Phát triển hệ thống quản lý cấp phát thuốc cho bệnh nhân dựa trên các mô hình Vision transformer và Federated learning

Developing a drug distribution management system for patients using vision transformer and federated learning models

Trong nhiều cơ sở y tế, việc cung cấp thuốc thủ công vẫn được thực hiện bởi các nhân viên y tế như y tá, điều dưỡng hoặc bác sĩ. Quá trình này có thể tốn nhiều thời gian và có nguy cơ cao gây ra sai sót khi họ bận rộn hoặc mệt mỏi. Tôi đưa ra một giải pháp cho các vấn đề đã nêu bằng cách xây dựng một hệ thống hỗ trợ phân phối thuốc tại bệnh viện, dựa trên việc áp dụng ViT để xác định thông tin của bệnh nhân qua khuôn mặt và quản lý dữ liệu về thuốc và bệnh tình được lưu giữ trên các dịch vụ đám mây, cùng với việc sử dụng FL để đảm bảo an toàn cho thông tin cá nhân của bệnh nhân.

Xem toàn văn báo cáo tại:

Tổng quan

Trong nhiều bệnh viện, việc phân phát thuốc thủ công có thể gây ra sai sót do nhân viên bận rộn hoặc mệt mỏi. Để giải quyết vấn đề này, việc áp dụng trí tuệ nhân tạo Artificial Intelligence (AI) trong lĩnh vực y tế đang trở thành xu hướng không thể thiếu. AI có thể hỗ trợ bệnh viện phân phát thuốc nhanh chóng và chính xác, giúp cải thiện hiệu quả và giảm thiểu sai sót.

Để giải quyết các thách thức trong việc quản lý thông tin y tế và phân phối thuốc, nhóm nghiên cứu đã đề xuất một hệ thống hỗ trợ bệnh viện tiên tiến. Hệ thống này sử dụng Vision Transformer (ViT) để nhận diện khuôn mặt bệnh nhân một cách chính xác và mô hình học phân tán Federated Learning (FL) để quản lý thông tin thuốc và bệnh lý một cách bảo mật.

Việc sử dụng mô hình ViT trong hệ thống giúp nhận diện khuôn mặt bệnh nhân nhanh chóng và chính xác, từ đó hỗ trợ việc phân phối thuốc một cách hiệu quả. Bên cạnh đó FL cũng giúp bảo vệ thông tin cá nhân của bệnh nhân, vì dữ liệu không bao giờ rời khỏi thiết bị của họ và chỉ các thông tin mô hình mới được chia sẻ.

Kết hợp hai công nghệ này, hệ thống đề xuất không chỉ cải thiện quy trình phân phối thuốc mà còn đảm bảo an toàn thông tin bệnh nhân. Thông tin thuốc và bệnh lý được lưu trữ an toàn trên cloud, và việc sử dụng FL giúp bảo mật thông tin bệnh nhân, mang lại sự yên tâm cho cả bệnh nhân và nhân viên y tế. Hệ thống này mở ra hướng tiếp cận mới trong việc quản lý thông tin y tế, đặc biệt quan trọng trong thời
đại số hóa ngày nay.

Mục tiêu và phạm vi nghiên cứu

Mục tiêu của nghiên cứu này là xây dựng và phát triển một hệ thống phân phát thuốc chính xác và bảo mật trong môi trường bệnh viện. Mục tiêu cụ thể của nghiên cứu bao gồm:

  1. Thiết kế kiến trúc hệ thống tổng quát.
  2. Huấn luyện mô hình ViT cho nhận diện khuôn mặt bệnh nhân.
  3. Triển khai dịch vụ cloud để quản lý thông tin thuốc và bệnh lý của bệnh nhân.
  4. Áp dụng FL để cập nhật mô hình ViT trên các thiết bị đầu cuối.
  5. Đánh giá hiệu năng của hệ thống và đề xuất cải tiến.

Phạm vi nghiên cứu sẽ tập trung vào việc đánh giá sự hiệu quả của hệ thống phân phát thuốc và ứng dụng trong việc dự đoán và quản lý bệnh nhân cũng như thông tin bệnh án, đảm bảo tính bảo mật và toàn vẹn của dữ liệu bệnh nhân.

