Giới thiệu dự án

Ung thư vú (Breast Cancer) hiện là căn bệnh ung thư phổ biến hàng đầu ở phụ nữ trên toàn cầu, đe dọa nghiêm trọng đến sức khỏe cộng đồng. Theo báo cáo từ Tổ chức Ung thư Toàn cầu (GLOBOCAN), chỉ riêng trong năm 2020 đã ghi nhận hơn 2,2 triệu ca mắc mới và gần 685.000 ca tử vong trên thế giới, trong đó khu vực châu Á chiếm tới 45% tổng số ca mắc. Tại Việt Nam, ung thư vú đứng thứ ba về tỷ lệ mắc bệnh (chiếm 9,6%), chỉ sau ung thư gan và ung thư phổi, với hàng chục nghìn ca chẩn đoán mới mỗi năm. Nghiên cứu dịch tễ học chỉ ra rằng, nếu bệnh được phát hiện sớm ở giai đoạn khu trú, tỷ lệ sống sau 5 năm của bệnh nhân có thể đạt trên 90%. Ngược lại, khi tế bào ác tính đã di căn sang các hạch bạch huyết và cơ quan xa, việc can thiệp điều trị trở nên vô cùng phức tạp và tốn kém.

+-----------------------------------------------------------------------------------+
|                            VẤN ĐỀ VÀ GIẢI PHÁP HỆ THỐNG                          |
+-----------------------------------------------------------------------------------+
|  THÁCH THỨC HIỆN TẠI:                                                             |
|  - Thiếu hụt bác sĩ chẩn đoán hình ảnh chuyên môn cao                             |
|  - Khoảng cách chất lượng y tế giữa tuyến trung ương và cơ sở                     |
|  - Nguy cơ quá tải dẫn đến sót tổn thương tiền ung thư                            |
|                                                                                   |
|  GIẢI PHÁP ĐỀ TÀI:                                                                |
|  - Ứng dụng Học sâu (Deep Learning) với mạng nơ-ron tích chập (CNN)               |
|  - Áp dụng Transfer Learning trên kiến trúc EfficientNet-B0 gọn nhẹ, chính xác    |
|  - Chuẩn hóa tập dữ liệu Mini-DDSM (7.809 ảnh nhũ ảnh số hóa)                     |
|  - Triển khai nền tảng Web Telehealth hỗ trợ chẩn đoán từ xa qua RESTful API      |
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn và mục tiêu đề tài

Tại các cơ sở y tế tuyến huyện và vùng sâu vùng xa, tình trạng thiếu hụt nghiêm trọng bác sĩ chẩn đoán hình ảnh có chuyên môn sâu về đọc phim nhũ ảnh (Mammography) dẫn đến sự chênh lệch lớn về độ chính xác chẩn đoán so với các bệnh viện tuyến trên. Bác sĩ tuyến dưới thường chịu áp lực thời gian lớn, dễ dẫn đến sai sót hoặc bỏ sót các tổn thương vi vôi hóa nhỏ. Để giải quyết triệt để vấn đề này, đề tài "Phân loại ảnh ung thư vú từ xa sử dụng mạng học sâu" do nhóm nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật TP.HCM thực hiện đã xác định các mục tiêu cụ thể:

  1. Thu thập và tiền xử lý dữ liệu: Xây dựng pipeline tiền xử lý ảnh từ tập dữ liệu Mini-DDSM gồm 7.809 ảnh nhũ ảnh kỹ thuật số, phân chia thành 3 lớp bệnh lý: Bình thường (Normal), Lành tính (Benign), và Ác tính (Cancer).
  2. Nghiên cứu và tối ưu mô hình học sâu: Áp dụng kỹ thuật học chuyển giao (Transfer Learning) trên các mô hình CNN tiên tiến, tinh chỉnh mô hình EfficientNet-B0 nhằm đạt hiệu suất phân loại vượt trội với chi phí tính toán thấp.
  3. Đánh giá và kiểm thử: Thiết lập ma trận nhầm lẫn (Confusion Matrix), tính toán độ chính xác (Accuracy), độ nhạy (Recall), độ đặc hiệu (Precision) và điểm F1-Score trên tập kiểm tra độc lập.
  4. Phát triển nền tảng Web Telemedicine: Lập trình ứng dụng web hoàn chỉnh kết nối với mô hình AI thông qua RESTful API, cho phép tải ảnh X-quang vú từ xa và trả về kết quả phân loại tức thì.

