Ứng Dụng Mô Hình Học Tập Liên Kết Trong Phát Hiện COVID-19

Nghiên cứu ứng dụng mô hình học tập liên kết để phát hiện COVID-19. Giải pháp hiệu quả, bảo mật, và chính xác trong y tế. Xem ngay luận văn chi tiết!

• Tác giả: Trần Thông Minh
• Người hướng dẫn: TS. Huỳnh Nguyễn Thành Luân
• Trường học: Trường Đại Học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Ứng Dụng Mô Hình Học Tập Liên Kết Trong Phát Hiện COVID-19
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2024
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU
• 1.1. Tầm quan trọng của ảnh trong lĩnh vực y khoa
• 1.2. Tổng quan về COVID-19
• 1.3. Tầm quan trọng của việc phát hiện sớm Covid-19
• 1.4. Các hướng tiếp cận và giải quyết bài toán
• 1.4.1. Phương pháp học máy
• 1.4.2. Phương pháp học sâu
• 1.4.3. Phương pháp học liên kết
• 1.5. Đề xuất giải pháp
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Mô hình học máy tập trung
• 2.2. Mô hình học máy phân tán
• 2.3. Mô hình học liên kết
• 2.3.2. Kiến trúc mô hình học liên kết
• 2.3.3. Mô hình học liên kết tầng Server
• 2.3.4. Mô hình học liên kết tầng Client
• 2.3.5. Thuật toán FedAvg
• 2.3.6. Thuật toán SGD
• 2.3.7. Lợi ích của mô hình học liên kết
• 2.3.8. Ứng dụng của mô hình học liên kết
• 2.3.9. Các nền tảng phát triển học liên kết
• 2.4. Phương pháp học chuyển tiếp
• 2.4.1. Giới thiệu mô hình học chuyển tiếp
• 2.4.2. Học chuyển tiếp
• 3. CHƯƠNG 3: MÔ HÌNH ĐỀ XUẤT
• 3.1. Giới thiệu bài toán
• 3.2. Kiến trúc mô hình đề xuất
• 3.3. Phương pháp đánh đánh giá kết quả
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Bộ dữ liệu
• 4.2. Các thông số thiết lập
• 4.3. Môi trường thực nghiệm
• 4.4. Đánh giá kết quả
• 4.5. Kết quả thực nghiệm
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• 5.2. Hướng phát triển
• CÔNG TRÌNH CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phát Hiện COVID 19 Bằng Học Liên Kết

Đại dịch COVID-19 đã gây ra những ảnh hưởng to lớn đến toàn cầu, đòi hỏi những phương pháp phát hiện COVID-19 nhanh chóng và hiệu quả. Trí tuệ nhân tạo (AI) đã nổi lên như một công cụ mạnh mẽ trong y tế, đặc biệt là trong việc chẩn đoán bệnh. Tuy nhiên, việc thu thập dữ liệu từ bệnh nhân đặt ra những thách thức về quyền riêng tư dữ liệu. Học tập liên kết (federated learning) ra đời như một giải pháp tiềm năng, cho phép các thiết bị học trên một mô hình hợp tác mà không cần chia sẻ dữ liệu cục bộ. Luận văn này tập trung vào ứng dụng mô hình học tập liên kết trong việc phát hiện COVID-19 thông qua hình ảnh X-quang phổi, hướng đến một phương pháp chẩn đoán hiệu quả và bảo mật.

1.1. Tầm Quan Trọng Của Hình Ảnh Y Tế Trong Chẩn Đoán COVID 19

Hình ảnh y tế, như X-quang phổi và CT phổi, đóng vai trò then chốt trong chẩn đoán và theo dõi COVID-19. Chúng cung cấp thông tin trực quan về tình trạng phổi, giúp bác sĩ phát hiện tổn thương và đánh giá mức độ nghiêm trọng của bệnh. Theo tài liệu gốc, 'ảnh y khoa như X quang, MRI, siêu âm vô cùng quan trọng trong y khoa hiện đại. Ảnh y khoa được dùng để đọc, phân tích kết quả và từ kết quả đó bác sỹ sẽ đưa ra kết quả chẩn đoán bệnh của bệnh nhân thông qua hình ảnh đã được chụp của bệnh nhân'. Việc phân tích hình ảnh y tế một cách chính xác là yếu tố quyết định trong việc đưa ra phác đồ điều trị phù hợp.

1.2. Giới Thiệu Mô Hình Học Tập Liên Kết Trong Y Tế

Học tập liên kết là một phương pháp học máy phân tán cho phép huấn luyện một mô hình trên nhiều thiết bị cục bộ mà không cần chia sẻ dữ liệu. Điều này đặc biệt quan trọng trong lĩnh vực y tế, nơi bảo mật dữ liệu là ưu tiên hàng đầu. Mô hình federated learning cho phép các bệnh viện và cơ sở y tế hợp tác để cải thiện độ chính xác của mô hình dự đoán COVID-19 mà vẫn tuân thủ các quy định về quyền riêng tư dữ liệu.

II. Thách Thức Giải Pháp Phát Hiện COVID 19 Nghiên Cứu

Các phương pháp phát hiện COVID-19 truyền thống, như xét nghiệm RT-PCR, có những hạn chế về thời gian và chi phí. Trong khi đó, học máy và học sâu đã được ứng dụng để chẩn đoán COVID-19 thông qua phân tích hình ảnh y tế. Tuy nhiên, những phương pháp này thường yêu cầu tập trung dữ liệu, gây ra lo ngại về bảo mật dữ liệu. Luận văn này đề xuất một giải pháp kết hợp học tập liên kết và học chuyển tiếp để vượt qua những thách thức này, tạo ra một mô hình học máy hiệu quả, bảo mật và có khả năng mở rộng.

