Một điện cực dùng trong ghi tín hiệu điện não EEG. Ảnh: George Spilich/Wikimedia Commons, CC BY-SA 3.0.

Ngày 4/9/2026, Ban Khoa học và Công nghệ, Đại học Quốc gia TP.HCM công bố lịch báo cáo các đề tài khoa học và công nghệ cấp ĐHQG-HCM trong tháng 9. Trong danh sách có đề tài “Phân loại tín hiệu điện não sử dụng thuật toán máy học”, mã số DS.C2025-18-04, do NCS. Nguyễn Thị Như Quỳnh làm chủ nhiệm. Lịch hiện ghi thời gian nghiệm thu “dự kiến” trong tháng 9 và chưa hiển thị số quyết định nghiệm thu, vì vậy chưa có căn cứ để coi đề tài đã hoàn tất thủ tục đánh giá.

Chi tiết đáng quan tâm nằm ở chặng đường phía sau đề tài này. Nguyễn Thị Như Quỳnh không mới bắt đầu thử sức với trí tuệ nhân tạo và bệnh Parkinson. Hồ sơ của Khoa Vật lý - Vật lý kỹ thuật, Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM cho biết hướng nghiên cứu của chị là phân loại tín hiệu điện não đồ EEG; còn các công bố từ năm 2023 đã ghi nhận những nghiên cứu về Parkinson bằng EEG và máy học.

Điểm mới vì thế không còn nằm ở câu chuyện “dùng AI để nhận diện Parkinson”. Sau nhiều năm, hướng nghiên cứu đã chuyển từ một mô hình ban đầu sang bài toán khó hơn: làm sạch tín hiệu tốt hơn, kiểm tra mô hình chặt hơn và quan trọng là cố gắng giải thích vì sao thuật toán đưa ra một kết quả.

Từ mô hình sinh viên đến đề tài cấp ĐHQG-HCM

Nguyễn Thị Như Quỳnh bắt đầu nghiên cứu Parkinson từ giữa năm 2021 khi còn là sinh viên năm ba. Do chưa có dữ liệu bệnh nhân trong nước, mô hình ban đầu sử dụng bộ dữ liệu điện não công khai gồm 56 người, trong đó 28 người mắc Parkinson và 28 người khỏe mạnh. Kết quả thử nghiệm lúc đó đạt độ chính xác trên 96%, nhưng chính tác giả cũng xác định hạn chế lớn là chưa xây dựng được dữ liệu từ bệnh nhân thực tế.

Năm 2022, Quỳnh tiếp tục làm chủ nhiệm đề tài cấp trường “Phân loại bệnh Parkinson dựa trên tín hiệu điện não đồ”, mã T2022-03. Danh mục nghiên cứu của Khoa Vật lý - Vật lý kỹ thuật ghi đề tài thực hiện giai đoạn 2022-2023 và được đánh giá “Xuất sắc”.

Những mốc này cho thấy nghiên cứu không dừng ở một sản phẩm dự thi hay mô hình sinh viên. Tuy vậy, cũng chưa thể gọi đây là công nghệ chẩn đoán đã sẵn sàng sử dụng trong bệnh viện. Phần đáng chú ý hơn nằm ở những thay đổi về phương pháp được nhóm công bố sau đó.

Siết lại đường đi của tín hiệu điện não

Điện não đồ ghi lại hoạt động điện của não thông qua các điện cực đặt trên da đầu. Dữ liệu này rất nhạy với nhiễu từ chuyển động mắt, cơ, thiết bị và nhiều yếu tố khác. Nếu bước tiền xử lý không đủ tốt, thuật toán có thể học cả những tín hiệu không liên quan đến bệnh.

