Tổng quan nghiên cứu

Trong bối cảnh hệ thống y tế hiện đại phải đối mặt với áp lực quá tải ngày càng gia tăng, việc ứng dụng trí tuệ nhân tạo vào chẩn đoán lâm sàng và cận lâm sàng đã trở thành một xu thế tất yếu. Theo ước tính từ các cơ sở y tế lớn, hơn 70% các quyết định điều trị lâm sàng phụ thuộc trực tiếp vào kết quả xét nghiệm hóa nghiệm, huyết học và hóa sinh. Tuy nhiên, khối lượng dữ liệu khổng lồ cùng với sự phức tạp của các triệu chứng chồng lấn giữa các nhóm bệnh lý thường gây ra những khó khăn không nhỏ cho đội ngũ y bác sĩ trong việc chẩn đoán nhanh chóng và chính xác.

Luận văn thạc sĩ kỹ thuật chuyên ngành Hệ thống thông tin với đề tài nghiên cứu các thuật toán học máy trong phân loại bệnh tập trung giải quyết bài toán phân lớp dữ liệu y tế phức tạp. Mục tiêu cụ thể của nghiên cứu là khảo sát chuyên sâu hai kỹ thuật học máy tiêu biểu gồm Cây quyết định (Decision Tree) và Máy vector hỗ trợ (Support Vector Machine - SVM), từ đó xây dựng mô hình tự động phân loại 6 nhóm bệnh lý phổ biến: tim mạch, thận, khớp, tuyến giáp, tiêu hóa, và bệnh lý về máu.

Nghiên cứu được triển khai trên tập dữ liệu thực tế gồm 3.863 hồ sơ bệnh nhân trưởng thành điều trị tại Bệnh viện Trung ương Quân đội 108 trong giai đoạn 2021. Bằng việc chuẩn hóa 98 chỉ số xét nghiệm hóa nghiệm đặc thù, đề tài xây dựng thành công mô hình phân loại đạt độ chính xác tổng thể lên đến 89,5% trên tập dữ liệu kiểm chứng độc lập. Kết quả này không chỉ khẳng định giá trị khoa học của các giải pháp khai phá dữ liệu trong y tế mà còn cung cấp một công cụ hỗ trợ ra quyết định lâm sàng mạnh mẽ, giúp rút ngắn thời gian xử lý xét nghiệm xuống dưới 0,5 giây cho mỗi ca bệnh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết học máy có giám sát (Supervised Learning) và bài toán phân lớp dữ liệu đa lớp (Multiclass Classification). Hai mô hình thuật toán chủ đạo được khảo sát và ứng dụng bao gồm:

  1. Thuật toán Cây quyết định (Decision Tree - J48/C4.5): Mô hình hoạt động dựa trên cơ chế phân vùng đệ quy không gian dữ liệu bằng cách lựa chọn các thuộc tính có chỉ số độ lợi thông tin (Information Gain) hoặc tỷ số độ lợi (Gain Ratio) tối ưu nhất tại mỗi nút. Cấu trúc cây sinh ra tập luật IF-THEN tường minh, trực quan, cho phép người dùng dễ dàng hiểu được logic chẩn đoán dựa trên ngưỡng giá trị của từng chỉ số xét nghiệm cụ thể.
  2. Thuật toán Máy vector hỗ trợ (Support Vector Machine - SVM): Mô hình tìm kiếm một siêu phẳng phân tách tối ưu trong không gian đặc trưng nhiều chiều sao cho độ rộng lề (Margin) giữa các lớp dữ liệu là lớn nhất. Để giải quyết bài toán dữ liệu không thể phân tách tuyến tính và chứa nhiễu trong thực tế, nghiên cứu áp dụng kỹ thuật lề mềm C-SVM và thuật toán tối ưu hóa tuần tự tối thiểu (Sequential Minimal Optimization - SMO) do John Platt đề xuất nhằm tối ưu hóa thời gian tính toán bậc 2. Đối với bài toán phân loại đa lớp (6 nhóm bệnh), hai chiến lược kinh điển được kiểm thử gồm Một-đối-Tất cả (One-against-All - OAA hay 1/k) và Một-đối-Một (One-against-One - OAO hay 1/1).

Hiệu quả phân lớp được lượng hóa thông qua 5 chỉ số thống kê chuẩn mực: Ma trận nhầm lẫn (Confusion Matrix), Độ chính xác (Accuracy), Độ nhạy (Sensitivity/Recall), Độ đặc hiệu (Specificity), và Điểm F-Measure.

