Luận án TS Hồ Đắc Quán: Tiếp cận máy học giải PDE xử lý ảnh y khoa

Tổng quan về luận án

Nghiên cứu giải phương trình đạo hàm riêng (Partial Differential Equation - PDE) và ứng dụng trong thị giác máy tính là một trong những trụ cột của toán tin ứng dụng và khoa học tính toán hiện đại. Luận án tiến sĩ chuyên ngành Cơ sở toán cho tin học (Mã số: 62460110) với đề tài "Tiếp cận máy học trong giải phương trình đạo hàm riêng, ứng dụng trong xử lý ảnh y khoa" do nghiên cứu sinh Hồ Đắc Quán thực hiện dưới sự hướng dẫn khoa học của PGS. Huỳnh Trung Hiếu tại Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia TP. Hồ Chí Minh (2023) đã xác lập một bước tiến mang tính tiên phong trong việc tích hợp mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) với phương pháp xấp xỉ hàm số giải tích để vượt qua các rào cản tính toán kinh điển.

Về mặt bối cảnh khoa học, các phương pháp số truyền thống như sai phân hữu hạn (Finite Difference Method - FDM), phần tử hữu hạn (Finite Element Method - FEM), và thể tích hữu hạn (Finite Volume Method - FVM) đòi hỏi phải rời rạc hóa miền tính toán thành các lưới (mesh) đa giác cực kỳ mịn. Điều này dẫn đến sự bùng nổ về chi phí tính toán (computational complexity) và dung lượng bộ nhớ khi xử lý các bài toán nhiều chiều hoặc bài toán phụ thuộc thời gian. Ngược lại, các tiếp cận giải PDE bằng mạng nơ-ron học sâu sử dụng giải thuật lan truyền ngược (Backpropagation - BP) dựa trên giảm gradient (Gradient Descent) hoặc Levenberg-Marquardt (LM) thường xuyên gặp phải tình trạng hội tụ chậm, tắc nghẽn tại cực trị địa phương (local minima) và hiện tượng quá khớp (overfitting). Nghiên cứu này nhận diện chính xác research gap: thiếu vắng các thuật toán học máy giải tích không lặp (non-iterative), có tốc độ huấn luyện siêu tốc và khả năng xấp xỉ liên tục trên toàn miền mà không cần chia lưới cho lớp phương trình khuếch tán đối lưu (Advection-Diffusion PDE - AD-PDE) và phương trình elliptic, đồng thời thiếu các khung tích hợp PDE phi tuyến trong xử lý ảnh y tế và mô hình hóa chuỗi thời gian liên tục trong nhận dạng hành vi lâm sàng.

Luận án thiết lập 3 câu hỏi nghiên cứu ($RQ$) và 3 giả thuyết khoa học ($H$) tương ứng:

• $RQ_1$: Làm thế nào để xây dựng một thuật toán học máy giải tích không lặp cho mạng truyền thẳng một lớp ẩn (SLFN) nhằm giải chính xác phương trình đạo hàm riêng tuyến tính dạng elliptic mà không phụ thuộc vào bước lặp giảm gradient?
  $\rightarrow H_1$: Ứng dụng giải thuật Extreme Learning Machine (ELM) kết hợp xấp xỉ đạo hàm giải tích trên toàn miền sẽ giảm thiểu sai số bình phương trung bình (MSE) và tối ưu hóa thời gian huấn luyện ma trận trọng số đầu ra về nghiệm đóng.
• $RQ_2$: Cơ chế lấy mẫu và cấu trúc mạng nào giải quyết triệt để sự mất ổn định của bài toán giá trị biên đầu (IBVPs) trong phương trình khuếch tán đối lưu (AD-PDE) phụ thuộc thời gian?
  $\rightarrow H_2$: Tích hợp phương pháp lấy mẫu Monte Carlo (MC) ngẫu nhiên vào mạng ELM (mô hình ELMNET) sẽ triệt tiêu sự phụ thuộc vào lưới phân bố đều, tối ưu hàm phần dư không gian - thời gian và nâng cao độ chính xác so với các mô hình mạng nơ-ron biến phân như VarNet.
• $RQ_3$: Việc mô hình hóa quá trình lọc nhiễu qua phương trình khuếch tán phi tuyến (NDE) kết hợp mạng nơ-ron và mô hình hóa chuỗi thời gian liên tục (Liquid Time-Constant - LTC) giải bằng ODE/ELMNET có nâng cao vượt trội chất lượng ảnh y khoa và độ chính xác giám sát vệ sinh tay chuẩn WHO?
  $\rightarrow H_3$: Mô hình NDEANN bảo toàn biên tối ưu trên ảnh y khoa (CT, MRI, siêu âm) và mạng LTC/CT-RNN khắc phục hiện tượng mất mát thông tin động lực học khung hình video tốt hơn các thuật toán học máy kinh điển.

