-}CFIS\text{-}R$ bị trễ nghiêm trọng do cơ chế khớp luật từng bước, thuật toán $FKG\text{-}Pairs$ tối ưu hóa ma trận trọng số giúp giảm thời gian tính toán trung bình từ hàng chục giây xuống dưới $1.2$ giây trên các tập dữ liệu đa biến như Arrhythmia (36 thuộc tính, 13 lớp).
  3. Bước đột phá trong kịch bản cực đoan ($FKG\text{-}Extreme$): Khi chia tập huấn luyện cực nhỏ ($<10%$) và tập kiểm tra cực lớn ($>90%$), các mô hình truyền thống sụt giảm độ chính xác xuống dưới $55%$. Ngược lại, $FKG\text{-}Extreme$ nhờ cơ chế bù trừ phần thưởng của $Q\text{-}learning$ vẫn duy trì độ chính xác ấn tượng trên $82.4%$ trên các bộ dữ liệu Liver, Wine Quality và Cardiotocography CTG.
  4. Ý nghĩa thống kê được xác thực qua ANOVA: Kết quả phân tích ANOVA cho thấy giá trị $F\text{-}statistic$ vượt ngưỡng tới hạn với mức ý nghĩa $p\text{-}value < 0.001$, bác bỏ hoàn toàn giả thuyết $H_0$ (không có sự khác biệt giữa các phương pháp), khẳng định tính ưu việt nội tại của cấu trúc đồ thị mờ dạng cặp.

Implications đa chiều

  • Về mặt học thuật: Công trình mở rộng ranh giới của lý thuyết Trí tuệ nhân tạo có thể giải thích (Explainable AI - XAI) trong y tế. Không giống như các mô hình mạng nơ-ron hộp đen (Black-box Deep Learning), đồ thị tri thức mờ dạng cặp cung cấp đường dẫn suy diễn bạch minh: Bác sĩ có thể truy xuất chính xác vì sao tổ hợp triệu chứng (ví dụ: $\text{Huyết áp Cao} \wedge \text{LDH Cao} \wedge \text{Protein niệu Dương tính}$) dẫn đến chẩn đoán "Tiền sản giật nặng" với độ tin cậy $90%$.
  • Về mặt ứng dụng lâm sàng: Luận án đã đóng gói thành công phần mềm chẩn đoán tiền sản giật và hệ thống hỗ trợ phân giai đoạn bệnh thận mạn trên giao diện Kivy/Python, cho phép các trạm y tế tuyến cơ sở nhập 15–19 chỉ số xét nghiệm để nhận cảnh báo sớm nguy cơ biến chứng thai kỳ và suy thận giai đoạn cuối ($GFR < 15$ mL/min/1.73m$^2$).
  • Về mặt chính sách y tế số: Cung cấp giải pháp công nghệ kinh tế, hiệu năng cao, không đòi hỏi phần cứng GPU đắt tiền, hoàn toàn phù hợp để triển khai tích hợp vào Hệ thống thông tin bệnh viện (HIS) và Hồ sơ bệnh án điện tử (EMR) cấp quốc gia.

Limitations và Future Research

Mặc dù đạt được những kết quả lý thuyết và thực nghiệm đột phá, luận án thẳng thắn chỉ ra 4 giới hạn nghiên cứu:

  1. Phụ thuộc vào giai đoạn mờ hóa ban đầu: Việc phân chia các hàm thuộc ngôn ngữ (Low, Medium, High) vẫn đòi hỏi tri thức chuyên gia y khoa để thiết lập ngưỡng biên độ.
  2. Hiện tượng bùng nổ tổ hợp khi $k \ge 4$: Khi số lượng thuộc tính kết hợp lên mức bộ tứ ($FKG\text{-}Pairs4$), chi phí tính toán bộ trọng số $w_{(i,j,k,l)t}$ tăng nhanh nếu không kích hoạt điều kiện dừng chặt chẽ.
  3. Phạm vi dữ liệu thực tế: Dữ liệu lâm sàng mới được thu thập tại hai bệnh viện chuyên khoa tại Việt Nam, chưa đánh giá trên các nhóm chủng tộc đa dạng toàn cầu.

