Giới thiệu dự án

Viêm phổi (Pneumonia) là bệnh lý nhiễm trùng đường hô hấp dưới cấp tính, gây viêm và ứ dịch mủ tại các túi phế nang ở một hoặc cả hai bên phổi. Theo thống kê từ Tổ chức Y tế Thế giới (WHO) và Quỹ Nhi đồng Liên Hợp Quốc (UNICEF), viêm phổi là nguyên nhân truyền nhiễm hàng đầu gây tử vong ở trẻ em dưới 5 tuổi trên toàn cầu. Riêng năm 2017, căn bệnh này đã cướp đi sinh mạng của 808.694 trẻ em (chiếm 15% tổng số ca tử vong ở trẻ dưới 5 tuổi). Mặc dù tỷ lệ tử vong đã giảm gần 50% kể từ năm 2000 nhờ các chương trình vắc-xin và kháng sinh, gánh nặng y tế tại các quốc gia đang phát triển vẫn rất nghiêm trọng do tình trạng quá tải bệnh viện và thiếu hụt bác sĩ chẩn đoán hình ảnh giàu kinh nghiệm.

Thách thức cốt lõi (Problem Statement) trong chẩn đoán X-quang phổi nhi khoa nằm ở việc phân biệt giữa các nốt mờ do viêm phế quản thông thường, thâm nhiễm do vi-rút (tổn thương lan tỏa, ranh giới mờ nhạt vùng đáy phổi) và đông đặc phổi do vi khuẩn (đám mờ thuần nhất dạng thùy). Tại các cơ sở y tế tuyến dưới, tỷ lệ chẩn đoán nhầm giữa cảm sốt thông thường và viêm phổi dẫn đến can thiệp muộn, hoặc lạm dụng kháng sinh phổ rộng khi tác nhân là vi-rút.

Đề tài "Ứng dụng xử lý ảnh và AI để nhận biết bệnh viêm phổi ở trẻ em" do nhóm nghiên cứu ngành Kỹ thuật Y sinh – Trường Đại học Sư phạm Kỹ thuật TP.HCM thực hiện nhằm giải quyết trực tiếp bài toán này với các mục tiêu cụ thể:

  1. Xây dựng mô hình phân đoạn tự động khoang phổi trái và phải dựa trên kiến trúc mạng U-Net nhằm loại bỏ tối đa nhiễu nền ngoài phổi (xương sườn biên, mô mềm thành ngực, dị vật X-quang).
  2. Phát triển mô hình mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) đạt độ chính xác chẩn đoán nhị phân (Có bệnh / Bình thường) $\ge 85%$ trên tập huấn luyện và $\ge 75%$ trên tập kiểm thử độc lập; đồng thời đánh giá thử nghiệm phân loại 3 lớp (Bình thường / Vi khuẩn / Vi-rút).
  3. Thiết kế ứng dụng hoàn chỉnh với giao diện đồ họa người dùng (GUI) bằng PyQt5, tích hợp cơ sở dữ liệu SQLite quản lý hồ sơ bệnh án và phần cứng đầu đọc thẻ thông minh RFID MFRC522 phục vụ truy xuất bệnh án tự động.

Phạm vi nghiên cứu tập trung vào ảnh X-quang ngực thẳng (Antero-Posterior - AP) của bệnh nhân nhi từ 1 đến 5 tuổi, trích xuất từ tập dữ liệu chuẩn hóa của Trung tâm Y tế Phụ nữ và Trẻ em Quảng Châu (5.863 ảnh), kết hợp tập dữ liệu Montgomery County và Shenzhen Hospital để huấn luyện phân đoạn. Hệ thống đóng vai trò là công cụ hỗ trợ ra quyết định lâm sàng (Clinical Decision Support System - CDSS), cung cấp kết quả tham vấn định lượng cho bác sĩ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phân tích ảnh X-quang y tế hiện nay phân hóa thành ba nhóm tiếp cận chính:

Phương pháp Ưu điểm Nhược điểm Độ chính xác trung bình
Đọc phim thủ công bởi Bác sĩ Khai thác được bối cảnh lâm sàng tổng thể Phụ thuộc chủ quan kinh nghiệm; thời gian đọc lâu (5-15 phút/ca); dễ quá tải Biến thiên ($75% - 90%$)
Xử lý ảnh truyền thống (Thresholding/Edge Detection) Tốc độ xử lý nhanh; cấu hình tính toán thấp Rất nhạy cảm với độ tương phản tia X; khó tổng quát hóa trên ảnh nhi khoa biến dạng $65% - 75%$
Học sâu trực tiếp (End-to-End CNN không phân đoạn) Tự động trích xuất đặc trưng bậc cao Dễ học nhầm đặc trưng nhiễu ngoài phổi (cột sống, cơ hoành, ống thở); dễ Overfitting $82% - 88%$
Hệ thống đề xuất (U-Net Segmentation + CNN Classifier) Loại bỏ $100%$ nhiễu mô mềm ngoài phổi; tập trung chuẩn xác ROI; tích hợp phần cứng RFID Cần pipeline huấn luyện 2 giai đoạn; yêu cầu tài nguyên GPU tiền xử lý 92.9% (Nhị phân)

Yêu cầu hệ thống được lượng hóa và sắp xếp theo mô hình MoSCoW:

  • Must-have: Tự động bóc tách 2 lá phổi (Masking $512 \times 512$); phân loại nhị phân chính xác $>85%$; kết nối module RFID qua cổng nối tiếp (COM Port).
  • Should-have: Phân loại chi tiết tác nhân (Vi khuẩn vs Vi-rút); xuất phiếu kết quả chẩn đoán định dạng trực quan.
  • Could-have: Lưu trữ lịch sử hình ảnh chẩn đoán trực tiếp vào kho lưu trữ SQLite.
  • Won't-have: Chẩn đoán tự động trên ảnh CT/MRI cắt lớp đa chiều (dành cho các pha nghiên cứu tiếp theo).

Thiết kế hệ thống

Kiến trúc toàn diện của giải pháp gồm 3 tầng tương tác chặt chẽ:

[Ảnh X-quang gốc (JPEG/DICOM)]
             │
             ▼
┌────────────────────────────────────────────────────────┐
│               TẦNG 1: TIỀN XỬ LÝ & PHÂN ĐOẠN          │
│  - Chuẩn hóa kích thước: 512 x 512 x 1 (Grayscale)     │
│  - Mạng U-Net (10 Conv Layers + Skip Connections)      │
│  - Hậu xử lý hình thái học (Morphological Filtering)   │
└────────────────────────────┬───────────────────────────┘
                             │ (Vùng phổi cô lập - ROI)
                             ▼
┌────────────────────────────────────────────────────────┐
│               TẦNG 2: MÔ HÌNH HỌC SÂU (CNN)           │
│  - Trích xuất đặc trưng (Feature Maps + Max Pooling)   │
│  - Fully Connected Layers + Dropout (Tránh Overfitting)│
│  - Softmax / Sigmoid Output (Binary & Multiclass)      │
└────────────────────────────┬───────────────────────────┘
                             │ (Xác suất chẩn đoán)
                             ▼
┌────────────────────────────────────────────────────────┐
│               TẦNG 3: ỨNG DỤNG & PHẦN CỨNG             │
│  - Giao diện PyQt5 Desktop GUI                         │
│  - Vi điều khiển Arduino Uno R3 + Module RFID RC522    │
│  - Cơ sở dữ liệu SQLite3 (Quản lý hồ sơ bệnh án)       │
└────────────────────────────────────────────────────────┘

Bảng công nghệ sử dụng (Technology Stack):

  • Ngôn ngữ lập trình: Python 3.5 / 3.7 & C++ (Arduino IDE)
  • Framework Học máy: Keras 2.2.4, TensorFlow 1.14 / 2.0 Backend
  • Thư viện Thị giác máy tính & Xử lý ma trận: OpenCV (cv2) 4.1.2, NumPy 1.18, SciPy
  • Framework Giao diện: PyQt5, Qt Designer Engine, UIC Compiler
  • Hệ cơ sở dữ liệu: SQLite3 via DB Browser for SQLite
  • Phần cứng nhúng: Arduino UNO R3 (ATmega328P, $16\text{ MHz}$), Module RFID RC522 (Tần số $13.56\text{ MHz}$, Chuẩn SPI, Thẻ Mifare Classic 1K S50).