Khung lý thuyết của công trình được định hình trên nền tảng: Lý thuyết phương trình đạo hàm riêng (Fourier, 1822; Perona & Malik, 1990), Định lý xấp xỉ phổ quát (Universal Approximation Theorem), Lý thuyết máy học cực trị (Extreme Learning Machine - Huang et al., 2006) và Lý thuyết hệ động lực thời gian liên tục (Neural ODE - Chen et al., 2018; LTC - Hasani et al., 2021). Phạm vi nghiên cứu bao quát từ các bài toán giải tích 2D Poisson, phương trình 1Dt và 2Dt AD-PDE đến tập dữ liệu ảnh y khoa 2D và tập video hành vi vệ sinh tay 6 bước (RT6B) theo quy định của Tổ chức Y tế Thế giới (WHO).

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy sự tiến hóa rõ nét qua ba dòng nghiên cứu chính:

Dòng nghiên cứu thứ nhất tập trung vào các phương pháp số rời rạc hóa trên lưới (Mesh-based numerical methods). Kể từ các công trình nền tảng của Courant, Friedrichs và Lewy, các phương pháp FDM, FEM và FVM đã thống trị tính toán khoa học. Tuy nhiên, như phân tích của Quarteroni và Valli (2008), các phương pháp này bị giới hạn nghiêm ngặt bởi điều kiện ổn định Courant-Friedrichs-Lewy (CFL), đòi hỏi lưới chia cực mịn $h \to 0$ khi giải các phương trình khuếch tán đối lưu có số Péclet cao, khiến kích thước ma trận hệ số tăng theo hàm số mũ.

Dòng nghiên cứu thứ hai khởi phát từ cuối thập niên 1990 với việc sử dụng mạng nơ-ron nhân tạo giải phương trình vi phân. Lagaris và các cộng sự (1998, 2000) đã đề xuất biểu diễn nghiệm xấp xỉ $u_t(x) = A(x) + F(x, N(x, p))$, trong đó $A(x)$ thỏa mãn điều kiện biên và $N(x, p)$ là mạng nơ-ron truyền thẳng được tối ưu hóa bằng giải thuật lan truyền ngược Levenberg-Marquardt. Mai-Duy và các cộng sự (2001-2006) mở rộng sang mạng hàm cơ sở xuyên tâm (RBFNs). Gần đây, Raissi, Perdikaris và Karniadakis (2019) giới thiệu Physics-Informed Neural Networks (PINN), và Sirignano & Spiliopoulos (2018) phát triển Deep Galerkin Method (DGM). Dù có khả năng biểu diễn mạnh, các kiến trúc này phụ thuộc hoàn toàn vào quá trình tối ưu hóa phi lồi thông qua tính toán đạo hàm tự động (Automatic Differentiation) và giải thuật Adam/L-BFGS, đòi hỏi hàng chục nghìn epoch huấn luyện và dễ rơi vào bẫy điểm yên ngựa hoặc cực tiểu địa phương.

Dòng nghiên cứu thứ ba khai thác thuật toán học cực trị (Extreme Learning Machine - ELM) do Huang và cộng sự đề xuất để giải PDE. Manoj Kumar và cộng sự (2015) sử dụng ELM kết hợp mạng nơ-ron Legendre (LNN) và Bernstein (BeNN) giải phương trình elliptic. Srinivasan và cộng sự (2020) đề xuất Physics-Informed Extreme Learning Machine (PIELM) và Distributed PIELM (DPIELM) dựa trên phân rã miền kiểu thể tích hữu hạn để giải AD-PDE. Mortari và cộng sự (2020) phát triển Extreme Theory of Functional Connections (X-TFC). Tuy nhiên, các tiếp cận này đa phần chọn điểm huấn luyện (collocation points) phân bố đều (uniform grid), dẫn đến việc ma trận ẩn bị suy biến hoặc chi phí tính toán tăng vọt khi mở rộng không gian đa chiều.

Về định vị học thuật, luận án đã tạo ra bước đột phá khi giải quyết triệt để hai cuộc tranh luận lý thuyết lớn:

1. Tranh luận về cơ chế tối ưu: Chứng minh tính vượt trội của nghiệm đóng đại số tuyến tính (Closed-form Least Squares via Moore-Penrose Generalized Inverse) so với tối ưu lặp phi tuyến tính (Iterative Gradient Descent) trong giải phương trình vi phân tuyến tính.
2. Tranh luận về cấu trúc miền lấy mẫu: Chứng minh việc phân phối điểm kiểm định ngẫu nhiên dựa trên phương pháp Monte Carlo (MC Sampling) giải phóng hoàn toàn bài toán khỏi ràng buộc lưới tọa độ, khắc phục hiện tượng thắt cổ chai tính toán của các mô hình VarNet và DPIELM quốc tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng lý thuyết xấp xỉ hàm của mạng nơ-ron truyền thẳng một lớp ẩn (SLFN) sang không gian hàm nghiệm của các toán tử vi phân đạo hàm riêng bậc hai: $$\mathcal{L}u = G(x, u(x), \nabla u(x), \nabla^2 u(x)) = 0, \quad x \in \Omega \subset \mathbb{R}^d$$ thỏa mãn các điều kiện biên Dirichlet ($u|{\partial \Omega} = f$) hoặc Neumann ($\frac{\partial u}{\partial n}\Big|{\partial \Omega} = g$).

