TS Phạm Thị Thu Thúy trình bày chuyên đề về năng lực số và sáng tạo nội dung bằng AI tại một hoạt động dành cho giáo viên, học sinh ở Khánh Hòa. Ảnh: Trường Đại học Nha Trang.

Một mô hình trí tuệ nhân tạo có thể đưa ra dự đoán đúng với tỷ lệ cao nhưng vẫn khiến người sử dụng lúng túng trước câu hỏi đơn giản: vì sao máy lại đi đến kết quả đó? Trong y tế, khoảng trống này quan trọng hơn nhiều lĩnh vực khác, bởi một con số dự báo khó có thể thay thế cho chuỗi lập luận mà bác sĩ cần xem xét, đối chiếu và chịu trách nhiệm.

Một nghiên cứu công bố trên tạp chí Knowledge-Based Systems ngày 23/5/2026 đi thẳng vào bài toán ấy. Công trình đề xuất CREOG, viết tắt của Causal Reasoning over Ontology-Enriched Graphs, một khung kết hợp bản thể học y sinh, các thuật toán khám phá quan hệ nhân quả và đồ thị tri thức nhằm tạo ra những liên kết có thể giải thích và truy vết. Bài báo có hai tác giả; TS Phạm Thị Thu Thúy đứng tên đầu.

Hồ sơ chuyên gia của Trường Đại học Nha Trang xác nhận bà có học vị tiến sĩ, chuyên ngành Kỹ thuật máy tính, chức danh nghề nghiệp giảng viên chính và hiện là Trưởng khoa Công nghệ Thông tin. Hồ sơ này cũng liệt kê công trình CREOG cùng nhiều nghiên cứu năm 2026 liên quan tới ontology, học máy và ứng dụng dữ liệu trong y sinh.

Thay một dự đoán bằng một chuỗi quan hệ có thể đọc

“Ontology” trong nghiên cứu có thể hiểu đơn giản là cách tổ chức các khái niệm của một lĩnh vực cùng quan hệ giữa chúng theo cấu trúc để máy có thể xử lý. Trong y sinh, thay vì chỉ lưu những biến rời rạc, hệ thống có thể biểu diễn các khái niệm như béo phì, lối sống ít vận động, đường huyết hay đái tháo đường và mối liên hệ giữa chúng.

CREOG thêm một lớp nữa: tìm và chấm trọng số cho các quan hệ có khả năng mang ý nghĩa nhân quả. Nhóm nghiên cứu kết hợp khai phá luật kết hợp Apriori với nhiều thuật toán khám phá nhân quả như PC, NOTEARS, FCI và GES/GIES, sau đó đưa các quan hệ vào đồ thị dưới dạng những bộ ba có trọng số và phần diễn giải đi kèm.

Cách làm này nhắm tới một điểm yếu phổ biến của mô hình “hộp đen”. Nếu hệ thống chỉ trả về một nguy cơ bệnh cao hay thấp, người sử dụng biết kết quả nhưng chưa nhìn được đường đi của phép suy luận. Với đồ thị đã được gắn quan hệ, trọng số và thông tin nguồn gốc, nhà nghiên cứu có thêm khả năng kiểm tra mô hình đang nối những yếu tố nào với nhau trước khi tạo ra dự đoán.

TS. Phạm Thị Thu Thúy – Trưởng khoa Công nghệ Thông tin

Nhóm trước hết xây dựng một đồ thị tri thức nhân quả nhỏ về đái tháo đường gồm 82 khái niệm y sinh và 67 liên kết nhân quả hoặc liên kết thống kê. Sau đó, cấu trúc được mở rộng bằng cách neo vào hệ thuật ngữ SNOMED CT, tạo đồ thị có 21.542 thực thể cùng 107.710 cạnh nhân quả hoặc liên kết.

Quy mô này có ý nghĩa vì một phương pháp hoạt động tốt trên vài chục nút chưa chắc giữ được hiệu quả khi phải xử lý hàng chục nghìn thực thể. Bài báo vì thế không dừng ở mô hình minh họa nhỏ mà kiểm tra CREOG trên phiên bản đồ thị lớn hơn, đồng thời thử khả năng chuyển sang một miền bệnh khác bằng ontology về ung thư vú.

