Giới thiệu dự án

Bệnh lý tim mạch hiện là nguyên nhân gây tử vong hàng đầu trên thế giới, cướp đi sinh mạng của khoảng 17,9 triệu người mỗi năm (theo thống kê của Tổ chức Y tế Thế giới - WHO). Trong đó, đột tử do tim chiếm gần 50% tổng số ca tử vong tim mạch, và có tới 80% trường hợp đột tử xuất phát từ các biến chứng nguy hiểm của rối loạn nhịp tim (như rung thất, nhịp nhanh thất). Tại khu vực Châu Âu và Bắc Mỹ, rung nhĩ ảnh hưởng trực tiếp đến 2% – 3% dân số.

Việc phát hiện và phân loại chính xác các dạng rối loạn nhịp tim trên tín hiệu điện tâm đồ (ECG - Electrocardiogram) đóng vai trò then chốt trong điều trị can thiệp sớm. Tuy nhiên, quy trình chẩn đoán lâm sàng hiện tại đang đối mặt với nhiều rào cản lớn:

  • Tính chủ quan và áp lực tâm lý: Chẩn đoán phụ thuộc phần lớn vào kinh nghiệm lâm sàng và trạng thái làm việc của bác sĩ chuyên khoa tim mạch, tiềm ẩn nguy cơ sai số do cảm tính.
  • Độ phức tạp và đa dạng của dữ liệu ECG: Một bản ghi ECG 12 đạo trình tiêu chuẩn chứa hàng trăm tham số sóng phức tạp ($P, Q, R, S, T$) và các khoảng thời gian biến thiên liên tục, rất dễ nhầm lẫn giữa các biến thể bệnh lý như nhồi máu cơ tim, block nhánh hay nhịp xoang bất thường.
  • Tình trạng quá tải hệ thống y tế: Số lượng chuyên gia phân tích điện tim tại các tuyến y tế cơ sở còn thiếu hụt trầm trọng, dẫn đến độ trễ trong cấp cứu và chẩn đoán ban đầu.
+-------------------------------------------------------------------------------+
|                             BÀI TOÁN CẤP THIẾT                                |
|  452 Ca bệnh | 279 Thuộc tính ECG | 16 Dạng bệnh lý -> Quá tải phân tích thủ công |
+-------------------------------------------------------------------------------+
                                      |
                                      v
+-------------------------------------------------------------------------------+
|                              GIẢI PHÁP ĐỀ XUẤT                                |
|  Mạng Neuron Đa Lớp (MLP) + Lan truyền ngược + Gán trọng số mức cấu trúc y sinh|
+-------------------------------------------------------------------------------+

Mục tiêu dự án

  1. Khảo sát và chuẩn hóa tập dữ liệu: Xử lý toàn diện bộ dữ liệu điện tâm đồ rối loạn nhịp tim chuẩn quốc tế (Arrhythmia Data Set từ Đại học Bilkent / UCI), chuyển vị ma trận, loại bỏ 17 thuộc tính không xác định và thu gọn từ 16 nhóm bệnh lý hiếm xuống 10 nhóm bệnh lý phổ biến có ý nghĩa lâm sàng.
  2. Thiết kế kiến trúc mạng neuron: Xây dựng mô hình Mạng Neuron Truyền Thẳng Đa Lớp (MultiLayer Perceptron - MLP) 2 lớp tối ưu hóa với thuật toán lan truyền ngược Gradient liên hợp (Conjugate Gradient Backpropagation).
  3. Phát triển phương pháp gán trọng số y sinh: Đề xuất kỹ thuật gán trọng số cho các thuộc tính đầu vào dựa trên 5 cấp độ cấu trúc cơ thể học (Cơ thể, Cơ quan chức năng, Mô, Tế bào, Phân tử) nhằm đánh giá độ nhạy của các nhóm đạo trình.
  4. Đánh giá và kiểm chứng định lượng: Huấn luyện, thẩm định và kiểm thử mô hình trên nền tảng MATLAB Neural Network Toolbox; so sánh hiệu năng trực tiếp với mô hình gốc trong các công bố khoa học quốc tế.