Thay vì thiết lập nghiệm dưới dạng hàm phạt (penalty function) làm chậm tốc độ hội tụ, luận án chuẩn hóa cấu trúc nghiệm thử giải tích: $$u_{trial}(x; w, b, \beta) = A(x) + B(x) \sum_{i=1}^L \beta_i \sigma(w_i \cdot x + b_i)$$ trong đó $A(x)$ và $B(x)$ là các hàm giải tích được thiết kế đặc biệt để $u_{trial}$ tự động thỏa mãn chính xác tuyệt đối các điều kiện ban đầu (IC) và điều kiện biên (BCs) tại mọi điểm trên $\partial \Omega$. Thành phần thứ hai triệt tiêu trên biên ($B(x)|_{\partial \Omega} = 0$) và chịu trách nhiệm xấp xỉ phần dư vi phân trong miền trong $\Omega$.

Cơ sở lý thuyết được đóng góp ở đây là việc chuyển đổi toàn bộ bài toán tìm nghiệm PDE phi lồi thành bài toán hồi quy tuyến tính cực tiểu hóa phiếm hàm sai số phần dư vi phân: $$E(\beta) = \frac{1}{2} |H \beta - T|^2$$ với $H$ là ma trận ẩn đạo hàm bậc cao được tính toán giải tích thông qua hàm kích hoạt khả vi $\sigma(\cdot)$ (như hàm Sigmoid, Sinusoid hoặc Gaussian RBF) và các trọng số ngẫu nhiên đầu vào $(w_i, b_i)$ độc lập với dữ liệu huấn luyện. Nghiệm tối ưu đạt được trực tiếp qua ma trận nghịch đảo giả Moore-Penrose: $$\beta^* = H^\dagger T = (H^T H)^{-1} H^T T$$

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự hợp nhất của ba trụ cột lý thuyết: Toán tử vi phân phi tuyến Perona-Malik, Mạng học cực trị ngẫu nhiên (ELM) và Hệ động lực vi phân liên tục (Neural ODE / Liquid Time-Constant).

                        ┌──────────────────────────────────────────────────────────┐
                        │      KHUNG PHÂN TÍCH TỔNG THỂ CỦA LUẬN ÁN               │
                        └──────────────────────────┬───────────────────────────────┘
                                                   │
         ┌─────────────────────────────────────────┼─────────────────────────────────────────┐
         │                                         │                                         │
         ▼                                         ▼                                         ▼
┌─────────────────────────────┐   ┌─────────────────────────────┐   ┌─────────────────────────────┐
│    GIẢI PDE TUYẾN TÍNH      │   │     KHỬ NHIỄU ẢNH Y KHOA    │   │     NHẬN DẠNG HÀNH VI       │
│      (ELMNN & ELMNET)       │   │          (NDEANN)           │   │      (LTC / NODE / RF)      │
├─────────────────────────────┤   ├─────────────────────────────┤   ├─────────────────────────────┤
│• Phương trình Elliptic      │   │• Phương trình Perona-Malik  │   │• Chuỗi thời gian liên tục   │
│• Phương trình AD-PDE        │   │• Tensor khuếch tán dị hướng │   │• Trích xuất đặc trưng HOG   │
│• Lấy mẫu Monte Carlo        │   │• Tích chập làm trơn Gauss   │   │• Mạng nút hồi tiếp CT-RNN   │
│• Tối ưu ma trận nghịch đảo  │   │• Giải nghiệm phi tuyến qua  │   │• Nhận dạng 6 bước rửa tay   │
│  giả không lặp ($H^\dagger$)│   │  mạng nơ-ron bảo toàn biên  │   │  lâm sàng theo chuẩn WHO    │
└─────────────────────────────┘   └─────────────────────────────┘   └─────────────────────────────┘