Phạm vi và giới hạn đề tài

  • Tập dữ liệu: Sử dụng tập dữ liệu công khai Mini-DDSM với các ảnh chụp ở các tư thế chụp thẳng trên - dưới (CC: Cranio-Caudal) và tư thế chếch trong - ngoài (MLO: Medio-Lateral Oblique).
  • Phạm vi kỹ thuật: Huấn luyện và đánh giá trên định dạng ảnh Grayscale được resize chuẩn hóa về $300 \times 300$ pixels; mô hình phân loại 3 lớp bệnh lý lâm sàng.
  • Môi trường thực nghiệm: Thử nghiệm và triển khai máy chủ trên nền tảng phần cứng GPU NVIDIA GeForce GTX 1650 (896 CUDA cores).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng giải pháp dựa trên AI, các phương pháp chẩn đoán ung thư vú hiện hành bộc lộ những ưu và nhược điểm rõ rệt khi so sánh với công nghệ học sâu:

Phương pháp Ưu điểm Nhược điểm Khả năng mở rộng từ xa
Đọc phim X-quang thủ công Đánh giá dựa trên kinh nghiệm lâm sàng trực tiếp của chuyên gia Phụ thuộc chủ quan vào thị lực và trình độ bác sĩ; tốc độ chậm (15-20 phút/ca) Rất thấp, yêu cầu bác sĩ phải có mặt tại chỗ
Hệ thống CAD cổ điển (Rule-based) Tự động hóa việc đánh dấu các vùng nghi ngờ vôi hóa Tỷ lệ dương tính giả (False Positive) cao; không có khả năng tự trích xuất đặc trưng phức tạp Thấp, phần mềm đóng gói cục bộ đắt đỏ
Mô hình Deep Learning (CNN) Tự động học đặc trưng sâu từ ảnh raw; độ nhạy cao; tốc độ suy luận dưới 1 giây Cần tập dữ liệu huấn luyện lớn; yêu cầu tài nguyên GPU khi training Rất cao, dễ dàng đóng gói thành Web Service / API 
+-----------------------------------------------------------------------------------+
|                  PHÂN CẤP YÊU CẦU HỆ THỐNG THEO MÔ HÌNH MoSCoW                    |
+-----------------------------------------------------------------------------------+
|  [MUST HAVE]                                                                      |
|  - Upload ảnh X-quang vú định dạng chuẩn (JPEG/PNG/DICOM).                        |
|  - Phân loại chính xác 3 trạng thái: Normal, Benign, Cancer.                      |
|  - Phản hồi kết quả kèm mức độ tin cậy (Confidence Score).                       |
|                                                                                   |
|  [SHOULD HAVE]                                                                    |
|  - Giao diện người dùng Web Responsive thích ứng trên cả Desktop và Mobile.        |
|  - Hệ thống lưu vết thông tin phiên chẩn đoán bệnh nhân an toàn.                  |
|                                                                                   |
|  [COULD HAVE]                                                                     |
|  - Tích hợp trích xuất vùng nghi ngờ (ROI Mask) tự động.                         |
|  - Xuất báo cáo kết quả chẩn đoán định dạng PDF y khoa.                           |
|                                                                                   |
|  [WON'T HAVE]                                                                     |
|  - Thay thế quyết định phẫu thuật cuối cùng của hội đồng y khoa chuyên khoa.      |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc hướng dịch vụ 3 tầng (3-tier Architecture) tách biệt giữa giao diện người dùng, lớp xử lý trung gian và tầng suy luận AI:

[Web Browser Client] (HTML5 / CSS3 / JavaScript / Bootstrap)
         |
         | HTTP POST Request (Multipart Image File)
         v
[Flask Web Server / API Layer] (Python 3.10 / REST API)
         |
         | Raw Image Matrix (Preprocessed Tensor)
         v
[AI Inference Engine] (PyTorch 2.x / EfficientNet-B0 Core)
         |
         | Predictions (Normal / Benign / Cancer Probabilities)
         v
[JSON Response Formatter] ---> Trao kết quả giao diện cho Bác sĩ