Phạm vi và giới hạn hệ thống

  • Tập dữ liệu áp dụng: 433 mẫu bản ghi bệnh nhân hoàn chỉnh với 262 thuộc tính tín hiệu điện tâm đồ đã qua chuẩn hóa vector.
  • Phạm vi phân loại: 10 lớp bệnh lý tim mạch, bao gồm: Nhịp tim bình thường, Bệnh động mạch vành (Ischemic changes), Nhồi máu cơ tim cấp thành trước, Nhồi máu cơ tim cấp thành dưới, Nhịp nhanh xoang, Nhịp chậm xoang, Block nhánh trái (LBBB), Block nhánh phải (RBBB), Rung nhĩ/Cuồng nhĩ (Atrial Fibrillation/Flutter) và Các loại bệnh khác.
  • Môi trường thực nghiệm: Nền tảng tính toán khoa học MATLAB R2019b/R2020a kết hợp Neural Network Toolbox (Deep Learning Toolbox).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Giải pháp hiện hữu Ưu điểm Nhược điểm Độ chính xác trung bình
Đọc ECG thủ công bởi bác sĩ Độ tin cậy lâm sàng cao, kết hợp được tiền sử bệnh Tốn thời gian, phụ thuộc yếu tố chủ quan, dễ sai sót khi quá tải 70% - 85% (tùy cấp bậc chuyên môn)
Hệ chuyên gia dựa trên luật (Rule-based) Tốc độ xử lý tức thì, giải thích logic rõ ràng Cứng nhắc, không thích nghi được với nhiễu và bất thường phi tuyến 60% - 68%
Mô hình Mạng Neuron MLP đề xuất Học tự động từ dữ liệu, xử lý song song, kháng nhiễu, phân loại đa lớp phức tạp Yêu cầu tiền xử lý dữ liệu chuẩn hóa chặt chẽ 76.20% - 77.15%

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc có): Module chuẩn hóa ma trận đầu vào $[0, 1]$, mạng MLP cấu trúc $262 \to \text{Hidden Layer} \to 10$, thuật toán huấn luyện Conjugate Gradient Backpropagation với hàm lỗi MSE.
  • Should have (Nên có): Cơ chế gán trọng số phân tầng cho các nhóm đạo trình (DI, DII, DIII, aVR, aVL, aVF, V1-V6) để phục vụ giải thích tính quan trọng của thuộc tính.
  • Could have (Có thể có): Giao diện đồ họa (GUI) cho phép nhập file ECG dạng .mat hoặc .csv và trực quan hóa ma trận nhầm lẫn (Confusion Matrix).
  • Won't have (Chưa thực hiện ở giai đoạn này): Phân tích tín hiệu ECG dạng sóng thời gian thực (Real-time Streaming) trực tiếp từ cảm biến phần cứng IoT.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo luồng dữ liệu 4 tầng độc lập, đảm bảo khả năng tối ưu hóa tính toán số học trên ma trận:

graph TD
    A["Dữ liệu ECG gốc (452x280)"] --> B["Tiền xử lý & Chuẩn hóa"]
    B --> C["Tập thuộc tính tinh gọn (262x433)"]
    C --> D["Phân tầng trọng số y sinh (Case 0 - Case 7)"]
    D --> E["Phân chia dữ liệu: Train (70%), Val (15%), Test (15%)"]
    E --> F["Mô hình Mạng MLP (262 -> Hidden -> 10)"]
    F --> G["Thuật toán Lan truyền ngược Gradient"]
    G --> H["Bộ phân loại 10 bệnh lý rối loạn nhịp tim"]

