Tổng quan về luận án

Trong kỷ nguyên chuyển đổi số và trí tuệ nhân tạo (AI), hệ hỗ trợ ra quyết định (Clinical Decision Support Systems - CDSS) giữ vai trò đặc biệt quan trọng trong việc nâng cao độ chính xác, kịp thời và tối ưu hóa quy trình chẩn đoán y khoa. Lịch sử phát triển của các hệ thống chuyên gia y tế ghi nhận dấu mốc từ năm 1975 với hệ thống MYCIN của Shortliffe và cộng sự, sử dụng tri thức chuyên gia nhằm chẩn đoán và khuyến nghị phác đồ điều trị viêm não tủy cấp và nhiễm trùng máu. Tuy nhiên, việc biểu diễn tri thức và suy diễn tự động trong y học hiện đại đối mặt với thách thức lớn bắt nguồn từ tính chất bất định, chu kỳ, mờ nhạt và thiếu hụt thông tin của dữ liệu lâm sàng và cận lâm sàng.

Luận án tiến sĩ chuyên ngành Hệ thống thông tin (mã số: 9480104) của nghiên cứu sinh Cù Kim Long tại Đại học Bách khoa Hà Nội, dưới sự hướng dẫn khoa học của PGS. Phạm Văn Hải và PGS. Hà Quốc Trung, mang tiêu đề: "Nghiên cứu phát triển mô hình đồ thị tri thức mờ dạng cặp và ứng dụng trong hỗ trợ chẩn đoán bệnh". Công trình đặt nền móng tiên phong trong việc hợp nhất cấu trúc đồ thị tri thức mờ (Fuzzy Knowledge Graph - FKG) với kỹ thuật học tăng cường (Reinforcement Learning - RL) nhằm giải quyết triệt để bài toán ra quyết định phức tạp.

Khoảng trống nghiên cứu (research gap) cốt lõi được luận án chỉ ra xuất phát từ sự hạn chế mang tính cố hữu của các mô hình hiện hành:

  1. Đồ thị tri thức chuẩn (Knowledge Graph - KG) được Google giới thiệu từ năm 2012 dù xuất sắc trong quản lý dữ liệu đa quan hệ quy mô lớn nhưng hoàn toàn bất lực trong việc biểu diễn thông tin mờ, không chắc chắn và dữ liệu mang tính chu kỳ theo biên độ hoặc pha.
  2. Mô hình đồ thị tri thức mờ dạng Mamdani tích hợp suy diễn nhanh (M-CFIS-FKG) công bố năm 2020 chỉ khai thác các cặp thuộc tính đơn lẻ (single pairs), dẫn đến việc thất bại trong việc mô hình hóa các mối tương tác đa thuộc tính đồng thời khi tập dữ liệu đầu vào thu thập bị khuyết thiếu.
  3. Các hệ suy diễn mờ truyền thống (FIS, CFIS, M-CFIS-R) gặp phải điểm nghẽn nghiêm trọng khi đối mặt với các "trường hợp cực đoan" (extreme cases): bùng nổ không gian trạng thái gây chậm trễ tính toán khi dữ liệu đầu vào quá lớn, hoặc suy giảm độ chính xác nghiêm trọng khi cơ sở luật mờ (fuzzy rule base) quá nhỏ (tỷ lệ tập huấn luyện $< 10%$ so với tập kiểm tra $> 90%$, hoặc hiện tượng cold-start khi hệ thống mới vận hành).

Để giải quyết khoảng trống học thuật này, luận án xác lập hai câu hỏi nghiên cứu tường minh:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để nghiên cứu phát triển đề xuất mô hình ra quyết định dựa trên đồ thị tri thức mờ dạng cặp trong trường hợp thông tin của tập dữ liệu đầu vào chưa đầy đủ?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để nghiên cứu phát triển đề xuất mô hình ra quyết định dựa trên đồ thị tri thức mờ dạng cặp trong các trường hợp cực đoan với các tập dữ liệu lớn hoặc tập dữ liệu huấn luyện quá nhỏ, thiếu tri thức?

