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 7 phép biến đổi phi tuyến tính [6]. Từ năm 2012, sau thành công của AlexNet [7] trong bài toán phân loại ảnh tự nhiên, học sâu được tập trung nghiên cứu và ứng dụng rộng rãi. Học sâu được ứng dụng trong phân loại hình ảnh là một chủ đề thu hút sự quan tâm nghiên cứu. Trong số đó, mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs) được sử dụng rộng rãi nhất. Hình ảnh y tế, là một loại hình ảnh trực quan đặc biệt, đã thu hút sự chú ý của nhiều nhà nghiên cứu. Trong những năm gần đây, hệ thống chẩn đoán có sự hỗ trợ của máy tính (Computer- Aided Diagnosis - CAD) dựa trên học sâu (Deep Learning) đã tạo ra một bước ngoặt lớn trong lĩnh vực phân tích hình ảnh y khoa [8]. Nhờ khả năng trích xuất đặc trưng tự động với độ chính xác cao, các mô hình CNNs đã trở thành công cụ đắc lực giúp giảm tải áp lực cho các chuyên gia y tế và hạn chế tối đa các sai sót chẩn đoán mang tính chủ quan. Trong đó, mạng nơ-ron tích chập từ lâu đã thiết lập tiêu chuẩn vàng trong các tác vụ phân loại ảnh X-quang nhờ đặc tính bất biến không gian và thiên vị quy nạp (inductive bias) mạnh mẽ, cho phép nhận diện xuất sắc các vi tổn thương cục bộ. Tuy nhiên, cấu trúc tích chập cục bộ của kiến trúc CNNs lại bộc lộ giới hạn trong việc nắm bắt các mối liên hệ khoảng cách xa và bối cảnh giải phẫu toàn cục. Để giải quyết rào cản này, Vision Transformer (ViT) [9] đã được giới thiệu và nhanh chóng chứng minh sự ưu việt thông qua cơ

chế tự chú ý (self-attention), giúp mô hình hóa xuất sắc các đặc trưng ngữ cảnh toàn cục (global context). Dù vậy, ViT thường đòi hỏi khối lượng dữ liệu huấn luyện khổng lồ và có xu hướng bỏ qua các chi tiết vật lý tinh vi ở cấp độ pixel nếu không được thiết kế tối ưu cho hình ảnh y tế. Do đó, xu hướng nghiên cứu hiện đại đang dịch chuyển mạnh mẽ sang việc xây dựng các hệ thống lai, các mô hình học kết hợp nhằm tạo sức mạnh cho sự kết hợp giữa kiến trúc CNNs và Transformer. Mặc dù sự kết hợp các kiến trúc không đồng nhất mang lại tiềm năng to lớn, các chiến lược kết hợp hiện tại vẫn còn những điểm nghẽn nghiêm trọng. Các phương pháp phổ biến như Bỏ phiếu cứng (Hard Voting) hay Bỏ phiếu mềm tiêu chuẩn (Soft Voting) thường áp dụng chiến lược "cào bằng" quyền lực giữa các mô hình, vô tình làm loãng các dự đoán có độ tin cậy cao và không khai thác triệt để thế mạnh riêng biệt của từng kiến trúc. Trên các tập dữ liệu y tế thường bị giới hạn về quy mô và có sự mất cân bằng lớp sâu sắc, cách tiếp cận này tiêu tốn lượng lớn tài nguyên tính toán và cực kỳ dễ dẫn đến hiện tượng quá khớp (overfitting), làm suy giảm nghiêm trọng khả năng khái quát hóa khi triển khai trên lâm sàng. Học tập kết hợp là một phương pháp toán học tiêu chuẩn nhằm giảm thiểu những điểm yếu của các mô hình riêng lẻ. Bằng cách tổng hợp các dự đoán từ nhiều mô hình độc lập, các phương pháp kết hợp làm giảm phương sai và sự không chắc chắn trong dự đoán. Kỹ thuật kết hợp phổ biến nhất, bỏ phiếu mềm tiêu chuẩn, tính toán trung bình cộng không trọng số của xác suất lớp [10]. Mặc dù đơn giản về mặt tính toán, phương

pháp này giả định rằng tất cả các mô hình thành phần đều có độ tin cậy dự đoán như nhau. Trong các tập hợp không đồng nhất chứa cả CNNs và Transformer, giả định này là sai lầm. Một sơ đồ trọng số đồng nhất thường làm giảm độ tin cậy của các dự đoán cao của một mô hình vượt trội bằng cách lấy trung bình chúng với các đầu ra của các mô hình kém chính xác hơn. Với những rào cản nêu trên, nghiên cứu này đề xuất một khung hệ thống học kết hợp, kết hợp hai mạng CNNs tiên tiến (gồm ResNet-50, DenseNet-201) và một kiến trúc Swin Transformer (Swin-T). Để tối ưu hóa quá trình kết hợp, chúng tôi giới thiệu cơ chế bỏ phiếu mềm có trọng số (Weighted Soft Voting) được tinh chỉnh thông qua thuật toán tìm kiếm lưới (Grid Search) toàn diện. Bằng cách thực hiện hiệu chuẩn hậu kỳ trên một tập kiểm định độc lập, hệ thống có khả năng tự