Nội dung đề tài

Kiến trúc học liên kết được sử dụng để huấn luyện mô hình học máy phân tán và bảo vệ dữ liệu người dùng. Mô hình ViT được sử dụng để tối ưu hóa hiệu suất dự đoán, cùng với các lớp cung cấp giao diện người dùng và trao đổi thông tin thông qua API Server, máy khách liên kết và quyền truy cập dữ liệu cục bộ. Firebase được sử dụng để quản lý và lưu trữ dữ liệu liên quan. Máy chủ liên kết tổng hợp các mô hình cục bộ từ các máy khách được liên kết để cập nhật mô hình toàn cầu. Kiến trúc này nhấn mạnh đến công nghệ tiên tiến và bảo mật dữ liệu đồng thời tối ưu hóa tài nguyên máy tính của thiết bị người dùng để liên tục cải thiện hiệu suất của mô hình và đảm bảo an toàn thông tin y tế.

image 30
Hình 3.1. Kiến trúc hệ thống hoạt động

Kiến trúc của hệ thống học máy phân tán của nhóm bao gồm một số thành phần chính, bao gồm các module máy chủ và client. Mỗi thành phần đóng vai trò quan trọng trong việc đảm bảo quá trình huấn luyện và triển khai mô hình hiệu quả, an toàn và bảo vệ sự riêng tư.

Nguyên lý hoạt động việc nhận diện bệnh nhân và đưa ra đơn thuốc tương ứng được minh họa trong hình

image 31
Hình 3.8. Flowchart nhận diện bệnh nhân và đưa ra đơn thuốc
  • Thu thập dữ liệu: Quy trình nhận diện bệnh nhân bắt đầu khi bệnh nhân chạm vào màn hình thiết bị. Hành động này kích hoạt camera trên thiết bị để chụp ảnh khuôn mặt của bệnh nhân. Hình ảnh này là dữ liệu đầu vào cho quá trình xử lý nhận diện khuôn mặt. Việc chụp ảnh được thực hiện nhanh chóng và chính xác nhằm đảm bảo thu thập được dữ liệu rõ nét và đầy đủ.
  • Hiển thị thông tin và phân phát thuốc: Sau khi xác minh danh tính, ứng dụng sẽ hiển thị thông tin bệnh nhân lên màn hình để bệnh nhân có thể xem. Hệ thống cũng sẽ trích xuất và hiển thị thông tin về thuốc từ ứng dụng, bao gồm loại thuốc, liều lượng và thời gian sử dụng.
  • Xử lý ảnh và nhận diện khuôn mặt: Ảnh chụp sau khi thu thập sẽ được gửi tới API endpoint trên máy chủ để tiến hành xử lý. Tại đây, máy chủ sử dụng mô hình ViT toàn cục được lưu lại sau khi huấn luyện để nhận diện các đặc điểm khuôn mặt và dự đoán ID của bệnh nhân. Sau khi quá trình xử lý hoàn tất, kết quả dự đoán là ID của bệnh nhân sẽ được gửi ngược lại thiết bị của bệnh nhân.
  • Xác minh danh tính và truy xuất thông tin: Ứng dụng trên thiết bị sẽ nhận ID dự đoán từ máy chủ và kiểm tra tính hợp lệ của ID này trong cơ sở dữ liệu. Các bước cụ thể bao gồm: Kiểm tra ID: Ứng dụng sẽ so sánh ID nhận được với các ID đã được lưu trữ trong cơ sở dữ liệu. Xác minh: Nếu ID không hợp lệ, ứng dụng sẽ hiển thị thông báo “ID không hợp lệ”. Nếu ID hợp lệ, hệ thống sẽ truy xuất các thông tin liên quan đến bệnh nhân từ cơ sở dữ liệu dựa trên ID này.

Kết luận

Sau khi thực hiện khóa luận tốt nghiệp với đề tài “PHÁT TRIỂN HỆ THỐNG QUẢN LÝ CẤP PHÁT THUỐC CHO BỆNH NHÂN DỰA TRÊN CÁC MÔ HÌNH VISION TRANSFORMER VÀ FEDERATED LEARNING”, tôi đạt được một số kết quả sau:

  • Thực hiện được việc fine-tunning mô hình Vision Transformer với bộ dữ liệu LFW và thu được mô hình với hiệu suất khá tốt trên tập dữ liệu kiểm tra, với độ chính xác cao.
  • Thực hiện được việc xây dựng ứng dụng đầu cuối nhận diện được bệnh nhân và tương tác giữa Client và Server hiệu quả và nhanh chóng.
  • Thực hiện được việc xây dựng môi trường Federated Learing bảo mật và an toàn.