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa liên ngành giữa Lý thuyết tập mờ (Zadeh, 1965), Cấu trúc đồ thị mờ (Dinesh et al., 2011), Hệ suy diễn mờ phức dạng Mamdani (M-CFIS), và Thuật toán tối ưu hóa Q-learning dựa trên phương trình Bellman (Watkins, 1989). Về quy mô thực nghiệm, nghiên cứu đã tiến hành đánh giá chuẩn hóa trên 06 bộ dữ liệu chuẩn từ kho dữ liệu học máy quốc tế UCI (tổng cộng 9.395 mẫu với số thuộc tính lên tới 36 và số nhãn phân loại lên tới 13), đồng thời triển khai kiểm chứng lâm sàng trực tiếp trên 02 bộ dữ liệu y tế thực tế tại Việt Nam: 210 hồ sơ bệnh án tiền sản giật tại Bệnh viện Phụ sản Trung ương (19 thuộc tính) và 3.652 bệnh nhân bệnh thận mạn tại Bệnh viện Đa khoa tỉnh Điện Biên (15 thuộc tính).

Literature Review và Positioning

Bối cảnh y học tính toán chứng kiến sự phát triển qua nhiều giai đoạn nối tiếp giữa các trường phái biểu diễn tri thức và suy diễn logic. Nhánh nghiên cứu thứ nhất tập trung vào các hệ suy diễn mờ kinh điển khởi nguồn từ Lotfi Zadeh (1965), tiếp nối bởi cấu trúc suy diễn mờ Mamdani (1974) và Takagi-Sugeno (1985). Nhánh này cung cấp nền tảng xử lý dữ liệu ngôn ngữ xấp xỉ nhưng bộc lộ nhược điểm phụ thuộc hoàn toàn vào cơ sở luật cố định. Nhánh nghiên cứu thứ hai mở rộng sang hệ mờ phức (Complex Fuzzy Inference System - C-FIS) và M-CFIS do các nhóm nghiên cứu quốc tế phát triển trong giai đoạn 2019–2020 nhằm mã hóa thông tin biến thiên theo pha và biên độ. Điển hình là mô hình rút gọn luật M-CFIS-R, tuy nhiên mô hình này tiêu tốn chi phí tính toán rất lớn do phải so khớp mẫu kiểm tra với từng luật trong cơ sở tri thức ($|R|$ luật).

Nhánh nghiên cứu thứ ba tập trung vào Đồ thị tri thức (KG) và ứng dụng trong y tế, tiêu biểu như công trình của Bernard và cộng sự nghiên cứu lựa chọn phác đồ điều trị y học cổ truyền tại Châu Phi, Yong Zhang và cộng sự thiết lập khung KG y tế kết hợp tri thức bác sĩ chuyên khoa, hay Ravi và cộng sự ứng dụng KG ngữ nghĩa trong hệ hỗ trợ quyết định lâm sàng. Hạn chế cốt tử của KG thông thường là không có cơ chế suy diễn xấp xỉ khi dữ liệu có độ lệch mờ. Nhánh nghiên cứu thứ tư hình thành khi cấu trúc đồ thị mờ (Fuzzy Graph Structure - FGS) được Dinesh và cộng sự giới thiệu năm 2011, sau đó được Akram, Talebi và Harinath mở rộng các toán tử logic. Bước đột phá diễn ra vào năm 2020 khi mô hình M-CFIS-FKG ra đời, lần đầu tiên tích hợp đồ thị tri thức mờ với thuật toán tìm kiếm suy diễn nhanh FISA (Fast Inference Search Algorithm), cho phép gán nhãn cho các mẫu mới chưa từng xuất hiện trong cơ sở luật mờ.

Trong bức tranh tổng quan đó, các cuộc tranh luận học thuật nảy sinh giữa hai quan điểm đối lập:

  • Trường phái suy diễn so khớp toàn phần (Strict Rule-Matching Paradigm): Cho rằng cần duy trì cấu trúc luật mờ hoàn chỉnh (M-CFIS-R) để bảo toàn tính giải thích logic tuyệt đối, chấp nhận độ trễ tính toán $O(|R| \times N)$ và tỷ lệ từ chối phân loại cao khi gặp mẫu dữ liệu khuyết thiếu.
  • Trường phái xấp xỉ phân rã đơn lẻ (Atomic Approximate Reasoning): Ủng hộ việc phân rã tri thức thành các cặp đơn lẻ (single pairs) như M-CFIS-FKG nhằm tối đa hóa tốc độ suy diễn và khả năng tổng quát hóa trên dữ liệu không đầy đủ.

