Chương 1 sẽ tổng quan về bệnh lý ho, các nghiên cứu đã có liên quan đến xử lý và phân loại ho. Nội dung chính của chương này sẽ giới thiệu về các nghiên cứu liên quan, các kiến thức mới liên quan đến bài toán phân loại ho. Ngoài ra, chương này cũng đưa ra phương thức khảo sát về học sâu ít mẫu, các điểm mạnh và điểm yếu của phương pháp, từ đó đưa ra phương án thích hợp để áp dụng vào đề án. Bệnh lý ho và một số ứng dụng học máy trong phân loại ho 1.
Tổng quan về bệnh lý ho Ho là triệu chứng phổ biến nhất của các bệnh về đường hô hấp. Ho là một cơ chế bảo vệ của cơ thể ngăn không cho đường hô hấp vô tình hít phải các chất lạ hoặc dịch tạo ra bên trong do viêm nhiễm. Dựa trên nhận thức về sự hiện diện của âm thanh liên quan đến dịch tiết (chất lỏng như chất nhầy, mủ) trong đường thở, ho được phân thành hai loại là ho có ướt và ho khan. Bằng cách xem xét chất lượng âm thanh của ho, đặc trưng của ho ướt là âm thanh mang các đặc điểm có chất nhầy bên trong.
Trong trường hợp hợp ngược lại, không có độ ẩm có thể cảm nhận được thì nó là ho khô, rát, khan. Những thay đổi về đặc tính của tiếng ho có thể phản ánh tình trạng bệnh lý ở phổi. Các tình huống bệnh lý phát sinh do một số điều kiện như tắc nghẽn, hạn chế và các kiểu kết hợp. Ho được định nghĩa trong y khoa như việc tống khí dữ dội ra khỏi phổi một cách phức tạp với ba giai đoạn: đầu tiên là sự hít vào khởi đầu (giai đoạn hít vào), tiếp theo đóng thanh môn và cố gắng thở ra (giai đoạn nén), cuối cùng là mở thanh môn và hét mạnh (giai đoạn tống xuất).
Trên thực tế, các bệnh phổi là nguyên nhân gây tử vong lớn thứ ba trên thế giới. Phòng ngừa, chẩn đoán và điều trị sớm được coi là yếu tố then chốt để hạn chế tác động tiêu cực của căn bệnh này. Các bệnh về đường hô hấp rất phổ biến, trong đó ho là triệu chứng điển hình các các bệnh như hen suyễn và bệnh phổi tắc nghẽn mãn tính (COPD) [5]. Gần đây, sự bùng nổ của đại dịch do virus Covid-19 với các triệu chứng điển hình như: sốt cao, rát họng, ho, đau đầu, sổ mũi… đã được xem là đại dịch toàn cầu, tính đến thời điểm 4 viết đề án trên thế giới hiện có 766.889 ca tử vong [24] trên toàn thế giới.
Ngoài ra, ho cũng là một trong những triệu chứng chủ yếu của hơn 100 loại bệnh khác nhau, tác động của nó đối với hệ hô hấp được đánh giá là khác nhau. Một số nghiên cứu chỉ ra rằng các bệnh liên quan đến phổi có thể khiến đường hô hấp bị tắc nghẽn, điều này ảnh hưởng đến âm thanh và cường độ của tiếng ho[6]. Một số nghiên cứu cũng chỉ ra rằng sợi thần kinh thanh môn khi hoạt động khác nhau có thể phân loại được các bệnh lý ho như: ho do lao, hen suyễn, viêm phế quản,…Vấn đề của sự phát triển mạnh của các bệnh về đường hô hấp là do thiếu các phương pháp chẩn đoán hiệu quả, chi phí cao, không có phòng thí nghiệm để chẩn đoán sớm. Việc đo khí dung là quy trình xét nghiệm lâm sàng tiêu chuẩn để phát hiện các vấn đề về hô hấp, nhưng nó đòi hỏi phải lặp đi lặp lại, đồng thời chi phí đắt đỏ và không có sẵn tại các bệnh viện tuyến dưới.