1. Khung thuật toán ELMNN cho phương trình Elliptic: Thiết lập ma trận đạo hàm không gian giải tích bậc hai $\nabla^2 \sigma(w \cdot x + b)$, ánh xạ trực tiếp nguồn nhiệt/nguồn lực $f(x, y)$ thành vector trọng số $\beta$ với độ phức tạp tính toán giảm thiểu tối đa.
2. Khung thuật toán ELMNET cho phương trình Parabolic & AD-PDE: Kết hợp toán tử vi phân không gian - thời gian $\frac{\partial u}{\partial t} + v \cdot \nabla u - D \Delta u = f(t, x)$ với phương pháp chọn điểm lấy mẫu Monte Carlo trên miền không - thời gian đa chiều $\Omega \times [0, T]$, loại bỏ sự phụ thuộc vào bước thời gian $\tau$ của phương pháp Euler/Crank-Nicolson truyền thống.
3. Khung mô hình NDEANN khử nhiễu ảnh: Ứng dụng phương trình vi phân khuếch tán phi tuyến: $$\frac{\partial u}{\partial t} = \text{div}\left( c(|\nabla u|) \nabla u \right)$$ với hàm hệ số khuếch tán $c(|\nabla u|) = \exp\left( - (|\nabla u| / K)^2 \right)$. Khung phân tích cho phép mạng nơ-ron học trường gradient ảnh để triệt tiêu nhiễu đốm siêu âm (speckle noise) và nhiễu Gauss trong khi hệ số $c \to 0$ tại các vị trí biên cạnh ($|\nabla u|$ lớn), bảo tồn cấu trúc giải phẫu nghiêm ngặt.
4. Khung mô hình hệ động lực LTC nhận dạng hành vi thời gian thực: Biểu diễn các chuỗi trạng thái ẩn $h(t)$ của video qua phương trình vi phân thường phi tuyến phụ thuộc hằng số thời gian biến đổi: $$\frac{dh(t)}{dt} = - \left[ \frac{1}{\tau_{sys}} + f(x(t), \theta) \right] h(t) + f(x(t), \theta) \cdot A$$ cho phép trích xuất đặc trưng gradient hướng chuyển động (HOG) qua các cổng hồi quy liên tục (CT-GRU, CT-RNN), phân lớp chính xác hành vi theo thời gian thực.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (Positivism) và phương pháp luận diễn dịch - thực nghiệm tính toán (Deductive-Empirical Computational Modeling). Thiết kế nghiên cứu đa tầng bao gồm:

• Tầng 1 (Toán học tính toán thuần túy): Thiết lập mô hình giải tích, chứng minh toán học sự hội tụ của nghiệm thử trên không gian Sobolev $H^k(\Omega)$.
• Tầng 2 (Mô phỏng số đối chuẩn): Kiểm thử trên các bài toán chuẩn quốc tế (Benchmark PDE problems) bao gồm phương trình Poisson với hàm giải tích $f(x, y) = \sin(\pi x)\sin(\pi y)$ và đa thức bậc cao $f(x, y) = 2(x^2 - x + y^2 - y)$ cùng các bài toán AD-PDE 1Dt, 2Dt.
• Tầng 3 (Xử lý tín hiệu và thị giác máy tính y khoa): Kiểm thử trên cơ sở dữ liệu ảnh 2D chuẩn và tập ảnh chẩn đoán hình ảnh y khoa thực tế (CT sọ não, MRI gan, Siêu âm tim mạch) bị suy thoái bởi các mức nhiễu nhân/nhiễu cộng.
• Tầng 4 (Thị giác chuỗi video lâm sàng): Thu thập và phân tích tập dữ liệu video giám sát quy trình rửa tay y tế 6 bước (RT6B) gồm 2 bộ dữ liệu: Hand Wash Dataset và Ad-Hoc Dataset.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua các giao thức nghiêm ngặt:

┌─────────────────────────┐     ┌─────────────────────────┐     ┌─────────────────────────┐
│     TIẾP NHẬN BÀI TOÁN  │     │   THIẾT KẾ NGHIỆM THỬ   │     │    LẤY MẪU MONTE CARLO  │
│  • Phương trình PDE/ODE │ ──► │  • Thỏa mãn giải tích   │ ──► │  • Miền trong $\Omega$  │
│  • Điều kiện biên I/BCs │     │    điều kiện biên I/BCs │     │  • Miền biên $\partial\Omega$│
└─────────────────────────┘     └─────────────────────────┘     └─────────────────────────┘
                                                                              │
                                                                              ▼
┌─────────────────────────┐     ┌─────────────────────────┐     ┌─────────────────────────┐
│    ĐÁNH GIÁ ĐỐI CHUẨN   │     │   TÍNH TOÁN NGHIỆM ĐÓNG │     │    THIẾT LẬP HÀM LỖI    │
│  • PSNR / MAE / MSE     │ ◄── │  • Trọng số đầu ra      │ ◄── │  • Phiếm hàm phần dư    │
│  • Accuracy / ROC Curve │     │    $\beta = H^\dagger T$│     │    vi phân liên tục     │
└─────────────────────────┘     └─────────────────────────┘     └─────────────────────────┘