Câu chuyện về khả năng giải thích càng đáng quan tâm khi AI bắt đầu được đưa vào những quy trình tầm soát ung thư vú có liên quan trực tiếp đến quyết định của bác sĩ. Một kế hoạch tại New Zealand dự kiến dùng AI hỗ trợ đọc ảnh tuyến vú từ năm 2027 nhưng vẫn phải qua giai đoạn lựa chọn, thử nghiệm và xác thực, trong khi quyết định chẩn đoán cuối cùng thuộc về chuyên gia y tế. Đó cũng là ranh giới cần giữ khi đọc các nghiên cứu AI y tế ở giai đoạn phương pháp.

Mô hình mới thắng các đối chứng nhưng chưa phải công cụ chẩn đoán

Để dự đoán các liên kết trong đồ thị, nhóm xây dựng mô hình CausE-S, sử dụng cả trọng số của cạnh và độ tương đồng cấu trúc. Trong các thử nghiệm được công bố, CausE-S đạt kết quả cao hơn những mô hình embedding truyền thống mà nhóm dùng để đối chứng như TransE, ComplEx, GraIL và R-GCN trên các chỉ số MRR, Hits@K, Precision, Recall và F1.

Nhóm cũng so sánh kết quả khám phá nhân quả với các thuật toán FCI và GES/GIES. CREOG phục hồi được một phần lớn các cạnh nhân quả mà các phương pháp đối chứng tìm thấy, đồng thời đề xuất thêm những quan hệ được bài báo mô tả là “có tính hợp lý lâm sàng”. Cụm từ này cần được hiểu đúng: hợp lý về mặt chuyên môn để tiếp tục xem xét không đồng nghĩa quan hệ đó đã được xác nhận qua thử nghiệm lâm sàng trên bệnh nhân.

Đây cũng là giới hạn quan trọng nhất của công trình. CREOG là một nghiên cứu về phương pháp tính toán, được kiểm tra trên các bộ dữ liệu và đồ thị y sinh; bài báo không báo cáo một thử nghiệm lâm sàng tiền cứu, không chứng minh hệ thống đã được triển khai tại bệnh viện và không cho phép dùng các liên kết do mô hình đề xuất như kết luận y khoa độc lập.

Sự phân biệt này càng cần thiết khi AI được kỳ vọng tham gia ngày càng sâu vào nghiên cứu, chẩn đoán và vận hành chăm sóc sức khỏe. Khả năng dự báo tốt là một lớp tiêu chí; khả năng giải thích, kiểm tra sai lệch, bảo vệ dữ liệu và xác định rõ trách nhiệm của con người là những lớp khác trước khi một hệ thống đi vào sử dụng thực tế.

Vai trò của TS Phạm Thị Thu Thúy không chỉ suy từ thứ tự tên

Việc một nhà khoa học đứng tên đầu bài báo chưa đủ để kết luận người đó thực hiện toàn bộ công trình. Với nghiên cứu này, tuyên bố đóng góp CRediT cung cấp thêm căn cứ: TS Phạm Thị Thu Thúy được ghi nhận ở các phần hình thành ý tưởng, phương pháp, phần mềm, quản trị dữ liệu, phân tích, điều tra, nguồn lực, quản trị dự án, giám sát và viết bản thảo gốc. Đồng tác giả đảm nhiệm hoặc cùng tham gia các phần kiểm chứng, trực quan hóa, rà soát – biên tập, nguồn lực, điều tra và hình thành ý tưởng.

Như vậy, có cơ sở để xác định bà giữ vai trò trung tâm trong quá trình xây dựng phương pháp, nhưng kết quả vẫn là sản phẩm hợp tác nghiên cứu chứ không phải thành quả riêng của một cá nhân. Bài báo cho biết nghiên cứu nhận kinh phí từ Trường Đại học Nha Trang theo mã nhiệm vụ TR2025-13-48.