2.1. Hạn Chế Của Các Phương Pháp Phát Hiện COVID 19 Truyền Thống

Xét nghiệm RT-PCR, mặc dù chính xác, tốn thời gian và chi phí, đặc biệt trong bối cảnh đại dịch. Bên cạnh đó, việc thu thập và xử lý mẫu bệnh phẩm đòi hỏi nguồn lực lớn. Theo tài liệu gốc, 'Kết quả PCR mất thời gian từ vài giờ đến vài ngày để hoàn thành, phụ thuộc vào quy trình xét nghiệm và năng lực đáp ứng của phòng thí nghiệm'. Các phương pháp này có thể không đáp ứng được nhu cầu chẩn đoán nhanh chóng và hàng loạt trong tình huống khẩn cấp.

2.2. Vấn Đề Bảo Mật Dữ Liệu Trong Ứng Dụng AI Y Tế Truyền Thống

Việc tập trung dữ liệu y tế để huấn luyện mô hình AI đặt ra nguy cơ về bảo mật dữ liệu và vi phạm quyền riêng tư dữ liệu. Các quy định như GDPR và HIPPA yêu cầu các tổ chức y tế phải bảo vệ thông tin cá nhân của bệnh nhân. Học tập liên kết cung cấp một giải pháp thay thế, cho phép huấn luyện mô hình mà không cần chia sẻ dữ liệu nhạy cảm.

2.3. Giải Pháp Học Tập Liên Kết Kết Hợp Học Chuyển Tiếp

Nghiên cứu này đề xuất sử dụng phương pháp học tập liên kết kết hợp với học chuyển tiếp để xây dựng một mô hình dự đoán COVID-19 chính xác và bảo mật. Học chuyển tiếp giúp tận dụng các mô hình học máy đã được huấn luyện trước đó, giảm thiểu thời gian và nguồn lực cần thiết để huấn luyện mô hình từ đầu. Sự kết hợp này hứa hẹn mang lại một giải pháp hiệu quả và thực tế.

III. Phương Pháp Học Liên Kết Phát Hiện COVID 19 Hiệu Quả

Luận văn này trình bày chi tiết về việc xây dựng mô hình học tập liên kết để phát hiện COVID-19 từ hình ảnh X-quang phổi. Mô hình sử dụng thuật toán FedAvg để tổng hợp các bản cập nhật mô hình từ các thiết bị cục bộ. Ngoài ra, học chuyển tiếp được áp dụng bằng cách sử dụng các mạng nơ-ron nhân tạo đã được huấn luyện trước đó, như CovidNet, VGG19 và DenseNet201. Mô hình được đánh giá trên một bộ dữ liệu công khai và cho thấy kết quả đầy hứa hẹn.

3.1. Kiến Trúc Mô Hình Học Tập Liên Kết Đề Xuất

Mô hình federated learning đề xuất bao gồm một máy chủ trung tâm và nhiều thiết bị cục bộ (ví dụ: các bệnh viện). Mỗi thiết bị cục bộ giữ lại dữ liệu riêng của mình và huấn luyện một bản sao của mô hình. Các bản cập nhật mô hình được gửi đến máy chủ trung tâm, nơi chúng được tổng hợp để tạo ra một mô hình toàn cầu được cải thiện. Quá trình này lặp lại cho đến khi mô hình hội tụ.

3.2. Sử Dụng Thuật Toán FedAvg Để Tổng Hợp Mô Hình

Thuật toán FedAvg là một phương pháp phổ biến để tổng hợp các bản cập nhật mô hình trong học tập liên kết. Nó tính toán trung bình có trọng số của các tham số mô hình từ các thiết bị cục bộ, với trọng số tỷ lệ với kích thước của tập dữ liệu trên mỗi thiết bị. Thuật toán này giúp đảm bảo rằng mô hình toàn cầu phản ánh kiến thức từ tất cả các thiết bị cục bộ.

3.3. Tận Dụng Học Chuyển Tiếp Với Các Mô Hình Huấn Luyện Trước

Học chuyển tiếp được sử dụng để cải thiện hiệu suất của mô hình federated learning. Các mạng nơ-ron như CovidNet, VGG19 và DenseNet201 được huấn luyện trước trên một tập dữ liệu lớn và sau đó được tinh chỉnh trên hình ảnh X-quang phổi của bệnh nhân COVID-19. Điều này giúp mô hình học nhanh hơn và đạt được độ chính xác cao hơn.

IV. Kết Quả Nghiên Cứu Đánh Giá Hiệu Quả Mô Hình COVID 19

Luận văn trình bày kết quả thực nghiệm chi tiết về hiệu suất của mô hình học tập liên kết trong việc phát hiện COVID-19. Các chỉ số đánh giá như độ chính xác, độ nhạy và độ đặc hiệu được sử dụng để so sánh hiệu suất của mô hình với các phương pháp khác. Kết quả cho thấy rằng học tập liên kết có thể đạt được độ chính xác tương đương hoặc cao hơn so với các phương pháp tập trung dữ liệu, đồng thời đảm bảo bảo mật dữ liệu.

4.1. Thiết Lập Thực Nghiệm Và Bộ Dữ Liệu Sử Dụng

Mô hình được đánh giá trên một bộ dữ liệu công khai gồm hình ảnh X-quang phổi của bệnh nhân COVID-19 và người khỏe mạnh. Dữ liệu được chia thành tập huấn luyện và tập kiểm tra. Các thông số huấn luyện, như tốc độ học và kích thước lô, được tối ưu hóa để đạt được hiệu suất tốt nhất.

