NÂNG CAO HIỆU QUẢ PHÂN LỚP ẢNH X-QUANG VỚI MÔ HÌNH HỌC KẾT HỢP BỎ PHIẾU MỀM CÓ TRỌNG SỐ ĐƯỢC TỐI ƯU HÓA BẰNG TÌM KIẾM LƯỚI

Tạp chí Khoa học Đại học Huế: Kỹ thuật và Công nghệ Tập 135, Số 2A, 5–20, 2026 pISSN 2588-1175 eISSN 2615-9732 DOI: 10.26459/hueunijtt.v135i2A.8390 15 Torchvision, sử dụng bộ trọng số ImageNet-1K. Lớp kết nối đầy đủ (Fully Connected - FC) của các mô hình cơ sở được sửa đổi số lớp đầu ra tương ứng với số nhãn bệnh lý của tập dữ liệu y tế lựa chọn nghiên cứu. Bảng 5. Tham số huấn luyện tinh chỉnh Số epoch huấn luyện 100 Batch size 64 Learning rate 1e-04 Trình tối ưu AdamW, weight_decay=1e-2 Môi trường thực nghiệm Ubuntu 22.04, RTX 4090, PyTorch Kích thước ảnh đầu vào 224×224 Hàm mất mát Cross-Entropy Loss Giá trị bước lưới Δw 0.05 Hiệu suất các mô hình được giám sát liên tục trên tập xác thực. Mô hình có độ chính xác cao nhất trên tập xác thực, được ghi lại trong suốt quá trình huấn luyện. Để kiểm soát sự hội tụ trong quá trình tinh chỉnh, chúng tôi áp dụng chiến lược giữ ổn định tốc độ học, giúp quá trình tinh chỉnh trọng số mạng ổn định trong suốt huấn luyện. 4.4 Các độ đo đánh giá hiệu năng Trong phân tích hình ảnh y tế, sự phân bố dữ liệu giữa các lớp bệnh lý và lớp bình thường (normal class) thường xuyên xảy ra tình trạng mất cân bằng. Vì vậy, trong nghiên cứu này để đảm bảo sự so sánh công bằng và đánh giá chính xác năng lực chẩn đoán lâm sàng của ba mô hình cơ sở cũng như mô hình kết hợp, chúng tôi áp dụng một hệ thống các độ đo toàn diện. Đặc biệt, để triệt tiêu hoàn toàn vấn đề thiên vị dữ liệu (data bias), ngoại trừ Accuracy được tính trên toàn cục, tất cả các độ đo đánh giá ở cấp độ lớp (class-level metrics) đều được tính toán tuân thủ nghiêm ngặt

theo chiến lược trung bình vĩ mô không có trọng số (Unweighted Macro-averaging). Giả sử bài toán có C lớp, ma trận nhầm lẫn (Confusion Matrix) cho lớp thứ i cung cấp các giá trị: Dương tính thực sự (TPi), âm tính thực sự (TNi), dương tính giả (FPi), và âm tính giả (FNi). Các độ đo được định nghĩa cụ thể như sau: Accuracy (ACC) = ∑ 𝑇𝑃𝑖 𝑘 𝑖=1 N (1) Precisioni = 𝑇𝑃𝑖 𝑇𝑃𝑖 + 𝐹𝑃𝑖 (2) Recalli = 𝑇𝑃𝑖 𝑇𝑃𝑖 + 𝐹𝑁𝑖 (3) Specificityi = 𝑇𝑁𝑖 𝑇𝑁𝑖 + 𝐹𝑃𝑖 (4) F1-Scorei (F1i) =2× 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑖 × Recall𝑖 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛𝑖 + 𝑅𝑒𝑐𝑎𝑙𝑙𝑖 (5) Macro-M = 1 𝐶 ∑ 𝑀𝑖 𝐶 𝑖=1 (6) Các độ đo Precision, Recall, Specificity, F1- Score của các mô hình cơ sở và mô hình kết hợp được tính bằng công thức trung bình không có trọng số của độ đo các lớp, theo công thức (6). 4.5 Kết quả thực nghiệm Ma trận nhầm lẫn trên tập kiểm thử bộ dữ liệu ChestXray-ImageDataset thể hiện ở Hình 4. Bảng 6 thể hiện hiệu suất phân lớp của các phương pháp trên tập dữ liệu nghiên cứu ChestXray-ImageDataset. Độ chính xác của phương pháp đề xuất có sự gia tăng, trong khoảng từ 0,23% so với mô hình tốt nhất là Soft Voting, và 3,22% so với mô hình kém nhất là ResNet-50. Các mô hình kết hợp có thời gian suy luận xấp xỉ tổng thời gian suy luận của các mô hình cơ sở, chi tiết thể hiện ở Bảng 7.