Giao tiếp phần cứng giữa Arduino và PC sử dụng chuẩn truyền thông nối tiếp UART qua cáp USB ($9600\text{ bps}$). Dữ liệu thẻ RFID UID ($4\text{ bytes}$) được đọc qua bus SPI với tốc độ tối đa $10\text{ Mbit/s}$, chuyển tiếp lên ứng dụng PyQt5 để tự động kích hoạt truy vấn SQL:

$$\text{SELECT * FROM Patients WHERE Card_UID = ?;}$$

Phương pháp nghiên cứu (Methodology)

Dự án áp dụng mô hình phát triển Agile/Scrum kéo dài trong 21 tuần thực nghiệm:

  • Tuần 1 - 4: Thu thập dữ liệu, chuẩn hóa $5.863$ ảnh X-quang, gán nhãn phân đoạn phổi với tập Montgomery ($336$ ca bệnh, $326$ ca bình thường) và Shenzhen Hospital.
  • Tuần 5 - 10: Thiết kế, huấn luyện kiến trúc U-Net và mạng CNN phân loại; tinh chỉnh siêu tham số (Learning rate, Optimizer Adam, Batch size $16/32$).
  • Tuần 11 - 15: Thiết kế mạch đọc thẻ RFID RC522, lập trình nhúng trên vi điều khiển Arduino UNO R3, xây dựng lược đồ cơ sở dữ liệu bệnh nhân.
  • Tuần 16 - 21: Tích hợp toàn diện phần cứng - mô hình AI - GUI PyQt5; chạy thử nghiệm đánh giá độ tin cậy và hoàn thiện báo cáo kỹ thuật.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Kiến trúc phân đoạn ảnh U-Net

Mô hình U-Net được xây dựng với cấu trúc đối xứng hình chữ U gồm nhánh co rút (Encoder/Contraction) và nhánh mở rộng (Decoder/Expansion).

  • Nhánh mã hóa (Encoder): Gồm 5 tầng chập kép ($3\times 3$ Convolution, padding='same', activation='relu') xen kẽ 4 lớp Max-Pooling ($2\times 2$, Stride 2) giúp hạ chiều không gian từ $512\times 512$ xuống $32\times 32$, tăng độ sâu đặc trưng từ 32 lên 512 channels.
  • Nhánh nút thắt (Bottleneck): 2 lớp Convolution $3\times 3$ với 1024 filters ghi nhận thông tin ngữ cảnh ngữ nghĩa mức cao nhất.
  • Nhánh giải mã (Decoder): 4 tầng giải tích chập (Up-Sampling / Transpose Conv $2\times 2$), kết hợp cơ chế nối tắt (Skip Connections) sao chép ma trận đặc trưng từ tầng mã hóa đối xứng sang. Lớp ngõ ra cuối cùng sử dụng bộ lọc $1\times 1$ cùng hàm kích hoạt Sigmoid:

$$\sigma(x) = \frac{1}{1 + e^{-x}}$$

Ảnh đầu ra là mặt nạ nhị phân (Binary Mask) với ngưỡng quyết định $x \ge 0.5$ ứng với vùng nhu mô phổi.

# Trích đoạn định nghĩa khối giải mã U-Net với Skip Connections (Keras)
def unet_decoder_block(input_tensor, skip_features, num_filters):
    x = UpSampling2D(size=(2, 2))(input_tensor)
    x = concatenate([x, skip_features], axis=3) # Cơ chế Skip Connection
    x = Conv2D(num_filters, (3, 3), activation='relu', padding='same')(x)
    x = Conv2D(num_filters, (3, 3), activation='relu', padding='same')(x)
    return x

2. Thuật toán lọc nhiễu hậu phân đoạn (Morphological Noise Reduction)

Sau khi nhân mặt nạ với ảnh gốc, ảnh phổi vẫn tồn tại các mảng nhiễu nhỏ xung quanh viền xương sườn. Nhóm áp dụng thuật toán phân tích thành phần liên thông 8 điểm ảnh (8-connectivity Connected Component Analysis):

$$\text{Out}(x, y) = \begin{cases} \text{Region}(i), & \text{nếu } \text{Area}(\text{Region}i) \ge \text{Threshold}{\text{Area}} \ 0, & \text{nếu } \text{Area}(\text{Region}i) < \text{Threshold}{\text{Area}} \end{cases}$$

Quy trình này giữ lại chính xác hai vùng liên thông có diện tích lớn nhất (tương ứng phổi trái và phổi phải), loại bỏ hoàn toàn $100%$ các đốm nhiễu biên.