• Chiến lược lấy mẫu: Phối hợp lấy mẫu ngẫu nhiên không gian Monte Carlo với tỷ lệ phân bổ tối ưu giữa các điểm biên ($N_b$) và điểm miền trong ($N_{int}$). Đối với bài toán AD-PDE phụ thuộc thời gian, áp dụng cơ chế Rejection Sampling (RS) để kiểm soát mật độ điểm huấn luyện tại các vùng có gradient biến thiên mạnh.
• Giao thức trích xuất đặc trưng video: Khung hình video được tiền xử lý chuẩn hóa kích thước, trích xuất đặc trưng phân bố hướng gradient (Histogram of Oriented Gradients - HOG) với kích thước khối (block) chuẩn $3 \times 3$ ô (cells), chuẩn hóa vector đặc trưng theo chuẩn $L_2$-norm để khử biến thiên ánh sáng môi trường phòng mổ/bệnh viện.
• Độ tin cậy và độ giá trị (Validity & Reliability): Tính đúng đắn của giải thuật được bảo đảm qua việc so sánh đối chiếu trực tiếp với nghiệm giải tích chính xác (Exact analytical solutions) và nghiệm số của phương pháp sai phân chuẩn (FDM). Độ hội tụ được kiểm soát qua việc khảo sát sự biến thiên của sai số khi tăng số nút ẩn $L$ từ $10$ đến $200$ nút.

Data và phân tích

• Đặc tính mẫu và môi trường thực nghiệm: Hệ thống thuật toán được hiện thực hóa trên môi trường ngôn ngữ Python với các thư viện tính toán khoa học chuyên sâu NumPy, SciPy, PyTorch, kết hợp xử lý thị giác máy tính qua OpenCV.
• Phân tích độ ổn định và tính vững (Robustness Checks):
  • Đánh giá sai số trên 4 chỉ số lỗi thành phần trong bài toán AD-PDE: sai số điều kiện đầu ($e_{IC}$), sai số điều kiện biên ($e_{BC}$), sai số phương trình miền trong ($e_{IS}$) và sai số tổng thể ($e_{total}$).
  • Đánh giá chất lượng khử nhiễu thông qua Tỷ số tín hiệu cực đại trên nhiễu (Peak Signal-to-Noise Ratio - PSNR) tính theo đơn vị dB và Sai số tuyệt đối trung bình (Mean Absolute Error - MAE).
  • Đánh giá mô hình nhận dạng chuỗi hành vi qua Độ chính xác (Accuracy %), Diện tích dưới đường cong ROC (Receiver Operating Characteristic - AUC), Biểu đồ phân bố phương sai sai số Boxplot trên 5 mô hình so sánh: Decision Trees (DT), K-Nearest Neighbor (KNN), Hidden Markov Model (HMM), Support Vector Machine (SVM) và Liquid Time-Constant (LTC) kết hợp Random Forest / NODE.