Phương pháp nghiên cứu

Nghiên cứu thực hiện quy trình phân tích thực nghiệm chặt chẽ với các thông số cấu hình cụ thể:

  • Cỡ mẫu và nguồn dữ liệu: Bộ dữ liệu bao gồm 3.863 bệnh nhân từ 18 tuổi trở lên, được chẩn đoán xác định mắc 1 trong 6 nhóm bệnh lý tại Bệnh viện Trung ương Quân đội 108: Nhóm bệnh lý tuyến giáp (1.575 mẫu), Bệnh lý máu và cơ quan tạo máu (1.361 mẫu), Nhóm bệnh lý khớp (384 mẫu), Nhóm bệnh lý thận (299 mẫu), Nhóm bệnh lý tim (173 mẫu), và Nhóm bệnh lý tiêu hóa (71 mẫu).
  • Phương pháp chọn mẫu và phân chia dữ liệu: Áp dụng kỹ thuật chọn mẫu ngẫu nhiên phân tầng (Stratified Sampling) nhằm đảm bảo giữ nguyên tỷ lệ phân bố giữa các nhóm bệnh. Bộ dữ liệu được chia làm 3 kịch bản kích cỡ mẫu: Nhóm mẫu 1 (n = 600), Nhóm mẫu 2 (n = 1.200), và Nhóm mẫu 3 (n = 3.863 toàn bộ dữ liệu). Ở mỗi nhóm, dữ liệu được phân chia theo tỷ lệ 70% dành cho tập huấn luyện (HL) và 30% dành cho tập kiểm chứng độc lập (KC).
  • Tiền xử lý dữ liệu: Tiến hành lọc nhiễu dựa trên khoảng tham chiếu sinh lý học, tổng hợp các lần đo min-max của từng bệnh nhân để xử lý giá trị khuyết thiếu. Dưới sự tham vấn của các chuyên gia y tế, 98 thuộc tính xét nghiệm hóa sinh, huyết học có ý nghĩa lâm sàng cao nhất được giữ lại. Toàn bộ 98 thuộc tính được chuẩn hóa tuyến tính Min-Max về đoạn giá trị [0, 1].
  • Môi trường thực nghiệm: Sử dụng phần mềm khai phá dữ liệu mã nguồn mở Weka 3.8 để thiết lập và đánh giá các mô hình học máy.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa thuật toán Cây quyết định J48 và SVM trên 3 nhóm kích cỡ mẫu đem lại các kết quả định lượng cụ thể:

  1. Hiệu năng vượt trội của SVM theo chiến lược One-against-One (OAO - 1/1): Trên tập kiểm chứng toàn diện của Nhóm 3 (1.159 mẫu kiểm chứng), thuật toán SVM với chiến lược 1/1 đạt độ chính xác phân loại cao nhất là 89,5%, vượt trội hơn chiến lược 1/k (đạt 85,3%) khoảng 4,2% và cao hơn thuật toán Cây quyết định J48 (đạt 83,7%) khoảng 5,8%.
  2. Khả năng mở rộng bền vững theo quy mô dữ liệu: Khi kích cỡ mẫu tăng dần từ Nhóm 1 (600 mẫu), Nhóm 2 (1.200 mẫu) đến Nhóm 3 (3.863 mẫu), độ chính xác trên tập kiểm chứng của mô hình SVM 1/1 tăng trưởng liên tục từ 81,2% lên 86,4% và đạt đỉnh 89,5%. Điều này chứng minh thuật toán có khả năng học sâu sắc các đặc trưng tiềm ẩn khi được cung cấp dung lượng dữ liệu lớn.
  3. Ưu thế về tốc độ xử lý của Cây quyết định: Mặc dù có độ chính xác thấp hơn khoảng 5,8% so với SVM, thuật toán J48 lại có thời gian huấn luyện cực nhanh (chỉ mất 0,12 giây trên tập mẫu 3.863 trường hợp, so với 0,45 giây của SVM). Đồng thời, cây quyết định cung cấp sơ đồ phân nhánh chẩn đoán rõ ràng, hỗ trợ bác sĩ giải thích trực quan từng bước phân loại.
  4. Độ nhạy phân loại theo từng nhóm bệnh: Mô hình đạt độ nhạy trên 91,5% đối với các nhóm bệnh có cỡ mẫu lớn như bệnh lý tuyến giáp và bệnh về máu. Đối với các nhóm bệnh có số lượng mẫu ít hơn như bệnh tiêu hóa (71 mẫu), độ nhạy đạt khoảng 76,8%, phản ánh sự phụ thuộc nhất định vào mức độ đồng đều của dữ liệu huấn luyện.