4.2. So Sánh Hiệu Suất Giữa Học Liên Kết Và Học Máy Tập Trung

Để đánh giá lợi ích của học tập liên kết, mô hình được so sánh với một mô hình học máy tập trung được huấn luyện trên cùng một tập dữ liệu. Kết quả cho thấy rằng học tập liên kết có thể đạt được độ chính xác tương đương hoặc cao hơn, đặc biệt khi có nhiều thiết bị cục bộ tham gia vào quá trình huấn luyện. Theo tài liệu gốc, 'học liên kết lại khả năng tối ưu hóa cao hơn khi tích hợp thêm dữ liệu, từ đó nâng cao khả năng hiệu suất và đảm bảo tính riêng tư'.

4.3. Đánh Giá Độ Chính Xác Độ Nhạy Độ Đặc Hiệu Của Mô Hình

Các chỉ số đánh giá, bao gồm độ chính xác, độ nhạy và độ đặc hiệu, được sử dụng để định lượng hiệu suất của mô hình. Độ chính xác đo lường tỷ lệ dự đoán đúng tổng thể, độ nhạy đo lường khả năng phát hiện các trường hợp dương tính (bệnh nhân COVID-19), và độ đặc hiệu đo lường khả năng xác định các trường hợp âm tính (người khỏe mạnh).

V. Ứng Dụng Hướng Phát Triển Mô Hình Liên Kết COVID 19

Luận văn này đã trình bày một phương pháp hiệu quả để phát hiện COVID-19 bằng học tập liên kết. Mô hình này có thể được triển khai trong các bệnh viện và cơ sở y tế để hỗ trợ bác sĩ trong việc chẩn đoán và sàng lọc bệnh nhân. Ngoài ra, học tập liên kết có thể được áp dụng cho nhiều bài toán khác trong lĩnh vực y tế, như phát hiện bệnh tim mạch và ung thư. Các hướng phát triển trong tương lai bao gồm cải thiện độ chính xác của mô hình, tăng cường bảo mật dữ liệu và mở rộng ứng dụng cho các loại hình ảnh y tế khác.

5.1. Triển Khai Mô Hình Học Tập Liên Kết Trong Bệnh Viện

Mô hình federated learning có thể được triển khai trong các bệnh viện để hỗ trợ bác sĩ trong việc chẩn đoán và sàng lọc bệnh nhân COVID-19. Bằng cách sử dụng mô hình học máy được huấn luyện trên dữ liệu từ nhiều nguồn, bác sĩ có thể đưa ra quyết định nhanh chóng và chính xác hơn.

5.2. Mở Rộng Ứng Dụng Học Liên Kết Cho Các Bệnh Lý Khác

Học tập liên kết không chỉ giới hạn trong việc phát hiện COVID-19. Nó có thể được áp dụng cho nhiều bài toán khác trong lĩnh vực y tế, như phát hiện bệnh tim mạch, ung thư và các bệnh lý khác. Điều này mở ra những tiềm năng to lớn cho việc cải thiện chăm sóc sức khỏe thông qua trí tuệ nhân tạo.

5.3. Nghiên Cứu Tương Lai Về Tối Ưu Bảo Mật Và Độ Chính Xác

Các hướng nghiên cứu trong tương lai bao gồm cải thiện độ chính xác của mô hình học tập liên kết, tăng cường bảo mật dữ liệu và mở rộng ứng dụng cho các loại hình ảnh y tế khác. Bằng cách tiếp tục phát triển và cải tiến phương pháp này, chúng ta có thể khai thác tối đa tiềm năng của trí tuệ nhân tạo để nâng cao chất lượng chăm sóc sức khỏe.

VI. Kết Luận Tiềm Năng Học Liên Kết Phát Hiện COVID 19

Luận văn đã chứng minh tiềm năng của học tập liên kết trong việc phát hiện COVID-19 thông qua phân tích hình ảnh X-quang phổi. Phương pháp này không chỉ đạt được độ chính xác cao mà còn đảm bảo bảo mật dữ liệu, giải quyết một trong những thách thức lớn nhất trong ứng dụng AI trong y tế. Nghiên cứu khoa học này đóng góp vào việc phát triển các giải pháp chẩn đoán hiệu quả và bảo mật, góp phần vào cuộc chiến chống lại đại dịch COVID-19 và các bệnh truyền nhiễm khác trong tương lai.

6.1. Đóng Góp Của Luận Văn Vào Lĩnh Vực AI Y Tế

Luận văn này đóng góp vào lĩnh vực AI trong y tế bằng cách đề xuất một phương pháp phát hiện COVID-19 dựa trên học tập liên kết. Phương pháp này giúp giải quyết vấn đề về bảo mật dữ liệu, một yếu tố quan trọng trong việc ứng dụng trí tuệ nhân tạo trong lĩnh vực y tế.

6.2. Tiềm Năng Phát Triển Học Liên Kết Trong Chăm Sóc Sức Khỏe

Học tập liên kết có tiềm năng to lớn trong việc cải thiện chăm sóc sức khỏe. Bằng cách cho phép các tổ chức y tế hợp tác để huấn luyện các mô hình học máy mà không cần chia sẻ dữ liệu, học tập liên kết có thể giúp cải thiện độ chính xác của chẩn đoán, phát triển các phương pháp điều trị mới và nâng cao chất lượng chăm sóc bệnh nhân.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê từ Tổ chức Y tế Thế giới và Đại học Johns Hopkins, đại dịch COVID-19 đã ghi nhận hơn 771 triệu ca nhiễm cùng gần 7 triệu ca tử vong trên toàn cầu, trong đó Việt Nam ghi nhận hơn 11,6 triệu ca mắc và hơn 43.000 trường hợp tử vong. Việc sàng lọc và chẩn đoán nhanh đóng vai trò sống còn trong việc kiểm soát nguồn lây và giảm tải áp lực cho hệ thống y tế. Mặc dù kỹ thuật xét nghiệm RT-PCR giữ độ chính xác cao nhưng đòi hỏi thời gian phân tích từ vài giờ đến vài ngày và chi phí tương đối lớn. Ngược lại, chụp X-quang phổi cho kết quả hình ảnh chỉ sau 5 đến 10 phút với chi phí thấp hơn đáng kể, trở thành phương tiện hỗ trợ đắc lực trong đánh giá tổn thương phổi.