Phát hiện đột phá và implications

Những phát hiện then chốt

1. Hiệu năng vượt bậc của thuật toán ELMNN trên phương trình Poisson: Trên bài toán elliptic chuẩn $f(x, y) = \sin(\pi x)\sin(\pi y)$, mô hình ELMNN đạt sai số tuyệt đối cực tiểu ở mức $\approx 10^{-6} - 10^{-7}$ chỉ với số lượng nút ẩn $L \in [20, 50]$, vượt trội hoàn toàn so với các phương pháp mạng nơ-ron huấn luyện bằng lan truyền ngược cổ điển (sai số $\approx 10^{-3} - 10^{-4}$). Tốc độ tính toán của ELMNN nhanh hơn từ $20$ đến $50$ lần do chỉ giải một phương trình ma trận tuyến tính duy nhất.
2. Khả năng triệt tiêu sai số của ELMNET trên AD-PDE 1Dt và 2Dt: Khi giải phương trình khuếch tán đối lưu phụ thuộc thời gian, ELMNET cho thấy sự vượt trội rõ rệt trước mô hình mạng biến phân VarNet. Biến thiên sai số tổng thể $e_{total}$ của ELMNET giảm đơn điệu và duy trì ổn định ngay cả khi tăng bước thời gian $T$, trong khi VarNet có xu hướng phân kỳ và tích lũy sai số biên. Khi so sánh số lượng nút ẩn, ELMNET đạt điểm bão hòa chính xác cao với kích thước ma trận ẩn cực kỳ tối giản.
3. Chất lượng phục hồi vượt trội của NDEANN trên ảnh y khoa: Trên tập dữ liệu ảnh chụp cắt lớp vi tính (CT) não và ảnh siêu âm có độ nhiễu đốm cao, phương pháp NDEANN đạt chỉ số PSNR cao hơn từ $2.8\text{ dB}$ đến $4.5\text{ dB}$ và chỉ số MAE thấp hơn đáng kể so với phương pháp Perona-Malik (PM) số truyền thống giải bằng sai phân hữu hạn. Các chi tiết bờ tổn thương và ranh giới mô mềm giải phẫu được giữ lại sắc nét mà không bị hiện tượng "làm mờ quá mức" (over-smoothing) hay tạo giả ảnh lưới (grid artifacts).
4. Đột phá trong nhận dạng quy trình vệ sinh tay y tế lâm sàng: Mạng nơ-ron hệ động lực thời gian thực LTC kết hợp đặc trưng HOG và bộ giải vi phân ELMNET đã đạt độ chính xác nhận dạng vượt trội trên cả 6 bước rửa tay tiêu chuẩn WHO (RT6B):
   • Bước 1 (Chà hai lòng bàn tay): $97.8%$
   • Bước 2 (Chà mu bàn tay và kẽ ngón tay): $96.5%$
   • Bước 3 (Chà lòng bàn tay và kẽ ngón tay đan xen): $95.2%$
   • Bước 4 (Chà mặt ngoài các ngón tay): $94.7%$
   • Bước 5 (Xoay ngón tay cái): $98.1%$
   • Bước 6 (Xoay các đầu ngón tay trong lòng bàn tay): $96.9%$
     Độ chính xác trung bình toàn quy trình đạt trên $96.5%$ trên tập Hand Wash và vượt trội hoàn toàn so với các mô hình baseline (SVM đạt $84.2%$, KNN đạt $78.6%$, HMM đạt $81.5%$). Biểu đồ Boxplot và đường cong ROC khẳng định tính ổn định cao của LTC trước các biến thiên về tốc độ rửa và góc nhìn camera.

Implications đa chiều

• Về mặt Lý thuyết: Khẳng định tính đúng đắn của việc kết hợp toán tử vi phân giải tích với kiến trúc mạng nơ-ron học cực trị, mở ra cơ sở toán học để giải các lớp bài toán PDE phi tuyến bậc cao mà không cần vi phân tự động tốn kém tài nguyên.
• Về mặt Phương pháp luận: Cung cấp một quy trình mẫu mực về việc thay thế các bộ giải số sai phân/phần tử hữu hạn nặng nề bằng các hàm xấp xỉ liên tục dựa trên máy học, có thể áp dụng cho các bài toán truyền nhiệt, cơ học chất lỏng và mô phỏng lan truyền sóng.
• Về mặt Ứng dụng Thực tiễn Y tế: Cung cấp giải pháp phần mềm khử nhiễu trực tiếp cho các thiết bị siêu âm và máy chụp CT/MRI, hỗ trợ bác sĩ chẩn đoán hình ảnh nhận diện chính xác các tổn thương kích thước nhỏ.
• Về mặt Chính sách và An toàn Bệnh viện: Cung cấp giải pháp giám sát tự động việc tuân thủ vệ sinh tay theo chuẩn WHO. Theo báo cáo của CDC và WHO, việc kiểm soát vệ sinh tay đúng cách giúp giảm $23-40%$ tỷ lệ bệnh tiêu chảy và $16-21%$ bệnh nhiễm trùng đường hô hấp, giảm thiểu gánh nặng từ các ca nhiễm trùng bệnh viện (HAIs) vốn gây tổn thất hơn $1.7$ triệu USD hàng năm cho một cơ sở y tế quy mô 200 giường.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn ghi nhận một số giới hạn nghiên cứu:

1. Giới hạn hình học miền tính toán: Các thử nghiệm giải PDE chủ yếu được thực hiện trên miền không gian hai chiều hình chữ nhật hoặc hình hộp chuẩn tắc $\Omega \subset \mathbb{R}^2$, chưa mở rộng hoàn chỉnh sang các miền biên có hình học phức tạp, phi lồi (non-convex domains) hoặc miền đa chiều fractal trong không gian 3D/4D.
2. Độ nhạy của trọng số ngẫu nhiên ban đầu: Mặc dù thuật toán ELM huấn luyện không lặp, việc khởi tạo ngẫu nhiên ma trận trọng số vào $(w, b)$ đôi khi tạo ra ma trận ẩn $H$ có số điều kiện (condition number) lớn, đòi hỏi kỹ thuật hiệu chỉnh Tikhonov regularization để tránh bất ổn định số học trong một số trường hợp biên suy biến.
3. Độ phức tạp của môi trường giám sát video: Tập dữ liệu video hành vi vệ sinh tay mới chỉ thực hiện trên bối cảnh góc quay đơn (single-camera view), điều kiện ánh sáng kiểm soát tương đối tốt, chưa đánh giá toàn diện trong điều kiện bị che khuất mạnh (heavy occlusions) hoặc đa góc nhìn phức tạp trong môi trường phòng cấp cứu dã chiến.

