Ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh

Đồ án ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh ngành CNTT ĐH SPKT TP.HCM

• Tác giả: Mai Anh Khoa
• Người hướng dẫn: ThS. Lê Minh Tân
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh

Dinh dưỡng đóng vai trò cốt lõi trong phác đồ điều trị bệnh lý. Nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật TP.HCM phát triển giải pháp công nghệ toàn diện. Hệ thống mang tên ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh. Dự án do nhóm tác giả khoa Công nghệ Thông tin thực hiện. Nền tảng ứng dụng trí tuệ nhân tạo để số hóa quá trình theo dõi bữa ăn. Hệ thống giải quyết bài toán kiểm soát khẩu phần cho người mắc bệnh mạn tính. Bệnh nhân tiểu đường, tim mạch hay suy thận cần chế độ ăn nghiêm ngặt. Việc tính toán thủ công thường tốn thời gian và dễ gây sai lệch định lượng. Giải pháp tự động hóa giúp giảm thiểu tối đa các rủi ro sức khỏe. Nền tảng kết hợp xử lý thị giác máy tính cùng mô hình ngôn ngữ lớn. Mô hình hỗ trợ người bệnh tiếp cận thông tin dinh dưỡng chính xác và kịp thời. Đề tài đánh dấu bước tiến quan trọng trong y tế thông minh. Khoa học dữ liệu được chuyển hóa thành công cụ hỗ trợ người bệnh đắc lực. Quy trình quản trị thực đơn trở nên đơn giản, trực quan và khoa học hơn.

1.1. Bối cảnh nghiên cứu tại ĐH Sư phạm Kỹ thuật TP.HCM

Khoa Công nghệ Thông tin thuộc Đại học Sư phạm Kỹ thuật TP.HCM luôn đi đầu trong nghiên cứu ứng dụng. Bộ môn Trí tuệ Nhân tạo định hướng giải quyết các thách thức y tế cộng đồng. Đề tài tốt nghiệp của sinh viên Mai Anh Khoa và Nguyễn Thành Lợi ra đời từ định hướng này. Nghiên cứu nhận sự hướng dẫn chuyên môn trực tiếp từ Thạc sĩ Lê Minh Tân. Mục tiêu trọng tâm là xây dựng trợ lý dinh dưỡng số hóa thông minh. Đồ án kết hợp hài hòa giữa cơ sở lý thuyết hiện đại và tính ứng dụng thực tiễn cao. Nền tảng công nghệ giúp thu hẹp khoảng cách giữa người bệnh và chuyên gia y tế. Sản phẩm phản ánh năng lực nghiên cứu khoa học vững chắc của sinh viên nhà trường.

1.2. Tầm quan trọng của dinh dưỡng đối với phục hồi bệnh

Chế độ dinh dưỡng cân bằng là yếu tố quyết định tốc độ hồi phục của bệnh nhân. Dinh dưỡng hợp lý giúp nâng cao hệ miễn dịch và rút ngắn thời gian nằm viện. Ngược lại, sai lầm trong ăn uống có thể làm bùng phát các biến chứng nguy hiểm. Người mắc bệnh chuyển hóa thường đối mặt với nguy cơ thiếu hụt hoặc thừa chất nghiêm trọng. Việc cá nhân hóa khẩu phần ăn là yêu cầu bắt buộc trong lâm sàng. Bác sĩ điều trị thường xuyên quá tải để theo sát từng bữa ăn của bệnh nhân. Do đó, một công cụ số hỗ trợ giám sát thường nhật trở thành nhu cầu cấp bách. Hệ thống phần mềm mang lại giải pháp kiểm soát khẩu phần khoa học, an toàn và liên tục.

II. Thực trạng và rào cản tư vấn dinh dưỡng khoa học cho người bệnh

Phương pháp quản lý dinh dưỡng truyền thống bộc lộ nhiều điểm nghẽn nghiêm trọng. Đa số người bệnh phải tự ghi chép thực phẩm vào sổ tay hoặc nhớ máy móc. Quá trình nhập liệu thủ công đòi hỏi tính kiên trì và kiến thức chuyên ngành. Người bệnh thường ước lượng sai lệch về kích thước khẩu phần và thành phần dinh dưỡng. Các ứng dụng di động hiện tại tồn tại nhiều khiếm khuyết kỹ thuật lớn. Phần lớn hệ thống chỉ phân tích hình ảnh từ một góc chụp đơn lẻ. Kỹ thuật này thất bại khi thức ăn bị che khuất hoặc có cấu trúc phức tạp. Hệ thống tính toán calorie và vi chất thiếu sự linh hoạt cần thiết. Khi khẩu phần thay đổi, công cụ không thể tự động điều chỉnh chính xác. Ngoài ra, các chatbot hỗ trợ y tế thông thường hay tạo thông tin sai lệch. Hiện tượng ảo giác của mô hình trí tuệ nhân tạo gây nguy hại sức khỏe người dùng. Bệnh nhân cần thông tin chuẩn y khoa chứ không phải các phỏng đoán ngẫu nhiên. Sự thiếu hụt cơ sở dữ liệu chuyên biệt khiến việc tư vấn trở nên thiếu tin cậy. Đây là thách thức kỹ thuật lớn cần lời giải triệt để.

2.1. Hạn chế của các phương pháp nhận diện món ăn truyền thống

Nhận diện thực phẩm qua thị giác máy tính là bài toán phức tạp. Các mô hình học sâu cổ điển như Faster R-CNN xử lý tốt ảnh đơn lẻ. Tuy nhiên, góc chụp giới hạn làm giảm sút độ tin cậy của thuật toán. Đĩa thức ăn hỗn hợp nhiều nguyên liệu thường bị nhận diện sót hoặc nhầm lẫn. Việc ước lượng thể tích món ăn từ ảnh phẳng hai chiều gặp nhiều khó khăn. Sai số thể tích dẫn đến tính toán sai lệch lượng calo và protein nạp vào. Thiếu hụt dữ liệu món ăn bản địa Việt Nam cũng là rào cản kỹ thuật lớn. Các công cụ quốc tế thường không nhận dạng được món ăn chế biến theo phong cách Á Đông.

2.2. Nguy cơ từ hiện tượng ảo giác AI trong tư vấn y tế số

Các mô hình ngôn ngữ lớn thương mại thường gặp hiện tượng ảo giác thông tin. Hệ thống sinh ra lời khuyên nghe có vẻ hợp lý nhưng thiếu cơ sở khoa học. Trong lĩnh vực y khoa, thông tin dinh dưỡng sai lệch có thể gây biến chứng chết người. Bệnh nhân suy thận nếu nhận thực đơn giàu kali sẽ đối mặt rủi ro ngừng tim. Do đó, việc ứng dụng trí tuệ nhân tạo thuần túy không đáp ứng yêu cầu an toàn. Hệ sinh thái y tế số đòi hỏi dữ liệu tư vấn phải có nguồn kiểm chứng minh bạch. Giới hạn phạm vi phản hồi của trợ lý ảo trong miền y học chuẩn xác là điều kiện bắt buộc.