Chương trình nghiên cứu 5–10 năm tiếp theo (Future Research Agenda):

  • Tự động hóa quá trình tối ưu hóa hàm thuộc mờ bằng cách tích hợp thuật toán di truyền (Genetic Algorithm - GA) hoặc tối ưu bầy đàn (PSO).
  • Mở rộng đồ thị tri thức mờ sang dạng Đồ thị tri thức mờ trực giác (Intuitionistic Fuzzy Knowledge Graph - IFKG) và Đồ thị tri thức mờ phức bức tranh (Picture Fuzzy Knowledge Graph) nhằm mô hình hóa độ do dự $\pi_A(x) = 1 - \mu_A(x) - \nu_A(x)$.
  • Phát triển mô hình suy diễn đồ thị tri thức mờ phân tán trên nền tảng tính toán đám mây và xử lý dữ liệu lớn (Apache Spark/GraphX).

Tác động và ảnh hưởng

  • Tác động học thuật: Luận án đã công bố nhiều công trình trên các tạp chí và kỷ yếu hội thảo khoa học chuyên ngành uy tín thuộc danh mục Scopus/SCIE (thành viên nhóm nghiên cứu FKG-Group, AI 4.0 Lab phối hợp cùng Đại học Bách khoa Hà Nội). Mô hình $FKG\text{-}Pairs$ và $FKG\text{-}Extreme$ hứa hẹn trở thành các công trình tham chiếu quan trọng (benchmark models) cho cộng đồng nghiên cứu tính toán mềm và đồ thị tri thức.
  • Chuyển đổi ngành công nghiệp y tế: Tối ưu hóa chi phí xét nghiệm bằng cách chỉ ra tập thuộc tính cặp tối thiểu có độ phân biệt cao nhất, giúp giảm thiểu các chỉ định cận lâm sàng không cần thiết cho bệnh nhân.
  • Lợi ích xã hội: Hỗ trợ giảm tải cho các bệnh viện tuyến trên, nâng cao năng lực chẩn đoán sàng lọc tiền sản giật cho thai phụ tại vùng sâu, vùng xa, bảo vệ sức khỏe bà mẹ và trẻ em.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận mô hình toán học hoàn chỉnh về đồ thị tri thức mờ đa cặp, phương pháp luận tích hợp $Q\text{-}learning$ vào hệ mờ, và phương thức phân tích ANOVA trong kiểm định thuật toán AI.
  • Kỹ sư AI và Phát triển hệ thống: Sở hữu cấu trúc thuật toán suy diễn xấp xỉ FISA cải tiến, mã nguồn tối ưu hóa thời gian thực thi, có khả năng triển khai trên các thiết bị biên (Edge AI) hoặc phần mềm y tế cục bộ.
  • Bác sĩ và Cơ sở khám chữa bệnh: Nhận được công cụ trợ giúp chẩn đoán khách quan, minh bạch lý do gán nhãn, phát hiện sớm dấu hiệu chuyển nặng của bệnh nhân tiền sản giật và bệnh thận mạn.
  • Nhà hoạch định chính sách y tế: Có bằng chứng thực nghiệm vững chắc để thúc đẩy chuyển đổi số y tế, chuẩn hóa dữ liệu hồ sơ bệnh án theo cấu trúc đồ thị ngữ nghĩa mờ.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Luận án đã mở rộng lý thuyết Cấu trúc đồ thị mờ (Fuzzy Graph Structure - FGS) của Dinesh et al. (2011) và Akram (2013) thành mô hình Đồ thị tri thức mờ dạng cặp ($FKG\text{-}Pairs$). Điểm độc đáo nhất là việc thiết lập các siêu đỉnh liên kết đa thuộc tính kết hợp hàm điều kiện dừng cận trên $k$, giải quyết triệt để bài toán suy diễn xấp xỉ khi cơ sở luật mờ bị khuyết thiếu hoặc dữ liệu đầu vào không đầy đủ.

2. Điểm cải tiến phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế là gì?

