AIResearchFeatured

CFT - Học máy lai chẩn đoán năm bệnh lồng ngực từ ảnh X-quang

Dự án nghiên cứu áp dụng các phương pháp học máy lai để chẩn đoán năm bệnh lồng ngực phổ biến từ ảnh X-quang ngực thẳng.

“CFT: A Hybrid Machine Learning Method For Diagnosing The Five Common Thoracic Diseases Based On X-ray Images. ICTA 2025, Lecture Notes in Networks and Systems, Springer.”

Medical AIComputer VisionMachine LearningX-ray Image AnalysisResearch Publication

Tài liệu Xem bài báo Trải nghiệm Mã nguồn

Tài liệu kỹ thuật dự án

Vai tròNghiên cứu viên độc lập - Nghiên cứu học thuật

Thời gian10/2024 - 10/2025

Trạng tháiĐã công bố (Springer)

Danh mục

AIResearch

Tổng quan dự án

Dự án nghiên cứu phát triển phương pháp học máy lai (CFT) nhằm hỗ trợ chẩn đoán 5 bệnh phổi phổ biến qua phim X-quang thẳng, giảm thiểu sai sót chủ quan của người đọc. Mô hình kết hợp EfficientNet và ViT (Vision Transformer) để nắm bắt cả các đặc trưng bề mặt phổi cục bộ và các cấu trúc giải phẫu toàn cục, giúp cải thiện đáng kể độ nhạy trong quá trình chẩn đoán y tế.

Trải nghiệm Demo tương tác

* Lưu ý: Đây là bản giả lập mô phỏng một tính năng nhỏ thuộc hệ thống lớn của dự án thực tế.

Chọn mẫu đầu vào:

Đang chờ quét chẩn đoán

SYSTEM CONSOLE LOGS:

Sơ đồ kiến trúc kỹ thuật

* Lưu ý: Đây là sơ đồ khối rút gọn mô tả luồng xử lý chính của dự án thực tế.

Quét đầu vào

Ảnh X-quang gốc

CLAHE Enhancement

CNN Backbone

Trích xuất đặc trưng cục bộ

Local Textures & Lesions

Transformer

Mối quan hệ không gian

Global Anatomy Relations

Mạng lai

Phân loại XGBoost & Grad-CAM

5-Class Multi-label Maps

→ Kết cấu mạng lai: Fuses Local CNN maps and Global ViT patches → XGBoost ensemble classifier → Grad-CAM heatmaps

Tính năng chính

Chẩn đoán 5 bệnh đồng thời: Trực quan hóa phần trăm rủi ro của Tràn dịch màng phổi, Viêm phổi, Phì đại tim, Xơ hóa, Lao.

Mô hình tích hợp học máy lai: Tận dụng ưu điểm mạng tích chập (EfficientNet) và mạng Transformer tự chú ý (ViT-Base).

Giải thích vùng ảnh (Grad-CAM): Hiển thị vùng màu cảnh báo nghi ngờ có ổ bệnh giúp bác sĩ dễ dàng kiểm tra.

Cân bằng tương phản (CLAHE): Tiền xử lý ảnh gốc X-quang để bù sáng và nâng cao độ nổi bật của chi tiết xương sườn, nhu mô.

Kiến trúc hệ thống

Kiến trúc mô hình sử dụng PyTorch. Tấm ảnh X-quang chụp lồng ngực được chuẩn hóa qua OpenCV, đưa song song qua EfficientNet trích xuất đặc trưng và ViT-B/16 trích xuất patch. Hai luồng đầu ra được ghép nối và đưa vào bộ phân loại ensemble (XGBoost/LightGBM) ở lớp cuối cùng để kết xuất nhãn bệnh.

Thành tựu đạt được

Báo cáo khoa học đầy đủ được đăng tải và thuyết trình tại Hội thảo Quốc tế ICTA 2025, xuất bản bởi Springer.

Đạt chỉ số trung bình AUC-ROC 0.926 trên tập dữ liệu CheXpert quốc tế.

Tốc độ suy luận tính toán đạt dưới 0.2 giây/ca bệnh, đáp ứng tích hợp thời gian thực.

Dự án trướcAGV vận chuyển hàng

Dự án tiếp theoAI Agent tra cứu tri thức doanh nghiệp