Tiếp theo Phần 4
BÀN LUẬN
Nghiên cứu này trình bày một bối cảnh thực nghiệm để phát hiện sốt rét bằng cách kiểm tra một tập hợp hình ảnh phết máu mỏng sử dụng tổ hợp các kỹ thuật dựa trên trí tuệ nhân tạo (AI). Với vai trò là một mô hình học sâu (DL) từ đầu đến cuối, phương pháp luận học chuyển tiếp được minh họa qua ResNet-50, VGG-16 và DenseNet-201 đã được dùng. Các nhà nghiên cứu đã khảo sát cả hai mô hình SVM và LSTM với tư cách là các thuật toán học máy (ML). Hơn nữa, họ đã đề xuất cơ chế biểu quyết theo đa số như một quyết định tổng hợp để phát hiện sốt rét. Mỗi kỹ thuật được đánh giá thông qua các chỉ số đo lường đã cho như mô tả trong phần Kết quả.
Trong nghiên cứu này, sử dụng ba kiến trúc mạng nơ-ron tích chập được công nhận rộng rãi, ResNet-50, VGG-16 và DenseNet-201với vai trò là các bộ trích xuất đặc trưng và bộ phân loại từ đầu đến cuối. Các mô hình này vẫn rất phù hợp và hiệu quả trong bối cảnh phân tích hình ảnh y tế nhờ vào tính mạnh mẽ, khả năng diễn giải và khả năng học chuyển tiếp đã được chứng minh. VGG-16 cung cấp một kiến trúc đồng nhất và đơn giản, giúp đơn giản hóa việc diễn giải và tinh chỉnh mô hình. ResNet-50 giới thiệu các kết nối phần dư, giúp giải quyết hiệu quả vấn đề tiêu biến gradient và cho phép huấn luyện các mạng sâu hơn, có khả năng biểu diễn tốt hơn. DenseNet-201 tận dụng kết nối dày đặc để tăng cường việc tái sử dụng đặc trưng và luồng gradient, điều này đặc biệt có lợi khi làm việc với các đặc trưng chi tiết trong hình ảnh phết máu kính hiển vi. Những kiến trúc này đã được kiểm chứng rộng rãi trong nhiều nghiên cứu về hình ảnh y sinh, cung cấp một nền tảng vững chắc để so sánh hiệu năng và đo lường hiệu chuẩn. Mặc dù các mô hình mới hơn như ConvNeXt²⁹, EfficientNet-V2, Vision Transformers (ViT)³⁰,³¹ và MobileNet V3 cho kết quả hứa hẹn trên các bộ dữ liệu quy mô lớn, chúng thường đòi hỏi việc tinh chỉnh phức tạp hơn, tài nguyên tính toán cao hơn, và dữ liệu huấn luyện lớn, những điều kiện không phải lúc nào cũng lý tưởng trong bối cảnh hình ảnh y tế. Do đó, các kiến trúc được chọn đã tạo ra một sự cân bằng thực tế giữa độ chính xác, hiệu quả và khả năng tổng quát hóa, khiến chúng rất phù hợp cho nhiệm vụ chẩn đoán sốt rét tự động³²,³³.
Đáng chú ý, bảng 5 cho thấy kỹ thuật biểu quyết theo đa số vượt trội hơn các kỹ thuật khác về độ chính xác, độ đặc hiệu, độ chuẩn xác, tỷ lệ lỗi, tỷ lệ dương tính giả, điểm F1 và hệ số tương quan Matthews. Rõ ràng, DenseNet-201 đã ghi nhận kết quả tốt nhất về độ nhạy, tỷ lệ âm tính giả, và giá trị dự báo âm tính. Việc sử dụng PCA để tối ưu hóa các đặc trưng đã chứng tỏ khả năng cải thiện kết quả, cho thấy tầm quan trọng trong việc phát hiện bệnh với thời gian tính toán ít hơn. Trong lĩnh vực AI, các kỹ thuật biểu quyết theo đa số cho phép sự hợp tác giữa tất cả các thuật toán tham gia để bỏ phiếu theo quyết định chiếm ưu thế. Điều này đòi hỏi việc tận dụng sự chuyển đổi từ các thuật toán AI truyền thống sang việc phát huy việc sử dụng nhóm trong ra quyết định. Thực tế này được chứng minh qua các kết quả của chúng tôi như minh họa trong Bảng 5. DenseNet-201 hoạt động hiệu quả so với các thuật toán khác nhờ khả năng tái sử dụng bản đồ đặc trưng thông qua các lớp dày đặc, dẫn đến việc giảm thiểu tình trạng quá khớp và tiêu biến gradient. Hơn nữa, như đã ghi nhận trong các đường cong hiệu suất huấn luyện và tổn thất, DenseNet-201 có đường cong tốt nhất.
