LuanVan.vnLuận Văn
Gửi thư

NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG HỖ TRỢ CHẨN ĐOÁN BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG BẰNG HỌC SÂU

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảTrần Nhất Khương
Người hướng dẫnPhạm Thị Ngọc Diễm
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Bệnh võng mạc đái tháo đường ngày càng trở thành nguyên nhân hàng đầu gây mù lòa ở người trưởng thành, khiến việc sàng lọc sớm và hỗ trợ chẩn đoán dựa trên công nghệ đóng vai trò quan trọng trong hệ thống y tế hiện đại. Đề tài "Nghiên cứu và xây dựng hệ thống hỗ trợ chẩn đoán bệnh võng mạc đái tháo đường bằng học sâu" được thực hiện nhằm hỗ trợ quy trình vận hành tại các phòng khám mắt, đồng thời trợ giúp bác sĩ phân loại mức độ nghiêm trọng của bệnh thông qua trí tuệ nhân tạo, hướng tới số hóa hoạt động quản trị lâm sàng và giải quyết bài toán phân loại vốn có tính thứ tự và mất cân bằng dữ liệu giữa các lớp. Nghiên cứu áp dụng kiến trúc ConvNeXt-Tiny làm mô hình phân loại chính, được lựa chọn sau khi thực nghiệm so sánh với Swin Transformer và EfficientNet-B3 trên bộ dữ liệu APTOS 2019. Qua nhiều giai đoạn cải tiến hàm mất mát nhằm giải quyết đồng thời tính thứ tự và mất cân bằng dữ liệu, đề tài đề xuất kết hợp hàm mất mát EMD với ClassBalanced Loss theo cơ chế cân bằng động, kết hợp huấn luyện chuyển giao từ EyePACS sang APTOS 2019. Trên nền mô hình đã huấn luyện, đề tài xây dựng hệ thống quản lý phòng khám mắt với các chức năng đặt lịch hẹn, hồ sơ bệnh nhân, bệnh án điện tử và đơn thuốc, tích hợp trực tiếp module chẩn đoán AI vào luồng khám bệnh của bác sĩ. Hai cấu hình mô hình được triển khai song song trong hệ thống: EMD_ONLY đạt Quadratic Weighted Kappa (QWK) 0,9232, và OB-Loss (α=0,7) đạt Macro F1-score 0,7209 trên tập đánh giá khi phân loại 5 mức độ bệnh, thể hiện khả năng thích nghi khi huấn luyện chuyển giao giữa các miền dữ liệu. Đánh giá qua nhiều hạt giống khởi tạo ngẫu nhiên cho thấy QWK duy trì ổn định qua các lần chạy, cùng thời gian xử lý ảnh đáp ứng yêu cầu phản hồi trong hỗ trợ chẩn đoán lâm sàng. Đóng góp của đề tài nằm ở việc giải quyết đồng thời vấn đề mất cân bằng dữ liệu và tính thứ tự trong bài toán phân loại mức độ bệnh, cung cấp giải pháp quản lý chuyên biệt cho lĩnh vực nhãn khoa có tích hợp Explainable AI thông qua kỹ thuật GradCAM++ để trực quan hóa vùng ảnh mô hình tập trung phân tích, tăng tính minh bạch trong chẩn đoán. Hệ thống được kỳ vọng trở thành công cụ hỗ trợ bác sĩ nhãn khoa trong sàng lọc sớm, lưu trữ dữ liệu bệnh án và đưa ra quyết định điều trị dựa trên bằng chứng số liệu khách quan. Từ khóa: Võng mạc đái tháo đường, Học sâu, Trí tuệ nhân tạo, Chẩn đoán hình ảnh y tế, Quản lý phòng khám. Diabetic Retinopathy (DR) has increasingly become a leading cause of blindness among adults, making early screening and technology-based diagnostic support essential in modern healthcare systems. The thesis "Research and Development of a Deep LearningBased Diabetic Retinopathy Diagnosis Support System" was conducted to support operational workflows at eye clinics while assisting physicians in grading disease severity through artificial intelligence, aiming to digitize clinical management activities and address the classification problem, which inherently exhibits both ordinal structure and class imbalance. The study adopts ConvNeXt-Tiny as the primary classification architecture, selected after comparative experiments with Swin Transformer and EfficientNet-B3 on the APTOS 2019 dataset. Through multiple stages of loss function refinement aimed at simultaneously addressing ordinality and class imbalance, the thesis proposes combining EMD Loss with Class-Balanced Loss under a dynamic scaling mechanism, together with transfer learning from EyePACS to APTOS 2019. Based on the trained model, the thesis builds a clinic management system with functions for appointment scheduling, patient records, electronic medical records, and prescriptions, integrating the AI diagnostic module directly into the physician's examination workflow. Two configurations were deployed in parallel: EMD_ONLY achieves a Quadratic Weighted Kappa (QWK) of 0.9232, and OB-Loss (α=0.7) achieves a Macro F1-score of 0.7209 on the evaluation set, demonstrating adaptability when transferring across data domains. Multi-seed evaluation shows t
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.