Tuy nhiên, việc ứng dụng trí tuệ nhân tạo truyền thống gặp rào cản pháp lý và bảo mật dữ liệu nghiêm ngặt theo các quy định như GDPR hay HIPAA, khiến việc tập trung dữ liệu hình ảnh y khoa từ các bệnh viện về một máy chủ trung tâm trở nên bất khả thi. Luận văn tập trung giải quyết bài toán phát hiện sớm bệnh nhân nhiễm COVID-19 thông qua ảnh X-quang ngực bằng phương pháp học tập liên kết kết hợp học chuyển tiếp. Nghiên cứu được thực hiện trong giai đoạn năm 2023 đến năm 2024 tại Trường Đại học Thủ Dầu Một, tỉnh Bình Dương. Ý nghĩa thực tiễn của công trình thể hiện qua việc bảo vệ trọn vẹn 100% quyền riêng tư của người bệnh tại từng cơ sở y tế địa phương, đồng thời duy trì độ chính xác chẩn đoán đạt trên 92% và chỉ số F1-Score vượt 91%, mở ra hướng đi bền vững cho các hệ sinh thái y tế thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên hai trụ cột lý thuyết chính gồm mô hình học tập liên kết và mô hình học chuyển tiếp. Học tập liên kết là phương pháp phân tán cho phép các cơ sở y tế cùng đào tạo một mô hình toàn cục mà không cần truyền dữ liệu thô ra bên ngoài. Khung lý thuyết vận hành theo kiến trúc máy chủ - máy trạm, trong đó máy chủ khởi tạo tham số toàn cục và gửi xuống các nút biên.

Các khái niệm cốt lõi bao gồm: học liên kết ngang, thuật toán tối ưu hóa trung bình liên kết FedAvg, thuật toán hạ gradient ngẫu nhiên SGD và mạng nơ-ron tích chập sâu. Cơ chế FedAvg thực hiện tính toán trung bình cộng các vector trọng số nhận về từ các nút cục bộ có tính đến quy mô mẫu, giúp tối ưu hàm mục tiêu toàn cục. Để khắc phục sự hạn chế về số lượng ảnh X-quang tại từng nút, kỹ thuật học chuyển tiếp được tích hợp bằng cách tận dụng tri thức từ các mô hình học sâu tiền huấn luyện phổ biến như VGG19, DenseNet201 và CovidNet, giúp mô hình hội tụ nhanh và giảm thiểu hiện tượng quá khớp.

Phương pháp nghiên cứu

Nghiên cứu sử dụng bộ dữ liệu ảnh chụp X-quang lồng ngực gồm hai phân lớp chính là COVID-19 và NORMAL. Dữ liệu sau khi thu thập được tiền xử lý qua các bước lọc nhiễu, chuẩn hóa kích thước và chuyển đổi về không gian ảnh xám nhằm đồng nhất cấu trúc đầu vào. Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng để chia bộ dữ liệu theo tỷ lệ 80% cho tập huấn luyện và 20% cho tập kiểm thử độc lập.

Lý do lựa chọn phương pháp phân tích học liên kết kết hợp mạng tích chập VGG19 xuất phát từ cấu trúc 16 tầng tích chập đồng nhất với các bộ lọc kích thước nhỏ 3x3, có khả năng bóc tách hiệu quả các đặc trưng tổn thương dạng kính mờ trên nhu mô phổi. Đồng thời, cơ chế phân tán giúp giảm thiểu từ 70% đến 80% lưu lượng băng thông truyền tải mạng so với giải pháp học máy tập trung. Toàn bộ quy trình thực nghiệm, lập trình thuật toán tổng hợp tham số và đánh giá chéo qua 3 vòng lặp được triển khai liên tục trong khung thời gian 12 tháng từ tháng 2 năm 2023 đến tháng 2 năm 2024.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa các mô hình học sâu trong môi trường học liên kết mang lại những phát hiện quan trọng:

• Mô hình VGG19 kết hợp học liên kết mang lại hiệu suất tối ưu nhất, đạt độ chính xác phân loại trên 92,4% và chỉ số F1-Score đạt 91,8% sau 3 vòng lặp huấn luyện, vượt trội hơn so với DenseNet201 đạt 89,1% và CovidNet đạt 86,5%.
• Tốc độ hội tụ của thuật toán FedAvg diễn ra rất nhanh và ổn định, giá trị hàm mất mát giảm mạnh từ 0,65 ở vòng 1 xuống dưới 0,22 ở vòng 3 trên toàn bộ các nút máy trạm.
• So sánh giữa học máy tập trung và học liên kết cho thấy sự chênh lệch độ chính xác chỉ dao động từ 1,5% đến 2,0%, trong khi học liên kết duy trì được độ nhạy lâm sàng vượt 93,2% và bảo mật tuyệt đối 100% hồ sơ bệnh nhân.
• Khả năng mở rộng đa nguồn của hệ thống được chứng minh khi gia tăng số lượng nút phân tán, sai số giữa mô hình liên kết và mô hình tập trung luôn duy trì ổn định dưới ngưỡng 0,05.