Tự động phát hiện tiếng ho trong bản ghi âm thanh thực tế của bệnh nhân có ý nghĩa rất lớn để chẩn đoán và theo dõi các bệnh đường hô hấp. Các công trình trên thế giới đã chỉ ra, nó có thể là một chỉ số quan trọng được các bác sỹ sử dụng để chẩn đoán lâm sàng và theo dõi sức khoẻ của hơn 100 bệnh đường hô hấp, ví dụ: bệnh lao, bệnh hen suyễn và ho gà. Để phát hiện tiếng ho cần có các thiết bị thu thập âm thanh và phần mềm phân tích xử lý. Có rất nhiều công trình nghiên cứu đã tìm hiểu và phát hiện ra các mô hình học máy có khả năng phát hiện tiếng ho trong bản ghi âm.
Các ứng dụng học sâu cho phân loại ho Trong những năm gần đây, các thuật toán học máy đã chứng minh tính hiệu quả của chúng trong việc hỗ trợ các hệ thống chăm sóc sức khỏe, đặc biệt là trong lĩnh vực phát hiện bệnh từ âm thanh ho. Đã có rất nhiều nghiên cứu tận dụng các mô hình học máy để phát hiện tiếng ho, với sự tập trung vào phát triển các hệ thống phân loại và nhận dạng tiếng ho. Trong những tiến bộ của học sâu, các phương pháp phân loại dựa trên mạng lưới thần kinh sâu đã được đề xuất để phát hiện và chẩn đoán các bệnh về đường hô hấp từ phổi và tiếng ho, mang lại những kết quả đầy hứa hẹn. Các phương pháp này 5 đã chứng minh được khả năng phát hiện các bệnh đường hô hấp từ tiếng ho với độ chính xác cao, giúp cho việc chẩn đoán bệnh và điều trị trở nên hiệu quả hơn.
Bên cạnh đó, sự phát triển của học máy và học sâu cũng mở ra nhiều tiềm năng cho việc ứng dụng các thuật toán học máy trong phân tích âm thanh và chẩn đoán bệnh khác trong lĩnh vực chăm sóc sức khỏe. Các nghiên cứu gần đây về việc ứng dụng phân loại âm thanh hô hấp để chẩn đoán bệnh Covid-19 đã nhận được sự quan tâm của nhiều nhà khoa học. Các mô hình dựa trên phương pháp học sâu triển khai vào thế giới thực để xác định bệnh Covid-19 từ các âm thanh phát ra từ hệ hô hấp như âm thanh hơi thở, âm thanh ho và giọng nói. Trong nghiên cứu của mình Kranthi Kumar Lella và Alphonse Pja [12] đã triển khai mạng thần kinh tích chập sâu (DCNN) đa kênh để chẩn đoán tự động bệnh Covid-19 từ âm thanh hô hấp của con người.
Bằng cách áp dụng đa kênh đa tính năng như bộ mã hoá khử nhiễu tự động (DAE), hệ số Cepstral trên tần số Gamma (GFCC) và hệ số Cepstral tần số Mel cải tiến (IMFCC) trên dữ liệu tăng cường để trích xuất các tính năng sâu cho đầu vào của CNN. Trong nghiên cứu này, mô hình DCNN được triển khai để chẩn đoán các bệnh như Covid-19, hen suyễn, ho gà, viêm phế quản bằng cách áp dụng đa kênh để trích xuất các đặc điểm sâu của tín hiệu âm thanh hô hấp thay vì sử dụng các phương pháp truyền thống và cho độ chính xác cao hơn khoảng 7%. Kết quả của phương pháp khi áp dụng cho việc phát hiện bệnh Covid-19 cho thấy độ chính xác lên đến 95,45%. Trong khi đó, một đề xuất khung dựa trên CNN-MoE để phân loại dị thường đường hô hấp và phát hiện bệnh phổi đã được Lam Pham và các cộng sự [17] giới thiệu trong tạp chí IEEE 2021.
