GIẢI PHÁP PHÂN LỚP BỆNH PHỔI VỚI CHẮT LỌC THÔNG TIN VÀ MÔ HÌNH KAN

Abstract

Các bệnh lý hô hấp như viêm phổi, COPD, lao phổi và Covid-19 gây ra gánh nặng lớn cho hệ thống y tế, đòi hỏi giải pháp hỗ trợ chuẩn đoán nhanh và chính xác. Đề tài “Giải pháp phân lớp bệnh phổi với chắt lọc thông tin và KAN” được thực hiện nhằm xây dựng hệ thống phân loại bệnh phổi từ dữ liệu đa phương thức: ảnh X-quang ngực, văn bản triệu chứng và chỉ số sinh tồn. Phương pháp đề xuất gồm: huấn luyện riêng biệt các mô hình cho từng loại dữ liệu DenseNet121, EfficientNet-B5, ResNet50, Xception và các biến thể KAN (FastKAN, ChebyKAN, RBFKAN, MedKAN) cho ảnh; FastText, Electra, PhoBERT cho văn bản; Random Forest, KNN cho chỉ số sinh tồn; áp dụng cơ chế “chắt lọc thông tin” dựa trên mức độ đồng thuận giữa các mô hình để loại nhiễu nhãn; tích hợp vào website hỗ trợ chuẩn đoán với các chức năng tải ảnh, nhập triệu chứng, nhập chỉ số sinh tồn, trực quan hóa dữ liệu và gợi ý chuẩn đoán bằng RAG. Kết quả cho thấy sau khi áp dụng chắt lọc thông tin, hiệu suất mô hình ảnh tăng rõ rệt, với DenseNet121 và MedKAN đạt F1-score >72%, cao hơn khoảng 25% so với trước lọc. Mô hình văn bản đạt F1-score ~82% và mô hình chỉ số sinh tồn (Random Forest) đạt Accuracy 90%. Hệ thống web vận hành ổn định, cung cấp giao diện thân thiện và chức năng dự đoán đa dạng.