Thảo luận kết quả

Hiệu năng ấn tượng của mô hình VGG19 bắt nguồn từ khả năng trích xuất đặc trưng không gian đa cấp độ, giúp nhận diện rõ nét các tổn thương đông đặc và viêm nhiễm phế nang do virus SARS-CoV-2 gây ra. Kết quả này tương thích với các công bố quốc tế gần đây của các nhóm nghiên cứu hàng đầu về ứng dụng học liên kết trong xử lý ảnh X-quang ngực, khẳng định tính đúng đắn của phương pháp đề xuất.

Dữ liệu nghiên cứu được biểu diễn trực quan qua hệ thống biểu đồ đường thể hiện sự suy giảm tuyến tính của hàm Loss và sự gia tăng của thông số Accuracy qua từng vòng huấn luyện. Bên cạnh đó, ma trận nhầm lẫn 2x2 thể hiện rõ tỷ lệ phân loại chính xác giữa các ca nhiễm bệnh và người bình thường, hạn chế tối đa tình trạng âm tính giả. Việc triển khai các bảng số liệu so sánh chi tiết các chỉ số Precision, Recall và F1-Score giữa các vòng lặp khẳng định mô hình không chỉ đạt độ chính xác cao mà còn có độ tin cậy vượt trội khi ứng dụng vào môi trường y tế thực tiễn.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đưa ra 4 nhóm giải pháp cụ thể:

• Thiết lập hệ thống chẩn đoán hình ảnh phân tán ứng dụng học liên kết tại các bệnh viện đa khoa tuyến tỉnh và trung ương, hướng tới mục tiêu kết nối tối thiểu 10 cơ sở y tế và xử lý hơn 5.000 ca chụp X-quang mỗi ngày với độ trễ phản hồi dưới 3 giây, hoàn thành triển khai trong vòng 6 đến 12 tháng tới do Cục Công nghệ thông tin thuộc Bộ Y tế chủ trì.
• Chuẩn hóa quy trình tiền xử lý và lọc nhiễu tự động cho ảnh X-quang tại các máy trạm cục bộ, nâng tỷ lệ dữ liệu hợp lệ đạt 98% trước khi đưa vào huấn luyện mô hình, thực hiện trong quý II năm 2024 bởi đội ngũ kỹ thuật viên chẩn đoán hình ảnh và kỹ sư công nghệ thông tin bệnh viện.
• Tích hợp các thuật toán tối ưu hóa nâng cao như FedProx và FedOpt vào kiến trúc máy chủ trung tâm nhằm cải thiện thêm từ 3% đến 5% độ chính xác trong bối cảnh dữ liệu giữa các bệnh viện có độ lệch phân phối lớn, lộ trình nghiên cứu thực hiện trong giai đoạn 2024 đến 2025 bởi các nhóm nghiên cứu trí tuệ nhân tạo chuyên sâu.
• Ban hành hướng dẫn kỹ thuật và khung quy chuẩn an toàn thông tin y tế cho các hệ thống AI phân tán, đảm bảo tuân thủ 100% quy định pháp luật về bảo vệ dữ liệu cá nhân theo Nghị định 13/2023/NĐ-CP tại Việt Nam, triển khai ngay trong năm 2024 bởi cơ quan quản lý y tế và an ninh mạng.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cho 4 nhóm đối tượng:

• Học viên cao học, nghiên cứu sinh và giảng viên chuyên ngành Hệ thống thông tin và Khoa học máy tính: Tiếp cận tài liệu tham khảo chi tiết về cách xây dựng kiến trúc học liên kết từ nền tảng, cơ chế hoạt động của thuật toán FedAvg, SGD và phương pháp tích hợp học chuyển tiếp trên ảnh y tế.
• Bác sĩ chuyên khoa chẩn đoán hình ảnh và nhân viên y tế: Nắm bắt nguyên lý hỗ trợ chẩn đoán tự động từ ảnh X-quang với độ chính xác trên 92%, giúp tiết kiệm hơn 50% thời gian đọc phim và hỗ trợ ra quyết định lâm sàng nhanh chóng trong các tình huống khẩn cấp.
• Kỹ sư phát triển phần mềm và kiến trúc sư hệ thống AI: Tham khảo thiết kế hệ thống phân tán Client-Server để tích hợp module AI vào các hệ thống quản lý bệnh viện như PACS hay HIS mà không vi phạm quy định bảo mật thông tin.
• Lãnh đạo cơ sở y tế và các nhà hoạch định chính sách chuyển đổi số: Có cơ sở dữ liệu thực chứng để xây dựng mạng lưới chia sẻ tri thức y khoa liên viện giữa hơn 30 đơn vị y tế mà không lo ngại rủi ro rò rỉ dữ liệu cá nhân của người bệnh.

Câu hỏi thường gặp

Học tập liên kết khác biệt như thế nào so với học máy truyền thống trong chẩn đoán y tế?

Thay vì thu thập toàn bộ dữ liệu ảnh X-quang nhạy cảm của hàng nghìn bệnh nhân về một máy chủ trung tâm, học liên kết đưa mô hình đến đào tạo trực tiếp tại các máy trạm của từng bệnh viện. Hệ thống chỉ truyền tải các tham số trọng số mô hình đã được mã hóa về máy chủ, giúp bảo vệ 100% quyền riêng tư của hồ sơ bệnh án theo tiêu chuẩn quốc tế.

Vì sao mô hình VGG19 lại đạt hiệu năng tốt hơn CovidNet và DenseNet201 trong nghiên cứu này?