Cấu trúc dữ liệu và ma trận huấn luyện

Dữ liệu đầu vào và nhãn phân loại được tổ chức dưới dạng hai ma trận số học đồng bộ trong bộ nhớ RAM của MATLAB:

  • Ma trận thuộc tính đầu vào (ArrhythmiaInputs - $IP_1$): Kích thước $262 \times 433$, trong đó 262 hàng biểu diễn 262 thuộc tính đo lường đã chuẩn hóa và 433 cột biểu diễn 433 hồ sơ bệnh nhân.
  • Ma trận nhãn đích (ArrhythmiaTargets - $OP_1$): Kích thước $10 \times 433$, sử dụng định dạng mã hóa One-Hot Encoding đại diện cho 10 lớp chẩn đoán đầu ra.
Nhóm thuộc tính đầu vào (262 features):

Phương pháp luận (Methodology)

Nghiên cứu tuân thủ quy trình chuẩn phát triển mô hình học máy y sinh (CRISP-DM) kết hợp phương pháp luận thực nghiệm so sánh đa trường hợp (Multi-case experimental study):

+------------------+       +-------------------+       +--------------------+
|  Phase 1: Setup  | ----> | Phase 2: Training | ----> | Phase 3: Validation|
| Chuẩn hóa dữ liệu|       | 10 k-fold / Cases |       |  So sánh benchmark |
+------------------+       +-------------------+       +--------------------+
  1. Đánh giá rủi ro thuật toán: Mạng MLP dễ mắc phải hiện tượng quá khớp (Overfitting) hoặc rơi vào điểm cực tiểu cục bộ (Local Minima). Giải pháp khắc phục là thiết lập kiểm tra sớm (Early Stopping) dựa trên sai số của tập Validation ($15%$) và khởi tạo trọng số ngẫu nhiên phân bố đều trong khoảng $[-1/n, 1/n]$ (với $n$ là số kết nối đầu vào của tầng).
  2. Hàm kích hoạt toán học: Tầng ẩn sử dụng hàm Sigmoid đơn cực (Unipolar Sigmoid Transfer Function), ánh xạ toàn bộ miền giá trị tổng sang khoảng $(0, 1)$:

$$f(x) = \frac{1}{1 + e^{-x}}$$

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

Quy trình tiền xử lý và lọc nhiễu dữ liệu được lập trình trực tiếp bằng mã nguồn MATLAB Script, thực hiện qua 4 bước biến đổi đại số tuyến tính:

% Bước 1: Chuyển vị ma trận CSDL gốc (452x280) -> (280x452)
DL = CSDL';

% Bước 2: Loại bỏ các mẫu bệnh lý quá hiếm (giảm xuống 433 mẫu)
B = DL;
B(:, [rare_cases_indices]) = [];

% Bước 3: Chuẩn hóa dữ liệu thuộc tính đầu vào về đoạn [0, 1]
C = abs(B(1:279, :));
IP = zeros(279, 433);
for i = 1:279
    max_val = max(C(i, :));
    if max_val ~= 0
        IP(i, :) = C(i, :) ./ max_val;
    else
        IP(i, :) = 0;
    end
end

% Bước 4: Loại bỏ 17 thuộc tính không xác định (rỗng hoặc không mang thông tin)
IP1 = IP;
IP1([20,68,70,84,132,133,140,142,144,146,152,157,158,165,205,265,275], :) = [];
% Kích thước ma trận đầu vào chuẩn hóa cuối cùng: 262 x 433

Thuật toán lan truyền ngược Gradient liên hợp liên tục tối thiểu hóa hàm sai số bình phương trung bình (Mean Squared Error - MSE):

$$E = \frac{1}{2}\sum_{k=1}^{L}(T_k - O_k)^2$$

Trong đó:

  • $T_k$ là nhãn đầu ra thực tế mong muốn (Target)
  • $O_k$ là đầu ra dự báo của mạng (Actual Output)

