Mô hình học chuyển giao sâu hai giai đoạn cho chẩn đoán và định vị vùng tổn thương phổi do COVID-19 từ ảnh X-quang ngực

Tóm tắt

Trong bối cảnh đại dịch COVID-19 gây áp lực lên hệ thống y tế toàn cầu, hình ảnh X-quang ngực (CXR) được xem là phương tiện sàng lọc nhanh, chi phí thấp và khả thi ngay tại tuyến cơ sở. Tuy nhiên, phần lớn nghiên cứu hiện nay chỉ tập trung vào phân loại COVID/Non-COVID hoặc tạo bản đồ nhiệt (heatmap) mang tính giải thích nhưng thiếu khả năng định vị chính xác vùng tổn thương. Bài báo này đề xuất một khung mô hình học chuyển giao hai giai đoạn nhằm nâng cao hiệu quả chẩn đoán và cung cấp thông tin định vị trực tiếp. Ở tầng thứ nhất, ba kiến trúc CNN gồm DenseNet-121, EfficientNetB0 và ResNet50 được tinh chỉnh trên bộ dữ liệu COVID-19 Radiography Database; trong đó, DenseNet-121 đạt độ chính xác 99.0% và độ nhạy 96.4%. Ở tầng thứ hai, mô hình YOLOv12x được huấn luyện trên tập SIIM-FISABIO-RSNA, đạt mAP@0.5 khoảng 0.45. Kết quả cho thấy pipeline hai tầng không chỉ duy trì độ nhạy cao trong phân loại mà còn cung cấp khả năng định vị trực quan các vùng tổn thương phổi, góp phần hỗ trợ bác sĩ trong quá trình đánh giá lâm sàng, đặc biệt trong các tình huống cần sàng lọc nhanh và số lượng dữ liệu hạn chế.