3. Mô hình mạng CNN phân loại bệnh

Mô hình phân loại nhận đầu vào là ảnh phổi đã cô lập $224 \times 224 \times 1$. Cấu trúc gồm 4 khối tích chập:

  • Mỗi khối: $\text{Conv2D}(3\times 3) \rightarrow \text{BatchNormalization} \rightarrow \text{ReLU} \rightarrow \text{MaxPooling2D}(2\times 2) \rightarrow \text{Dropout}(0.25)$
  • Tầng phân loại phẳng: $\text{Flatten} \rightarrow \text{Dense}(256, \text{ReLU}) \rightarrow \text{Dropout}(0.5) \rightarrow \text{Dense}(\text{Outputs})$
  • Hàm mất mát sử dụng Cross-Entropy Loss tối ưu hóa qua thuật toán Adam ($lr = 0.0001$):

$$J(W) = -\frac{1}{m} \sum_{i=1}^{m} \sum_{k=1}^{K} \left[ y_k^{(i)} \log(\hat{y}_k^{(i)}) + (1 - y_k^{(i)}) \log(1 - \hat{y}_k^{(i)}) \right]$$

Kiểm thử và đánh giá hiệu năng (Testing & Validation)

Hệ thống được kiểm thử nghiêm ngặt trên tập dữ liệu độc lập (Test Set) gồm $1.172$ ảnh cho bài toán 2 lớp và $624$ ảnh cho bài toán 3 lớp.

1. Kết quả phân loại nhị phân (Có bệnh / Bình thường)

  • Tổng số mẫu thử nghiệm: $1.172$ ảnh (317 ảnh Bình thường, 855 ảnh Viêm phổi).
  • Độ chính xác toàn diện (Overall Accuracy): 92.9% (Vượt xa chỉ tiêu ban đầu là 75%).
  • Lớp Phổi bình thường (NORMAL): Dự đoán đúng $293/317$ ảnh $\rightarrow$ Độ chính xác: 92.42%.
  • Lớp Phổi viêm (PNEUMONIA): Dự đoán đúng $796/855$ ảnh $\rightarrow$ Độ chính xác: 93.10%.
Chỉ số đánh giá Công thức Giá trị đạt được
Accuracy $\frac{TP + TN}{TP + TN + FP + FN}$ 92.90%
Sensitivity (Recall) $\frac{TP}{TP + FN}$ 93.10%
Specificity $\frac{TN}{TN + FP}$ 92.42%
Precision $\frac{TP}{TP + FP}$ 97.07%

2. Kết quả phân loại 3 lớp (Bình thường / Vi khuẩn / Vi-rút)

  • Tổng số mẫu thử nghiệm: $624$ ảnh ($234$ Bình thường, $242$ Vi khuẩn, $148$ Vi-rút).
  • Độ chính xác trung bình (Overall Accuracy): 81.89%.
  • Lớp Bình thường (NORMAL): Dự đoán đúng $182/234$ ảnh $\rightarrow$ Độ chính xác: 77.77%.
  • Lớp Viêm phổi do Vi khuẩn (BACTERIA): Dự đoán đúng $236/242$ ảnh $\rightarrow$ Độ chính xác vượt trội: 97.52%.
  • Lớp Viêm phổi do Vi-rút (VIRUS): Dự đoán đúng $93/148$ ảnh $\rightarrow$ Độ chính xác: 62.84% (Do đặc trưng mờ nhạt dạng mô kẽ dễ bị nhầm lẫn với phổi bình thường giai đoạn sớm).

Đổi mới và đóng góp

  1. Pipeline 2 giai đoạn (Two-Stage Decoupled Framework): Khác với các nghiên cứu học sâu trực tiếp truyền thống, đồ án tách biệt rõ ràng pha phân đoạn U-Net định vị khoang phổi và pha trích xuất bệnh học CNN. Phương pháp này giảm thiểu $42%$ hiện tượng nhiễu quang học do quá trình chụp X-quang nhi khoa (trẻ cử động, góc chụp lệch, dị vật y tế).
  2. So sánh với các nghiên cứu công bố quốc tế:
    • So với mô hình DCNN + SVM của ĐH Trung Sơn (Guangzhou Medical Center) đạt Accuracy $80.48% \pm 2.02%$, mô hình đề xuất đạt 92.9% ở phân loại nhị phân và 97.52% trong việc bắt trúng tác nhân vi khuẩn.
    • So với nghiên cứu của Sivaramakrishnan Rajaraman et al. (2018) trên kiến trúc VGG16 tùy biến, giải pháp của nhóm tối ưu hóa kích thước mô hình nhẹ hơn $3.5$ lần, cho phép chạy suy luận (Inference) mượt mà trên môi trường CPU/GPU thông dụng mà không cần cụm máy chủ đắt tiền.
  3. Tích hợp phần cứng IoT/RFID vào quy trình Y tế số: Đổi mới vượt bậc của đề tài là xây dựng hệ thống phần cứng trọn vẹn kết hợp thẻ RFID Mifare 1K và Arduino UNO. Thời gian truy xuất bệnh án và load hình ảnh X-quang tương ứng giảm từ trung bình $45\text{ giây}$ (nhập mã thủ công) xuống còn dưới $1.2\text{ giây}$ qua thao tác quẹt thẻ một chạm.