Quy tắc cập nhật trọng số liên kết giữa tầng ẩn và tầng ra ($W_{jk}$) và giữa tầng vào và tầng ẩn ($V_{ij}$):

$$\Delta W_{jk} = \eta \cdot \delta_{O_k} \cdot O_{H_j} = \eta \cdot (T_k - O_k) \cdot O_k(1 - O_k) \cdot O_{H_j}$$

$$\Delta V_{ij} = \eta \cdot \delta_{H_j} \cdot x_i = \eta \cdot \left( \sum_{k} \delta_{O_k} W_{jk} \right) \cdot O_{H_j}(1 - O_{H_j}) \cdot x_i$$

Thử nghiệm và đánh giá thực nghiệm

Mô hình được thử nghiệm qua 8 cấu hình gán trọng số độc lập (từ Case 0 đến Case 7) nhằm bóc tách vai trò sinh học của từng nhóm đạo trình:

Kịch bản thử nghiệm Mô tả gán trọng số Tỷ lệ thành công (%) Đánh giá vai trò lâm sàng
Case 0 Mạng gốc đầy đủ (Không gán trọng số 0) 76.20% Mức chuẩn cơ sở đối sánh
Case 1 Triệt tiêu đạo trình tăng cường (aVR, aVL, aVF = 0) 73.50% Giảm nhẹ hiệu năng phân loại
Case 2 Triệt tiêu đạo trình trước tim (V1 - V6 = 0) 72.70% Mất mát thông tin định khu thất
Case 3 Triệt tiêu toàn bộ đạo trình cơ bản (DI, DII, DIII = 0) 55.90% Sụt giảm nghiêm trọng (-20.3%)
Case 4 Triệt tiêu riêng đạo trình DI 73.11% Ảnh hưởng trung bình
Case 5 Triệt tiêu riêng đạo trình DII 70.13% DII đóng vai trò quan trọng trục nhịp
Case 6 Triệt tiêu riêng đạo trình DIII 77.15% Tối ưu nhất (+0.95% so với Case 0)
Case 7 Triệt tiêu kết hợp DIII và đạo trình tăng cường 74.00% Hiệu năng duy trì mức khá

Kết quả đạt được

                    BIỂU ĐỒ SO SÁNH ĐỘ CHÍNH XÁC CÁC TRƯỜNG HỢP
  Case 6 (Bỏ DIII)         [========================================] 77.15%
  Case 0 (Mạng gốc)        [======================================  ] 76.20%
  Case 1 (Bỏ aVR,aVL,aVF)  [====================================    ] 73.50%
  Case 4 (Bỏ DI)           [====================================    ] 73.11%
  Case 2 (Bỏ V1-V6)        [===================================     ] 72.70%
  Case 5 (Bỏ DII)          [==================================      ] 70.13%
  Case 3 (Bỏ DI,DII,DIII)  [===========================             ] 55.90%
  • Khẳng định tầm quan trọng của hệ đạo trình lưỡng cực chi: Khi triệt tiêu nhóm đạo trình cơ bản (Case 3), độ chính xác của mô hình giảm mạnh từ $76.20%$ xuống còn $55.90%$, chứng minh đây là nhóm thuộc tính chứa thông tin sống còn đối với thuật toán nhận dạng rối loạn nhịp.
  • Loại bỏ thuộc tính dư thừa: Việc loại bỏ đạo trình DIII (Case 6) giúp mô hình giảm chiều dữ liệu nhiễu và đạt đỉnh hiệu năng cao nhất ($77.15%$), vượt trội hơn so với việc giữ nguyên toàn bộ 262 thuộc tính ban đầu.