Luận án của NCS. Cù Kim Long định vị tại điểm giao thoa giải quyết mâu thuẫn này bằng cách đề xuất tiếp cận cấu trúc đồ thị tri thức mờ dạng cặp bậc cao ($k$-pairs) và tối ưu hóa chính sách thích nghi bằng học tăng cường. So với nghiên cứu của Bernard et al. vốn chỉ khai thác đồ thị định danh sắc nét, hay nghiên cứu của Yong Zhang et al. dựa trên cấu trúc đồ thị tĩnh, mô hình của luận án tạo ra bước tiến vượt bậc: chuyển hóa biểu diễn từ đơn cặp ($single\ pairs$) sang đa cặp ($k\text{-}pairs$), kết hợp cơ chế học chính sách động (Dynamic Policy Learning) để xử lý triệt để bài toán suy diễn trên dữ liệu cực đoan.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng lý thuyết cấu trúc đồ thị mờ của Dinesh et al. (2011) và lý thuyết suy diễn mờ phức Mamdani (M-CFIS) thông qua việc thiết lập nền tảng toán học cho Đồ thị tri thức mờ dạng cặp ($FKG\text{-}Pairs$) và Đồ thị tri thức mờ trong trường hợp cực đoan ($FKG\text{-}Extreme$).

Trong mô hình $FKG\text{-}Pairs$, khái niệm siêu đỉnh (hyper-node) được hình thành từ tổ hợp các cặp giá trị ngôn ngữ $k$-thành phần ($k\text{-}tuples$). Mối quan hệ giữa các biến thuộc tính ngôn ngữ $X_i, X_j$ và nhãn đầu ra $l$ được định lượng hóa thông qua hai ma trận trọng số toán học:

Trọng số liên kết giữa các thuộc tính ngôn ngữ $X_i$ và $X_j$ trong luật thứ $t$: $$A_{ij}^t = \frac{|X_i \text{ quan hệ với } X_j \text{ trong luật } t|}{|R|}$$

Trọng số liên kết từ cấu trúc cặp thuộc tính đến nhãn phân loại đầu ra $l$: $$B_{il}^t = \left(\sum A_{ij}^t\right) \times \frac{|X_i \text{ quan hệ với nhãn } l \text{ trong luật } t|}{|R|}$$

Trong giai đoạn suy diễn xấp xỉ, giá trị tổng hợp nhãn được tính toán thông qua toán tử MAX-MIN mở rộng: $$D_S = \max_{i=1..k}(C_{iS}) + \min_{i=1..k}(C_{iS})$$ Nhãn đầu ra tối ưu $p$ được xác định theo nguyên lý cực đại hóa: $$\text{Nhãn đầu ra} = p \iff D_p = \max_{S=1..C}(D_S)$$

Đối với mô hình $FKG\text{-}Extreme$, luận án tạo ra bước chuyển đổi hệ hình (paradigm shift) bằng cách tích hợp thuật toán Q-learning vào không gian đồ thị tri thức mờ. Quá trình chọn lọc siêu cạnh và cập nhật trọng số tri thức được quy đổi thành bài toán học tăng cường tối ưu hóa hàm giá trị hành động $Q(S_t, A_t)$ thông qua phương trình Bellman: $$Q(S_t, A_t) \leftarrow Q(S_t, A_t) + \alpha \left[ R_t + \gamma \max_{a} Q(S_{t+1}, a) - Q(S_t, A_t) \right]$$ Trong đó: $S_t$ đại diện cho trạng thái đồ thị tri thức mờ hiện tại, $A_t$ là hành động lựa chọn siêu cặp thuộc tính, $R_t$ là phần thưởng nhận được (dựa trên độ chính xác phân loại của bước suy diễn), $\alpha \in (0, 1)$ là tốc độ học (learning rate), và $\gamma \in (0, 1)$ là hệ số suy giảm phần thưởng tương lai (discount factor).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 3 trụ cột lý thuyết: (1) Lý thuyết tập mờ và hệ suy diễn mờ phức Mamdani để mờ hóa và khử mờ các thuộc tính lâm sàng; (2) Lý thuyết cấu trúc đồ thị mờ (FGS) để ánh xạ mạng lưới quan hệ đa chiều giữa các biến ngôn ngữ; (3) Lý thuyết học tăng cường (Q-learning) để điều hướng không gian tìm kiếm suy diễn trong điều kiện tri thức bị phân mảnh.

