Luận án Tiến sĩ: Nghiên cứu phát triển một số mô hình học sâu trong hỗ trợ chẩn đoán bệnh bụi phổi silic nghề nghiệp dựa trên ảnh X-quang ngực

Bệnh bụi phổi silic nghề nghiệp là một thách thức y tế công cộng nghiêm trọng, đặc biệt tại Việt Nam, gây ra những tổn thương phổi không hồi phục và có tỷ lệ mắc, tử vong cao. Mặc dù chụp X-quang ngực là phương pháp chẩn đoán phổ biến, nó vẫn gặp hạn chế về độ nhạy và tính chủ quan, dẫn đến bỏ sót tổn thương ở giai đoạn sớm. Với sự tiến bộ của trí tuệ nhân tạo và học sâu, có tiềm năng lớn để cải thiện độ chính xác và hiệu quả chẩn đoán. Tuy nhiên, các nghiên cứu chuyên biệt về bệnh bụi phổi silic ở Việt Nam, đặc biệt trong bối cảnh dữ liệu khan hiếm và tổn thương không điển hình, còn hạn chế. Luận án này đặt mục tiêu phát triển các mô hình học sâu tiên tiến để hỗ trợ chẩn đoán chính xác bệnh lý này, góp phần vào việc phòng ngừa và điều trị hiệu quả.

Các nhà nghiên cứu trong lĩnh vực trí tuệ nhân tạo và học sâu, kỹ sư công nghệ thông tin y tế, bác sĩ chuyên khoa hô hấp và chẩn đoán hình ảnh, cũng như các nhà hoạch định chính sách y tế quan tâm đến bệnh nghề nghiệp và ứng dụng công nghệ trong chăm sóc sức khỏe.

Luận án tập trung giải quyết những hạn chế của chẩn đoán truyền thống bệnh bụi phổi silic nghề nghiệp từ ảnh X-quang ngực, một bệnh lý tiến triển âm thầm và khó nhận diện ở giai đoạn sớm. Nghiên cứu đề xuất phát triển các mô hình học sâu tiên tiến nhằm nâng cao độ chính xác và khả năng tổng quát của quá trình chẩn đoán. Cụ thể, phương pháp tiếp cận bao gồm việc xây dựng và chuẩn hóa một bộ dữ liệu ảnh X-quang ngực đa lớp, cân bằng, bao gồm các trường hợp bụi phổi silic, viêm phổi do vi khuẩn, viêm phổi do virus và người bình thường. Trên nền tảng dữ liệu này, luận án nghiên cứu và đề xuất các mô hình học sâu cải tiến, tích hợp hai hướng chính: học ít mẫu (Few-Shot Learning) cho phép thực hiện đồng thời phân đoạn và phân loại trong điều kiện dữ liệu hạn chế, và kiến trúc Graph Transformer Post-hoc (GTP) kết hợp hàm mất mát cân bằng (Balanced Loss) cùng kỹ thuật học tổng hợp (Ensemble Learning) để khai thác mối quan hệ không gian, cải thiện tính ổn định và hiệu năng phân loại. Kết quả mong đợi là các mô hình có độ chính xác cao, giảm phụ thuộc vào yếu tố chủ quan và có khả năng ứng dụng lâm sàng rộng rãi, góp phần vào việc chẩn đoán sớm và quản lý hiệu quả bệnh bụi phổi silic, giảm gánh nặng y tế và nâng cao chất lượng sống cho người lao động.