Đổi mới và đóng góp

  1. Phương pháp tiếp cận phân tầng trọng số y sinh (Biomedical Structural Weighting): Khác với các thuật toán chọn lọc thuộc tính thuần toán học (như PCA hay Random Forest Feature Importance), đề tài liên kết trực tiếp cấu trúc tham số với 5 cấp độ sinh học cơ thể người, mở ra phương pháp tiếp cận mới trong xử lý tín hiệu y tế.
  2. Cải thiện độ chính xác so với các công bố tham chiếu:
    • So với thuật toán phân lớp quy tắc heuristic VF15 trong công bố gốc của H. Altay Guvenir et al. (đạt xấp xỉ $62% - 68%$ trên phân loại đa lớp phức tạp), mô hình MLP tối ưu trong đồ án đạt $77.15%$ (tăng từ $9% - 15%$ hiệu năng nhận dạng).
    • So với các mô hình mạng truyền thẳng một lớp ẩn chưa qua xử lý chuẩn hóa đặc trưng (thường đạt dưới $70%$), hệ thống thể hiện tính ổn định vượt trội trên cả 10 phân lớp bệnh lý tim mạch.
  3. Đóng góp học thuật và ứng dụng: Xây dựng quy trình chuẩn hóa tín hiệu ECG ma trận rõ ràng trên MATLAB, tạo cơ sở dữ liệu mẫu phục vụ công tác giảng dạy, nghiên cứu thực nghiệm trong ngành Kỹ thuật Y sinh và Điện tử Viễn thông.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng lâm sàng

  • Hệ thống hỗ trợ ra quyết định lâm sàng (CDSS) tại phòng khám: Tích hợp trực tiếp vào phần mềm máy ghi điện tim ECG 12 đạo trình, tự động đưa ra cảnh báo sơ bộ về nguy cơ nhồi máu cơ tim cấp hoặc block phân nhánh chỉ trong chưa đầy 0.5 giây sau khi đo.
  • Thiết bị y tế theo dõi từ xa (Telemedicine & Remote Monitoring): Nhúng giải thuật đã tối ưu trọng số vào các trạm y tế vùng sâu vùng xa, hỗ trợ y bác sĩ tuyến cơ sở phân loại nhanh bệnh nhân trước khi quyết định chuyển viện tuyến trên.
+------------------+      +-------------------+      +--------------------+
| Máy đo ECG 12 cần| ---> | Bộ tiền xử lý DSP | ---> | Module Mạng Neuron |
| Lấy mẫu tín hiệu |      | Trích xuất 262 TT |      | Phân loại 10 bệnh  |
+------------------+      +-------------------+      +--------------------+
                                                               |
                                                               v
                                                     +--------------------+
                                                     | Cảnh báo bác sĩ    |
                                                     | Giao diện trực quan|
                                                     +--------------------+

Yêu cầu cấu hình triển khai phần cứng và phần mềm

  • Phần mềm: MATLAB Runtime v9.7 trở lên, hệ điều hành Linux (Ubuntu 18.04/20.04 LTS) hoặc Windows 10/11 Professional (64-bit).
  • Phần cứng tối thiểu: CPU Intel Core i3 thế hệ 8 trở lên (hoặc tương đương), 4GB RAM, bộ nhớ lưu trữ khả dụng tối thiểu 2GB.
  • Khả năng mở rộng nhúng: Kiến trúc mạng MLP sau huấn luyện có thể dễ dàng chuyển đổi ma trận trọng số $[W, V]$ sang ngôn ngữ C/C++ để nạp trực tiếp vào chip vi điều khiển ARM Cortex-M4 hoặc FPGA phục vụ các thiết bị theo dõi tim mạch cầm tay.