III. Giải pháp ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh

Nghiên cứu tại ĐH Sư phạm Kỹ thuật TP.HCM đề xuất kiến trúc công nghệ đột phá. Nhóm nghiên cứu kết hợp mô hình thị giác tiên tiến và kiến trúc RAG hiện đại. Hệ thống tích hợp EfficientNet cùng Swin Transformer và Feature Pyramid Network (FPN). Mô hình nâng cao năng lực trích xuất đặc trưng hình ảnh đa tầng. Thuật toán phân đoạn món ăn chính xác ngay cả khi bị che khuất một phần. Quá trình định lượng dinh dưỡng diễn ra tự động thông qua ma trận trọng số chuyên biệt. Hệ thống ước tính khối lượng thức ăn với độ chuẩn xác cao. Từ đó, phần mềm phân tích chi tiết lượng calo, carbohydrate, đạm và chất béo. Điểm nhấn công nghệ của đề tài là kỹ thuật Retrieval-Augmented Generation (RAG). Kỹ thuật này truy xuất dữ liệu từ các tài liệu y khoa và hướng dẫn lâm sàng chuẩn mực. Trợ lý ảo sử dụng dữ liệu được kiểm duyệt để trả lời câu hỏi của người bệnh. Hệ thống còn kết hợp công cụ tìm kiếm Websearch có kiểm soát để cập nhật thông tin y khoa mới nhất. Phương pháp này loại bỏ hoàn toàn hiện tượng tạo thông tin giả mạo. Nhờ vậy, chất lượng tư vấn luôn đảm bảo tính chính xác và an toàn tuyệt đối.

3.1. Kết hợp EfficientNet Swin Transformer và mạng FPN

Mô hình nhận dạng hình ảnh kết hợp sức mạnh của ba kiến trúc hàng đầu. EfficientNet đóng vai trò trích xuất đặc trưng cơ bản với chi phí tính toán tối ưu. Swin Transformer nắm bắt mối quan hệ không gian toàn cục thông qua cơ chế chú ý phân cấp. Mạng FPN (Feature Pyramid Network) tăng cường khả năng nhận diện các vật thể ở nhiều kích thước khác nhau. Sự kết hợp này giúp hệ thống nhận biết các món ăn phức tạp có nhiều tầng lớp. Độ chính xác phân loại được cải thiện vượt trội so với các mô hình CNN truyền thống. Mô hình xử lý tốt trường hợp thực phẩm bị che khuất hoặc thay đổi góc nhìn.

3.2. Đột phá với kỹ thuật RAG và truy vấn dữ liệu Websearch

Kỹ thuật RAG đóng vai trò then chốt trong việc kiểm soát chất lượng phản hồi y khoa. Cơ chế này truy xuất ngữ cảnh từ cơ sở tri thức y học trước khi sinh văn bản. Hệ thống chỉ tạo câu trả lời dựa trên tài liệu được chuyên gia dinh dưỡng thẩm định. Bên cạnh đó, tính năng Websearch mở rộng khả năng tiếp cận thông tin thời gian thực có kiểm soát. Trợ lý thông minh cập nhật nhanh chóng các khuyến nghị dinh dưỡng quốc tế mới nhất. Tỷ lệ doanh nghiệp áp dụng RAG tăng vọt từ 31% lên 51% khẳng định xu hướng này. Giải pháp giúp loại trừ ảo giác AI và xây dựng niềm tin nơi người bệnh.

IV. Đánh giá ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh

Đồ án tốt nghiệp tại Đại học Sư phạm Kỹ thuật TP.HCM mở ra triển vọng ứng dụng lớn. Công trình giải quyết thành công bài toán tự động hóa ghi nhận dinh dưỡng bệnh lý. Sự kết hợp giữa thị giác máy tính và RAG mang lại giải pháp công nghệ toàn diện. Người bệnh có thể chủ động theo dõi chỉ số dinh dưỡng hằng ngày một cách tiện lợi. Hệ thống cung cấp thực đơn cá nhân hóa dựa trên chỉ số BMI và hồ sơ bệnh án. Các khuyến nghị ăn uống đảm bảo tính chuẩn xác và an toàn sinh học cao. Ứng dụng hỗ trợ đắc lực cho đội ngũ bác sĩ trong công tác quản lý điều trị ngoại trú. Nhân viên y tế dễ dàng giám sát mức độ tuân thủ thực đơn của từng bệnh nhân. Trong tương lai, giải pháp có thể tích hợp với các thiết bị đeo thông minh. Dữ liệu nhịp tim, đường huyết và vận động sẽ bổ trợ hoàn thiện phác đồ dinh dưỡng. Đề tài khẳng định năng lực ứng dụng trí tuệ nhân tạo vào chăm sóc sức khỏe của sinh viên Việt Nam. Đây là nền tảng vững chắc để phát triển các sản phẩm y tế thương mại chất lượng cao.

4.1. Hiệu quả thực tiễn trong hỗ trợ điều trị bệnh nhân

Ứng dụng đem lại sự thay đổi rõ rệt trong hành vi ăn uống của người bệnh. Việc ghi nhận bữa ăn qua camera giảm thiểu thời gian ghi chép thủ công. Người dùng nắm rõ hàm lượng calo và các chất dinh dưỡng thiết yếu sau mỗi bữa ăn. Nhờ vậy, người bệnh duy trì chế độ kiêng cữ đúng chuẩn mà không cảm thấy căng thẳng. Hệ thống cũng cung cấp báo cáo dinh dưỡng định kỳ cho cơ sở y tế. Bác sĩ điều trị có căn cứ xác thực để điều chỉnh liệu trình can thiệp kịp thời. Quá trình kiểm soát bệnh mạn tính nhờ đó đạt được kết quả khả quan và bền vững.