[Dữ liệu thô (Lâm sàng/UCI)] 
       │
       ▼ (Giai đoạn Mờ hóa & Tiền xử lý)
[Cơ sở luật mờ phức IF-THEN] 
       │
       ▼ (Sinh tổ hợp k-Pairs: k=1,2,3,4)
[Đồ thị tri thức mờ FKG-Pairs] ──(Tích hợp Q-learning Bellman)──► [Mô hình FKG-Extreme]
       │                                                                  │
       ▼ (Toán tử suy diễn MAX-MIN FISA)                                 ▼ (Tối ưu hóa chính sách Reward)
[Nhãn chẩn đoán tối ưu (Dp = MAX DS)] ◄──────────────────────────────────┘

Điều kiện biên (boundary conditions) của khung phân tích được xác lập rõ ràng: Mô hình đạt hiệu quả tối ưu trên các tập dữ liệu có thuộc tính định lượng và định tính hỗn hợp, dữ liệu có tính chu kỳ hoặc không chắc chắn cao, và đặc biệt vượt trội khi kích thước tập huấn luyện bị suy biến xuống mức dưới $10%$ tổng số mẫu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan khoa học thực chứng hậu hiện đại (post-positivism), kết hợp chặt chẽ giữa suy diễn toán học hình thức (deductive mathematical modeling) và kiểm chứng thực nghiệm định lượng (quantitative empirical testing). Thiết kế nghiên cứu đa tầng (multi-level design) bao gồm:

  • Tầng 1 - Nền tảng thuật toán: Xây dựng và chứng minh toán học cho 4 biến thể của đồ thị tri thức mờ dạng cặp: $FKG\text{-}Pairs1$ (cặp đơn), $FKG\text{-}Pairs2$ (cặp đôi), $FKG\text{-}Pairs3$ (cặp ba), và $FKG\text{-}Pairs4$ (cặp tư).
  • Tầng 2 - Tối ưu hóa thích nghi: Thiết kế khung học tăng cường $FKG\text{-}Extreme$ điều hướng tìm kiếm trên đồ thị mờ.
  • Tầng 3 - Đánh giá chuẩn hóa quốc tế: Thử nghiệm đối sánh trên 06 bộ dữ liệu học máy chuẩn UCI.
  • Tầng 4 - Thực chứng ứng dụng y khoa: Triển khai thử nghiệm trên 02 bài toán bệnh lý nan giải tại các cơ sở y tế tuyến trung ương và địa phương.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được thiết kế nghiêm ngặt nhằm đảm bảo tính giá trị nội tại (internal validity) và độ tin cậy (reliability):

  1. Bộ dữ liệu Tiền sản giật (BN-TienSanGiat): Thu thập từ 210 sản phụ khám định kỳ tại Bệnh viện Phụ sản Trung ương. Bộ công cụ đo lường gồm 19 thuộc tính lâm sàng và cận lâm sàng: Tuổi thai phụ (18–66 tuổi), Tuổi thai nhi (15–40 tuần), Chiều cao, Cân nặng, Huyết áp tâm thu (90–129 mmHg), Huyết áp tâm trương (60–84 mmHg), HGB (120–160 g/L), PLT (150–450 g/L), URE, Creatinine, Acid Uric, ALT, AST, Protein toàn phần (64–83 g/L), Albumin (35–52 g/L), LDH (< 247 U/L), Protein niệu ($0.25$ g/L). Nhãn đầu ra gồm 3 lớp: 0 (Bình thường), 1 (Tiền sản giật), 2 (Tiền sản giật nặng).
  2. Bộ dữ liệu Bệnh thận mạn (BTM-DienBien): Thu thập từ 3.652 bệnh nhân tại Bệnh viện Đa khoa tỉnh Điện Biên. Bao gồm 15 chỉ số huyết học và sinh hóa: Tuổi (1–100 tuổi), Giới tính, RBC ($1.26 - 7.64$ T/L), HGB ($32 - 206$ g/L), HCT ($0.11 - 0.61$ L/L), PLT ($13 - 2141$ G/L), WBC ($1.2 - 99.8$ G/L), NEUT, LYMPH, Protein toàn phần ($29 - 565$ g/L), Albumin, Urea, Creatinine ($4.26 - 8632$ $\mu$mol/L). Nhãn đầu ra phân định tình trạng bệnh thận mạn và phân giai đoạn chức năng thận.
  3. 6 Bộ dữ liệu chuẩn UCI:
    • Diabetes: 390 mẫu, 5 thuộc tính, 2 nhãn đầu ra.
    • Breast Cancer (WBCD): 680 mẫu, 9 thuộc tính, 2 nhãn đầu ra.
    • Liver: 4.156 mẫu, 10 thuộc tính, 2 nhãn đầu ra.
    • Wine Quality: 1.599 mẫu, 11 thuộc tính, 6 nhãn đầu ra.
    • Cardiotocography (CTG): 2.126 mẫu, 19 thuộc tính, 10 nhãn đầu ra.
    • Arrhythmia: 452 mẫu, 36 thuộc tính, 13 nhãn đầu ra.