Phân tích chi phí - lợi ích (ROI)

Hạng mục đầu tư Giải pháp truyền thống (Thuê chuyên gia/tổng đài đọc ECG) Ứng dụng Mô hình Mạng Neuron AI
Chi phí ban đầu Thấp (chỉ mua máy đo) Trung bình (Tích hợp module phần mềm AI)
Chi phí vận hành hàng năm Rất cao (Lương chuyên gia, chi phí hội chẩn từ xa) Rất thấp (Bảo trì phần mềm định kỳ)
Thời gian trả kết quả 15 - 45 phút / ca < 1 giây / ca
Khả năng phục vụ đồng thời Giới hạn (1 ca / 1 bác sĩ) Không giới hạn (Xử lý hàng nghìn ca cùng lúc)
Thời gian hoàn vốn ước tính Không có 6 - 9 tháng sau khi triển khai thực tế

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Mất cân bằng dữ liệu (Imbalanced Classes): Tập dữ liệu Arrhythmia có sự chênh lệch lớn giữa lớp người bình thường (245 mẫu) và các nhóm bệnh hiếm (như Rung nhĩ: 5 mẫu, Block nhánh trái: 9 mẫu), dẫn đến độ nhạy của mô hình đối với các lớp thiểu số chưa đạt mức tuyệt đối.
  • Độ phụ thuộc vào bước tiền xử lý: Mô hình tiếp nhận các vector tham số số học đã được đo lường sẵn từ sóng ECG, chưa tích hợp module trích xuất đặc trưng trực tiếp từ tín hiệu sóng thô liên tục (Raw 1D ECG Signals).

Hướng nghiên cứu và phát triển tiếp theo

  1. Áp dụng kỹ thuật tăng cường dữ liệu: Ứng dụng thuật toán SMOTE hoặc mạng đối nghịch tạo sinh (GAN) để cân bằng số lượng mẫu cho các nhóm bệnh lý tim mạch hiếm gặp.
  2. Nghiên cứu kiến trúc học sâu hiện đại: Mở rộng nghiên cứu sang Mạng Neuron Tích chập 1 chiều (1D-CNN) kết hợp Mạng nơ-ron hồi quy (LSTM/Bi-LSTM) để học trực tiếp chuỗi thời gian của tín hiệu ECG mà không cần bước trích xuất 279 thuộc tính thủ công.
  3. Hiện thực hóa trên phần cứng vi xử lý nhúng: Biên dịch tập trọng số tối ưu sang vi điều khiển STM32 hoặc board FPGA để thương mại hóa thành thiết bị y tế IoT đeo tay (Wearable Holter ECG).

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------+
|                             ĐỐI TƯỢNG HƯỞNG LỢI                               |
+-------------------------------------------------------------------------------+
|  SINH VIÊN & HỌC VIÊN   | -> Tài liệu chuẩn về MLP, tiền xử lý ma trận MATLAB |
|  LẬP TRÌNH VIÊN NHÚNG   | -> Mã nguồn thuật toán gọn nhẹ, dễ porting C/C++    |
|  DOANH NGHIỆP Y TẾ      | -> Giải pháp phần mềm giảm 70% chi phí phân tích ECG |
|  NHÀ NGHIÊN CỨU Y SINH  | -> Phương pháp luận gán trọng số theo cấp độ cơ thể |
+-------------------------------------------------------------------------------+
  • Sinh viên và học viên ngành Kỹ thuật Y sinh / Điện tử: Cung cấp tài liệu tham khảo hoàn chỉnh từ lý thuyết mạng neuron nhân tạo, giải thuật lan truyền ngược toán học đến kỹ năng lập trình xử lý ma trận trên MATLAB.
  • Kỹ sư phát triển phần mềm y tế: Cung cấp mẫu thiết kế kiến trúc chuẩn hóa ma trận và bộ trọng số tiền xử lý giúp rút ngắn chu kỳ R&D thiết bị y tế từ 6 tháng xuống còn 2 tháng.
  • Cơ sở khám chữa bệnh và bệnh viện: Giảm tải tới $65% - 75%$ khối lượng công việc sàng lọc ban đầu cho bác sĩ chuyên khoa tim mạch, hạn chế rủi ro bỏ sót ca bệnh nguy kịch.
  • Nhà nghiên cứu học máy ứng dụng: Cung cấp dữ liệu thực nghiệm đối sánh rõ ràng về độ nhạy của từng đạo trình điện tâm đồ đối với bài toán nhận dạng đa lớp.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình vào hệ thống máy tính bệnh viện là gì?