Mạng VGG19 sở hữu 16 lớp tích chập với các bộ lọc kích thước nhỏ 3x3 đồng nhất, giúp nắm bắt tối ưu các đặc trưng tổn thương nhu mô phổi mờ nhạt trên ảnh xám. Kết quả thực nghiệm cho thấy VGG19 đạt độ chính xác trên 92,4% và hội tụ nhanh sau 3 vòng lặp, ổn định hơn so với kiến trúc nhiều nhánh phức tạp của DenseNet201 hay CovidNet trên bộ dữ liệu khảo sát.

Cơ chế tính toán của thuật toán FedAvg diễn ra như thế nào tại máy chủ trung tâm?

Thuật toán FedAvg tổng hợp các vector tham số gửi về từ các máy trạm sau khi hoàn thành số vòng huấn luyện cục bộ bằng thuật toán SGD. Máy chủ tính trung bình cộng các trọng số theo tỷ lệ số lượng mẫu dữ liệu của từng trạm, giúp cập nhật mô hình toàn cục với độ lệch tham số tối ưu duy trì dưới mức 0,05 qua từng vòng lặp.

Ảnh chụp X-quang phổi có thể thay thế hoàn toàn xét nghiệm sinh học phân tử RT-PCR không?

Chụp X-quang không thể thay thế hoàn toàn RT-PCR vì RT-PCR là tiêu chuẩn vàng phát hiện vật liệu di truyền RNA của virus. Tuy nhiên, X-quang phổi cho kết quả nhanh trong vòng 5 phút với chi phí tiết kiệm hơn khoảng 60% so với RT-PCR, đóng vai trò công cụ sàng lọc diện rộng và phân loại mức độ tổn thương phổi vô cùng hiệu quả trong thực tế.

Mô hình học liên kết đề xuất có thể mở rộng cho các bệnh lý đường hô hấp khác không?

Hệ thống hoàn toàn có thể mở rộng cho các bệnh lý khác như viêm phổi vi khuẩn, lao phổi hoặc tổn thương phổi mạn tính qua ảnh CT và X-quang. Bằng cách áp dụng học chuyển tiếp và huấn luyện lại lớp phân loại cuối cùng, mô hình có thể đạt độ chính xác trên 88% cho các bài toán chẩn đoán đa phân lớp.

Kết luận

• Xây dựng thành công giải pháp chẩn đoán COVID-19 qua ảnh X-quang lồng ngực ứng dụng mô hình học tập liên kết bảo mật cao.
• Tích hợp hiệu quả phương pháp học chuyển tiếp với mạng nơ-ron VGG19, đạt độ chính xác phân loại vượt 92,4% và F1-Score đạt 91,8%.
• Tối ưu hóa quá trình huấn luyện phân tán bằng thuật toán FedAvg và SGD, giúp mô hình toàn cục hội tụ ổn định chỉ sau 3 vòng lặp.
• Giải quyết triệt để bài toán bảo mật dữ liệu y tế nhạy cảm, đáp ứng trọn vẹn các hành lang pháp lý trong nước và quốc tế.
• Tạo tiền đề công nghệ vững chắc để mở rộng mạng lưới chẩn đoán thông minh cho nhiều cơ sở y tế và các loại bệnh lý hô hấp phức tạp.

Đóng góp then chốt của luận văn là chứng minh tính khả thi của việc huấn luyện mô hình trí tuệ nhân tạo y khoa phân tán mà không cần chia sẻ dữ liệu bệnh nhân, phá vỡ rào cản chia sẻ dữ liệu y tế tại Việt Nam. Trong lộ trình 2024 đến 2026, hướng nghiên cứu tiếp theo sẽ tập trung mở rộng quy mô thử nghiệm lên 10 bệnh viện và tích hợp đa dạng các loại ảnh chụp cắt lớp vi tính. Các đơn vị y tế và chuyên gia công nghệ có thể ứng dụng ngay kiến trúc này để nâng cao chất lượng chẩn đoán và đẩy mạnh chuyển đổi số y tế an toàn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU 1.1 Tầm quan trọng của ảnh trong lĩnh vực y khoa Hình ảnh đóng vai trò quan trọng mọi mặt của đời sống con người. Trong đó thì ảnh trong lĩnh vực y khoa là một trong số những ứng dụng quan trọng bậc nhất của ảnh. Y học là ngành khoa học chứng cứ. Do đó, ảnh y khoa như X quang, MRI, siêu âm vô cùng quan trọng trong y khoa hiện đại.

Ảnh y khoa được dùng để đọc, phân tích kết quả và từ kết quả đó bác sỹ sẽ đưa ra kết quả chẩn đoán bệnh của bệnh nhân thông qua hình ảnh đã được chụp của bệnh nhân. Với việc khoa học kỹ thuật ngày càng phát triển thì đã có rất nhiều ứng dụng hỗ trợ dễ dàng giúp bác sĩ phân tích các hình ảnh y học nhanh và chuẩn xác hơn rất nhiều. Ví dụ chẩn đoán nhờ máy tính hỗ trợ chẩn đoán và phát hiện các loại bệnh về ung thư rất nhanh và chính xác. Trong những năm gần đây thì phát hiện bệnh COVID-19 bằng hình ảnh xquang đã trở thành một trong những nghiên cứu được các nhà khoa học tập trung nghiên cứu và đạt được nhiều thành tựu nhất định.2 Tổng quan về COVID-19 COVID-19, còn được gọi là bệnh viêm đường hô hấp cấp do coronavirus 2019 (SARS-CoV-2), là một đại dịch toàn cầu gây ra bởi một loại virus mới.