Chi tiết Tech Stack và Phiên bản công nghệ

  • Deep Learning Framework: PyTorch v2.1.0, Torchvision v0.16.0
  • Ngôn ngữ lập trình: Python v3.10.12
  • Backend API & Web Server: Flask v3.0.0, Werkzeug v3.0.1
  • Frontend Framework: HTML5, CSS3, JavaScript (ES6), Bootstrap v5.3.0
  • Thư viện xử lý ảnh và toán học: OpenCV v4.8.1, Pillow (PIL) v10.1.0, NumPy v1.26.0, Scikit-learn v1.3.2
  • Môi trường phần cứng: NVIDIA GeForce GTX 1650 (896 CUDA Cores, Base Clock 1395 MHz, Boost Clock 1665 MHz, 4GB VRAM GDDR6).

Thiết kế API Endpoints

Hệ thống cung cấp chuẩn giao tiếp RESTful API:

  • POST /predict: Nhận tệp tin ảnh từ client, thực hiện Data Transform và đưa qua mạng nơ-ron suy luận.
    • Headers: Content-Type: multipart/form-data
    • Payload: file: <binary_image>
    • Response Payload:
{
  "status": "success",
  "code": 200,
  "data": {
    "prediction": "Cancer",
    "confidence": 0.9418,
    "probabilities": {
      "Normal": 0.0125,
      "Benign": 0.0457,
      "Cancer": 0.9418
    },
    "inference_time_ms": 142.5
  }
}

Methodology

Dự án được triển khai theo phương pháp luận Agile rút gọn, phân chia thành 4 cột mốc chính (Milestones):

[Tháng 2-3/2024] Thu thập & làm sạch 7.809 ảnh Mini-DDSM; Xây dựng Data Pipeline
       │
       ▼
[Tháng 4/2024]   Thiết kế Transfer Learning trên EfficientNet-B0, VGG-16, DenseNet
       │
       ▼
[Tháng 5/2024]   Huấn luyện 100 Epochs, tối ưu Loss & Confusion Matrix, lập trình Flask API
       │
       ▼
[Tháng 6/2024]   Tích hợp UI/UX Web, kiểm thử chịu tải và đóng gói luận văn

Implementation và kết quả

Development process & Pipeline kỹ thuật

Tập dữ liệu Mini-DDSM bao gồm 7.809 ảnh chụp X-quang tuyến vú với phân bố nhãn đồng đều:

  • Benign: 2.685 ảnh (34,4%)
  • Cancer: 2.716 ảnh (34,7%)
  • Normal: 2.408 ảnh (30,9%)

Dữ liệu được chia theo tỷ lệ vàng $80:20$, tương ứng 6.247 mẫu cho tập huấn luyện (Train) và 1.562 mẫu cho tập kiểm tra (Test).

                          7.809 Ảnh Mini-DDSM
                                   │
              ┌────────────────────┴────────────────────┐
              ▼                                         ▼
      Tập Train: 6.247 ảnh                      Tập Test: 1.562 ảnh
       (Tỷ lệ: 80%)                              (Tỷ lệ: 20%)

Quy trình Data Transform

Dữ liệu nhũ ảnh y tế là ảnh xám (Grayscale) có độ phân giải cao và độ tương phản không đồng đều. Nhóm áp dụng quy trình chuẩn hóa hình ảnh nghiêm ngặt:

  1. Resize: Chuyển đổi kích thước ảnh gốc về ma trận $300 \times 300$ pixels để tối ưu hóa bộ nhớ đệm GPU. $$\text{Image}{\text{resized}}[h{\text{new}}, w_{\text{new}}, c] = \text{Resize}(\text{Image}[h, w, c], (300, 300))$$
  2. Random Horizontal Flip: Lật ngẫu nhiên ảnh theo trục ngang với xác suất $p = 0.5$ nhằm tăng cường tính đa dạng không gian, chống overfitting: $$\text{Image}_{\text{flipped}}[h, i, c] = \text{Image}[h, W - 1 - i, c]$$
  3. ToTensor & Normalize: Chuyển đổi ma trận pixel $[0, 255]$ về dạng PyTorch Tensor trong khoảng $[0.0, 1.0]$.
import torch
import torch.nn as nn
from torchvision import transforms, models

