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 9 trên tất cả các lớp. Các xác suất này được tính trung bình, và lớp có xác suất kết hợp cao nhất được chọn làm dự đoán cuối cùng. Mặc dù cách tiếp cận học kết hợp cải thiện độ chính xác so với các mô hình đơn lẻ, các phương pháp truyền thống này vẫn tồn tại 2 khiếm khuyết mang tính hệ thống khi áp dụng vào môi trường y tế lâm sàng: Thứ nhất là giả định về mức độ tin cậy ngang nhau giữa các mô hình. Phương pháp bỏ phiếu mềm giả định rằng mọi mô hình cơ sở đều đóng góp vai trò ngang nhau, điều này là một thiếu sót lớn về mặt toán học. Trên thực tế, một mạng DenseNet có thể cực kỳ nhạy bén với bệnh lý A, trong khi Swin-T lại chẩn đoán chính xác hơn với bệnh lý B. Việc giả định về xác suất ngang nhau sẽ làm giảm mức độ đóng góp của mô hình có khả năng dự đoán tốt hơn và khuếch đại sai lầm của mô hình dự đoán kém, dẫn đến giảm hiệu suất tổng thể. Bỏ qua hiện tượng mất cân bằng lớp. Một số phương pháp khác gán trọng số (weighted voting) thường sử dụng thuật toán tìm kiếm ngẫu nhiên (Random Search) hoặc Heuristic (dựa trên kinh nghiệm) để tối ưu hóa độ chính xác tổng thể (Global Accuracy). Như đã phân tích, trong các bộ dữ liệu y khoa thường xảy ra mất cân bằng (giữa ca bị bệnh và ca bình thường), việc tối ưu hóa Accuracy sẽ đẩy hệ thống rơi vào "Nghịch lý độ chính xác" - nơi mô hình có xu hướng thiên vị khi dự đoán cho các ca bình thường (lớp đa số) và bỏ sót nghiêm trọng các ca bệnh lý thực sự (lớp thiểu số). 3 Phương pháp đề xuất

3.1 Tổng quan về phương pháp Trong nghiên cứu này, chúng tôi đề xuất phương pháp kết hợp các mô hình sử dụng bộ trọng số tối ưu thông qua phương pháp tìm kiếm lưới được thực hiện qua ba giai đoạn, được tóm tắt như sau (Xem Hình 1): Hình 1. Sơ đồ phương pháp đề xuất