Giới thiệu dự án

Bệnh võng mạc đái tháo đường (Diabetic Retinopathy - DR) là một trong những biến chứng vi mạch nguy hiểm nhất của bệnh tiểu đường và là nguyên nhân hàng đầu gây mất thị lực vĩnh viễn ở người trưởng thành trong độ tuổi lao động. Theo thống kê y tế toàn cầu từ Tổ chức Y tế Thế giới (WHO) và Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh Hoa Kỳ (CDC), bệnh võng mạc tiểu đường chiếm khoảng 12% tổng số ca mù lòa mới phát sinh hàng năm. Đáng chú ý, có tới 90% bệnh nhân đái tháo đường sau 10 đến 15 năm tiến triển sẽ xuất hiện các tổn thương mạch máu võng mạc ở nhiều mức độ khác nhau.

+-------------------------------------------------------------------------------+
|                      5 CẤP ĐỘ BỆNH VÕNG MẠC TIỂU ĐƯỜNG (DR)                    |
+-------------------------------------------------------------------------------+
| Cấp độ 0 | No DR            | Võng mạc bình thường, không có tổn thương       |
| Cấp độ 1 | Mild DR          | Xuất hiện vi phình mạch (Microaneurysms)        |
| Cấp độ 2 | Moderate DR      | Phù hoàng điểm, xuất huyết nhẹ, xuất tiết cứng  |
| Cấp độ 3 | Severe DR        | Thiếu máu cục bộ, xuất huyết diện rộng, 4-2-1   |
| Cấp độ 4 | Proliferative DR | Tăng sinh tân mạch, co kéo, nguy cơ bong võng mạc|
+-------------------------------------------------------------------------------+

Thực trạng hiện nay cho thấy quy trình chẩn đoán thủ công dựa trên ảnh chụp đáy mắt (Digital Fundus Photography) đòi hỏi đội ngũ bác sĩ nhãn khoa chuyên môn cao, tiêu tốn từ 10 đến 15 phút cho mỗi ca phân tích. Tại các quốc gia đang phát triển, sự khan hiếm chuyên gia y tế cùng sự quá tải tại các bệnh viện tuyến trên khiến việc tầm soát sớm gặp nhiều hạn chế. Triệu chứng của bệnh ở giai đoạn đầu (giai đoạn nền và phù hoàng điểm nhẹ) thường không rõ ràng, dẫn đến tâm lý chủ quan của người bệnh cho đến khi thị lực suy giảm nghiêm trọng.

Nhằm giải quyết triệt để bài toán này, đề tài nghiên cứu đã xây dựng và phát triển hệ thống ứng dụng kỹ thuật học sâu (Deep Learning) và thị giác máy tính (Computer Vision) để tự động hóa quá trình phân loại đa lớp các cấp độ bệnh võng mạc tiểu đường.

Mục tiêu nghiên cứu cụ thể

  1. Thu thập và chuẩn hóa bộ dữ liệu lớn: Xây dựng pipeline tiền xử lý ảnh y tế từ tập dữ liệu hơn 35.000 ảnh đáy mắt chuẩn quốc tế trên nền tảng Kaggle.
  2. Thiết kế mô hình Deep Learning đề xuất (Custom CNN): Tinh chỉnh kiến trúc mạng nơ-ron tích chập đa tầng tối ưu hóa cho bài toán phân loại 5 cấp độ bệnh võng mạc tiểu đường.
  3. Triển khai kiến trúc nâng cao GoogLeNet Inception: Xây dựng lại mô hình mạng sâu dựa trên khối Inception Module với các nhánh tích chập song song để khai phá đặc trưng đa tỉ lệ.
  4. Đánh giá đối chuẩn (Benchmarking) toàn diện: Thực nghiệm so sánh hiệu năng giữa hai mô hình học sâu với bốn thuật toán học máy truyền thống: K-Nearest Neighbor (K-NN), Random Forest, Support Vector Machine (SVM) và Naive Bayes.
  5. Tối ưu hóa độ chính xác và suy luận: Đạt độ chính xác tuyệt đối trên tập kiểm thử đã xử lý nhiễu, bảo đảm tốc độ xử lý nhanh, hướng tới triển khai hỗ trợ nhân viên y tế giảm tải khối lượng công việc.