Tam giác hóa phương pháp (methodological triangulation) được áp dụng xuyên suốt khi đối chiếu song song giữa các thuật toán: FIS, M-CFIS-R, M-CFIS-FKG, FKG-Pairs ($k=1..4$), và FKG-Extreme.

Data và phân tích

Toàn bộ hệ thống thuật toán được cài đặt và mô phỏng trên nền tảng phần mềm chuyên dụng: Matlab, Python, thư viện giao diện Kivy, và Microsoft Excel. Để kiểm định tính vững chắc (robustness checks) và sự khác biệt có ý nghĩa thống kê của các mô hình, kỹ thuật Phân tích phương sai ANOVA (Analysis of Variance) do Ronald Fisher (1918) phát triển được áp dụng với hai hình thức:

  • ANOVA một yếu tố (One-way ANOVA): Kiểm tra sự khác biệt về độ chính xác giữa các nhóm phương pháp trên cùng một phân phối dữ liệu.
  • ANOVA hai yếu tố (Two-way ANOVA): Đánh giá tương tác đồng thời giữa cấu hình phương pháp và tỷ lệ phân chia tập dữ liệu (lấy mẫu theo cụm, phân chia tỷ lệ cực đoan) lên biến phụ thuộc là độ chính xác phân loại và thời gian thực thi.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm trên các tập dữ liệu mang lại 5 phát hiện đột phá:

  1. Hiệu năng vượt trội của mô hình cặp đôi ($FKG\text{-}Pairs2$): Trên các bộ dữ liệu chuẩn UCI và dữ liệu tiền sản giật, phương pháp $FKG\text{-}Pairs2$ đạt sự cân bằng tối ưu tuyệt đối. So với mô hình $M\text{-}CFIS\text{-}FKG$ (chỉ dùng cặp đơn), $FKG\text{-}Pairs2$ cải thiện độ chính xác từ $3.5%$ đến $8.2%$. Quan trọng hơn, so với phương pháp so khớp luật truyền thống $M\text{-}CFIS\text{-}R$ vốn có độ phức tạp thời gian tăng theo cấp số nhân, $FKG\text{-}Pairs2$ giúp cắt giảm thời gian tính toán từ hàng chục giây xuống chỉ còn vài phần trăm giây.
  2. Quy luật suy giảm hiệu suất biên khi tăng bậc cặp ($k \ge 3$): Phân tích thực nghiệm chứng minh rằng việc tăng bậc cặp lên $FKG\text{-}Pairs3$ và $FKG\text{-}Pairs4$ chỉ làm tăng độ chính xác không đáng kể ($< 0.4%$) nhưng chi phí không gian đồ thị và thời gian tính toán tổ hợp tăng vọt theo $O(N^k)$. Do đó, $k=2$ được xác lập là điểm cân bằng thực nghiệm tối ưu nhất cho bài toán chẩn đoán y khoa.
  3. Sự bứt phá của $FKG\text{-}Extreme$ trong điều kiện dữ liệu suy biến: Khi tỷ lệ dữ liệu huấn luyện bị cắt giảm xuống mức cực đoan ($< 10%$ tập dữ liệu), các mô hình học máy và mờ truyền thống suy giảm độ chính xác nghiêm trọng (chỉ đạt $50 - 62%$). Ngược lại, nhờ cơ chế tích lũy phần thưởng và cập nhật giá trị $Q\text{-}value$ của phương trình Bellman, $FKG\text{-}Extreme$ duy trì độ chính xác phân loại ấn tượng (trên $85 - 91%$ trên các bộ dữ liệu Liver, CTG, Wine), đồng thời tối ưu hóa thời gian xử lý khi đối mặt với dữ liệu quy mô lớn.
  4. Chứng thực lâm sàng trên bệnh Tiền sản giật: Mô hình đã mô phỏng chính xác sự kết hợp triệu chứng phức tạp: "IF 'Huyết áp' là 'Cao' và 'LDH' là 'Cao' THEN 'Tiền sản giật nặng', với độ tin cậy là 90%". Phân loại chính xác 3 trạng thái bệnh lý trên 210 sản phụ, hỗ trợ bác sĩ phát hiện sớm nguy cơ biến chứng sản khoa nguy hiểm.
  5. Chứng thực lâm sàng trên Bệnh thận mạn: Áp dụng $FKG\text{-}Extreme$ trên 3.652 bệnh nhân tại Điện Biên cho phép phân loại chính xác các giai đoạn suy giảm mức lọc cầu thận (GFR), mở ra khả năng tự động hóa chẩn đoán phân tầng nguy cơ bệnh thận mạn tại tuyến y tế cơ sở.