Hệ thống chỉ yêu cầu máy tính cài đặt môi trường MATLAB Runtime (miễn phí) hoặc tích hợp thư viện DLL được biên dịch từ MATLAB Coder. Không đòi hỏi phần cứng GPU chuyên dụng đắt tiền, CPU thông thường có thể chạy suy luận phân loại trong thời gian dưới 10 mili-giây.

2. Tại sao việc loại bỏ đạo trình DIII (Case 6) lại làm tăng độ chính xác của mạng?

Trong giải phẫu điện tim, thông tin từ đạo trình DIII có sự trùng lặp và phụ thuộc tuyến tính vào đạo trình DI và DII theo định luật Einthoven ($DII = DI + DIII$). Khi loại bỏ DIII, mạng giảm được chiều dữ liệu dư thừa và hạn chế nhiễu, giúp giải thuật tối ưu hội tụ về nghiệm tổng thể tốt hơn.

3. Mô hình có thể tích hợp với các hệ thống quản lý bệnh viện (HIS/PACS) hiện có không?

Hoàn toàn khả thi. Đầu ra của mạng có thể được đóng gói dưới dạng API chuẩn RESTful hoặc xuất định dạng chuẩn dữ liệu y tế HL7/DICOM-ECG để lưu trữ trực tiếp vào hồ sơ bệnh án điện tử (EMR).

4. Chi phí vận hành và bảo trì mô hình định kỳ như thế nào?

Sau khi đóng gói thành phần mềm độc lập, chi phí vận hành gần như bằng không. Việc bảo trì chỉ diễn ra khi cập nhật thêm dữ liệu bệnh nhân mới để tái huấn luyện (Retrain) trọng số mạng hàng năm.

5. Mô hình có thay thế hoàn toàn vai trò của bác sĩ tim mạch không?

Không. Mô hình được thiết kế với vai trò là công cụ hỗ trợ ra quyết định (Clinical Decision Support System). Kết quả chẩn đoán của mạng đóng vai trò sàng lọc và cảnh báo sớm, quyền quyết định phác đồ điều trị cuối cùng luôn thuộc về bác sĩ chuyên khoa.

Kết luận

Đồ án tốt nghiệp "Ứng dụng trí tuệ nhân tạo xây dựng mạng neuron hỗ trợ chẩn đoán bệnh rối loạn nhịp tim" đã giải quyết thành công bài toán phân loại đa lớp các bệnh lý tim mạch phức tạp dựa trên tín hiệu điện tâm đồ 12 đạo trình. Bằng việc kết hợp kiến trúc Mạng Neuron Đa Lớp (MLP), thuật toán lan truyền ngược Gradient liên hợp và phương pháp phân tầng trọng số y sinh độc đáo, nghiên cứu đã đạt được các cột mốc kỹ thuật quan trọng:

  • Chuẩn hóa và xử lý tối ưu tập dữ liệu phức tạp gồm 262 thuộc tính và 433 mẫu bệnh nhân.
  • Đạt độ chính xác phân loại tổng thể $77.15%$ trên 10 nhóm bệnh tim mạch, vượt trội so với các mô hình luật truyền thống.
  • Chứng minh định lượng vai trò cốt lõi của hệ đạo trình chi tiêu chuẩn và hiệu quả của việc triệt tiêu dữ liệu dư thừa.

Giải pháp mở ra tiềm năng ứng dụng to lớn trong việc nâng cao chất lượng chẩn đoán y tế tuyến cơ sở, giảm thiểu nguy cơ tử vong do đột tử tim mạch và đóng góp thiết thực vào xu hướng chuyển đổi số y tế thông minh.