Ứng dụng thực tế và triển khai

Kịch bản vận hành tại cơ sở y tế

Hệ thống được thiết kế hoàn thiện để triển khai trực tiếp tại các phòng khám nhi khoa, bệnh viện dã chiến hoặc trung tâm y tế tuyến huyện:

[Bệnh nhi quẹt thẻ RFID] ──► [GUI hiển thị lý lịch bệnh án] 
                                         │
[Nạp ảnh chụp X-quang mới] ◄─────────────┘
          │
          ▼
[U-Net bóc tách phổi] ──► [CNN dự đoán kết quả] ──► [In phiếu chẩn đoán & Lưu DB]

Yêu cầu triển khai hệ thống (System Requirements)

  • Hạ tầng phần mềm: Windows 10/11 64-bit, Python 3.7 Runtime, SQLite3 ODBC Driver, Arduino Serial Port Driver (CH340/FTDI).
  • Cấu hình phần cứng tối thiểu:
    • CPU: Intel Core i3 thế hệ 6 hoặc tương đương ($2.4\text{ GHz}$).
    • RAM: $4\text{ GB}$ (Khuyến nghị $8\text{ GB}$).
    • Card đồ họa: Tùy chọn (Hỗ trợ GPU NVIDIA CUDA nếu muốn tăng tốc suy luận dưới $0.5\text{ s}$).
    • Thiết bị ngoại vi: Bộ đọc thẻ RFID RC522 kết nối Arduino UNO R3 qua cáp USB Type-B.

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

  • Chi phí đầu tư phần cứng: Chi phí cho module RFID và Arduino dưới $250.000\text{ VNĐ}$ mỗi trạm khám bệnh.
  • Tiết kiệm thời gian: Giảm $70%$ thời gian sàng lọc sơ bộ ca bệnh trong các đợt bùng phát dịch hô hấp mùa đông - xuân.
  • Khả năng nhân rộng: Phần mềm đóng gói dạng Portable thực thi độc lập, dễ dàng phân phối tới hàng trăm trạm y tế vùng sâu vùng xa không có đường truyền Internet tốc độ cao.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Nhận diện viêm phổi do vi-rút mới chỉ đạt mức $62.84%$ do tính chất tổn thương thâm nhiễm kẽ mờ nhạt, đòi hỏi kết hợp thêm xét nghiệm sinh hóa máu hoặc mẫu bệnh phẩm dịch tỵ hầu.
  • Tập dữ liệu phân đoạn U-Net hiện tại được huấn luyện trên ảnh người lớn (Montgomery/Shenzhen) trước khi Fine-tune sang ảnh nhi khoa, dẫn đến một số trường hợp lồng ngực trẻ sơ sinh có tỷ lệ dị dạng nhẹ chưa đạt diện tích bao phủ hoàn hảo $100%$.

Hướng nâng cấp trong tương lai

  • Ứng dụng kiến trúc Vision Transformers (ViT) và EfficientNet để nâng cao độ nhạy đối với phân loại đa lớp viêm phổi do vi-rút lên trên $85%$.
  • Tích hợp giao thức kết nối hình ảnh y tế chuẩn quốc tế DICOM (Digital Imaging and Communications in Medicine) và hệ thống truyền lưu hình ảnh PACS của bệnh viện.
  • Nâng cấp phần cứng sang vi điều khiển ESP32/Raspberry Pi có kết nối Wi-Fi/Bluetooth không dây, đồng bộ dữ liệu bệnh án theo thời gian thực lên Cloud Server bảo mật.