Implications đa chiều

  • Đóng góp học thuật: Đặt nền móng lý thuyết cho việc kết hợp giữa Đồ thị tri thức mờ và Học tăng cường, mở rộng biên giới của trí tuệ nhân tạo giải thích được (Explainable AI - XAI) trong môi trường bất định.
  • Đổi mới phương pháp luận: Cung cấp quy trình chuẩn hóa từ khâu mờ hóa dữ liệu, sinh siêu đỉnh đồ thị dạng cặp, đến cơ chế suy diễn xấp xỉ thích nghi có thể áp dụng cho nhiều lĩnh vực ngoài y tế như giao thông, chứng khoán, và hệ khuyến nghị.
  • Ứng dụng thực tiễn: Hệ thống phần mềm hoàn chỉnh (xây dựng bằng Python và Kivy) với giao diện nhập liệu nhân khẩu học, chỉ số cận lâm sàng và màn hình khuyến nghị điều trị đã được kiểm thử, sẵn sàng chuyển giao cho các bệnh viện.
  • Khuyến nghị chính sách y tế: Cung cấp giải pháp công nghệ chi phí thấp giúp ngành y tế triển khai các hệ thống chẩn đoán hỗ trợ từ xa (Tele-CDSS) tại các trạm y tế vùng sâu, vùng xa – nơi thiếu thốn đội ngũ bác sĩ chuyên khoa sâu nhưng có thể tận dụng mô hình $FKG\text{-}Extreme$ để sàng lọc bệnh sớm từ các chỉ số xét nghiệm cơ bản.

Limitations và Future Research

Luận án thừa nhận 4 hạn chế mang tính khoa học cần tiếp tục hoàn thiện:

  1. Giới hạn bùng nổ tổ hợp của bậc cặp: Khi số lượng thuộc tính đầu vào $N$ quá lớn ($N > 50$), việc mở rộng lên các cặp $k \ge 3$ tạo ra số lượng siêu cạnh khổng lồ $\binom{N}{k}$, gây áp lực bộ nhớ trong quá trình khởi tạo đồ thị.
  2. Phụ thuộc vào chuyên gia khi thiết lập hàm thuộc: Giai đoạn tiền xử lý mờ hóa hiện tại vẫn dựa trên các hàm thuộc hình tam giác/hình thang được định nghĩa tĩnh hoặc bán tự động, chưa có cơ chế tự thích ứng tham số hàm thuộc theo phân phối dữ liệu thời gian thực.
  3. Độ nhạy tham số trong Q-learning: Hiệu năng của $FKG\text{-}Extreme$ chịu ảnh hưởng bởi việc tinh chỉnh tốc độ học $\alpha$ và hệ số suy giảm $\gamma$, hiện tại vẫn cần thực hiện qua quá trình thử sai (trial-and-error).
  4. Phạm vi kiểm chứng bệnh lý: Mặc dù đã thử nghiệm trên dữ liệu sản khoa và thận học, mô hình cần được kiểm chứng thêm trên các bệnh lý truyền nhiễm có diễn tiến dịch tễ học phức tạp.

Chương trình nghiên cứu tương lai (future research agenda) đề xuất 4 hướng phát triển:

  • Tích hợp mạng nơ-ron học sâu (Deep Q-Networks - DQN) để tự động hóa hoàn toàn không gian trạng thái và hành động trên đồ thị mờ quy mô cực lớn.
  • Phát triển kỹ thuật tự động tối ưu hóa hàm thuộc mờ bằng giải thuật di truyền (Genetic Algorithms) hoặc tối ưu hóa bầy đàn (PSO).
  • Mở rộng mô hình đồ thị tri thức mờ dạng cặp động (Dynamic Temporal FKG) nhằm nắm bắt các biến thiên bệnh lý theo dòng thời gian thực (time-series clinical streams).
  • Xây dựng mô hình học liên kết mờ (Federated Fuzzy Knowledge Graph) cho phép huấn luyện đồ thị tri thức mờ bảo mật riêng tư phân tán qua nhiều bệnh viện mà không cần chia sẻ dữ liệu bệnh nhân thô.

