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

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.

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.