ỨNG DỤNG MÔ HÌNH AI KẾT HỢP TRONG CHẨN ĐOÁN VÀ PHÂN LOẠI BỆNH PHỔI

Abstract

COVID-19 là bệnh đường hô hấp cấp do virus SARS-CoV-2 gây ra, lây lan toàn cầu từ cuối năm 2019. Dù đã có vaccine, bệnh vẫn gây biến chứng và lây nhiễm. Ảnh X-quang phổi là công cụ chẩn đoán nhanh, chi phí thấp, hiệu quả trong phát hiện tổn thương phổi do COVID-19, đặc biệt khi thiếu xét nghiệm RT-PCR. Sự phát triển của AI và học sâu cho phép phân tích ảnh X-quang tự động, chính xác, hỗ trợ giảm tải cho bác sĩ và nâng cao hiệu quả chẩn đoán. Trong đề tài này, dữ liệu ảnh X-quang ngực được thu thập, tiền xử lý. Sau đó áp dụng các mô hình học sâu như EfficientNetB0, ResNet50, MobileNetV2 được với phương pháp fine-tuning để phù hợp với bài toán phân loại COVID-19. Ngoài ra, kĩ thuật kết hợp mô hình thông qua averaging được áp dụng nhằm cải thiện độ chính xác chẩn đoán. Các mô hình được huấn luyện và đánh giá bằng các chỉ số như Accuracy, Precision, Recall, F1- Score và AUC-ROC. Cuối cùng, kết quả được phân tích để so sánh hiệu suất giữa các mô hình và đề xuất hướng tối ưu hóa. Kết quả thực nghiệm cho thấy mô hình kết hợp đạt độ chính xác 95%, cao hơn so với sử dụng các mô hình riêng lẻ từ 2% đến 6% và độ lỗi 0.2017, thấp hơn so với sử dụng các mô hình riêng lẻ từ 0.01 đến 0.115, đồng thời chỉ số F1-score trên các lớp đạt từ 93% dến 98% sau quá trình huấn luyện và xác thực.