Tác động và ảnh hưởng

  • Tác động học thuật: Các bài báo khoa học trích xuất từ luận án được công bố trên các tạp chí và kỷ yếu hội nghị quốc tế uy tín thuộc danh mục ISI/Scopus. Mô hình $FKG\text{-}Pairs$ và $FKG\text{-}Extreme$ trở thành tài liệu tham khảo chuẩn mực cho các nghiên cứu về hệ mờ phức và đồ thị tri thức lai.
  • Chuyển đổi công nghiệp và y tế số: Cung cấp cấu trúc lõi cho các công ty công nghệ y tế (HealthTech) phát triển các module AI chẩn đoán tích hợp vào hệ thống thông tin bệnh viện (HIS/LIS) và bệnh án điện tử (EMR).
  • Lợi ích xã hội định lượng: Ứng dụng mô hình giúp phát hiện sớm dấu hiệu tiền sản giật ở thai phụ với độ chính xác cao, góp phần giảm tỷ lệ tử vong chu sinh; đồng thời hỗ trợ chẩn đoán sớm bệnh thận mạn trên 3.652 người dân miền núi tại Điện Biên, tiết kiệm hàng tỷ đồng chi phí chạy thận nhân tạo giai đoạn cuối nhờ can thiệp y khoa kịp thời.
  • Tầm vóc quốc tế: Nghiên cứu giải quyết bài toán cốt lõi của xử lý dữ liệu y tế toàn cầu – dữ liệu không đồng nhất và thiếu thông tin (incomplete data), định vị năng lực nghiên cứu khoa học máy tính của Việt Nam ngang tầm với các nhóm nghiên cứu tiên tiến trên thế giới.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và học viên cao học: Tiếp cận phương pháp luận mẫu mực về tích hợp lý thuyết mờ phức, cấu trúc đồ thị và học máy tăng cường; khai thác các khoảng trống nghiên cứu mở về $k\text{-}tuples$ và tối ưu hóa tham số mạng.
  • Các nhà khoa học và giảng viên: Sử dụng khung lý thuyết $FKG\text{-}Pairs$ làm tài liệu giảng dạy chuyên sâu trong các môn học Trí tuệ nhân tạo nâng cao, Hệ hỗ trợ ra quyết định và Hệ chuyên gia.
  • Kỹ sư R&D trong ngành Y tế số: Ứng dụng trực tiếp mã nguồn và cấu trúc giải thuật để phát triển các sản phẩm CDSS thương mại có khả năng giải thích rõ ràng cơ chế ra quyết định (glass-box AI).
  • Nhà quản lý y tế và hoạch định chính sách: Sở hữu luận cứ khoa học để phê duyệt đầu tư các hệ thống sàng lọc bệnh lý tự động tại các trung tâm y tế cơ sở nhằm giảm tải cho các bệnh viện tuyến trung ương.

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 phát triển mô hình Đồ thị tri thức mờ dạng cặp ($FKG\text{-}Pairs$) và tích hợp nguyên lý học tăng cường Bellman ($FKG\text{-}Extreme$). Nghiên cứu đã mở rộng trực tiếp Lý thuyết cấu trúc đồ thị mờ (FGS) của Dinesh et al. (2011) và Hệ suy diễn mờ phức Mamdani (M-CFIS) của các nghiên cứu năm 2019-2020. Luận án đã phá vỡ thế độc đạo của suy diễn cặp đơn trong mô hình M-CFIS-FKG (2020), thiết lập cấu trúc siêu đỉnh đa quan hệ và công thức hóa trọng số $A_{ij}^t$ và $B_{il}^t$ cho phép suy diễn xấp xỉ chính xác khi tập dữ liệu bị khuyết thiếu thuộc tính.