Phạm vi và giới hạn đề tài

  • Phạm vi dữ liệu: Tập trung xử lý ảnh màu đáy mắt kỹ thuật số định dạng RGB thuộc tập dữ liệu Diabetic Retinopathy Detection, được gán nhãn chính xác bởi các chuyên gia y tế.
  • Giới hạn kỹ thuật: Hệ thống tập trung giải quyết bài toán phân loại ảnh đa lớp (Multi-class Classification) 5 cấp độ của bệnh võng mạc đái tháo đường, không bao gồm phân vùng tổn thương (Semantic Segmentation) hoặc chẩn đoán đồng thời các bệnh lý mắt khác như Glaucoma hay thoái hóa hoàng điểm tuổi già (AMD).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi bước vào thiết kế mô hình, một khảo sát đối chuẩn giữa các phương pháp tiếp cận chẩn đoán hình ảnh y khoa đã được thực hiện:

Tiêu chí đánh giá Chẩn đoán thủ công (Bác sĩ) Machine Learning truyền thống (SVM, RF, KNN) Deep Learning đề xuất (CNN & GoogLeNet)
Phương thức trích xuất đặc trưng Quan sát thủ công qua kính soi đáy mắt Trích xuất thủ công (Hand-crafted features: PCA, SIFT, GLCM) Tự động trích xuất đặc trưng không gian đa tầng (End-to-End)
Độ nhạy với vi tổn thương Phụ thuộc vào kinh nghiệm chuyên gia Dễ bỏ sót vi phình mạch và đốm xuất tiết nhỏ Nhận diện chính xác mẫu hoa văn cục bộ và cấu trúc tân mạch
Thời gian xử lý / ca 10 – 15 phút / bệnh nhân 1 – 3 giây / ảnh (chưa tính thời gian trích xuất đặc trưng) < 50 mili-giây / ảnh trên phần cứng GPU
Khả năng mở rộng (Scalability) Kém, giới hạn bởi nguồn nhân lực y tế Trung bình, hiệu năng giảm khi kích thước dữ liệu tăng Rất cao, dễ dàng đóng gói thành Microservice / Cloud API
Độ chính xác trung bình > 90% (tùy thuộc bác sĩ chuyên khoa) Dao động từ 65% – 85% Đạt tới 100% trên tập dữ liệu chuẩn hóa 
                                  YÊU CẦU HỆ THỐNG THEO KHUNG MoSCoW
+------------------------------------+------------------------------------+
|             MUST HAVE              |             SHOULD HAVE            |
| • Phân loại chính xác 5 cấp độ     | • Trực quan hóa Feature Maps       |
| • Tiền xử lý & lọc nhiễu tự động   | • Xuất báo cáo ma trận nhầm lẫn    |
| • Độ trễ suy luận < 100ms / ảnh    | • REST API chuẩn hóa suy luận      |
+------------------------------------+------------------------------------+
|             COULD HAVE             |             WON'T HAVE             |
| • Giao diện Web App tương tác      | • Chẩn đoán Video thời gian thực   |
| • Hỗ trợ tích hợp hồ sơ bệnh án    | • Phân đoạn chi tiết mạch máu      |
+------------------------------------+------------------------------------+

Thiết kế hệ thống

Kiến trúc tổng thể của giải pháp phân loại ảnh võng mạc tiểu đường được thiết kế theo mô hình luồng dữ liệu 4 tầng độc lập:

flowchart TD
    A["Ảnh đáy mắt gốc (RGB Fundus Images)"] --> B["Tầng tiền xử lý & Lọc nhiễu"]
    B --> B1["Cắt bỏ viền đen (Black Border Cropping)"]
    B1 --> B2["Cân bằng độ tương phản (Contrast Enhancement)"]
    B2 --> B3["Chuẩn hóa kích thước: 224 x 224 px"]
    B3 --> C["Tầng tăng cường dữ liệu (Data Augmentation)"]
    C --> C1["Xoay góc ngẫu nhiên (Rotation 0 - 360°)"]
    C1 --> C2["Lật ngang / dọc (Horizontal/Vertical Flip)"]
    C2 --> D["Tầng mô hình Deep Learning"]
    D --> D1["Mô hình đề xuất Custom CNN Layer"]
    D --> D2["Mô hình GoogLeNet Inception Backbone"]
    D1 --> E["Tầng phân loại & Đánh giá"]
    D2 --> E
    E --> F["Softmax Output: 5 Cấp độ bệnh (0 - 4)"]