Chương trình nghiên cứu tiếp theo (Future Research Directions):

• Phát triển mô hình Physics-Informed Extreme Learning Machine phân tán (Distributed Deep ELM) để giải quyết các hệ phương trình Navier-Stokes phi tuyến mô phỏng dòng chảy huyết động học trong mạch máu 3D.
• Tích hợp kỹ thuật học biểu diễn hình học vi phân (Riemannian Manifold Learning) vào kiến trúc NDEANN nhằm tái tạo bề mặt khối u từ dữ liệu CT/MRI 3D.
• Mở rộng kiến trúc Liquid Time-Constant (LTC) sang mô hình thị giác nền tảng (Vision Foundation Models) để nhận dạng toàn diện các thao tác phẫu thuật nội soi thời gian thực.
• Nghiên cứu cơ chế tự động tối ưu hóa phân bố điểm lấy mẫu Monte Carlo thích nghi (Adaptive Collocation Sampling) dựa trên thông tin entropy của hàm phần dư PDE.

Tác động và ảnh hưởng

• Tác động Học thuật: Các kết quả cốt lõi của luận án đã được công bố trên 02 bài báo tạp chí quốc tế danh mục SCIE uy tín [CT2, CT4], 01 bài báo hội thảo quốc tế [CT3] và 01 bài báo hội thảo chuyên ngành trong nước [CT1]. Công trình đóng góp trực tiếp vào dòng chảy khoa học tính toán (Scientific Machine Learning - SciML), mở ra hướng đi mới kết hợp giữa toán giải tích vi phân và học máy giải tích cực trị.
• Chuyển đổi Ngành Y tế & Công nghệ Thiết bị Y khoa: Thuật toán NDEANN có tiềm năng tích hợp trực tiếp vào phần mềm firmware của các máy quét siêu âm xách tay và hệ thống máy CT/MRI thế hệ mới, nâng cao chất lượng chẩn đoán mà không làm tăng giá thành phần cứng xử lý tín hiệu số (DSP).
• Lợi ích Xã hội & Kiểm soát Nhiễm khuẩn: Hệ thống tự động giám sát vệ sinh tay ứng dụng mô hình LTC giúp các bệnh viện đạt chuẩn kiểm định quốc tế JCI, bảo vệ an toàn cho bệnh nhân và nhân viên y tế, giảm thiểu tỷ lệ tử vong do nhiễm khuẩn chéo (HAIs) – nguyên nhân gây ra hơn 98.000 ca tử vong hàng năm tại Hoa Kỳ và hàng triệu ca tại các nước đang phát triển.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giới học thuật Toán Tin: Tiếp cận một khung phương pháp luận hoàn chỉnh về giải phương trình vi phân bằng mạng nơ-ron không lặp, giải quyết triệt để rào cản tính toán của phương pháp lan truyền ngược.
• Kỹ sư R&D Thị giác Máy tính và Xử lý Ảnh: Sở hữu thuật toán lọc nhiễu bảo toàn biên và trích xuất đặc trưng chuỗi thời gian liên tục hiệu quả cao để tích hợp vào các hệ thống AI nhúng thời gian thực (Edge AI).
• Các Bác sĩ Chẩn đoán Hình ảnh: Thụ hưởng chất lượng hình ảnh y khoa có độ tương phản cao, triệt tiêu nhiễu đốm mà không làm biến dạng các mốc giải phẫu quan trọng.
• Ban Quản lý Chất lượng Bệnh viện và Cơ quan Y tế Công cộng: Có được công cụ định lượng, khách quan và tự động 24/7 để giám sát quy trình vệ sinh tay phòng chống dịch bệnh truyền nhiễm.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Đóng góp độc đáo nhất là việc mở rộng Lý thuyết Máy học Cực trị (Extreme Learning Machine Theory - Huang et al.) sang không gian nghiệm của các toán tử đạo hàm riêng tuyến tính và phương trình khuếch tán đối lưu (AD-PDE). Bằng cách thiết lập hàm nghiệm thử giải tích thỏa mãn tự động mọi điều kiện biên và áp dụng phương pháp lấy mẫu Monte Carlo, luận án đã chuyển đổi việc giải PDE thành bài toán tìm nghiệm đóng đại số tuyến tính duy nhất qua ma trận nghịch đảo giả Moore-Penrose, loại bỏ hoàn toàn sự phụ thuộc vào giải thuật lan truyền ngược phi lồi.

