MedCapSys gồm bốn mô-đun chính:

• MedCapNet: mã hóa – giải mã ảnh MRI và tự động tạo chú thích.

• GuidedDCNet: phân loại tổn thương dựa trên khuếch tán, hỗ trợ phát hiện bất thường như u não.

• GuidedSegDiff: phân đoạn tổn thương để xác định vị trí, kích thước và số lượng.

• BrainMedQwen: mô hình ngôn ngữ thị giác tổng hợp kết quả và tạo báo cáo chẩn đoán chi tiết.

Hệ thống vẫn đang trong giai đoạn nghiên cứu và chưa triển khai thực tế. Trong đó, một số mô-đun như GuidedDCNet đang được phản biện tại Tạp chí quốc tế ETRI (Q2, Scopus).

Theo Minh Nhật, phân tích ảnh MRI não là thách thức lớn trong y học vì đòi hỏi độ chính xác cao và tuân thủ quy chuẩn chuyên môn. Để khắc phục hạn chế “ảo giác AI” – khi mô hình tự tạo ra thông tin không có thật – MedCapSys được thiết kế theo hướng “AI có hướng dẫn”: cung cấp thêm thông tin về góc chụp, chuỗi xung và vị trí nghi ngờ tổn thương để hệ thống hiểu rõ ngữ cảnh và tăng độ chính xác phân tích.

Quy trình xử lý bắt đầu từ việc tiếp nhận ảnh MRI (2D hoặc 3D), qua bước tiền xử lý, phân loại, tạo chú thích và phân đoạn tổn thương, trước khi tổng hợp thành báo cáo cuối cùng. Nhờ kiến trúc mô-đun, MedCapSys có thể nâng cấp từng phần độc lập, đảm bảo hiệu quả và khả năng mở rộng lâu dài.

Dữ liệu huấn luyện được lấy từ nhiều nguồn uy tín như Radiology Objects in Context, BraTS 2020, Figshare, SARTAJ, Br35H, kết hợp công cụ gắn nhãn tự động như Segment Anything Model 2 của Meta, cùng các bước tinh chỉnh thủ công để đảm bảo chất lượng.

TS Nguyễn Văn Hiệu, Trưởng bộ môn Công nghệ phần mềm, đánh giá hệ thống MedCapSys có hướng tiếp cận độc đáo, khác biệt so với các dự án như Med-Gemini của Google khi tập trung sâu vào ảnh y tế và tích hợp báo cáo tự động – một khía cạnh chưa được khai thác toàn diện.

“Chúng tôi kỳ vọng công trình này sẽ góp phần cải thiện hiệu quả chẩn đoán ảnh não trong thực hành lâm sàng, đồng thời mở ra hướng ứng dụng mới cho AI trong y học,” TS Hiệu nhấn mạnh.