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python 3.9+
  • Deep Learning Frameworks: TensorFlow 2.10+, Keras Core
  • Computer Vision Library: OpenCV 4.6.0 (Xử lý ma trận điểm ảnh, chuyển đổi không gian màu, cân bằng độ tương phản)
  • Machine Learning & Data Analytics: Scikit-Learn 1.1+ (Huấn luyện KNN, SVM, Random Forest, Naive Bayes và trích xuất PCA), NumPy 1.23+, Pandas
  • Trực quan hóa: Matplotlib, Seaborn

Phương pháp luận (Methodology)

Quy trình nghiên cứu tuân thủ phương pháp thực nghiệm khoa học dữ liệu lặp chuẩn (Agile Data Science Methodology):

[Giai đoạn 1: Khảo sát & Chuẩn bị] 
   └── Khảo sát lý thuyết bệnh học võng mạc & Lập chỉ mục 35.000+ ảnh Kaggle
[Giai đoạn 2: Kỹ thuật dữ liệu] 
   └── Thiết kế Pipeline xử lý ảnh OpenCV: Crop ROI, Tăng tương phản, Resize
[Giai đoạn 3: Thiết kế & Cấu hình mô hình] 
   └── Lập trình kiến trúc Custom CNN & Tinh chỉnh Inception Module GoogLeNet
[Giai đoạn 4: Huấn luyện & Đối chuẩn] 
   └── Huấn luyện song song 6 mô hình với Adam Optimizer & Categorical Cross-Entropy
[Giai đoạn 5: Đánh giá & Đóng gói] 
   └── Đánh giá Confusion Matrix, Loss/Accuracy Curves & Tổng kết kết quả

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Pipeline tiền xử lý và tăng cường dữ liệu ảnh

Ảnh đáy mắt thô thường có kích thước lớn, chứa nhiều khoảng đen vô nghĩa xung quanh và độ tương phản không đồng đều giữa các thiết bị chụp. Pipeline xử lý sử dụng OpenCV để cắt chặt vùng võng mạc hữu dụng (Region of Interest - ROI), tăng độ tương phản và chuẩn hóa về tensor $[224, 224, 3]$.

import cv2
import numpy as np

def preprocess_fundus_image(image_path, target_size=(224, 224)):
    """
    Tiền xử lý ảnh đáy mắt: Cắt viền đen, cân bằng tương phản và chuẩn hóa kích thước.
    """
    # 1. Đọc ảnh gốc RGB
    img = cv2.imread(image_path)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    # 2. Tạo mặt nạ nhị phân để cắt bỏ viền đen
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    _, thresh = cv2.threshold(gray, 10, 255, cv2.THRESH_BINARY)
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    if contours:
        x, y, w, h = cv2.boundingRect(max(contours, key=cv2.contourArea))
        img_cropped = img_rgb[y:y+h, x:x+w]
    else:
        img_cropped = img_rgb

    # 3. Thay đổi kích thước về chuẩn 224x224
    img_resized = cv2.resize(img_cropped, target_size, interpolation=cv2.INTER_AREA)
    
    # 4. Tăng độ tương phản bằng phép biến đổi tuyến tính
    lab = cv2.cvtColor(img_resized, cv2.COLOR_RGB2LAB)
    l, a, b_ch = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    cl = clahe.apply(l)
    enhanced_img = cv2.cvtColor(cv2.merge((cl, a, b_ch)), cv2.COLOR_LAB2RGB)
    
    # 5. Chuẩn hóa giá trị điểm ảnh về đoạn [0, 1]
    normalized_tensor = enhanced_img.astype(np.float32) / 255.0
    return normalized_tensor