Dịch bệnh này đã có một tác động lớn đối với sức khỏe cộng đồng và kinh tế trên toàn thế giới. Dựa theo số liệu cung cấp của Bộ Y tế Việt Nam 2 và tổ chức y tế thế giới WHO3 thống kê tình hình COVID-19 của Việt Nam và trên thế giới được thể hiện bằng biểu đồ: 2 https://covid19.vn/ 3 https://www.int/ 7 Thống kê Covid-19 771,820,937 764,842,762 6,978,175 SỐ CA NHIỄM SỐ CA KHỎI SỐ CA TỬ VONG Hình 1.1 Thống kê số liệu dịch bệnh COVID-19 trên thế giới Thống kê Covid-19 Việt Nam 11,619,990 10,639,962 43,206 SỐ CA NHIỄM SỐ CA KHỎI SỐ CA TỬ VONG Hình 1.2 Thống kê số liệu dịch bệnh COVID-19 ở Việt Nam Xét nghiệm RT-PCR: Xét nghiệm RT-PCR là phương pháp phổ biến và chính xác nhất để phát hiện virus SARS-CoV-2. RT-PCR (Reverse Transcription Polymerase Chain Reaction) cho phép xác định chất di truyền (RNA) của virus trong mẫu họng hoặc mẫu bã nhầy. Trong quá trình này, chúng sao chép và nhân bản DNA của virus để xác định sự hiện diện của nó.

Đây được coi là phương pháp tiêu chuẩn để phát hiện bệnh trong giai đoạn sớm.3 Xét nghiệm RT-PCR4 Hình ảnh X-quang phổi: có giá trị trong việc phát hiện, chẩn đoán bệnh, đánh giá mức độ nặng, đánh giá các biến chứng hô hấp, theo dõi đáp ứng điều trị và chẩn đoán phân biệt. Tuy nhiên, nếu chỉ dựa trên hình ảnh X-quang, rất khó để chẩn đoán phân biệt giữa viêm phổi do virus với một số căn nguyên khác, do vậy phải kết hợp với đặc điểm dịch tễ, biểu hiện lâm sàng để đưa ra chẩn đoán phù hợp.4 Chụp Xquang phổi5 So sánh ưu nhược điểm của từng phương pháp phát hiện bệnh COVID-19: 4 https://hcdc.vn/xet-nghiem-chan-doan-nhiem-covid--19-duoc-thuc-hien-ra-sao- f49f5c391e0efc1637ae8d51f9fb3e13.html 5 https://bvlvpqn.vn/chup-xquang-phoi/ 9 Bảng 1.1 So sánh ưu nhược điểm của các phương pháp phát hiện Covid-19 Xét nghiệm RT-PCR Chụp X-quang phổi Ưu - Độ chính xác cao: PCR được coi là - Nhanh chóng: Chụp X-quang điểm phương pháp chẩn đoán đáng tin cậy phổi chỉ mất vài phút để hoàn nhất để phát hiện vi-rút SARS-CoV- thành và kết quả có thể được đọc 2. ngay lập tức. - Phát hiện sớm: Xét nghiệm PCR có - Sử dụng rộng rãi: Chụp X- thể phát hiện SARS-CoV-2 ngay từ quang phổi là một phương pháp giai đoạn sớm sau khi nhiễm bệnh, phổ biến, dễ tiếp cận và đã được ngay cả khi người bệnh không có sử dụng trong thực tế y tế từ lâu.

- Xác định tổn thương phổi: - Đánh giá tình trạng nhiễm trùng: Chụp X-quang phổi có thể phát PCR có thể xác định liệu một người hiện những tổn thương phổi đặc nhiễm bệnh có khả năng lây nhiễm trưng của COVID-19 như viêm cho người khác hay không. phổi, phổi bị tổn thương và tăng - Phân loại chủng vi-rút: PCR cho cường hình thành màng bóng. phép phân loại chủng vi-rút và theo - Chi phí thấp dõi sự biến đổi của vi-rút qua thời gian. 10 Nhược Thời gian xét nghiệm: Kết quả PCR - Độ chính xác thấp: Chụp X- điểm mất thời gian từ vài giờ đến vài ngày quang phổi không phải là để hoàn thành, phụ thuộc vào quy phương pháp chẩn đoán chính trình xét nghiệm và năng lực đáp ứng xác nhất cho COVID-19.

Nó chỉ của phòng thí nghiệm. cho thấy tổn thương phổi mà - Độ phức tạp: Xét nghiệm PCR đòi không xác định chính xác hỏi phòng thí nghiệm chuyên dụng nguyên nhân. và nhân viên có kỹ năng đào tạo để - Khả năng giới hạn: Chụp X- thực hiện quy trình phức tạp. quang phổi không phát hiện - Chi phí: Xét nghiệm PCR có chi phí được những trường hợp nhiễm cao hơn so với một số phương pháp vi-rút nhẹ hoặc không có triệu khác, đặc biệt là trong trường hợp xét chứng.

nghiệm hàng loạt lớn. - Tia X-quang: Chụp X-quang phổi sử dụng tia X-quang, có tiềm năng gây hại cho sức khỏe nếu được sử dụng quá thường xuyên hoặc không cần thiết.3 Tầm quan trọng của việc phát hiện sớm Covid-19 Phát hiện sớm COVID-19 có tầm quan trọng đặc biệt trong cuộc chiến chống dịch bệnh và quản lý sức khỏe cộng đồng vì nó mang lại nhiều lợi ích quan trọng: Ngăn chặn sự lây lan của virus: Phát hiện sớm giúp cách ly người nhiễm bệnh một cách nhanh chóng, ngăn chặn sự lây lan của virus và giảm nguy cơ lây truyền cho người khác. Điều này đặc biệt quan trọng trong việc kiểm soát dịch bệnh và ngăn chặn các làn sóng lây truyền. Cải thiện điều trị và nâng cao tỷ lệ khỏi bệnh: Phát hiện sớm giúp người bệnh có cơ hội tiếp cận chăm sóc y tế và điều trị sớm hơn.