Đáng chú ý, một so sánh với các nghiên cứu trong bảng 1 cho thấy chưa có nghiên cứu nào đề xuất sử dụng biểu quyết theo đa số để phát hiện sốt rét. Trong khi nhiều nghiên cứu hiện có bị cản trở bởi các bộ dữ liệu hạn chế, nghiên cứu này xây dựng trên nền tảng được đặt ra bởi các công trình trước đó, đặc biệt là các công trình được tham chiếu²,¹³ vốn chứng tỏ tiềm năng của các kho dữ liệu lớn hơn. Hơn nữa, nghiên cứu này đã sử dụng cùng một bộ dữ liệu như trong nghiên cứu¹³. Tuy nhiên, đã mở rộng phân tích bằng cách tích hợp thêm các thuật toán khác bên cạnh kỹ thuật biểu quyết theo đa số, và đạt được mức độ chính xác gần như tương đương.Các hạn chế của nghiên cứu bao gồm việc chưa tính đến những thay đổi về hình thái trong các tế bào được kiểm tra. Ngoài ra, cần sử dụng các bộ dữ liệu khác nhau để kiểm chứng phương pháp biểu quyết theo đa số. Để cho thấy phương pháp luận được đề xuất hoạt động tốt như thế nào trên chúng, cần đánh giá thêm các hình ảnh phết máu dày.
KẾT LUẬN
Nghiên cứu đã trình bày một hệ thống đa mô hình dựa trên AI để phát hiện bệnh sốt rét. Trong bối cảnh này, cơ chế biểu quyết theo đa số thể hiện một bước tiến đáng kể, làm cho nghiên cứu này khác biệt so với các công trình trước đây vốn chưa khám phá cách tiếp cận đổi mới này. Cách tiếp cận biểu thị một sự tiến bộ có ý nghĩa trong lĩnh vực phân tích hình ảnh y tế, vì nó giúp tăng cường tính mạnh mẽ và độ tin cậy của các kết quả chẩn đoán. Do đó, chiến lược tổ hợp này làm giảm khả năng phân loại sai và củng cố quy trình ra quyết định tổng thể.
Một đóng góp chính của nghiên cứu này nằm ở việc sử dụng một bộ dữ liệu lớn và đa dạng, vốn đóng vai trò quan trọng trong việc cải thiện khả năng tổng quát hóa của mô hình. Nói cách khác, một kho dữ liệu lớn không chỉ cải thiện kết quả mà còn mở đường cho các phương pháp sâu hơn để phát hiện bệnh sốt rét. Hơn nữa, việc sử dụng hình ảnh phết máu mỏng mang lại kết quả đáng tin cậy, chứng tỏ rằng việc phát hiện sốt rét không bị ảnh hưởng bởi các hình ảnh kính hiển vi được sử dụng. Phát hiện này xác nhận rằng hiệu quả của quy trình phát hiện vẫn không đổi, bất kể các biến thể trong đặc điểm của hình ảnh KHV. Cuối cùng, nghiên cứu này nhấn mạnh tầm quan trọng của việc phát triển các phương pháp luận và tận dụng hiệu quả hơn dữ liệu hiện có để chống lại một trong những thách thức sức khỏe của thế giới. Hệ thống được đề xuất không chỉ cải thiện tình hình phát hiện sốt rét hiện tại mà còn mở ra những hướng đi mới cho việc áp dụng các kỹ thuật tương tự cho các bệnh truyền nhiễm khác.