Thảo luận kết quả

Các kết quả thực nghiệm được tổng hợp và biểu diễn chi tiết qua hệ thống 19 bảng số liệu và 10 biểu đồ trực quan trong luận văn. Trong đó, biểu đồ so sánh độ chính xác và biểu đồ thời gian thực thi giữa hai thuật toán thể hiện rõ sự đánh đổi giữa độ chính xác và chi phí tính toán.

Nguyên nhân cốt lõi giúp SVM đạt hiệu quả cao hơn là nhờ khả năng tối ưu hóa toàn cục và xác định siêu phẳng lề cực đại trong không gian 98 chiều, giúp mô hình hạn chế tối đa hiện tượng quá khớp (overfitting) thường gặp ở các bài toán dữ liệu y tế phức tạp. Ngược lại, Cây quyết định tuy dễ bị ảnh hưởng bởi nhiễu cục bộ nhưng lại cung cấp giá trị giải thích lâm sàng tuyệt vời. So với các nghiên cứu sử dụng phương pháp thống kê truyền thống vốn chỉ đạt độ chính xác khoảng 72% - 78% trên dữ liệu hóa nghiệm đa biến, việc ứng dụng học máy hiện đại đã nâng cao hiệu suất phân loại lên gần 90%, mở ra tiềm năng ứng dụng thực tế rất lớn trong quy trình khám chữa bệnh tại các bệnh viện.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp kỹ thuật và ứng dụng cụ thể:

  1. Tích hợp module phân loại SVM (OAO) vào hệ thống thông tin bệnh viện (HIS/LIS): Phòng Công nghệ thông tin của các bệnh viện cần phối hợp triển khai mô hình học máy vào hệ thống quản lý xét nghiệm tự động, hướng tới mục tiêu tự động cảnh báo phân loại bệnh với độ chính xác trên 88% trong thời gian dưới 0,5 giây mỗi ca khám. Lộ trình triển khai khuyến nghị trong vòng 6 tháng.
  2. Chuẩn hóa quy trình tiền xử lý và làm sạch dữ liệu xét nghiệm tự động: Khoa Hóa sinh và phòng Tin học y tế cần thiết lập pipeline tự động làm sạch, khử nhiễu và chuẩn hóa Min-Max cho 98 chỉ số hóa nghiệm ngay khi máy xét nghiệm xuất kết quả, giảm tỷ lệ sai sót dữ liệu xuống dưới 1% trong vòng 3 tháng đầu tiên.
  3. Phát triển mô hình học kết hợp (Ensemble Learning) và Học sâu (Deep Learning): Nhóm nghiên cứu kỹ thuật nên tiếp tục kết hợp SVM với các mạng nơ-ron sâu đa tầng nhằm nâng cao độ nhạy cho các nhóm bệnh hiếm (như bệnh lý tiêu hóa) từ mức 76,8% hiện tại lên trên 85%, thực hiện trong lộ trình 12 tháng.
  4. Tổ chức đào tạo chuyển giao công nghệ cho đội ngũ y bác sĩ: Ban Giám đốc bệnh viện cần xây dựng các khóa tập huấn về ứng dụng công nghệ thông tin và AI trong phân tích kết quả cận lâm sàng, đảm bảo ít nhất 80% bác sĩ và kỹ thuật viên xét nghiệm nắm vững cách khai thác các cảnh báo tự động từ hệ thống trong vòng 9 tháng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng trọng tâm:

  • Học viên cao học, nghiên cứu sinh ngành Hệ thống thông tin và Khoa học máy tính: Tài liệu cung cấp cơ sở toán học chi tiết về bài toán tối ưu Lagrange, điều kiện KKT, thuật toán SMO và quy trình thực nghiệm chuẩn hóa mô hình học máy trên công cụ Weka.
  • Bác sĩ, chuyên viên xét nghiệm và cán bộ quản lý y tế: Giúp đội ngũ y khoa hiểu rõ cơ chế tương quan giữa 98 chỉ số hóa nghiệm và các nhóm bệnh lý, từ đó tối ưu hóa quy trình chỉ định cận lâm sàng và nâng cao chất lượng chẩn đoán.
  • Kỹ sư phát triển phần mềm y tế (HealthTech/MedTech): Nắm bắt được cấu trúc tiền xử lý dữ liệu lâm sàng thực tế và các giải pháp phân lớp đa lớp (OAA, OAO) để tích hợp thành công các module AI vào sản phẩm thương mại.
  • Các cơ quan quản lý và hoạch định chính sách y tế số: Cung cấp minh chứng thực tiễn về hiệu quả của chuyển đổi số y tế, làm cơ sở xây dựng các đề án phát triển y tế thông minh và bệnh viện không giấy tờ.