Trong bài báo “Enhanced Diagnosis of Parkinson's Disease Using XGBoost” đăng trực tuyến tháng 7/2025 trên IEEJ Transactions on Electrical and Electronic Engineering, Nguyễn Thị Như Quỳnh đứng tên tác giả đầu cùng Võ Hoàng Thủy Tiên và Huỳnh Văn Tuấn. Nhóm sử dụng bộ dữ liệu công khai “EEG: Simon Conflict in Parkinson's”, vẫn gồm 28 người Parkinson và 28 người đối chứng khỏe mạnh.

Khác biệt nằm ở quy trình xử lý. Nhóm dùng phân tích thành phần độc lập ICA kết hợp ICLabel để tách các thành phần nhiễu khỏi tín hiệu EEG. Tín hiệu sau làm sạch được tái tạo, chia thành năm dải tần delta, theta, alpha, beta và gamma, sau đó trích xuất đặc trưng để đưa vào các mô hình học máy. XGBoost cho kết quả cao nhất trong các phương pháp được thử nghiệm.

Mũ EEG giữ các điện cực ở vị trí cần thiết trong quá trình ghi hoạt động điện của não. Ảnh minh họa: Chris Hope/Wikimedia Commons, CC BY 2.0; ảnh có thể được cắt khung.

Với bài toán phân biệt người khỏe mạnh và người mắc Parkinson, mô hình XGBoost kết hợp ICA-ICLabel đạt độ chính xác 99,71%. Khi bài toán được chia thành ba nhóm gồm người khỏe mạnh, bệnh nhân Parkinson đang dùng thuốc và bệnh nhân ở trạng thái không dùng thuốc, độ chính xác được báo cáo là 91,35%.

Nhưng một con số rất cao chưa giải quyết được câu hỏi thường gặp đối với AI y tế: máy đã dựa vào đâu để quyết định?

Một công trình tiếp theo của ba tác giả tại RIVF 2025 bổ sung lớp AI giải thích được. Nhóm sử dụng SHAP với TreeExplainer để lượng hóa mức đóng góp của từng đặc trưng vào dự đoán của XGBoost. Nói đơn giản, mô hình không chỉ trả về nhãn “Parkinson” hay “đối chứng”, mà còn có thể chỉ ra nhóm đặc trưng nào đã đẩy quyết định theo hướng đó.

Nghiên cứu này còn áp dụng đánh giá theo chủ thể và khai thác đồng thời các đặc trưng thống kê, entropy và kích thước fractal của từng dải tần EEG. Kết quả công bố là 97,71% độ chính xác với bài toán hai lớp và 97,82% với bài toán ba lớp. Các giá trị 99,71% và 97,71% không nên đặt cạnh nhau để kết luận mô hình “tốt lên” hay “kém đi”, bởi chúng đến từ hai cách đánh giá khác nhau.

99,71% chưa phải tấm vé vào bệnh viện

Đọc đúng con số 99,71%

Mức 99,71% được báo cáo trong bài trên IEEJ Transactions on Electrical and Electronic Engineering cho bài toán phân biệt 28 người Parkinson với 28 người khỏe mạnh trong một bộ dữ liệu EEG công khai. Với ba nhóm khỏe mạnh - Parkinson dùng thuốc - Parkinson không dùng thuốc, độ chính xác là 91,35%. Một nghiên cứu sau đó sử dụng kiểm định theo chủ thể và AI giải thích được báo cáo độ chính xác 97,71% cho hai lớp và 97,82% cho ba lớp. Đây là những phép đánh giá với thiết kế khác nhau nên không thể dùng để so sánh trực tiếp mức tiến bộ. Quan trọng hơn, bộ dữ liệu vẫn nhỏ và không phải quần thể bệnh nhân Việt Nam. Muốn đánh giá giá trị lâm sàng cần thêm dữ liệu độc lập, đa dạng và thử nghiệm trên người bệnh thực tế.

Nguồn: IEEJ Transactions on Electrical and Electronic Engineering; RIVF 2025; ĐHQG-HCM.