So với mô hình đồ thị tri thức y tế của Yong Zhang et al. (2020) chỉ dùng logic rõ và mô hình $M\text{-}CFIS\text{-}FKG$ (2020) chỉ dùng cặp đơn, luận án đã tích hợp thành công thuật toán học tăng cường $Q\text{-}learning$ với phương trình Bellman vào cấu trúc đồ thị mờ ($FKG\text{-}Extreme$), duy trì độ chính xác $>82%$ ngay cả khi tập dữ liệu huấn luyện chỉ chiếm $<10%$.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm có hỗ trợ từ dữ liệu là gì?

Phát hiện cấu trúc cặp đôi ($FKG\text{-}Pairs2$) mang lại điểm cân bằng tối ưu vượt bậc giữa độ chính xác và thời gian tính toán. Việc tăng lên cặp ba ($Pairs3$) hay cặp tư ($Pairs4$) chỉ làm tăng độ chính xác thêm $0.3 - 0.8%$ nhưng thời gian tính toán ma trận trọng số tăng gấp $3.5$ lần, chứng minh tính hiệu quả vượt trội của việc chọn giá trị cận trên $k=2$.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?

Hoàn toàn đầy đủ. Luận án công khai chi tiết cấu trúc thuộc tính, bảng mã hóa nhãn ngôn ngữ, 6 bộ dữ liệu chuẩn UCI kèm đường dẫn tham chiếu [62-65], danh mục 19 chỉ số bệnh nhân tiền sản giật và 15 chỉ số bệnh nhân thận mạn, cùng toàn bộ công thức toán học từ bước mờ hóa đến khử mờ.

5. Chương trình nghiên cứu 10 năm tới được phác thảo như thế nào?

Luận án định hình lộ trình phát triển hệ sinh thái đồ thị tri thức mờ phân tán, tự thích nghi ngưỡng thuộc tính thông qua giải thuật tiến hóa (Evolutionary Computation), và nâng cấp lên đồ thị tri thức mờ bức tranh (Picture Fuzzy Knowledge Graph) nhằm xử lý toàn diện các trạng thái thông tin mâu thuẫn trong kỷ nguyên dữ liệu lớn y tế.

Kết luận

Luận án tiến sĩ của NCS. Cù Kim Long đã hoàn thành xuất sắc các mục tiêu nghiên cứu với các đóng góp cốt lõi:

  1. Thiết lập mô hình lý thuyết $FKG\text{-}Pairs$: Đề xuất cấu trúc đồ thị tri thức mờ dạng cặp đa cấp, giải quyết bài toán suy diễn khi tập dữ liệu đầu vào thu thập chưa đầy đủ thông tin.
  2. Sáng tạo mô hình $FKG\text{-}Extreme$: Kết hợp đột phá giữa đồ thị tri thức mờ và kỹ thuật học tăng cường $Q\text{-}learning$, nâng cao hiệu năng hệ thống trong điều kiện dữ liệu cực đoan ($<10%$ dữ liệu huấn luyện).
  3. Phát triển thuật toán suy diễn xấp xỉ tối ưu: Giảm thiểu độ phức tạp tính toán so với các hệ mờ Mamdani phức tinh giản luật ($M\text{-}CFIS\text{-}R$), đạt tốc độ phản hồi thời gian thực ($<1.2$ giây).
  4. Kiểm chứng thực nghiệm đa diện: Đánh giá nghiêm ngặt trên 6 bộ dữ liệu benchmark quốc tế UCI và xác nhận tính ý nghĩa thống kê thông qua kiểm định ANOVA một yếu tố và hai yếu tố ($p < 0.001$).
  5. Đóng góp ứng dụng thực tiễn cao: Xây dựng hoàn chỉnh phần mềm hỗ trợ chẩn đoán tiền sản giật (Bệnh viện Phụ sản Trung ương) và phân giai đoạn bệnh thận mạn (Bệnh viện Đa khoa tỉnh Điện Biên).
  6. Mở ra các hướng nghiên cứu mới: Đặt nền móng vững chắc cho các nghiên cứu tiếp theo về đồ thị tri thức mờ trực giác, tính toán phân tán và trí tuệ nhân tạo có thể giải thích trong y tế thông minh.