Hướng nghiên cứu trong tương lai có thể được tóm tắt là sử dụng các bộ dữ liệu khác để kiểm chứng phương pháp luận được đề xuất và sử dụng các thuật toán khác với cơ chế tinh chỉnh thay vì học chuyển tiếp. Bên cạnh đó, phương pháp luận này có thể được tổng quát hóa cho các bệnh khác như bệnh bạch cầu, qua đó đóng góp vào một cách tiếp cận hiệu quả và có khả năng mở rộng hơn trong chẩn đoán bệnh thông qua AI.
TÀI LIỆU THAM KHẢO
1.Sunarko, B., Bottema, M., Iksan, N., Hudaya, K. A. & Hanif, M. S. Red blood cell classification on thin blood smear images for malaria diagnosis. In Journal of Physics: Conference Series. 1444(1), 012036. (2020).
2.Khan, R. U. et al. An intelligent neural network model to detect red blood cells for various blood structure classification in microscopic medical images. Heliyon10(4), e26149. (2024).
3.Uzun Ozsahin, D., Duwa, B. B., Ozsahin, I. & Uzun, B. Quantitative forecasting of malaria parasite using machine learning models: MLR, ANN, ANFIS and random forest. Diagnostics14 (4), 385 (2024).
4.Sukumarran, D. et al. Machine and deep learning methods in identifying malaria through microscopic blood smear: A systematic review. Engineering Appl. Artif. Intelligence 133108529. (2024).
5.Hemachandran, K. et al. Performance analysis of deep learning algorithms in diagnosis of malaria disease. Diagnostics13 (3), 534–550 (2023).
6.Hoyos, K. & Hoyos, W. Supporting malaria diagnosis using deep learning and data augmentation. Diagnostics, 2024, 14(7), 690–709. (2024).
7.World Health Organization. World Malaria Report. (2024). Available at https://www.who.int/teams/global-malaria-programme/reports/world-malaria-report-2024
8.Brenas, J. H., Al-Manir, M. S., Baker, C. J. & Shaban-Nejad, A. A malaria analytics framework to support evolution and interoperability of global health surveillance systems. IEEE Access.5, 21605–21619 (2017).
9.Marrelli, M. T. & Brotto, M. The effect of malaria and anti-malarial drugs on skeletal and cardiac muscles. Malar. J.15, 1–6 (2016).
10.Muhammad, F. A., Sudirman, R., Zakaria, N. A. & Mahmood, N. H. Classification of Red Blood Cell Abnormality in Thin Blood Smear Images using Convolutional Neural Networks. In Journal of Physics: Conference Series. 2622(1), 012011. (2023).
11.Muhammad, F. A., Sudirman, R., Zakaria, N. A. & Daud, S. N. S. S. Morphology classification of malaria-infected red blood cells using deep learning techniques. Biomed. Signal Process. Control. 99, 106869 (2025).
12.Salaheldin, A. M., Wahed, M. A., Talaat, M. & Saleh, N. An evaluation of AI-based methods for papilledema detection in retinal fundus images. Biomedical Signal Processing and Control. 92,106120. (2024).
13.Hemachandran, K. et al. Performance analysis of deep learning algorithms in diagnosis of malaria disease. Diagnostics13 (3), 534 (2023).
14.Kassim, Y. M. et al. Clustering-based dual deep learning architecture for detecting red blood cells in malaria diagnostic smears. IEEE J. Biomedical Health Inf.25 (5), 1735–1746 (2020).
15.Ozsahin, D. U., Mustapha, M. T., Duwa, B. B. & Ozsahin, I. Evaluating the performance of deep learning frameworks for malaria parasite detection using microscopic images of peripheral blood smears. Diagnostics12 (11), 2702. 10.3390/diagnostics12112702 (2022).