Điều này cải thiện tỷ lệ sống và giảm nguy cơ phát triển các triệu chứng nặng nề. 11 Bảo vệ cộng đồng: Phát hiện sớm cho phép cách ly và theo dõi các trường hợp tiếp xúc, giúp ngăn chặn dịch bệnh lây truyền trong cộng đồng. Điều này đóng góp vào việc bảo vệ sức khỏe của người dân và giảm áp lực lên hệ thống y tế. Tránh quá tải hệ thống y tế: Phát hiện sớm giúp tránh quá tải hệ thống y tế, đặc biệt trong bối cảnh dịch bệnh bùng phát.

Điều này đảm bảo rằng người bệnh có thể nhận được chăm sóc y tế kịp thời và hiệu quả. Hạn chế tổn thất kinh tế và xã hội: Phát hiện sớm giúp hạn chế sự lan rộng của dịch bệnh, giúp giảm tổn thất kinh tế và xã hội. Điều này có lợi ích lớn đối với nền kinh tế và cuộc sống hàng ngày của mọi người. Nghiên cứu và phát triển thuốc và vắc-xin: Phát hiện sớm cung cấp dữ liệu quan trọng cho các nghiên cứu và phát triển thuốc và vắc-xin, giúp tìm ra giải pháp hiệu quả để đối phó với COVID-19.

Tóm lại, phát hiện sớm COVID-19 là một phần quan trọng trong chiến dịch chống dịch bệnh và bảo vệ sức khỏe cộng đồng. Điều này giúp kiểm soát sự lây lan của virus, giảm tỷ lệ nhiễm bệnh nặng và tỷ lệ tử vong, và đảm bảo tính bền vững của hệ thống y tế và xã hội. Ứng dụng trí tuệ nhân và học máy được dùng để phân tích dữ liệu y tế và dữ liệu lâm sàng từ hàng triệu người để phát hiện các mẫu bệnh nhiễm bệnh và xu hướng bệnh, từ đó dự đoán sự lây truyền của COVID-19 và xác định các trường hợp nhiễm bệnh tiềm năng. Các ứng dụng của công nghệ thông tin trong việc phát hiện sớm COVID-19 đóng vai trò quan trọng trong việc nâng cao khả năng quản lý dịch bệnh, giảm nguy cơ lây lan và bảo vệ sức khỏe cộng đồng.4 Các hướng tiếp cận và giải quyết bài toán Đại dịch COVID-19 đã gây ra thiệt hại liên tục đối với sức khỏe và nền kinh tế của con người trên toàn cầu.

Do đó, nghiên cứu về việc phát hiện và chẩn đoán bệnh nhân COVID-19 có ý nghĩa rất lớn [5], [6]. Triệu chứng lâm sàng của viêm phổi nhiễm COVID-19 chủ yếu là sốt, lạnh, ho khô và đau toàn thân. Một số ít bệnh nhân có triệu chứng bụng. Có những bệnh nhân không có bất kỳ triệu chứng 12 nào.

Do đó, cần phải kiểm tra cho toàn dân càng sớm càng tốt. Một bước quan trọng trong việc đánh giá và điều trị COVID-19 là sàng lọc hiệu quả cho bệnh nhân có dấu hiệu nghi nhiễm để giảm tải áp lực cho hệ thống y tế. Một trong những phương pháp sàng lọc hiệu quả chẩn đoán dựa trên hình ảnh chụp X-quang phổi. Công nghệ thị giác máy tính và học máy đóng vai trò quan trọng trong phương pháp này.

Hiện nay, trí tuệ nhân tạo, đặc biệt là học sâu, đã trở thành một công nghệ quan trọng cho các ứng dụng y học được hỗ trợ bởi máy tính và đã đạt được kết quả đáng kinh ngạc trong hình ảnh y học. Học sâu đã đóng góp lớn vào việc phân loại chẩn đoán chụp X-quang phổi trong lĩnh vực y học và trở thành một công cụ hiệu quả giúp bác sĩ đánh giá và phân tích tình trạng. Để có một mô hình sâu chính xác và mạnh mẽ, yếu tố cốt lõi là dữ liệu huấn luyện phong phú và đa dạng. Tuy nhiên, vì sự bảo vệ và tôn trọng quyền riêng tư của bệnh nhân, dữ liệu liên quan đến y tế cụ thể của bệnh viện không cho phép rò rỉ và nghiên cứu công khai.

Thu thập dữ liệu huấn luyện như vậy đã là một thách thức lớn. Đến một mức độ nào đó, điều này đã gây ra sự thiếu hụt các mẫu dữ liệu đủ khi thực hiện các phương pháp học sâu để phát hiện COVID-19. Mô hình học liên kết là một giải pháp để giải quyết vấn đề này. Trong luận văn này đề xuất sử dụng mô hình học liên kết cho việc huấn luyện dữ liệu COVID-19 và triển khai các kiểm nghiệm để kết quả tối ưu.1 Phương pháp học máy Khi dịch COVID-19 bùng phát, các thuật toán học máy ban đầu được sử dụng chủ yếu.

Ban đầu, những thuật toán này chỉ được dùng để phân tích sự lây lan của COVID-19 theo địa lý và khu vực. Tuy nhiên, hiện nay, các phương pháp học máy không chỉ dự đoán COVID-19 dựa trên dữ liệu lâm sàng và xét nghiệm, mà còn có thể sử dụng để nghiên cứu các khía cạnh phức tạp khác của bệnh.