4.2. Định hướng tích hợp Internet vạn vật và mở rộng y tế số

Giai đoạn phát triển tiếp theo của dự án hướng đến liên kết hệ sinh thái IoT. Việc đồng bộ với cân điện tử và cảm biến sinh học giúp tự động hóa dữ liệu đầu vào. Hệ thống có khả năng nhận biết thay đổi thể trạng tức thì để gợi ý khẩu phần tương ứng. Ngoài ra, việc mở rộng cơ sở dữ liệu ẩm thực vùng miền sẽ nâng cao tính thực tế. Nghiên cứu cũng hướng tới triển khai thử nghiệm trên quy mô bệnh viện lớn. Sản phẩm kỳ vọng trở thành công cụ hỗ trợ lâm sàng đắc lực trong chiến lược chuyển đổi số y tế quốc gia.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Nghiên cứu được thực hiện xuất phát từ thực trạng gia tăng nhanh chóng của các bệnh không lây nhiễm tại Việt Nam như đái tháo đường, bệnh tim mạch và béo phì. Dẫn liệu từ Báo Sức khỏe và Đời sống (cơ quan ngôn luận của Bộ Y tế) năm 2023 chỉ ra rằng người Việt Nam trung bình có tới 10 năm phải sống trong tình trạng bệnh tật, trong đó các bệnh không lây nhiễm chiếm đến 78,6% tổng số ca tử vong. Cùng với đó, khoảng 59% dân số Việt Nam không tiêu thụ đủ lượng rau và trái cây theo khuyến nghị của Tổ chức Y tế Thế giới (WHO). Chế độ dinh dưỡng không hợp lý trở thành nguyên nhân trực tiếp làm suy giảm thể lực và gia tăng tỷ lệ mắc các bệnh mạn tính. Mặt khác, các khảo sát y tế năm 2023 cho thấy nhu cầu tư vấn dinh dưỡng lâm sàng ở bệnh nhân là rất lớn: tỷ lệ mong muốn được tư vấn ở bệnh nhân ung thư phổi đạt 56,7% khi nằm viện, tăng lên 91,5% khi được cán bộ chuyên trách tư vấn và 81,2% khi tiếp cận tại giường bệnh; tại Bệnh viện Bệnh Nhiệt đới Trung ương, nhu cầu này ghi nhận ở mức 90%.

Trước thực tế đó, các công cụ hỗ trợ dinh dưỡng hiện hành vẫn bộc lộ nhiều điểm hạn chế khi vận hành trong bối cảnh thực tiễn tại Việt Nam:

Hệ thống / Ứng dụng	Phạm vi & Đơn vị phát triển	Ưu điểm chính	Hạn chế ghi nhận
Nutrition Diagnosis Expert System	Hiệp hội Dinh dưỡng Hoa Kỳ (ADA), 2012	Cơ sở tri thức chuẩn mực cao, bám sát các hướng dẫn chẩn đoán lâm sàng	Triển khai riêng cho thị trường Mỹ, yêu cầu tài khoản trả phí, khác biệt lớn về văn hóa ẩm thực và nguồn thực phẩm
DANES	Ấn Độ, ra mắt tháng 12/2017	Miễn phí, dễ tiếp cận, thiết kế phù hợp với thói quen ăn uống của người Ấn Độ	Chưa được công nhận rộng rãi quốc tế, không tương thích với mô hình bệnh lý và thực phẩm tại Việt Nam
Nutri Expert	Viện Nghiên cứu Dinh dưỡng TP.HCM (nghiệm thu 24/05/2023)	Phù hợp thể trạng người Việt, hỗ trợ tra cứu thành phần, khảo sát khẩu phần, tính BMI	Nhập liệu thủ công, chưa có khả năng đọc hiểu và phân tích bệnh án tự động, thiếu AI cá nhân hóa sâu

Để giải quyết khoảng trống công nghệ trên, đề tài xác định 4 nhiệm vụ nghiên cứu cụ thể:

1. Xác định và chuẩn bị đề tài: Lựa chọn hướng nghiên cứu, thống nhất tên đề tài và nhận định hướng từ giảng viên hướng dẫn.
2. Khảo sát và phân tích lý thuyết: Nghiên cứu thực trạng, tính cấp thiết và hệ thống hóa tài liệu khoa học liên quan đến AI và dinh dưỡng.
3. Phát triển hệ thống: Thiết kế và xây dựng 5 module chức năng chính (NutriChat, NutriRecipes, NutriCalorie, NutriMaterial, NutriReminder), bao gồm cả hạ tầng backend và giao diện frontend.
4. Kiểm thử và đánh giá: Thử nghiệm chức năng, rà soát lỗi, đo lường độ chính xác của các mô hình học máy và đánh giá hiệu năng hệ thống.

Đối tượng nghiên cứu: Người dùng tiềm năng bao gồm người bệnh có nhu cầu xây dựng chế độ dinh dưỡng lâm sàng chuyên biệt và người thân chịu trách nhiệm chăm sóc, hỗ trợ dinh dưỡng cho người bệnh.

Phạm vi nghiên cứu:

• Nội dung: Tư vấn thực phẩm cá nhân hóa theo hồ sơ bệnh án; ước tính thành phần dinh dưỡng và năng lượng (calo) từ ảnh chụp món ăn; số hóa bệnh án từ hình ảnh chụp; tạo công thức món ăn; theo dõi chỉ số thể chất (BMI, cân nặng, chiều cao) và nhắc nhở thói quen lành mạnh.
• Ngôn ngữ: Tiếng Việt.
• Không gian và thời gian: Đồ án thực hiện tại Bộ môn Trí tuệ Nhân tạo, Khoa Công nghệ Thông tin, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh trong thời gian từ tháng 01/2025 đến tháng 06/2025.

---

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp lý thuyết thị giác máy tính, xử lý ngôn ngữ tự nhiên và kiến trúc phần mềm di động hiện đại nhằm giải quyết bài toán tư vấn dinh dưỡng:

1. Khung lý thuyết và mô hình AI:

• Mô hình dự đoán thành phần dinh dưỡng (Food Extractor): Kế thừa hướng tiếp cận kết hợp mạng tích chập và biến đổi thị giác. Kiến trúc gồm mạng nơ-ron tích chập EfficientNet-B0 đóng vai trò mạng xương sống (backbone) để trích xuất đặc trưng cục bộ cấp thấp; khối Swin Transformer (phiên bản Swin-Tiny) với cơ chế cửa sổ trượt (shifted window) nhằm nắm bắt tương quan ngữ cảnh tầm xa; mạng kim tự tháp đặc trưng (Feature Pyramid Network - FPN) thực hiện hợp nhất đa tầng các đặc trưng; cuối cùng kết nối với các lớp tuyến tính (fully connected) để dự đoán đồng thời 4 chỉ số dinh dưỡng: calories, protein, carbohydrates và fat.