16.Ozdemir, B. & Pacal, I. A robust deep learning framework for multiclass skin cancer classification. Sci. Rep.2025 (15(1)), 1–19. 10.1038/s41598-025-89230-7 (2024).
17.Chen, Y. et al. VGG16-based intelligent image analysis in the pathological diagnosis of IgA nephropathy. J. Radiation Res. Appl. Sci.16 (3), 100626 (2023).
18.Pang, B. et al. Fire-image-DenseNet (FIDN) for predicting wildfire burnt area using remote sensing data. Comput. Geosci.195, 105783 (2025).
19.Ji, L., Tian, X., Wei, Z. & Zhu, D. Intelligent fault diagnosis in power distribution networks using LSTM-DenseNet network. Electr. Power Syst. Res.239, 111202 (2025).
20.Salim, F., Saeed, F., Basurra, S., Qasem, S. N. & Al-Hadhrami, T. DenseNet-201 and Xception pre-trained deep learning models for fruit recognition. Electronics12 (14), 3132 (2023).
21.Malaria Cell Images Dataset, https://www.kaggle.com/datasets/iarunava/cell-images-for-detecting-malaria/data, 2018.
22.Salaheldin, A. M., Abdel Wahed, M., Talaat, M. & Saleh, N. Deep learning-based automated detection and grading of papilledema from OCT images: A promising approach for improved clinical diagnosis and management. Int. J. Imaging Syst. Technol.34(4), e23133. (2024).
23.Akkasaligar, P. T., Pattar, S., Gupta, S., Barker, D. & Gunayyanavarmath, B. Classification of blood smear images using CNN and pretrained VGG16: computer aided diagnosis of malaria disease. In 2024 First International Conference on Technological Innovations and Advance Computing (TIACOMP). 2024, 349–354. (2024), June.
24.Sukumarran, D. et al. Automated identification of malaria-infected cells and classification of human malaria parasites using a two-stage deep learning technique. IEEE Access.12, 135746–135763 (2024).
25.Srinivasu, P. N. et al. Using recurrent neural networks for predicting type-2 diabetes from genomic and tabular data. Diagnostics12 (12), 3067 (2022).
26.Jdey, I., Hcini, G. & Ltifi, H. Deep learning and machine learning for malaria detection: overview, challenges and future directions. Int. J. Inform. Technol. Decis. Mak.23 (05), 1745–1776 (2024).
27.Srinivasu, P. N. et al. F. XAI-driven catboost multi-layer perceptron neural network for analyzing breast cancer. Sci. Rep.14 (1), 1–19.
28.Gu, H. et al. Majority voting of Doctors improves appropriateness of AI reliance in pathology. Int. J. Hum. Comput. Stud.190, 103315 (2024).
29.Ince, S., Kunduracioglu, I., Algarni, A., Bayram, B. & Pacal, I. Deep learning for cerebral vascular occlusion segmentation: A novel ConvNeXtV2 and GRN-integrated U-Net framework for diffusion-weighted imaging. Neuroscience574, 42–53.
30.Ozdemir, B., Aslan, E. & Pacal, I. Attention enhanced inceptionnext based hybrid deep learning model for lung cancer detection. IEEE Access.13, 27050–27069.
31.Pacal, I., Ozdemir, B., Zeynalov, J., Gasimov, H. & Pacal, N. A novel CNN-ViT-based deep learning model for early skin cancer diagnosis. Biomed. Signal Process. Control. 104, 107627.
32.Lubbad, M. et al. Machine learning applications in detection and diagnosis of urology cancers: a systematic literature review. Neural Comput. Appl.36(12), 6355-6379.
33.İnce, S., Kunduracioglu, I., Bayram, B. & Pacal, I. U-Net-Based models for precise brain stroke segmentation. Chaos Theory Appl.7 (1), 50-60.
CN. Nguyễn Thái Hoàng& TS.BS. Huỳnh Hồng Quang
Viện Sốt rét-KST-CT Quy Nhơn