2. Đổi mới phương pháp luận của luận án thể hiện thế nào khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đây?
Trả lời: So với mô hình PINN của Raissi et al. (2019) và Deep Galerkin Method (DGM) của Sirignano et al. (2018) vốn đòi hỏi hàng chục nghìn bước lặp gradient descent và chi phí tính đạo hàm tự động rất cao, phương pháp ELMNN/ELMNET đạt tốc độ hội tụ nhanh hơn hàng chục lần chỉ qua một bước giải đại số. So với mô hình VarNet và DPIELM của Srinivasan et al. (2020) vốn phụ thuộc vào chia lưới ô thể tích hữu hạn, phương pháp của luận án sử dụng kỹ thuật lấy mẫu Monte Carlo liên tục, giải quyết triệt để sự suy biến ma trận và tăng cường độ chính xác tổng thể.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có dữ liệu minh chứng cụ thể?
Trả lời: Phát hiện bất ngờ nhất là tính ổn định vượt trội của mạng hệ động lực thời gian liên tục LTC trong bài toán nhận dạng hành vi vệ sinh tay RT6B. Khác với các mô hình RNN/LSTM rời rạc truyền thống thường bị suy giảm độ chính xác nghiêm trọng khi đối tượng thực hiện thao tác nhanh hoặc chậm bất thường, mạng LTC với hằng số thời gian biến đổi theo dữ liệu đầu vào đã duy trì độ chính xác nhận dạng trên $96.5%$ trên toàn bộ 6 bước, với diện tích dưới đường cong ROC-AUC đạt xấp xỉ $0.98$, vượt trội hoàn toàn so với SVM ($84.2%$) và KNN ($78.6%$).

4. Luận án có cung cấp giao thức tái lập thực nghiệm (Replication Protocol) rõ ràng không?
Trả lời: Có. Luận án mô tả chi tiết toàn bộ công thức toán học rời rạc hóa, cấu trúc hàm kích hoạt $\sigma$, phương pháp sinh ngẫu nhiên phân phối trọng số $(w, b)$, thuật toán nghịch đảo ma trận giả Moore-Penrose, quy trình tiền xử lý trích xuất vector HOG $3 \times 3$ cell blocks, cũng như các tham số phân chia tập dữ liệu huấn luyện và kiểm thử trên các tập dữ liệu chuẩn.

5. Luận án định hình chương trình nghiên cứu 10 năm tới như thế nào?
Trả lời: Chương trình 10 năm tập trung vào 3 trọng tâm: (i) Mở rộng bộ giải vi phân ELMNET sang các bài toán động lực học phi tuyến đa vật lý nhiều pha 3D/4D; (ii) Tích hợp NDEANN vào chip phần cứng chuyên dụng trên thiết bị y tế chẩn đoán tại chỗ (Point-of-Care Ultrasound); (iii) Xây dựng hệ thống thị giác bệnh viện thông minh tự động hóa hoàn toàn việc kiểm soát nhiễm khuẩn và cảnh báo rủi ro lâm sàng thời gian thực.

Kết luận

1. Xây dựng thành công thuật toán huấn luyện không lặp ELMNN, giải quyết hiệu quả bài toán phương trình đạo hàm riêng tuyến tính dạng elliptic với độ chính xác cao và thời gian tính toán tối ưu vượt bậc so với các phương pháp lan truyền ngược truyền thống.
2. Đề xuất thuật toán ELMNET kết hợp mạng truyền thẳng một lớp ẩn với phương pháp lấy mẫu ngẫu nhiên Monte Carlo, triệt tiêu sự phụ thuộc vào lưới phân bố đều và giải quyết xuất sắc bài toán giá trị biên đầu cho phương trình khuếch tán đối lưu (AD-PDE) $1\text{Dt}$ và $2\text{Dt}$.
3. Phát triển mô hình khử nhiễu NDEANN dựa trên phương trình khuếch tán phi tuyến Perona-Malik, nâng cao vượt trội chất lượng ảnh y khoa (CT, MRI, siêu âm) với chỉ số PSNR tăng từ $2.8 - 4.5\text{ dB}$, bảo tồn trọn vẹn ranh giới tổn thương giải phẫu.
4. Đề xuất kiến trúc nhận dạng hành vi chuỗi video kết hợp mạng nơ-ron vi phân hệ động lực LTC/NODE/CT-RNN và đặc trưng HOG, đạt độ chính xác trên $96.5%$ trong giám sát quy trình rửa tay lâm sàng 6 bước chuẩn WHO.
5. Công bố thành công các kết quả nghiên cứu trên các diễn đàn khoa học quốc tế uy tín gồm 02 bài báo SCIE, 01 bài báo hội thảo quốc tế và 01 bài báo hội thảo quốc gia.
6. Xác lập một khung tích hợp hoàn chỉnh từ lý thuyết giải vi phân giải tích đến các ứng dụng AI thực tế trong y tế, đặt nền móng vững chắc cho các nghiên cứu chuyên sâu về khoa học máy học tính toán trong tương lai.