• Hàm mất mát đa tác vụ (Multi-task Loss): Mô hình tối ưu hóa đồng thời 4 mục tiêu hồi quy thông qua hàm:

  $$L_{total} = \sum_{t \in {cal, protein, carb, fat}} \left( \frac{1}{2\sigma_t^2} L_t + \ln(1 + \sigma_t^2) \right)$$

  Trong đó $\sigma_t$ là tham số học được đại diện cho độ không chắc chắn (uncertainty) của tác vụ $t$; mất mát thành phần $L_t$ được định nghĩa bằng sai số tuyệt đối trung bình chuẩn hóa theo giá trị thực tế:

  $$L_t = \frac{\sum_{i=1}^N |y_{t,i} - \hat{y}{t,i}|}{\sum{i=1}^N y_{t,i}}$$

2. Công cụ và công nghệ nền tảng:

• Framework LangChain: Quản lý chuỗi xử lý (Chains), tác tử (Agents), mẫu câu lệnh (Prompt templates) và tích hợp công cụ (Tools).
• Kỹ thuật RAG (Retrieval-Augmented Generation): Kết hợp giữa truy xuất tri thức ngoài từ cơ sở dữ liệu vector và mô hình ngôn ngữ lớn để trả lời các câu hỏi y khoa chính xác, tránh hiện tượng sinh ảo giác thông tin.
• Cơ sở dữ liệu Vector Pinecone: Lưu trữ và tìm kiếm vector tương đồng cho toàn bộ kho tài liệu dinh dưỡng và ngữ cảnh người dùng.
• Mô hình ngôn ngữ lớn (LLM): Gemma và Gemini 2.0 đóng vai trò sinh phản hồi hội thoại và suy luận thực đơn.
• Mô hình thị giác - ngôn ngữ PaliGemma: Đảm nhiệm vai trò nhận diện trực quan món ăn và nhận dạng ký tự quang học (OCR) để bóc tách văn bản từ ảnh hồ sơ bệnh án.
• Mô hình kiểm duyệt Llama Guard: Thiết lập hàng rào an toàn cho nội dung hội thoại y tế.
• Công cụ mở rộng tri thức WebSearch: Tích hợp GoogleSerperAPIWrapper tra cứu thông tin dinh dưỡng thời gian thực qua web.

3. Phương pháp nghiên cứu thực nghiệm và nguồn dữ liệu:

• Dữ liệu hình ảnh dinh dưỡng: Trích xuất và tiền xử lý từ tập dữ liệu công khai Nutrition5k.
• Phân chia tập dữ liệu: Tỷ lệ 80% huấn luyện (training), 10% kiểm định (validation) và 10% kiểm thử độc lập (testing).
• Cấu hình huấn luyện: Kích thước ảnh chuẩn hóa $224 \times 224$ pixels; kích thước batch 32; thuật toán tối ưu Adam; tốc độ học (learning rate) 0.0001; kỹ thuật tính toán hỗn hợp nửa độ chính xác (mixed precision training với torch.cuda.amp).
• Thang đo đánh giá: Sai số tuyệt đối trung bình (Mean Absolute Error - MAE) trên 4 chỉ số dinh dưỡng; độ lệch hội tụ của Train Loss / Val Loss; thang điểm chuyên gia 5 mức đối với chất lượng hội thoại NutriChat.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo mô hình phân tầng hướng dịch vụ, kết nối ứng dụng di động phía người dùng với máy chủ xử lý tác vụ trí tuệ nhân tạo:

[Flutter Mobile App] (Frontend - Android)
[FastAPI Server] (Backend Orchestrator)

1. Kiến trúc kỹ thuật và hạ tầng:

• Giao diện người dùng (Frontend): Xây dựng trên nền tảng Flutter đa nền tảng, xuất bản bản dựng cho hệ điều hành Android, quản lý giao diện tương tác thời gian thực và camera chụp ảnh.
• Máy chủ xử lý nghiệp vụ (Backend): Xây dựng bằng framework FastAPI (Python), cung cấp các điểm cuối API bất đồng bộ (asynchronous endpoints) để điều phối luồng dữ liệu, giao tiếp với các mô hình suy luận và cơ sở dữ liệu quan hệ.
• Hạ tầng phần cứng: Tách biệt máy chủ ứng dụng (Backend Server) và máy chủ tính toán mô hình lớn (LLM Server) với tài nguyên tính toán GPU nhằm đáp ứng tốc độ phản hồi.

2. Thiết kế chi tiết các phân hệ chức năng:

• Phân hệ NutriChat: Triển khai quy trình RAG hoàn chỉnh. Khi nhận câu hỏi, hệ thống kích hoạt cơ chế Function Calling để kiểm tra ngữ cảnh câu hỏi, truy xuất các đoạn văn bản tương đồng từ Pinecone, kết hợp hồ sơ bệnh án cá nhân để định hình prompt đưa vào mô hình Gemma/Gemini 2.0. Trong trường hợp thiếu dữ liệu nội bộ, module gọi công cụ GoogleSerperAPIWrapper để bổ sung ngữ cảnh trực tuyến.
• Phân hệ NutriRecipe: Tiếp nhận ảnh chụp đĩa thức ăn hoặc nguyên liệu, sử dụng PaliGemma nhận diện thực phẩm kết hợp mô hình Food Extractor phân tích thành phần định lượng. Sau đó, LLM sinh công thức nấu ăn chi tiết, có kèm cảnh báo tương thích với bệnh lý của người dùng.
• Phân hệ NutriCalo: Tiếp nhận hình ảnh món ăn, chuẩn hóa về kích thước $224 \times 224$ và truyền qua mạng EfficientNet-B0 + Swin-Tiny + FPN để dự báo tự động hàm lượng calo, chất đạm, tinh bột và chất béo trong khẩu phần, ghi nhật ký ăn uống tự động.
• Phân hệ NutriMaterial: Module OCR chuyên biệt sử dụng PaliGemma để bóc tách các trường văn bản từ ảnh chụp bệnh án (chẩn đoán, tiền sử bệnh, chỉ số xét nghiệm) và ánh xạ dữ liệu vào đối tượng có cấu trúc MedicalRecord, lưu trữ phục vụ cá nhân hóa phản hồi của NutriChat.
• Phân hệ NutriReminder: Quản lý lịch biểu và kích hoạt các thông báo nhắc nhở người dùng uống nước, giờ dùng bữa, cập nhật cân nặng và theo dõi các thói quen sinh hoạt khoa học.

---

Nội dung chính theo từng chương

Chương 1: Lý thuyết liên quan

Chương 1 hệ thống hóa toàn bộ các nền tảng lý thuyết và công nghệ được sử dụng trong đề tài. Về AI, nhóm nghiên cứu phân tích mô hình dự đoán thành phần dinh dưỡng kết hợp mạng tích chập cục bộ EfficientNet-B0 với mạng biến đổi thị giác Swin Transformer và khối FPN. Về công cụ, chương phân tích chi tiết kiến trúc framework LangChain (gồm Chains, Agents, Tools, Prompt templates và Document Loaders) cùng quy trình Retrieval-Augmented Generation (RAG). Về mặt công nghệ, chương làm rõ vai trò của các mô hình ngôn ngữ lớn Gemma và Gemini 2.0, mô hình thị giác - ngôn ngữ PaliGemma phục vụ nhận dạng văn bản và hình ảnh, cùng giải pháp kiểm duyệt an toàn Llama Guard.