Với bộ dữ liệu được nhóm tác giả sử dụng là bộ dữ liệu nội bộ về tin học y tế và y sinh học (ICBHI) năm 2017 cho tất cả các thử nghiệm. Tác giả đã phân tích toàn diện các yếu tố như các loại quang phổ khác nhau, cửa sổ chồng lấp và không chồng lấp, kích thước bản vá và tăng cường dữ liệu để xác định yếu tố ảnh hưởng của chúng đối với hiệu suất. Từ những phân tích trên sẽ tiếp tục đề xuất một khung học sâu để hướng mục tiêu cho hai nhiệm vụ là phân loại âm thanh bất thường và phát hiện bệnh hô hấp. Sau đó đánh giá hai phương pháp phân tách đào tạo và kiểm tra được sử dụng trong tài liệu (cụ thể 6 dữ liệu được xác thực chéo 5 lần ngẫu nhiên và phân tách 60/40 theo khuyến nghị của thách thức ICBHI) và so sánh với các nghiên cứu có kết quả tốt nhất.
Để hỗ trợ trong việc đánh đổi giữa hiệu suất và độ phức tạp, nhóm tác giả đã đề xuất một chương trình học có tên là học sinh – giáo viên. Cụ thể, để đào tạo được chương trình giáo viên, nhóm tác giả đã sử dụng khung học sâu và một lượng lớn dữ liệu đã được đào tạo. Chương trình học sinh trích xuất thông tin phân loại từ giáo viên và chắt lọc thông tin này để huấn luyện một kiến trúc mạng khác với ít tham số có thể huấn luyện hơn. Cuối cùng sẽ thu được một mạng sinh viên có kích thước nhỏ hơn, đạt hiệu suất tương tự như giáo viên với độ tin cậy khi sử dụng bộ dữ liệu ICBHI lên đến 98%.
Phương pháp này đã đưa ra một khung học sâu mạnh mẽ để phân tích các bất thường về hô hấp và phát hiện các loại ho từ các bản ghi nghe phổi. Kết quả của phương pháp đã được đánh giá dựa trên các phương pháp hiện đại nhất hiện có và cho kết quả vượt trội hơn so với các phương pháp đo thông thường. Ngoài ra, chương trình giáo viên – học sinh của nhóm tác giả đề xuất đã giảm đáng kể độ phức tạp của mô hình trong khi vẫn đạt được độ chính xác rất cao. Kết quả thử nghiệm cuối cùng xác nhận ứng dụng học sâu để chẩn đoán kịp thời bệnh hô hấp, đưa lĩnh vực này đi sâu hơn trong việc hỗ trợ lâm sàng, khám chữa bệnh.
Các nghiên cứu liên quan 1. Các nghiên cứu về bài toán phát hiện và phân loại tiếng ho Trên thực tế đã có một số giải pháp và nghiên cứu liên quan đến phân loại ho dựa trên yếu tố lâm sàng và cường độ để phân biệt ho lành tính và ho do các bệnh như Covid-19, COPD, lao, viêm phổi với bản ghi được ghi lại trên thiết bị di động thông minh. Tại hội nghị Quốc tế về âm học của IEEE (ICASSP 2021) M. Niesler [13] đã đề xuất một phương pháp phát hiện ho dựa trên mạng thần kinh sâu đa tầng bằng cách sử dụng thiết bị di động thông minh có tích hợp micro và ứng dụng đo gia tốc gắn trên đầu giường bệnh.
Một ứng dụng điện thoại thông minh liên tục theo dõi gia tốc kế và tín hiệu âm thanh micro từ bên ngoài. 7 Bộ dữ liệu thu thập được của tác giá bao gồm 14 bệnh nhân và sơ đồ xác thực chéo từng loại một đã được sử dụng để đào tạo và đánh giá ba bộ phân loại DNN gồm: CNN, LSTM và Resnet50. Đối với bộ phân loại mạng nơ-ron tích chập (CNN), tác giả đã thiết lập các lớp tích chập 2D α1 và α2 (trong đó α1, α2 là kích thước nhân) và các đơn vị tuyến tính được chỉnh lưu làm hàm kích hoạt.