Hướng nghiên cứu này cũng không xuất hiện đơn lẻ. Một công bố khác của TS Phạm Thị Thu Thúy, xuất bản ngày 9/4/2026, xây dựng quy trình học máy tăng cường bằng ontology cho dự đoán ung thư vú. Dữ liệu được chuyển thành các bộ ba RDF, tổ chức trong ontology chuyên biệt rồi kết hợp đặc trưng ngữ nghĩa, embedding đồ thị tri thức và các luật SPARQL với mô hình học máy.

Nghiên cứu ung thư vú được thử trên bốn bộ dữ liệu chuẩn. Với bộ WDBC, mô hình tổng hợp đạt ROC-AUC 0,996 ± 0,006 trong thiết kế đánh giá phân tầng mà nhóm sử dụng. Bản thân bài báo chỉ mô tả hướng tiếp cận có tiềm năng tích hợp vào hệ thống hỗ trợ quyết định lâm sàng; con số này vì vậy không nên được chuyển thành tuyên bố rằng mô hình “chẩn đoán ung thư chính xác 99,6%” trong bệnh viện.

TS Phạm Thị Thu Thúy trong hoạt động chia sẻ kiến thức về AI và trao phần thưởng cho học sinh có sản phẩm nổi bật. Chú thích và danh tính ảnh theo nguồn chính thức của Trường Đại học Nha Trang. Ảnh: NTU.

Ở Việt Nam, câu chuyện kết hợp AI với y học chính xác đang được đặt ra cùng yêu cầu nâng chất lượng dữ liệu và năng lực phân tích. Các nghiên cứu như CREOG bổ sung một vấn đề khác vào cuộc thảo luận: khi thuật toán tham gia vào lĩnh vực có hệ quả cao, chất lượng của câu trả lời cần được đặt cạnh khả năng lý giải câu trả lời đó.

Phần khó hơn nằm sau những chỉ số đẹp

CREOG đã tạo được một kiến trúc tương đối rõ: chuẩn hóa kiến thức y sinh bằng ontology, tìm các quan hệ từ dữ liệu, đưa chúng vào đồ thị có trọng số rồi huấn luyện mô hình để dự đoán những liên kết mới. Việc công bố mã nguồn và các script tái tạo thí nghiệm cũng tạo điều kiện để cộng đồng kỹ thuật kiểm tra, lặp lại hoặc mở rộng kết quả.

Nhưng để đi từ một mô hình nghiên cứu tới công cụ có thể dùng trong y tế còn một khoảng cách lớn. Quan hệ do thuật toán phát hiện cần được kiểm chứng bằng tri thức chuyên khoa và dữ liệu độc lập; hiệu năng phải được đánh giá trên quần thể phù hợp; sai lệch dữ liệu, khả năng tổng quát hóa, quyền riêng tư và trách nhiệm khi hệ thống sai đều cần được xử lý.

Điểm đáng chú ý trong hướng nghiên cứu của TS Phạm Thị Thu Thúy vì thế không nằm ở việc tuyên bố AI có thể thay bác sĩ. Bài toán bà cùng cộng sự theo đuổi khó hơn ở một khía cạnh khác: làm sao để máy không chỉ đưa ra kết quả, mà còn để lại đủ dấu vết cho con người nhìn vào, chất vấn và kiểm tra đường suy luận trước khi tin vào nó.

CREOG làm gì với dữ liệu?

Chuẩn hóa các khái niệm y sinh và quan hệ giữa chúng bằng ontology.

- Kết hợp nhiều phương pháp để phát hiện những quan hệ nhân quả hoặc liên kết tiềm năng từ dữ liệu.

- Đưa các quan hệ vào đồ thị tri thức với trọng số, độ tin cậy và thông tin giải thích.

- Dùng CausE-S để dự đoán các liên kết mới, đồng thời giữ cấu trúc giúp truy vết lý do mô hình đưa ra dự đoán.

Lưu ý: đây là khung nghiên cứu tính toán. Các quan hệ được mô hình đề xuất không tự động trở thành bằng chứng nhân quả lâm sàng.