Chương 2: Xây dựng hệ thống ứng dụng

Chương 2 mô tả quá trình thiết kế chi tiết kiến trúc và giải pháp kỹ thuật của hệ thống. Tác giả trình bày các bảng yêu cầu phần cứng tối thiểu và khuyến nghị cho cả ba thành phần: thiết bị di động chạy Flutter, máy chủ Backend Server (FastAPI) và máy chủ suy luận LLM Server. Chương cung cấp sơ đồ thiết kế tổng thể hệ thống, sơ đồ tuần tự và luồng nghiệp vụ chi tiết cho 5 module chức năng: NutriChat, NutriRecipe, NutriCalo, NutriMaterial, NutriReminder. Thiết kế cơ sở dữ liệu được cụ thể hóa bằng sơ đồ quan hệ thực thể (ERD), định nghĩa các thực thể quản trị người dùng, nhật ký dinh dưỡng và lớp đối tượng MedicalRecord phục vụ lưu trữ bệnh án số hóa.

Chương 3: Cài đặt và thử nghiệm

Chương 3 trình bày chi tiết quy trình huấn luyện và đánh giá thực nghiệm các mô hình học máy:

• Mô hình Food Extractor: Thực hiện tiền xử lý dữ liệu Nutrition5k, chuẩn hóa ảnh về $224 \times 224$, chia tỷ lệ 80:10:10. Tiến hành huấn luyện qua 5 epoch với 1372 batch mỗi epoch (tổng thời gian 3 giờ 21 phút 6 giây). Sự biến thiên của hàm mất mát qua từng epoch được ghi nhận chi tiết:

Thứ tự Epoch	Training Loss	Validation Loss	Thời gian thực thi (giây)
Epoch 1	3.5682	3.4854	2929,56
Epoch 2	3.4215	3.3980	2540,12
Epoch 3	3.3340	3.3150	2315,45
Epoch 4	3.2871	3.2810	2180,90
Epoch 5	3.2597	3.2641	2108,34

• Kho dữ liệu RAG cho NutriChat: Chuẩn bị dữ liệu tài liệu dinh dưỡng mặc định, làm sạch, tạo vector embedding và lưu trữ phân tầng lên dịch vụ Pinecone; tích hợp cơ chế Function Calling để điều phối câu hỏi.
• Module NutriRecipe & NutriMaterial: Cài đặt pipeline suy luận PaliGemma cho hai tác vụ: nhận diện món ăn sinh công thức nấu ăn và trích xuất thực thể bệnh án.
• Đánh giá NutriChat: Kiểm thử hệ thống hỏi đáp theo hai kịch bản: câu hỏi độc lập và chuỗi hội thoại có lưu vết ngữ cảnh (Chat History) theo thang điểm chất lượng 5 mức.

Chương 4: Kết quả và nhận xét

Chương 4 tổng hợp các kết quả thực nghiệm đạt được từ từng phân hệ:

• Độ chính xác mô hình Food Extractor: Mô hình đạt độ hội tụ ổn định tại epoch thứ 5. Kết quả kiểm thử tính theo sai số tuyệt đối trung bình (MAE) trên 4 thành phần dinh dưỡng:
  • Calories: MAE = 0,23
  • Protein: MAE = 0,25
  • Fat (chất béo): MAE = 0,27
  • Carbohydrates (tinh bột): MAE = 0,30
• Đánh giá các phân hệ RAG, NutriRecipe và NutriMaterial: Kho dữ liệu vector trên Pinecone đáp ứng truy xuất ngữ cảnh chính xác cho NutriChat; module NutriRecipe trả lời đầy đủ bước chế biến và cảnh báo y khoa; module NutriMaterial bóc tách chính xác các trường thông tin bệnh án từ ảnh chụp thực tế.

---

Kết quả và đóng góp

Khóa luận hoàn thành toàn diện các mục tiêu đề ra và đạt được các kết quả cụ thể:

1. Kết quả kỹ thuật và định lượng:

• Xây dựng và huấn luyện thành công mô hình Food Extractor đa tác vụ (kết hợp EfficientNet-B0, Swin-Tiny và FPN). Mô hình hội tụ tốt sau 5 epoch huấn luyện (Train Loss đạt 3,2597; Val Loss đạt 3,2641), không gặp hiện tượng quá khớp (overfitting). Sai số MAE trên tập kiểm thử Nutrition5k dao động từ 0,23 đến 0,30, trong đó độ chính xác cao nhất đạt được ở hai chỉ số Calories (MAE = 0,23) và Protein (MAE = 0,25).
• Triển khai thành công ứng dụng di động hoàn chỉnh bằng Flutter kết hợp máy chủ dịch vụ FastAPI, vận hành đồng bộ 5 module chức năng: NutriChat, NutriRecipe, NutriCalo, NutriMaterial và NutriReminder.
• Xây dựng thành công quy trình RAG kết hợp cơ sở dữ liệu vector Pinecone, công cụ mở rộng GoogleSerperAPIWrapper và mô hình ngôn ngữ lớn (Gemma / Gemini 2.0), cho phép trả lời câu hỏi bám sát hồ sơ bệnh lý cá nhân.

2. Đóng góp của đề tài:

• So với các nghiên cứu trước đây (như NutriVision): Khắc phục hạn chế của việc chỉ nhận diện đơn lẻ bằng cách kết hợp trích xuất đặc trưng sâu (EfficientNet + Swin Transformer + FPN) để dự đoán đồng thời 4 thành phần dinh dưỡng; bổ sung module sinh công thức nấu ăn và cá nhân hóa chế độ ăn cho từng bệnh lý thay vì chỉ trả lời câu hỏi cơ bản.
• So với các hệ thống ứng dụng tại Việt Nam (như Nutri Expert): Bổ sung tính năng phân tích tự động hình ảnh bệnh án bằng mô hình thị giác PaliGemma, thay thế hoàn toàn việc người bệnh phải nhập liệu chỉ số lâm sàng thủ công; tích hợp trợ lý ảo tương tác bằng ngôn ngữ tự nhiên tiếng Việt được kiểm duyệt nội dung an toàn.
• Khắc phục rào cản từ các hệ thống nước ngoài: Giải quyết triệt để rào cản chi phí bản quyền và sự không tương thích về cơ sở dữ liệu thực phẩm của Nutrition Diagnosis Expert System (Mỹ) và DANES (Ấn Độ), cung cấp giải pháp miễn phí và phù hợp với thói quen ăn uống của người Việt Nam.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận các hạn chế kỹ thuật và đề xuất định hướng phát triển:

1. Hạn chế:

• Do giới hạn về tài nguyên tính toán phần cứng, mô hình Food Extractor mới được huấn luyện thử nghiệm trên phiên bản rút gọn của tập dữ liệu Nutrition5k trong 5 epoch, chưa bao phủ hết các món ăn truyền thống đặc thù và đa dạng của Việt Nam.
• Sai số dự đoán thành phần Carbohydrates vẫn ở mức tương đối cao (MAE = 0,30) do sự biến thiên lớn về hình thức và phương pháp chế biến tinh bột trong thực tế.
• Khả năng nhận diện món ăn hiện tại chủ yếu tiếp nhận ảnh chụp ở một góc đơn lẻ, chưa kết hợp trích xuất đồng thời từ nhiều góc chụp (đa góc) để khắc phục triệt để hiện tượng thức ăn bị che khuất hoặc nhiều món xếp chồng lên nhau.