# Thiết lập pipeline tiền xử lý ảnh
data_transforms = {
    'train': transforms.Compose([
        transforms.Resize((300, 300)),
        transforms.RandomHorizontalFlip(p=0.5),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
    'test': transforms.Compose([
        transforms.Resize((300, 300)),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ])
}

Kiến trúc mạng EfficientNet-B0 và Fine-Tuning

EfficientNet-B0 sử dụng phương pháp mở rộng đồng đều (Compound Scaling) theo công thức: $$d = \alpha^\phi, \quad w = \beta^\phi, \quad r = \gamma^\phi \quad (\alpha \cdot \beta^2 \cdot \gamma^2 \approx 2)$$ với các hệ số tối ưu $\alpha = 1.2, \beta = 1.1, \gamma = 1.15$. Mạng bao gồm các khối MBConv (Mobile Inverted Bottleneck Convolution) kết hợp cơ chế Squeeze-and-Excitation.

Để phục vụ phân loại 3 lớp bệnh lý, lớp fully-connected gốc (1000 đầu ra ImageNet) được thay thế bằng một cấu trúc phân loại chuyên biệt:

class BreastCancerClassifier(nn.Module):
    def __init__(self, num_classes=3):
        super(BreastCancerClassifier, self).__init__()
        # Tải mô hình pretrained EfficientNet-B0
        self.backbone = models.efficientnet_b0(weights=models.EfficientNet_B0_Weights.DEFAULT)
        in_features = self.backbone.classifier[1].in_features
        
        # Tái cấu trúc lớp Classifier head
        self.backbone.classifier = nn.Sequential(
            nn.Dropout(p=0.2, inplace=True),
            nn.Linear(in_features=in_features, out_features=512),
            nn.ReLU(inplace=True),
            nn.Linear(in_features=512, out_features=num_classes)
        )

    def forward(self, x):
        return self.backbone(x)

# Khởi tạo mô hình, Loss function và Optimizer
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = BreastCancerClassifier(num_classes=3).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

Quá trình huấn luyện diễn ra qua 100 Epochs với Batch size bằng 32, sử dụng hàm mất mát Cross-Entropy Loss: $$\mathcal{L}{\text{CrossEntropy}} = -\sum{i=1}^{C} x_i \log(y_i)$$

Testing và validation

Hiệu suất của mô hình được đánh giá thông qua tập kiểm tra độc lập 1.562 ảnh chưa từng xuất hiện trong quá trình huấn luyện:

Chỉ số đánh giá Công thức toán học Kết quả đạt được Ý nghĩa lâm sàng
Accuracy $\frac{TP + TN}{TP + TN + FP + FN}$ Cao (> 88%) Tỷ lệ chẩn đoán đúng tổng thể trên cả 3 nhóm bệnh
Recall (Cancer) $\frac{TP}{TP + FN}$ Vượt trội Hạn chế tối đa việc bỏ sót bệnh nhân mang khối u ác tính
Precision $\frac{TP}{TP + FP}$ Ổn định Đảm bảo tính tin cậy khi khẳng định bệnh nhân bị ung thư
Inference Latency Thời gian xử lý forward-pass ~120 - 150 ms Đảm bảo trải nghiệm thời gian thực trên môi trường Web 
+-----------------------------------------------------------------------------------+
|                  SO SÁNH CÁC KIẾN TRÚC MÔ HÌNH HUẤN LUYỆN                         |
+-----------------------------------------------------------------------------------+
|  Kiến trúc         | Số tham số (Params) | FLOPs     | Tốc độ suy luận | Độ chính xác |
|  ------------------+---------------------+-----------+-----------------+------------- |
|  VGG-16            | ~138 Triệu          | 15.3 G    | Chậm (~350ms)   | Khá          |
|  DenseNet-201      | ~20 Triệu           | 4.3 G     | Trung bình      | Tốt          |
|  EfficientNet-B0   | ~5.3 Triệu          | 0.39 G    | Rất nhanh (~120ms)| Xuất sắc  |
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Tối ưu hóa tài nguyên tính toán (Computational Efficiency): Đề tài chứng minh kiến trúc EfficientNet-B0 giảm tới hơn 96% số lượng tham số so với mạng VGG-16 cổ điển (5,3M so với 138M params) nhưng vẫn duy trì độ chính xác nhận diện tương đương và cao hơn trên ảnh X-quang vú.
  2. Khả năng triển khai thực tế trên phần cứng phổ thông: Thay vì đòi hỏi các cụm máy chủ công nghiệp chuyên dụng đắt đỏ, toàn bộ hệ sinh thái của đồ án có khả năng huấn luyện và vận hành suy luận mượt mà trên card đồ họa phổ thông NVIDIA GTX 1650, mở ra tiềm năng ứng dụng tại các bệnh viện tuyến huyện với chi phí cực thấp.
  3. Mô hình Telemedicine khép kín End-to-End: Không chỉ dừng lại ở thuật toán máy học trên môi trường Jupyter Notebook, đề tài hoàn thiện toàn bộ giải pháp từ xử lý backend, API Endpoint đến giao diện web tương thích đa thiết bị, cho phép bác sĩ và kỹ thuật viên tải ảnh chẩn đoán từ bất kỳ đâu qua mạng Internet.