Câu hỏi thường gặp

1. Vì sao luận văn lựa chọn thuật toán SVM và Cây quyết định thay vì Mạng nơ-ron sâu (Deep Learning)?
Mặc dù Deep Learning rất mạnh mẽ, nhưng dữ liệu xét nghiệm hóa nghiệm dạng bảng (tabular data) với 98 thuộc tính số thực hoạt động tối ưu nhất trên SVM nhờ khả năng tìm siêu phẳng toàn cục. Đồng thời, Cây quyết định cung cấp khả năng giải thích luật chẩn đoán trực quan cho bác sĩ, trong khi mạng nơ-ron sâu đòi hỏi dữ liệu hàng trăm nghìn mẫu và hoạt động như một hộp đen khó giải thích.

2. Quá trình tiền xử lý 98 thuộc tính xét nghiệm hóa nghiệm được thực hiện như thế nào?
Nghiên cứu áp dụng quy trình 3 bước: khử nhiễu dựa trên khoảng tham chiếu sinh lý của bác sĩ, xử lý giá trị khuyết bằng cách phân tách dòng min/max và gán giá trị có ý nghĩa lâm sàng cao nhất, sau đó chuẩn hóa tuyến tính Min-Max toàn bộ 98 chỉ số về miền giá trị [0, 1] nhằm đảm bảo tốc độ hội tụ của thuật toán.

3. Sự khác biệt cốt lõi giữa hai chiến lược SVM 1/1 (OAO) và 1/k (OAA) là gì?
Chiến lược 1/k xây dựng 5 bộ phân lớp nhị phân để phân tách 1 lớp với tất cả các lớp còn lại, dễ gặp hiện tượng mất cân bằng mẫu và vùng không phân loại được. Chiến lược 1/1 xây dựng 15 bộ phân lớp cho từng cặp lớp riêng biệt và áp dụng cơ chế bỏ phiếu đa số, giúp tăng độ chính xác kiểm chứng từ 85,3% lên 89,5%.

4. Cỡ mẫu 3.863 bệnh nhân được phân chia như thế nào để đảm bảo tính khách quan?
Dữ liệu được chia thành 3 kịch bản mẫu (600, 1.200 và 3.863 mẫu). Tại mỗi kịch bản, phương pháp chọn mẫu phân tầng được áp dụng để giữ nguyên tỷ lệ cấu trúc bệnh, phân chia ngẫu nhiên 70% cho tập huấn luyện và 30% cho tập kiểm chứng độc lập hoàn toàn.

5. Mô hình phân loại này có thể triển khai thực tế tại các bệnh viện tuyến dưới không?
Hoàn toàn khả thi. Thuật toán SVM sau khi huấn luyện có kích thước rất nhẹ và tốc độ phân loại dưới 0,5 giây, dễ dàng nhúng vào các máy tính thông thường tại các trạm y tế hoặc bệnh viện tuyến huyện mà không đòi hỏi hệ thống máy chủ GPU đắt tiền.

Kết luận

  • Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về bài toán phân lớp dữ liệu và các thuật toán học máy giám sát (Decision Tree, SVM, SMO, đa lớp OAA/OAO).
  • Xây dựng thành công quy trình tiền xử lý chuẩn mực cho 3.863 hồ sơ bệnh nhân với 98 chỉ số xét nghiệm hóa nghiệm thực tế tại Bệnh viện Trung ương Quân đội 108.
  • Chứng minh thực nghiệm thuật toán SVM với chiến lược One-against-One đạt hiệu suất phân loại tối ưu với độ chính xác 89,5%, vượt trội hơn hẳn Cây quyết định J48 (83,7%).
  • Đánh giá toàn diện sự thay đổi của độ chính xác và thời gian tính toán qua 3 kịch bản quy mô mẫu (600, 1.200 và 3.863 bệnh nhân).
  • Đề xuất lộ trình 12 tháng tiếp theo để phát triển các mô hình học kết hợp (Ensemble Learning) và tích hợp trực tiếp vào hệ thống thông tin bệnh viện nhằm tự động hóa công tác chẩn đoán.

Quý độc giả, các nhà nghiên cứu và kỹ sư công nghệ quan tâm đến việc ứng dụng học máy trong y tế hãy tham khảo toàn văn luận văn thạc sĩ để khai thác chi tiết các ma trận phân lớp, bảng số liệu thực nghiệm và thuật toán cài đặt chuyên sâu!