2. Hướng nghiên cứu tiếp:

• Mở rộng tập dữ liệu hình ảnh món ăn đặc thù của Việt Nam, gia tăng số lượng epoch huấn luyện trên hạ tầng máy chủ GPU công suất lớn hơn.
• Xây dựng đồ thị tri thức sức khỏe chuyên sâu (Health Knowledge Graph) về bệnh lý và dinh dưỡng lâm sàng nhằm tối ưu hóa việc liên kết logic giữa tình trạng bệnh và danh mục thực phẩm kiêng kỵ.
• Tích hợp kỹ thuật trích xuất đa góc chụp (multi-view food recognition) nhằm nâng cao độ chính xác khi phân tích các đĩa thức ăn phức tạp.
• Tiếp tục tối ưu hóa thời gian phản hồi (latency) của chuỗi RAG và mô hình LLM khi triển khai trên diện rộng.

---

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị học thuật và ứng dụng thực tiễn rõ rệt:

• Đối tượng tham khảo: Sinh viên và học viên cao học thuộc các ngành Công nghệ Thông tin, Khoa học Dữ liệu, Trí tuệ Nhân tạo và Kỹ thuật Phần mềm đang tìm kiếm tài liệu tham khảo cho các đề tài đồ án tốt nghiệp về y tế thông minh (Smart Healthcare) hoặc trợ lý ảo đối thoại.
• Nội dung có giá trị tham khảo cao:
  • Quy trình thiết kế kiến trúc học sâu kết hợp giữa mạng tích chập (EfficientNet) và Vision Transformer (Swin Transformer) qua mạng FPN phục vụ bài toán hồi quy đa tác vụ từ hình ảnh.
  • Kiến trúc tích hợp hoàn chỉnh hệ thống RAG: từ khâu tiền xử lý tài liệu, embedding lưu trữ lên Pinecone, thiết kế hàm kiểm soát Function Calling, đến kỹ thuật trích xuất OCR bệnh án qua mô hình PaliGemma.
  • Bản đặc tả yêu cầu kỹ thuật hạ tầng (phần cứng, phần mềm, bảo mật, hiệu năng) và thiết kế hệ thống tương tác giữa client di động Flutter với API bất đồng bộ FastAPI.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng kiến trúc học sâu nào để dự đoán thành phần dinh dưỡng từ hình ảnh thực phẩm và đạt độ chính xác ra sao?
Tác giả xây dựng mô hình Food Extractor kết hợp 3 thành phần: EfficientNet-B0 đóng vai trò backbone trích xuất đặc trưng cục bộ, khối Swin Transformer (Swin-Tiny) nắm bắt quan hệ ngữ cảnh tầm xa, và mạng kim tự tháp đặc trưng (FPN) hợp nhất đa tầng. Mô hình được huấn luyện trên tập Nutrition5k qua 5 epoch với hàm mất mát đa tác vụ. Kết quả kiểm thử độc lập cho thấy sai số tuyệt đối trung bình (MAE) đạt: Calories = 0,23; Protein = 0,25; Fat = 0,27; Carbohydrates = 0,30.

2. Làm thế nào hệ thống NutriChat có thể đưa ra lời khuyên dinh dưỡng bám sát tình trạng bệnh lý của từng cá nhân?
NutriChat ứng dụng kỹ thuật Retrieval-Augmented Generation (RAG) được xây dựng trên framework LangChain. Hệ thống liên kết dữ liệu hồ sơ bệnh án (được số hóa từ trước qua module NutriMaterial) với kho tri thức dinh dưỡng lưu trữ dạng vector trên Pinecone. Trước khi sinh câu trả lời bằng LLM (Gemma/Gemini 2.0), cơ chế Function Calling sẽ kiểm tra ngữ cảnh câu hỏi và truy xuất các cảnh báo y khoa liên quan để đưa vào prompt phản hồi.

3. Phân hệ NutriMaterial giải quyết bài toán nhập liệu bệnh án của người bệnh như thế nào?
Thay vì yêu cầu người dùng phải gõ thủ công các thông số xét nghiệm hay bệnh lý phức tạp, NutriMaterial sử dụng mô hình thị giác - ngôn ngữ PaliGemma để thực hiện nhận dạng ký tự quang học (OCR) trực tiếp từ hình ảnh chụp hồ sơ bệnh án. Văn bản sau khi bóc tách được xử lý và định dạng thành đối tượng dữ liệu cấu trúc MedicalRecord để lưu trữ vào hệ thống.

4. Khóa luận sử dụng những công nghệ và framework nào để xây dựng hoàn chỉnh ứng dụng?
Hệ thống sử dụng Flutter để phát triển ứng dụng di động cho hệ điều hành Android; máy chủ backend được xây dựng bằng Python với FastAPI; cơ sở dữ liệu vector sử dụng Pinecone; framework điều phối AI là LangChain; các mô hình trí tuệ nhân tạo gồm EfficientNet-B0, Swin-Tiny, PaliGemma, Gemma, Gemini 2.0 và Llama Guard; công cụ tìm kiếm bổ sung sử dụng GoogleSerperAPIWrapper.

5. Đồ án có điểm cải tiến công nghệ nổi bật nào so với phần mềm Nutri Expert của Viện Nghiên cứu Dinh dưỡng TP.HCM?
Trong khi Nutri Expert chủ yếu hỗ trợ tra cứu thông tin tĩnh và yêu cầu người dùng nhập liệu thủ công các chỉ số BMI, cân nặng, đồ án đã giải quyết được việc đọc và phân tích tự động ảnh chụp bệnh án (qua PaliGemma OCR), tích hợp trợ lý chatbot tương tác trực tiếp bằng ngôn ngữ tự nhiên (RAG kết hợp LLM), và ứng dụng mô hình thị giác máy tính để phân tích định lượng calo và sinh công thức nấu ăn trực tiếp từ ảnh chụp món ăn.

---

Kết luận

Đồ án tốt nghiệp "Ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh" của hai sinh viên Mai Anh Khoa và Nguyễn Thành Lợi đã giải quyết hiệu quả bài toán tư vấn dinh dưỡng cá nhân hóa dành riêng cho thể trạng và văn hóa ẩm thực của người bệnh tại Việt Nam. Bằng việc kết hợp kiến trúc học sâu lai ghép (EfficientNet-B0, Swin Transformer, FPN) để ước tính dinh dưỡng cùng quy trình RAG dựa trên các mô hình ngôn ngữ lớn (Gemma, PaliGemma) và cơ sở dữ liệu vector Pinecone, nhóm tác giả đã xây dựng thành công một hệ thống phần mềm hoàn chỉnh gồm 5 phân hệ dịch vụ chạy trên nền tảng Flutter và FastAPI. Các kết quả thực nghiệm định lượng về sai số MAE và độ hội tụ mô hình đã chứng minh tính khả thi của giải pháp trong việc số hóa bệnh án, cảnh báo thực phẩm nguy hại và hỗ trợ người bệnh quản lý chế độ ăn uống khoa học.