Ứng dụng thực tế và triển khai

Hệ thống được thiết kế hướng tới việc triển khai trực tiếp vào quy trình làm việc tại các trạm y tế và bệnh viện đa khoa:

[Bệnh nhân chụp X-quang vú] 
            │
            ▼
[Kỹ thuật viên xuất ảnh nhũ ảnh số hóa]
            │
            ▼
[Đăng nhập Web Hệ thống chẩn đoán từ xa] ──> [Upload ảnh nhũ ảnh]
                                                     │
                                                     ▼
[Hệ thống AI xử lý và trả kết quả phân loại: Normal / Benign / Cancer]
                                                     │
                                                     ▼
[Bác sĩ xem xét kết quả AI gợi ý ──> Đưa ra quyết định chẩn đoán & phác đồ]

Hướng dẫn triển khai hệ thống máy chủ (Deployment Guide)

1. Yêu cầu hệ thống phần cứng

  • CPU: Intel Core i5 thế hệ 10 hoặc AMD Ryzen 5 tương đương trở lên.
  • RAM: Tối thiểu 8GB (khuyến nghị 16GB).
  • GPU: NVIDIA GTX 1650 4GB VRAM hoặc cao hơn, hỗ trợ CUDA compute capability $\ge 7.5$.
  • Hệ điều hành: Ubuntu 22.04 LTS hoặc Windows 10/11 64-bit.

2. Quy trình cài đặt môi trường

# Tạo và kích hoạt môi trường ảo
python3 -m venv venv_breast_cancer
source venv_breast_cancer/bin/activate

# Cài đặt PyTorch với hỗ trợ CUDA 11.8
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

# Cài đặt các thư viện phụ trợ và Web framework
pip install flask pillow opencv-python numpy scikit-learn

# Khởi chạy dịch vụ API Backend
python app.py

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Nén độ phân giải ảnh: Việc chuyển đổi ảnh nhũ ảnh độ phân giải cao gốc xuống $300 \times 300$ pixels có thể làm giảm chi tiết ở các tổn thương vi vôi hóa siêu nhỏ (Microcalcifications) có kích thước dưới vài milimet.
  • Dữ liệu huấn luyện: Dữ liệu Mini-DDSM chủ yếu là nguồn dữ liệu chuẩn quốc tế, chưa tích hợp sâu các tập dữ liệu chụp thực tế trên thể trạng mô vú phụ nữ Việt Nam (thường có mô vú đặc hơn theo thang đo BI-RADS).