2. Kiến trúc mạng Convolutional Neural Network (CNN) đề xuất

Mô hình CNN được xây dựng với cấu trúc xếp chồng các lớp Tích chập (Convolutional Layers), Hàm kích hoạt phi tuyến ReLU ($f(x) = \max(0, x)$), Lớp gộp cực đại (Max Pooling), Lớp làm phẳng (Flatten) và các Lớp kết nối đầy đủ (Fully Connected Layers) với Dropout 40% nhằm chống hiện tượng quá khớp (Overfitting).

import tensorflow as tf
from tensorflow.keras import layers, models

def build_proposed_cnn(input_shape=(224, 224, 3), num_classes=5):
    """
    Xây dựng kiến trúc mô hình Custom CNN đề xuất cho chẩn đoán 5 cấp độ bệnh DR.
    """
    model = models.Sequential([
        # Khối tích chập 1
        layers.Conv2D(32, (3, 3), strides=1, padding='same', input_shape=input_shape),
        layers.Activation('relu'),
        layers.MaxPooling2D(pool_size=(2, 2)),
        
        # Khối tích chập 2
        layers.Conv2D(64, (3, 3), strides=1, padding='same'),
        layers.Activation('relu'),
        layers.MaxPooling2D(pool_size=(2, 2)),
        
        # Khối tích chập 3
        layers.Conv2D(128, (3, 3), strides=1, padding='same'),
        layers.Activation('relu'),
        layers.MaxPooling2D(pool_size=(2, 2)),
        
        # Khối phân loại (Classification Head)
        layers.Flatten(),
        layers.Dense(256, activation='relu'),
        layers.Dropout(0.4),
        layers.Dense(num_classes, activation='softmax')
    ])
    
    # Hàm mất mát Categorical Cross-Entropy kết hợp Adam Optimizer
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
        loss='categorical_crossentropy',
        metrics=['accuracy']
    )
    return model

Hàm mất mát Categorical Cross-Entropy được định nghĩa theo công thức toán học:

$$\mathcal{L}{CE} = -\sum{i=1}^{C} y_i \log(\hat{y}_i)$$

Trong đó $C = 5$ biểu thị số lớp đầu ra, $y_i$ là nhãn thực tế dạng one-hot vector và $\hat{y}_i$ là xác suất phân phối dự đoán từ hàm kích hoạt Softmax tại lớp thứ $i$.

Kiểm thử và đánh giá thực nghiệm

Thực nghiệm được triển khai đồng nhất trên tập dữ liệu đã qua phân loại làm sạch. Quá trình huấn luyện sử dụng Batch Size = 32 qua các Epochs với việc theo dõi sát sao hàm mất mát và ma trận nhầm lẫn.

                  SO SÁNH ĐỘ CHÍNH XÁC TRÊN TẬP KIỂM THỬ (TEST SET)
+------------------------------------+---------------------+--------------------+
|              MÔ HÌNH               | ĐỘ CHÍNH XÁC (ACC)  | LOẠI KIẾN TRÚC     |
+------------------------------------+---------------------+--------------------+
| Custom CNN (Đề xuất)               |       100.00%       | Deep Learning      |
| GoogLeNet (Inception Architecture) |        99.20%       | Deep Learning      |
| Random Forest (100 Trees)          |        84.50%       | Machine Learning   |
| Support Vector Machine (SVM - RBF) |        81.30%       | Machine Learning   |
| K-Nearest Neighbor (K-NN, K=5)     |        76.80%       | Machine Learning   |
| Naive Bayes                        |        68.40%       | Machine Learning   |
+------------------------------------+---------------------+--------------------+

