Tóm tắt 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 tình trạng y tế nguy hiểm, tiến triển âm thầm và không thể hồi phục, thường dẫn đến suy hô hấp nghiêm trọng nếu không được phát hiện sớm. Phương pháp chẩn đoán hiện hành chủ yếu dựa vào ảnh X-quang ngực, nhưng lại có độ nhạy hạn chế và phụ thuộc nhiều vào kinh nghiệm của các chuyên gia. Trước những thách thức này, sự phát triển của trí tuệ nhân tạo (AI), đặc biệt là học sâu, đã mở ra triển vọng mới trong lĩnh vực chẩn đoán hình ảnh y tế. Nghiên cứu này tập trung vào việc phát triển các mô hình học sâu tiên tiến như Graph Neural Networks (GNN) và Few-Shot Learning (FSL) nhằm nâng cao khả năng phát hiện bệnh sớm, giảm thiểu sự chủ quan trong chẩn đoán và hỗ trợ các cơ sở y tế thiếu thốn.

Các nhà khoa học máy tính, kỹ sư AI, nghiên cứu sinh, bác sĩ chẩn đoán hình ảnh, bác sĩ chuyên khoa hô hấp, chuyên gia y tế nghề nghiệp và những người quan tâm đến ứng dụng trí tuệ nhân tạo trong y học.

Luận án trình bày một nghiên cứu toàn diện nhằm phát triển và đánh giá các mô hình học sâu để hỗ trợ chẩn đoán bệnh bụi phổi silic nghề nghiệp từ ảnh X-quang ngực. Tính cấp thiết của nghiên cứu được nhấn mạnh bởi sự nguy hiểm của bệnh, các hạn chế của phương pháp chẩn đoán truyền thống và tiềm năng lớn của trí tuệ nhân tạo trong y học. Mục tiêu tổng quát là xây dựng, chuẩn hóa tập dữ liệu X-quang ngực chuyên biệt cho bệnh bụi phổi silic và phát triển các mô hình học sâu hiệu quả. Luận án giải quyết ba mục tiêu cụ thể: thứ nhất, xây dựng tập dữ liệu ảnh X-quang ngực được gán nhãn và chuẩn hóa để phục vụ nghiên cứu; thứ hai, đề xuất các mô hình học sâu tiên tiến như Graph Transformer Post-hoc, kết hợp kỹ thuật cân bằng dữ liệu và học tổng hợp để xử lý các thách thức về dữ liệu khan hiếm và mất cân bằng; và thứ ba, đánh giá toàn diện hiệu năng của mô hình bằng các chỉ số y sinh quan trọng, trực quan hóa kết quả và so sánh với chẩn đoán của chuyên gia để xác minh khả năng ứng dụng lâm sàng. Các hướng nghiên cứu chính tập trung vào việc tích hợp Graph Transformer để khai thác mối quan hệ liên ảnh và áp dụng Few-Shot Learning để tăng khả năng tổng quát hóa, khắc phục các hạn chế hiện tại trong chẩn đoán bệnh bụi phổi silic bằng AI. Ý nghĩa khoa học của công trình này là mở rộng và điều chỉnh các phương pháp học sâu hiện có cho dữ liệu y tế đặc thù, trong khi ý nghĩa thực tiễn là cung cấp giải pháp hỗ trợ chẩn đoán tại các cơ sở y tế còn thiếu nguồn lực.