Hướng phát triển trong tương lai

  • Tích hợp Explainable AI (XAI): Phát triển bản đồ nhiệt trực quan Grad-CAM (Gradient-weighted Class Activation Mapping) hiển thị trực tiếp trên giao diện web để khoanh vùng chính xác vị trí khối u, tăng mức độ tin cậy cho bác sĩ.
  • Nâng cấp mô hình Hybrid: Kết hợp giữa Vision Transformer (ViT) và EfficientNet thế hệ mới (EfficientNet-V2) để xử lý ảnh nhũ ảnh ở độ phân giải gốc $1024 \times 1024$ mà không làm tràn bộ nhớ GPU.
  • Tương thích chuẩn DICOM & PACS: Nâng cấp hệ thống để đọc trực tiếp file định dạng y tế .dcm và đồng bộ với hệ thống lưu trữ và truyền hình ảnh (PACS) của bệnh viện.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Kỹ thuật Điện tử - Viễn thông / AI: Nắm bắt trọn vẹn quy trình xây dựng dự án thị giác máy tính trong y tế, từ tiền xử lý dữ liệu Grayscale đến tối ưu Transfer Learning.
  • Kỹ sư phát triển phần mềm (Developers): Mô hình tham khảo chuẩn về việc tích hợp mạng học sâu PyTorch vào dịch vụ web Flask API có độ trễ thấp.
  • Cơ sở y tế & Bác sĩ tuyến cơ sở: Sở hữu một công cụ "Second Opinion" tin cậy giúp sàng lọc nhanh chóng, giảm thiểu tối đa rủi ro chẩn đoán sót ca bệnh nguy hiểm.
  • Cộng đồng bệnh nhân phụ nữ: Tăng cơ hội tiếp cận công nghệ tầm soát sớm ung thư vú chính xác ngay tại địa phương mà không phải chuyển tuyến tốn kém.

Câu hỏi thường gặp

  1. Hệ thống có thể chạy trên máy tính không có card đồ họa GPU rời không? Có. Mô hình EfficientNet-B0 được tối ưu hóa với số lượng tham số nhỏ (~5,3M params), hoàn toàn có thể chạy suy luận (Inference) trên CPU thông thường với độ trễ khoảng 400-600ms/ảnh, đáp ứng tốt nhu cầu chẩn đoán không quá gấp rút.

  2. Tại sao đề tài chọn EfficientNet-B0 thay vì các mạng rất sâu như ResNet-152 hay VGG-16? Vì tính hiệu quả toàn diện. EfficientNet-B0 sử dụng phương pháp mở rộng đồng đều compound scaling, giúp đạt độ chính xác tương đương hoặc vượt trội ResNet/VGG nhưng giảm dung lượng bộ nhớ và thời gian tính toán tới 4-5 lần.

  3. Hệ thống xử lý bài toán ảnh nhũ ảnh Grayscale 1 kênh đầu vào như thế nào? Trong pipeline tiền xử lý, ảnh Grayscale được chuẩn hóa và nhân bản thành 3 kênh tương đương (hoặc điều chỉnh lớp Convolution đầu tiên) để tương thích hoàn toàn với các trọng số pre-trained ImageNet.

  4. Kết quả dự đoán của AI có thay thế hoàn toàn vai trò của bác sĩ không? Tuyệt đối không. Hệ thống được định vị là công cụ hỗ trợ ra quyết định lâm sàng (Clinical Decision Support System). Quyết định chẩn đoán và chỉ định sinh thiết cuối cùng luôn thuộc về bác sĩ chuyên khoa.

  5. Chi phí đầu tư phần cứng để vận hành hệ thống này ở trạm y tế là bao nhiêu? Chỉ cần một máy trạm phổ thông trang bị GPU GTX 1650 hoặc RTX 3050 với chi phí đầu tư khoảng 12 - 15 triệu VND là đã có thể vận hành ổn định hệ thống chẩn đoán từ xa cho hàng trăm lượt khám mỗi ngày.

Kết luận

Đồ án tốt nghiệp "Phân loại ảnh ung thư vú từ xa sử dụng mạng học sâu" đã giải quyết thành công bài toán cấp thiết trong sàng lọc y tế hiện đại. Bằng việc kết hợp hài hòa giữa lý thuyết học sâu tiên tiến (Transfer Learning, EfficientNet-B0) và nền tảng công nghệ web linh hoạt, đề tài không chỉ đạt được hiệu suất phân loại cao trên tập dữ liệu chuẩn Mini-DDSM mà còn hiện thực hóa khả năng chẩn đoán từ xa qua môi trường mạng Internet. Đây là tiền đề vững chắc hướng tới việc xây dựng các hệ sinh thái y tế thông minh, thu hẹp khoảng cách tiếp cận dịch vụ y tế chất lượng cao và góp phần nâng cao chất lượng cuộc sống cho cộng đồng phụ nữ tại Việt Nam.