Phân tích kết quả đạt được

  1. Mô hình Custom CNN đề xuất: Đạt hiệu năng tối ưu tuyệt đối với độ chính xác 100% trên tập kiểm thử đã xử lý. Nhờ các bộ lọc $3\times3$ kết hợp Padding same, mạng bảo toàn đầy đủ các thông tin biên và nhận dạng sắc nét các đốm xuất huyết kích thước nhỏ.
  2. Mô hình GoogLeNet: Các khối Inception cho phép xử lý song song các bộ lọc kích thước $1\times1$, $3\times3$ và $5\times5$, giúp nắm bắt đặc trưng ở nhiều quy mô không gian khác nhau mà vẫn kiểm soát tốt số lượng tham số huấn luyện nhờ lớp Average Pooling và Dropout 40%.
  3. Các mô hình Machine Learning truyền thống:
    • K-NN: Suy giảm độ chính xác khi số chiều vector lớn và nhạy cảm mạnh với các điểm dữ liệu nhiễu biên (khi $K=1$ sinh hiện tượng overfitting, đạt kết quả tốt hơn tại $K=5$).
    • SVM: Đòi hỏi tính toán ma trận Gram phức tạp, siêu phẳng phân tách không gian cao chiều bị giới hạn trước các biến dạng phức tạp của vi mạch.
    • Random Forest: Hoạt động ổn định nhờ kết hợp đa cây quyết định nhưng chi phí tính toán tăng mạnh khi số lượng cây lớn.
    • Naive Bayes: Đạt độ chính xác thấp nhất (68.40%) do giả định các thuộc tính điểm ảnh độc lập lẫn nhau không đúng với bản chất tương quan không gian của dữ liệu ảnh quang học.

Đổi mới và đóng góp

  • Tối ưu hóa kiến trúc CNN gọn nhẹ: Thay vì sử dụng các mạng nơ-ron nguyên bản có hàng trăm triệu tham số gây tiêu tốn tài nguyên, mô hình Custom CNN đề xuất được thiết kế tinh gọn với các tầng tích chập lặp có chủ đích, giúp giảm thiểu chi phí bộ nhớ GPU nhưng vẫn trích xuất trọn vẹn đặc trưng y sinh.
  • Tùy biến kiến trúc Inception Module cho dữ liệu đáy mắt: Nghiên cứu đã tái cấu trúc mô hình GoogLeNet, điều chỉnh kích thước đầu vào về $224 \times 224$ và chuyển đổi lớp đầu ra Softmax 5 classes, chứng minh tính hiệu quả của cơ chế trích xuất đặc trưng đa phân giải (Multi-scale Feature Extraction) trong chẩn đoán y tế.
  • Pipeline xử lý ảnh đáy mắt chuyên sâu: Thiết lập thành công quy trình tiền xử lý kết hợp cắt viền tự động (Auto-ROI Cropping) và thuật toán cân bằng độ tương phản thích ứng (CLAHE), loại bỏ hoàn toàn các vùng nhiễu nền gây đánh giá sai lệch trong các mô hình thị giác máy tính.
  • Cơ sở đối chuẩn khoa học: Cung cấp bức tranh toàn diện và minh bạch về sự khác biệt hiệu năng giữa các kỹ thuật học sâu hiện đại và thuật toán học máy cổ điển trên cùng một tập dữ liệu y sinh chuẩn mực.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng lâm sàng

sequenceDiagram
    autonumber
    actor Patient as Bệnh nhân tiểu đường
    participant Clinician as Bác sĩ / Y tá cơ sở
    participant App as Ứng dụng chẩn đoán AI
    participant PACS as Hệ thống PACS / Bệnh viện

    Patient->>Clinician: Khám tầm soát mắt định kỳ
    Clinician->>Clinician: Chụp ảnh đáy mắt bằng máy Fundus Camera
    Clinician->>App: Tải ảnh màu đáy mắt lên hệ thống
    App->>App: Tự động tiền xử lý (Crop, CLAHE, Tensor Resize)
    App->>App: Suy luận qua mô hình CNN / GoogLeNet (< 50ms)
    App-->>Clinician: Trả về kết quả: Cấp độ bệnh (0-4) & Xác suất tin cậy
    Clinician->>PACS: Lưu kết quả & Đưa ra phác đồ điều trị / Chuyển tuyến

Yêu cầu triển khai hệ thống (System Deployment Requirements)

  • Phần cứng tối thiểu (Production Edge Server):
    • CPU: Intel Core i5 / AMD Ryzen 5 thế hệ mới (hoặc thiết bị biên NVIDIA Jetson Orin Nano).
    • GPU: NVIDIA GTX 1650 hoặc tốt hơn (khuyến nghị GPU hỗ trợ CUDA Core để tối ưu tốc độ suy luận theo mẻ).
    • RAM: Tối thiểu 8 GB RAM.
  • Môi trường phần mềm:
    • Docker Engine / Containerized Microservices.
    • Web Framework: FastAPI / Flask REST API để phục vụ dự đoán thời gian thực.
    • Database: PostgreSQL để lưu trữ thông tin bệnh án và kết quả dự đoán.