2. Đổi mới phương pháp luận của luận án khi so sánh với các nghiên cứu quốc tế tiền nhiệm? Trả lời: So với mô hình M-CFIS-R (2020) vốn sử dụng cơ chế khớp duyệt toàn bộ cơ sở luật khiến thời gian tính toán bùng nổ, và mô hình M-CFIS-FKG (2020) vốn chỉ dùng thuật toán FISA trên cặp đơn dẫn đến mất thông tin ngữ cảnh đa biến, phương pháp luận của luận án mang tính cách mạng: Sử dụng tổ hợp $k\text{-}pairs$ để giữ vẹn toàn mối tương tác giữa các thuộc tính, đồng thời ứng dụng kỹ thuật Q-learning để học chính sách kích hoạt cạnh đồ thị tối ưu, giúp giảm thời gian tính toán từ hàng chục giây xuống mili-giây mà vẫn tăng độ chính xác phân loại.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và bằng chứng dữ liệu hỗ trợ? Trả lời: Phát hiện bất ngờ nhất là tính ổn định phi thường của mô hình $FKG\text{-}Extreme$ trong kịch bản dữ liệu cực đoan: Khi giảm kích thước tập huấn luyện xuống mức dưới $10%$ (và tập kiểm tra $> 90%$), trong khi các thuật toán máy học và mờ truyền thống bị sụp đổ hoàn toàn về độ chính xác (giảm xuống $50 - 62%$), $FKG\text{-}Extreme$ vẫn duy trì độ chính xác phân loại trên $85%$ trên các bộ dữ liệu phức tạp như Liver (4.156 mẫu) và CTG (2.126 mẫu). Điều này chứng minh thuật toán Q-learning đã khai thác tối đa phần thưởng kinh nghiệm từ những tri thức mờ phân mảnh nhỏ nhất.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hoàn chỉnh không? Trả lời: Luận án cung cấp quy trình tái lập chi tiết và minh bạch 100%: Toàn bộ công thức toán học từ mờ hóa, sinh ma trận trọng số $A, B$, toán tử tổng hợp MAX-MIN, phương trình cập nhật Q-learning đều được tường giải chi tiết; danh mục 19 thuộc tính tiền sản giật và 15 thuộc tính bệnh thận mạn được công khai đầy đủ miền giá trị; 6 bộ dữ liệu đối chuẩn đều là dữ liệu mở chuẩn quốc tế UCI (Diabetes, Breast Cancer, Liver, Wine, CTG, Arrhythmia); các tham số môi trường và mã nguồn thực nghiệm trên Matlab, Python và Kivy đều được mô tả rõ ràng.

5. Lộ trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào? Trả lời: Lộ trình 10 năm bao gồm 3 giai đoạn chiến lược: (1) 2024–2026: Tích hợp mạng nơ-ron sâu (Deep Reinforcement Learning) để tự động hóa việc biểu diễn đồ thị mờ siêu lớn ($N > 1000$ thuộc tính) và phát triển thuật toán tự thích nghi hàm thuộc; (2) 2027–2030: Xây dựng nền tảng Đồ thị tri thức mờ động thời gian thực (Real-time Temporal FKG) phục vụ theo dõi bệnh nhân liên tục tại các phòng hồi sức tích cực (ICU); (3) 2031–2034: Chuẩn hóa hệ sinh thái Y tế thông minh liên kết bảo mật (Federated Clinical FKG) kết nối mạng lưới các bệnh viện trên phạm vi toàn cầu.

Kết luận

  1. Luận án đã giải quyết thành công bài toán biểu diễn và suy diễn tri thức bất định thông qua việc đề xuất mô hình Đồ thị tri thức mờ dạng cặp ($FKG\text{-}Pairs$), vượt qua hạn chế suy diễn cặp đơn của mô hình M-CFIS-FKG tiền nhiệm.
  2. Công trình đã phát triển thành công mô hình Đồ thị tri thức mờ trong trường hợp cực đoan ($FKG\text{-}Extreme$), kết hợp đột phá giữa kỹ thuật học tăng cường Q-learning và đồ thị mờ, duy trì độ chính xác cao trên các tập dữ liệu huấn luyện suy biến ($< 10%$) và tập dữ liệu lớn.
  3. Luận án đã xây dựng khung thuật toán suy diễn xấp xỉ hoàn chỉnh với độ phức tạp tính toán được tối ưu hóa vượt trội so với các hệ suy diễn mờ kinh điển (FIS, M-CFIS, M-CFIS-R).
  4. Tính đúng đắn, độ tin cậy và sự vượt trội của các mô hình lý thuyết đề xuất đã được chứng minh thông qua kiểm định thống kê ANOVA khắt khe trên 06 bộ dữ liệu chuẩn quốc tế UCI (Diabetes, WBCD, Liver, Wine, CTG, Arrhythmia).
  5. Luận án đã hiện thực hóa thành công các đóng góp lý thuyết vào ứng dụng y tế thực tiễn thông qua việc phát triển phần mềm hỗ trợ chẩn đoán chính xác bệnh Tiền sản giật (trên 210 bệnh nhân tại Bệnh viện Phụ sản Trung ương) và bệnh Thận mạn (trên 3.652 bệnh nhân tại Bệnh viện Đa khoa tỉnh Điện Biên).
  6. Nghiên cứu đã mở ra 3 hướng đi học thuật mới cho cộng đồng khoa học: Đồ thị tri thức mờ học sâu (Deep-FKG), Đồ thị tri thức mờ động thời gian thực (Temporal-FKG), và Hệ suy diễn mờ phân tán bảo mật (Federated-FKG), đóng góp quan trọng vào sự phát triển của nền y tế thông minh và khoa học dữ liệu hiện đại.