Trích đoạn nội dung tài liệu

Phần Mở đầu – Tính cấp thiết đề tài GVHD:ThS. Lê Minh Tân Hỗ trợ tiếng Việt Không Không Có Hầu hết các ứng dụng đều có tính chuyên môn cao do đượng hỗ trợ phát triển bởi các chuyên gia hàng đầu. Tuy nhiên, những ứng dụng này được xây dựng cách đây khá lâu, chưa áp dụng các công nghệ mới nhất như chatbot, các công nghệ thị giác máy tính, … Các ứng dụng hầu hết cũng chỉ cung cấp tư vấn chung chung cho người dùng, chưa tối ưu hóa với từng cá nhân. Nhu cầu về một ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh là thật sự cần thiết.

Một ứng dụng như vậy không chỉ cung cấp cho người dùng thông tin về loại thực phẩm họ tiêu thụ, mà còn hướng đến việc hỗ trợ người bệnh một cách hiệu quả hơn như việc xây dựng công thức nấu ăn dựa trên hình ảnh, cảnh bảo người dùng về các thực phẩm gây hại cho bệnh tình của họ hay cung cấp những thực đơn mẫu hàng ngày phù hợp. Những tính năng này nhằm mục tiêu giúp cải thiện sức khỏe, hỗ trợ điều trị và phòng ngừa bệnh tật cũng như những tai biến. Mở rộng ra hơn, ứng dụng này hướng tới đóng góp cho việc xây dựng nền y tế hiện đại hơn, cá nhân hóa và thông minh hơn, phục vụ cho nhu cầu của người dân Việt Nam. ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU Đối tượng nghiên cứu là người dùng tiềm năng, bao gồm người bệnh và người thân: - Người bệnh: Cung cấp kiến thức và tư vấn dinh dưỡng khoa học, hỗ trợ xây dựng chế độ ăn uống phù hợp với tình trạng sức khỏe và bệnh lý của họ.

- Người thân: Hướng dẫn cách hỗ trợ dinh dưỡng, chăm sóc và động viên người bệnh trong quá trình điều trị và phục hồi. Phạm vi nội dung: - Tư vấn dinh dưỡng cá nhân hóa: Cung cấp thông tin dinh dưỡng phù hợp với tình trạng sức khỏe dựa trên hồ sơ bệnh án và lịch sử hội thoại, giúp người dùng nhận được tư vấn nhanh chóng, chính xác và tiện lợi. - Hỗ trợ quản lý sức khỏe và dinh dưỡng: Bao gồm tính toán lượng calories từ khẩu phần ăn, nhập thông tin sức khỏe từ hình ảnh bệnh án, theo dõi cân nặng, chiều cao, mức độ hoạt động, và nhắc nhở các thói quen lành mạnh như uống nước, giờ ăn, và cập nhật hồ sơ sức khỏe. 8 Phần Mở đầu – Đối tượng và phạm vi nghiên cứu GVHD:ThS.

Lê Minh Tân - Tự động hóa và tối ưu hóa trải nghiệm: Tự động trả lời các câu hỏi phổ biến, hỗ trợ tạo công thức món ăn từ hình ảnh thực phẩm, và gợi ý thực đơn mẫu phù hợp với người Việt Nam, có thể tùy chỉnh theo tình trạng bệnh lý hoặc mục tiêu dinh dưỡng. - Gợi ý thay thế và cải thiện lựa chọn thực phẩm: Đưa ra các lựa chọn thực phẩm thay thế lành mạnh hơn, phù hợp với bệnh án hoặc mục tiêu dinh dưỡng cá nhân, giúp cải thiện chế độ ăn uống một cách khoa học. - Tăng cường trải nghiệm người dùng: Lưu trữ và cung cấp lại thông tin tư vấn từ lịch sử hội thoại, đảm bảo người dùng dễ dàng theo dõi và áp dụng các gợi ý đã nhận. Phạm vi ngôn ngữ: Tiếng Việt Phạm vi công nghệ và kỹ thuật: - Nền tảng hoạt động: Chatbot hoạt động trên ứng dụng điện thoại, được phát triển đa nền tảng với Flutter cho giao diện người dùng (Frontend) trên hệ điều hành Android.

Phần xử lý phía máy chủ (Backend) được xây dựng bằng FastAPI giúp đảm bảo hiệu suất cao và dễ mở rộng. - Mô hình ngôn ngữ lớn (LLM): Chatbot sử dụng mô hình ngôn ngữ lớn như Gemma để hiểu và tạo phản hồi một cách tự nhiên, thân thiện và chính xác. Mô hình này hỗ trợ khả năng đối thoại thông minh, xử lý ngôn ngữ tự nhiên theo ngữ cảnh. - Kỹ thuật RAG (Retrieval-Augmented Generation): Tích hợp giữa truy xuất thông tin và sinh văn bản, RAG giúp chatbot tìm kiếm thông tin từ kho dữ liệu văn bản riêng và tạo ra câu trả lời chính xác theo từng truy vấn cụ thể.

Việc triển khai RAG được hỗ trợ thông qua framework LangChain. - Kỹ thuật WebSearch mở rộng tri thức: Áp dụng API tìm kiếm (như GoogleSerperAPIWrapper) để tra cứu thông tin liên quan đến các vấn đề dinh dương cho người bệnh. Kết quả tìm kiếm sẽ được trích lọc và lưu trữ nhằm mở rộng kho dữ liệu ngữ cảnh, phục vụ cho RAG và cải thiện chất lượng phản hồi. - Xử lý ảnh sang văn bản (OCR): Chatbot hỗ trợ người dùng gửi hình ảnh chứa văn bản (như hồ sơ bệnh án) và sử dụng mô hình PaliGemma để trích xuất nội 9 Phần Mở đầu – Đối tượng và phạm vi nghiên cứu GVHD:ThS.

Lê Minh Tân dung từ ảnh. Nội dung này có thể được sử dụng trực tiếp trong quá trình hỏi đáp hoặc lưu vào kho dữ liệu để tham chiếu sau. - Nhận diện món ăn từ hình ảnh: Chatbot có khả năng nhận diện các món ăn qua hình ảnh do người dùng cung cấp, nhờ vào mô hình PaliGemma. Tính năng này giúp phân tích dinh dưỡng, gợi ý thực đơn phù hợp cho người bệnh, hoặc ghi nhận nhật ký ăn uống một cách trực quan và tiện lợi.