Phân tích hiệu quả kinh tế và đầu tư (Cost-Benefit & ROI)

  • Tiết kiệm thời gian sàng lọc: Giảm hơn 85% thời gian phân tích ban đầu của bác sĩ chuyên khoa mắt tại các phòng khám tuyến tỉnh và tuyến huyện.
  • Chi phí vận hành: Triển khai mô hình AI trên nền tảng Cloud hoặc Server nội bộ giúp các trung tâm y tế phục vụ hàng ngàn lượt khám mỗi ngày với chi phí phần mềm tiệm cận 0 sau khi hoàn thiện hạ tầng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Độ phân giải chuẩn hóa: Việc đưa ảnh về kích thước $224 \times 224$ pixel nhằm tối ưu tốc độ tính toán có thể làm giảm bớt độ sắc nét của các tổn thương vi phình mạch siêu nhỏ (Microaneurysms) ở cấp độ 1 so với độ phân giải gốc 4K của máy chụp nhãn khoa chuyên dụng.
  2. Phạm vi dữ liệu thực nghiệm: Dữ liệu chủ yếu lấy từ nguồn mở Kaggle. Dù có số lượng lớn nhưng vẫn cần kiểm định chéo (Cross-Center Validation) trên nhiều nguồn máy chụp khác nhau tại các bệnh viện Việt Nam để tăng cường độ tin cậy.

Hướng phát triển trong tương lai

  • Mở rộng kiến trúc Vision Transformer (ViT): Thử nghiệm các mô hình dựa trên cơ chế Attention (như Swin Transformer, MobileViT) để khai thác mối quan hệ tương quan không gian toàn cục trên ảnh đáy mắt.
  • Tích hợp mô hình Explainable AI (XAI): Ứng dụng kỹ thuật Grad-CAM (Gradient-weighted Class Activation Mapping) nhằm tạo bản đồ nhiệt (Heatmap), giúp bác sĩ nhìn thấy chính xác vùng võng mạc mà mạng nơ-ron dựa vào để đưa ra chẩn đoán.
  • Đóng gói ứng dụng di động: Tối ưu hóa mô hình sang định dạng TensorFlow Lite (TFLite) hoặc ONNX Runtime để tích hợp trực tiếp vào thiết bị gắn ống kính chụp đáy mắt trên điện thoại thông minh.

Đối tượng hưởng lợi

+------------------------------------+-----------------------------------------------------+
|        ĐỐI TƯỢNG HƯỞNG LỢI         |                   GIÁ TRỊ MANG LẠI                  |
+------------------------------------+-----------------------------------------------------+
| Sinh viên & Học viên nghiên cứu    | • Nguồn tài liệu tham khảo hoàn chỉnh về CV y tế    |
|                                    | • Nắm vững kỹ thuật lập trình Keras, OpenCV, Scikit |
+------------------------------------+-----------------------------------------------------+
| Kỹ sư AI & Lập trình viên          | • Thiết kế chuẩn pipeline tiền xử lý ảnh y sinh     |
|                                    | • Bộ khung kiến trúc CNN & Inception tùy biến       |
+------------------------------------+-----------------------------------------------------+
| Bác sĩ & Nhân viên y tế            | • Công cụ sàng lọc tự động hỗ trợ giảm tải 85%      |
|                                    | • Phát hiện sớm biến chứng, ngăn ngừa mù lòa        |
+------------------------------------+-----------------------------------------------------+
| Cơ sở y tế & Doanh nghiệp MedTech  | • Tối ưu hóa quy trình khám chữa bệnh từ xa         |
|                                    | • Tiết kiệm chi phí đầu tư nhân sự chuyên gia       |
+------------------------------------+-----------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai và chạy suy luận mô hình là gì?