Đối tượng hưởng lợi

  • Sinh viên & Kỹ sư Kỹ thuật Y sinh / Khoa học Máy tính: Nắm bắt kiến trúc thực tế kết hợp giữa xử lý ảnh hình thái học, mạng phân đoạn U-Net, mạng phân loại CNN và lập trình giao diện nhúng PyQt5/Arduino.
  • Bác sĩ & Nhân viên y tế tuyến cơ sở: Sở hữu công cụ tham vấn chẩn đoán khách quan thứ hai (Second Opinion) với độ chính xác trên $92.9%$, hỗ trợ phát hiện sớm và giảm áp lực ca trực.
  • Bệnh nhi và Gia đình: Rút ngắn thời gian chờ khám bệnh, tiếp cận phác đồ điều trị chính xác (hạn chế tối đa việc sử dụng kháng sinh sai mục đích cho các ca nhiễm vi-rút).
  • Các nhà nghiên cứu Học máy trong Y tế: Kế thừa phương pháp Pipeline tách lọc vùng quan tâm (ROI-based Segmentation-Classification Pipeline) cho các bệnh lý ngực khác như lao phổi, tràn dịch màng phổi hoặc COVID-19.

Câu hỏi thường gặp

1. Hệ thống cần cấu hình máy tính như thế nào để có thể triển khai chạy thực tế?

Hệ thống được tối ưu hóa trọng số mô hình ở định dạng HDF5/Keras nhẹ, cho phép suy luận trực tiếp trên CPU thông thường (Intel Core i3, RAM 4GB) với thời gian phản hồi dưới $1.5\text{ giây/ảnh}$. Nếu trang bị thêm GPU rời, thời gian xử lý giảm xuống dưới $300\text{ ms}$.

2. Vì sao cần phải phân đoạn phổi bằng U-Net trước khi đưa vào mạng CNN phân loại?

Nếu đưa thẳng ảnh X-quang gốc vào mạng CNN, mô hình rất dễ bị "đánh lừa" bởi các đặc trưng giả ngoài phổi như viền xương bả vai, tim to, cơ hoành, chữ ký số X-quang hay nút áo bệnh nhân. Việc cô lập vùng nhu mô phổi qua U-Net giúp mạng CNN tập trung $100%$ dung lượng tham số vào các tổn thương thâm nhiễm phế nang.

3. Làm thế nào để phần mềm giao tiếp đồng thời giữa đầu đọc RFID và cơ sở dữ liệu bệnh nhân?

Ứng dụng PyQt5 khởi tạo một tiến trình nền (QThread) liên tục lắng nghe cổng nối tiếp COM của Arduino Uno. Khi thẻ RFID được quét, mã UID được gửi ngay lập tức lên ứng dụng, kích hoạt hàm truy vấn SQL trong cơ sở dữ liệu SQLite để hiển thị tức thì hồ sơ và lịch sử chụp phim của bệnh nhân lên màn hình.

4. Hệ thống có thể chẩn đoán phân biệt được bệnh nhân mắc COVID-19 không?

Ở phiên bản hiện tại, dữ liệu tập trung vào viêm phổi vi khuẩn và vi-rút thông thường ở trẻ em. Tuy nhiên, nhờ kiến trúc module linh hoạt, hệ thống hoàn toàn có thể mở rộng gán thêm nhãn phân loại COVID-19 bằng cách huấn luyện bổ sung (Transfer Learning) tập dữ liệu X-quang tổn thương kính mờ (Ground-Glass Opacities - GGO).

5. Dữ liệu bệnh nhân và ảnh chụp X-quang được bảo mật như thế nào trong cơ sở dữ liệu?

Cơ sở dữ liệu SQLite được quản lý cục bộ tại máy trạm, mã hóa đường dẫn tệp ảnh và khóa định danh qua mã UID thẻ RFID. Điều này ngăn chặn việc rò rỉ hồ sơ sức khỏe cá nhân ra môi trường ngoài và đảm bảo tính riêng tư theo các tiêu chuẩn đạo đức dữ liệu y tế.

Kết luận

Đồ án "Ứng dụng xử lý ảnh và AI để nhận biết bệnh viêm phổi ở trẻ em" đã hiện thực hóa thành công giải pháp hỗ trợ chẩn đoán y tế hiện đại, kết hợp chặt chẽ giữa kỹ thuật thị giác máy tính, học sâu và hệ thống phần cứng thông minh. Với độ chính xác phân loại tổng thể đạt 92.9% trên tập dữ liệu chuẩn mực quốc tế, độ nhạy phát hiện viêm phổi vi khuẩn lên tới 97.52%, cùng giao diện điều khiển PyQt5 - RFID trực quan, đề tài chứng minh tính khả thi vượt trội trong việc ứng dụng công nghệ 4.0 vào nâng cao năng lực y tế dự phòng và chăm sóc sức khỏe trẻ em tại Việt Nam.