PHÂN TÍCH HƯỚNG NGHIÊN CỨU LIÊN QUAN Trong quá trình khảo sát các công trình liên quan đến quản lý dinh dưỡng tự động và tư vấn dinh dưỡng cá nhân hóa, hệ thống NutriVision được đưa ra trong bài nghiên cứu8 vào năm 2024 đã minh họa rõ nét các hướng nghiên cứu trọng tâm, đồng thời chỉ ra những hạn chế và cơ hội mở rộng cho dự án “Ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh” của nhóm. Trước hết, việc ứng dụng các mô hình học sâu như Faster R-CNN để nhận diện và phân loại thức ăn từ ảnh chụp đã chứng tỏ tính khả thi quyết định, giúp tự động hoá bước nhập liệu vốn tốn thời gian và dễ sai sót trong các ứng dụng cũ. Tuy nhiên, hầu hết các nghiên cứu trước đây chỉ xử lý ảnh đơn lẻ mà chưa tận dụng đa góc chụp để cải thiện độ chính xác nhận diện, đặc biệt khi thức ăn có hình dạng phức tạp hoặc bị che khuất một phần. Thứ hai, chiến lược ước lượng dinh dưỡng dựa trên dữ liệu đã cho (calorie, protein, carbohydrate, chất béo) cho phép phản hồi nhanh nhưng thiếu linh hoạt khi người dùng thay đổi khẩu phần hoặc kết hợp nhiều món ăn.

Nhiều công trình gần đây như bài nghiên cứu9 vào năm 2024 đã bắt đầu thử nghiệm các mô hình kết hợp EfficientNet với Swin Transformer và FPN, cho thấy khả năng trích xuất đặc trưng hình ảnh sâu sắc hơn, góp phần nâng cao độ chính xác ước tính khối lượng và thành phần dinh dưỡng. Tiếp đến, khía cạnh cá nhân hóa khuyến nghị dinh dưỡng được NutriVision thực hiện thông qua phân tích BMI, lịch sử sức khỏe và sở thích ăn uống. Đây là nền tảng quan trọng để phát triển chatbot tư vấn thông minh, nhưng vẫn còn tiềm năng khai thác sâu hơn với các kỹ thuật học máy tiên tiến như hệ đề xuất dựa trên lưu đồ sức khỏe (health 8 Madhumita Veeramreddy, Ashok Kumar Pradhan, Swetha Ghanta, Laavanya Rachakonda, and Saraju P. Mohanty, NUTRIVISION: A System for Automatic Diet Management in Smart Healthcare, arXiv preprint arXiv:2409.

Available at: https://doi. Liu, Nutritional Composition Analysis in Food Images: An Innovative Swin Transformer Approach, Frontiers in Nutrition, vol. 10 Phần Mở đầu – Phân tích hướng nghiên cứu liên quan GVHD:ThS. Lê Minh Tân knowledge graph) hay mô hình đa nhiệm (multi-task learning) để đồng thời tối ưu khẩu phần, đề xuất món mới và giám sát tiến trình sức khỏe.

Bên cạnh đó, tích hợp chatbot trong NutriVision chỉ dừng ở mức trả lời câu hỏi cơ bản về dinh dưỡng và công thức nấu ăn. Hướng nghiên cứu mới có thể bổ sung các module sinh công thức tự động dựa trên thành phần dinh dưỡng mục tiêu và kỹ thuật lập trình ngược công thức (reverse recipe generation), kết hợp mô hình ngôn ngữ lớn (LLM) để đảm bảo ngôn ngữ tư vấn tự nhiên, dễ hiểu với người bệnh. Từ những phân tích trên, dự án “Ứng dụng tư vấn dinh dưỡng khoa học cho người bệnh” có thể định hướng nghiên cứu ở các mảng sau: - Nhận diện thức ăn đa ảnh: sử dụng đồng thời nhiều góc chụp, kết hợp mô hình FPN để tổng hợp đặc trưng, giảm thiểu sai sót khi thức ăn bị che khuất. - Ước lượng dinh dưỡng nâng cao: áp dụng kiến trúc EfficientNet + Swin Transformer để cải thiện độ chính xác và khả năng tổng quát hoá với món mới.

- Sinh công thức nấu ăn từ ảnh: phát triển module tạo công thức tự động dựa trên thành phần dinh dưỡng đã nhận diện, tích hợp LLM để đảm bảo tính mạch lạc và khả năng tùy biến theo sở thích. - Tư vấn cá nhân hóa sâu: xây dựng knowledge graph về bệnh lý và dinh dưỡng, kết hợp Pinecone làm vector database để lưu trữ và truy vấn hồ sơ người bệnh, từ đó đưa ra đề xuất khẩu phần mang tính cá nhân hoá cao. - Giao diện chatbot chuyên biệt: tối ưu trải nghiệm người dùng bằng UI/UX thân thiện, bổ sung khả năng lưu trữ lịch sử tư vấn và nhắc nhở theo tiến trình điều trị. Những hướng này không chỉ khắc phục hạn chế của các hệ thống trước mà còn mở rộng phạm vi ứng dụng, góp phần xây dựng một nền tảng tư vấn dinh dưỡng toàn diện, khoa học và linh hoạt cho người bệnh trong bối cảnh chăm sóc sức khỏe thông minh.

KẾT QUẢ DỰ KIẾN Mục tiêu chính của đề tài là phát triển một ứng dụng tư vấn dinh dưỡng thông minh, được thiết kế đặc thù cho người Việt Nam, nhằm khắc phục những hạn chế của các ứng dụng hiện có như Nutrition Diagnosis Expert System, DANES và Nutri Expert. Ứng dụng này sẽ: 11 Phần Mở đầu – Kết quả dự kiến GVHD:ThS. Lê Minh Tân - Cung cấp thông tin dinh dưỡng chính xác, phù hợp với văn hóa, thói quen ăn uống và nhu cầu sức khỏe của người Việt Nam. - Hỗ trợ người bệnh thông qua các tính năng như: • Xây dựng công thức nấu ăn dựa trên tình trạng bệnh lý.

• Cảnh báo về các thực phẩm có hại phù hợp với từng cá nhân. • Đưa ra thực đơn mẫu hàng ngày được cá nhân hóa. - Ứng dụng công nghệ hiện đại như trí tuệ nhân tạo (AI) và chatbot để phân tích dữ liệu bệnh án, tối ưu hóa tư vấn dinh dưỡng và nâng cao trải nghiệm người dùng. - Đóng góp vào việc cải thiện sức khỏe cộng đồng và hỗ trợ phát triển nền y tế thông minh tại Việt Nam, đáp ứng nhu cầu ngày càng cao về chăm sóc sức khỏe và dinh dưỡng tiết chế.