Điểm cần giữ tỉnh táo là cả chuỗi nghiên cứu vẫn dựa trên một bộ dữ liệu công khai có quy mô 56 người. Một mô hình đạt gần 100% trong điều kiện thử nghiệm chưa đồng nghĩa với khả năng chẩn đoán chính xác tương tự khi gặp bệnh nhân ngoài đời thực, nơi tuổi tác, bệnh đi kèm, thiết bị đo, thuốc đang sử dụng và quy trình thu EEG có thể khác đáng kể.

Đây cũng là ranh giới cần làm rõ khi viết về AI y tế. Phụ Nữ Mới từng đề cập ứng dụng trí tuệ nhân tạo trong đánh giá điện não đồ, nhưng giá trị của AI vẫn nằm ở khả năng hỗ trợ chuyên môn chứ không phải tự động thay thế kết luận của bác sĩ.

Một bài gần đây về AI hỗ trợ sàng lọc nhưng không thay thế chẩn đoán cũng cho thấy sự khác biệt giữa kết quả thuật toán và công cụ lâm sàng: ngay cả mô hình được thử nghiệm trên hàng chục nghìn bệnh nhân vẫn cần xác định rõ chức năng hỗ trợ, phạm vi sử dụng và những trường hợp có thể bỏ sót.

Với nghiên cứu của Nguyễn Thị Như Quỳnh, bước bổ sung SHAP có ý nghĩa vì khả năng giải thích là một trong những yêu cầu ngày càng quan trọng khi AI đi vào lĩnh vực sức khỏe. Tuy nhiên, minh bạch hơn về quyết định của thuật toán không tự động giải quyết vấn đề thiếu dữ liệu đại diện. Những yêu cầu về bằng chứng, độ tin cậy và quản trị rủi ro cũng đang được đặt ra với các hướng đưa AI vào dược lâm sàng

Bài toán tiếp theo là dữ liệu lâm sàng Việt Nam

Đến thời điểm hiện tại, các nguồn công khai được kiểm tra chưa cho thấy mô hình của nhóm đã được đánh giá tiến cứu trên một quần thể bệnh nhân Parkinson Việt Nam, được triển khai thường quy tại bệnh viện hay trở thành thiết bị chẩn đoán được cấp phép. Chính hạn chế về dữ liệu bệnh nhân thực tế đã được nêu từ giai đoạn nghiên cứu ban đầu.

Bởi vậy, chặng tiếp theo có giá trị hơn việc tiếp tục đẩy độ chính xác thêm vài phần trăm là kiểm định trên dữ liệu độc lập. Một tập dữ liệu đủ lớn từ người bệnh tại Việt Nam, được thu thập theo quy trình đạo đức nghiên cứu rõ ràng, sẽ giúp kiểm tra liệu những đặc trưng EEG mà mô hình đang dựa vào có còn ổn định giữa nhiều nhóm tuổi, thiết bị, bệnh viện và trạng thái điều trị hay không.

Nếu vượt qua được bước này, máy học mới có cơ sở tiến gần hơn tới vai trò công cụ hỗ trợ bác sĩ đọc một lượng dữ liệu điện não lớn và phát hiện những mẫu khó nhận thấy bằng quan sát thông thường. Còn ở giai đoạn hiện nay, giá trị có thể kiểm chứng của công trình Nguyễn Thị Như Quỳnh và cộng sự trước hết nằm ở việc làm cho quy trình phân loại EEG chặt chẽ và dễ giải thích hơn, chứ chưa phải ở một lời hứa thay thế phương pháp chẩn đoán lâm sàng.

Việc đề tài DS.C2025-18-04 được ĐHQG-HCM xếp lịch báo cáo nghiệm thu dự kiến trong tháng 9/2026 là một mốc mới của quá trình ấy. Nhưng cho tới khi có quyết định nghiệm thu được công bố, cách gọi chính xác vẫn phải là đề tài đang ở giai đoạn chuẩn bị đánh giá, thay vì một công trình đã được nghiệm thu.