Khoa Hệ thống thông tin

Chúc mừng sinh viên khoa Hệ thống Thông tin có bài báo được chấp nhận tại hội nghị quốc tế CLEF 2026 (Scopus)

23/09/2026 Nghiên cứu - Học thuật 431

CHÚC MỪNG NHÓM SINH VIÊN KHOA HTTT CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN ĐĂNG TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ CLEF 2026 (SCOPUS)

Hội nghị và các Phòng thí nghiệm thuộc Diễn đàn Đánh giá (CLEF) là hội nghị khoa học quốc tế uy tín quy tụ các nhà nghiên cứu, nhà phát triển và sinh viên quan tâm đến lĩnh vực đánh giá khả năng truy cập thông tin cũng như việc xây dựng cơ sở hạ tầng phục vụ công tác đánh giá.

Kỷ yếu hội nghị CLEF 2026 được xuất bản bởi CEUR-WS, có mã ISSN 1613-0073 và thuộc danh mục phân loại Scopus (Rank Q4). Hội nghị CLEF 2026 sẽ do Đại học Friedrich-Schiller Jena (Đức) đăng cai tổ chức từ ngày 21 đến ngày 24 tháng 9 năm 2026.

Thông tin hội nghị: https://clef2026.clef-initiative.eu

Tên bài báo: “UIT_Worker at ImageCLEFmedical 2026: DenseNet-121 Full-Fit Medical Concept Detection with Asymmetric Loss”

Sinh viên thực hiện:

  • Phạm Công Định – MSSV: 24520306 – Lớp HTTT2024.1

  • Tô Quốc Thái – MSSV: 24521598 – Lớp KHMT2024.4

  • Bùi Hiếu Nhân – MSSV: 24521226 – Lớp TMĐT2024.2

Giảng viên hướng dẫn: TS. Nguyễn Tất Bảo Thiện

Abstract: Bài báo này mô tả hệ thống được đề xuất cho bài toán Phát hiện Khái niệm Y học (Concept Detection) tại cuộc thi ImageCLEFmedical 2026 của nhóm UIT_Worker. Nhiệm vụ này định hình bài toán dưới dạng phân loại đa nhãn quy mô lớn trên 2.646 Định danh Khái niệm Duy nhất (Concept Unique Identifiers – CUIs) thuộc Hệ thống Ngôn ngữ Y khoa Hợp nhất (Unified Medical Language System – UMLS), sử dụng 116.604 ảnh gán nhãn trong tập phát triển.

Hệ thống hoàn chỉnh được xây dựng trên mạng xương sống DenseNet-121, được khởi tạo từ các trọng số ImageNet và được huấn luyện từ đầu đến cuối theo chiến lược khớp toàn bộ (full-fit) trên toàn bộ ảnh phát triển nhằm tối đa hóa khả năng tiếp xúc được với các khái niệm hiếm. Để giải quyết sự mất cân bằng phân bố nhãn đuôi dài (long-tail label distribution) nghiêm trọng, ta tối ưu hóa mô hình bằng Hàm mất mát Bất đối xứng (Asymmetric Loss – ASL) với với γ- = 4.0, γ+ = 1.0 và tham số cắt c = 0.05. Quá trình huấn luyện được thực hiện qua 6 chu kỳ sử dụng thuật toán AdamW, phương pháp điều chỉnh tốc độ học Cosine Annealing và kỹ thuật Độ chính xác Hỗn hợp Tự động (Automatic Mixed Precision – AMP) của PyTorch cùng với GradScaler, trong khi quá trình suy luận áp dụng ngưỡng quyết định cố định là 0,60.

Hệ thống đơn mô hình được nộp đã đạt điểm F1 chính thức cho chỉ số chính là 0,5725 và chỉ số phụ là 0,9533, xếp hạng 3 chung cuộc tại ImageCLEFmedical 2026 Concept Detection. Kết quả này nhận định rằng một mô hình DenseNet-121 khởi tạo từ ImageNet được tối ưu hóa cẩn thận kết hợp với phương pháp học nhận biết mất cân bằng (imbalance-aware learning) cung cấp một giải pháp hiệu quả và đáng tin cậy cho bài toán phát hiện khái niệm y học đuôi dài cực hạn.

Các bài đã đăng