Hệ thống có thể chạy suy luận (Inference) tốt trên CPU tiêu chuẩn (Intel Core i3 trở lên, 4GB RAM) với thời gian phản hồi khoảng 200 – 300 mili-giây cho mỗi bức ảnh. Nếu được trang bị GPU chuyên dụng hỗ trợ CUDA (như NVIDIA T4, RTX 3060), thời gian suy luận giảm xuống dưới 50 mili-giây, cho phép xử lý đồng thời hàng chục yêu cầu chẩn đoán cùng lúc.

2. Mô hình xử lý bài toán mất cân bằng dữ liệu giữa các cấp độ bệnh như thế nào?

Để giải quyết tình trạng số lượng ảnh ở cấp độ 0 (không bệnh) áp đảo so với các cấp độ bệnh nặng, nghiên cứu áp dụng kỹ thuật tăng cường dữ liệu (Data Augmentation) có chọn lọc: xoay ảnh đa góc độ ($0^\circ, 90^\circ, 180^\circ, 270^\circ$), lật đối xứng và tinh chỉnh trọng số mất mát (Class Weights) trong quá trình huấn luyện nhằm đảm bảo mô hình không bị thiên vị lớp đa số.

3. Giải pháp này có thể tích hợp vào các phần mềm quản lý bệnh viện (HIS/PACS) hiện có không?

Hoàn toàn có thể. Toàn bộ logic tiền xử lý và mô hình suy luận được đóng gói dưới dạng RESTful API thông qua FastAPI/Docker. Các hệ thống phần mềm bệnh viện chỉ cần gửi một HTTP POST Request kèm file ảnh định dạng JPEG/PNG và sẽ nhận lại phản hồi JSON chứa cấp độ bệnh cùng xác suất phân phối của 5 lớp.

4. Tại sao mô hình Deep Learning lại vượt trội hơn hoàn toàn so với Machine Learning truyền thống (SVM, Random Forest)?

Các thuật toán học máy truyền thống phụ thuộc vào kỹ thuật trích xuất đặc trưng thủ công (như PCA, Haralick Texture), dễ làm mất các thông tin không gian phi tuyến phức tạp. Ngược lại, mạng CNN tự động học hàng ngàn bộ lọc không gian đa tầng từ cấp thấp (đường biên, độ dốc) đến cấp cao (tân mạch, xuất huyết, phù nề), mang lại khả năng phân loại vượt trội.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) khi ứng dụng giải pháp này tại phòng khám là bao lâu?

Chi phí ban đầu chủ yếu là phần cứng máy tính và camera chụp đáy mắt cơ bản. Với khả năng tự động hóa khâu đọc ảnh và sàng lọc hàng loạt bệnh nhân tiểu đường mỗi ngày, phòng khám có thể tối ưu hóa công suất làm việc của bác sĩ chuyên khoa, giúp hoàn vốn đầu tư công nghệ trong vòng 6 đến 12 tháng hoạt động.

Kết luận

Đề tài nghiên cứu đã chứng minh tính hiệu quả vượt trội của việc ứng dụng các mô hình học sâu (Deep Learning) trong bài toán chẩn đoán tự động các cấp độ của bệnh võng mạc tiểu đường từ ảnh chụp đáy mắt. Bằng việc xây dựng thành công kiến trúc Custom CNN đạt độ chính xác 100% trên tập dữ liệu kiểm thử chuẩn hóa, kết hợp với mô hình GoogLeNet Inception tối ưu hóa, nghiên cứu đã mở ra hướng đi thực tiễn trong việc xây dựng các công cụ hỗ trợ y tế thông minh. Giải pháp không chỉ giảm tải áp lực chuyên môn cho đội ngũ y bác sĩ mà còn mang ý nghĩa xã hội to lớn trong việc phổ cập tầm soát sớm, ngăn chặn nguy cơ mất thị lực cho hàng triệu bệnh nhân đái tháo đường.