ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← ML cơ bản

AI Foundation

k-NN trong kiểm tra triệu chứng

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

App chatbot hỏi bạn vài triệu chứng → so với hàng ngàn ca bệnh cũ → gợi ý bệnh gần nhất. Cốt lõi chính là k-NN.

lesson46 minML cơ bảnAI Foundation

Giới thiệu

Nửa đêm, bạn đau đầu kèm sốt nhẹ. Thay vì gõ Google rồi tự doạ mình với kết quả u não, bạn mở app kiểm tra triệu chứng như Buoy Health. Chatbot hỏi vài câu: “Bạn có sốt không?”, “Bạn có ho không?”. Sau 30 giây, app gợi ý: nhiều khả năng là cảm cúm thường, nghỉ ngơi và uống nước; đến bác sĩ nếu triệu chứng kéo dài quá 3 ngày.

Đằng sau phần “gợi ý” đó chính là k-NN. App biến bộ triệu chứng của bạn thành một vector số, so với hàng ngàn ca bệnh đã được bác sĩ chẩn đoán, chọn các ca gần nhất và gợi ý bệnh phổ biến trong các ca đó.

Hàng trăm triệu lượt tìm kiếm triệu chứng bệnh trên internet mỗi tháng — riêng WebMD có hơn 95 triệu lượt truy cập/tháng. Nhưng tìm kiếm thông thường trả về kết quả gây hoang mang: một cơn đau đầu có thể là cảm, cũng có thể là u não. Người dùng cần một công cụ đưa ra gợi ý có trọng tâm, không phải danh sách mọi bệnh có thể.

Vấn đề cốt lõi: từ một bộ triệu chứng (tất cả đều rời rạc có/không), chọn ra một vài bệnh khả năng cao nhất và phân loại mức độ khẩn cấp (triage). Phải đủ nhanh để trả lời trong 1–2 giây, đủ chính xác để không bỏ sót cấp cứu, và đủ đơn giản để cập nhật liên tục khi có ca mới.

Năm bước app làm với k-NN

1 / 5
  1. 1. Biến triệu chứng thành vector số

    Mỗi triệu chứng (sốt, ho, mệt mỏi, đau đầu...) là một chiều. Bệnh nhân trả lời có/không, hệ thống ghi lại 1 hoặc 0. Nếu theo dõi 200 triệu chứng, mỗi người là một vector 200 chiều. Với mức độ nghiêm trọng có thể dùng số liên tục (ví dụ “sốt 38.5°C” thay vì chỉ 0/1).

Thử nhập triệu chứng — xem k-NN chạy

Mỗi chấm trong không gian bệnh nhân là một ca cũ đã được bác sĩ chẩn đoán. Ca càng gần ca của bạn = triệu chứng càng trùng. Đường nối là k ca gần nhất đang được bỏ phiếu.

k lẻ để tránh hoà phiếu. Quá nhỏ → nhạy với nhiễu, quá lớn → bỏ qua bệnh hiếm.

Đi qua một ca cụ thể

Minh, 24 tuổi, mở app Buoy Health lúc 10 giờ đêm. Các triệu chứng: sốt, ho, mệt mỏi, đau cơ. Theo dõi từng bước app xử lý dữ liệu.

Ba bước với ca của Minh

1 / 3
  1. 1. 1 · Nhập triệu chứng

    App biến bộ triệu chứng này thành một **vector 8 chiều** — mỗi chiều là một triệu chứng, giá trị 1 (có) hoặc 0 (không).

Đằng sau 3 bước đó chính là k-NN. Không có “AI thần kỳ” — chỉ có đo khoảng cách và bỏ phiếu.

Điểm yếu của k-NN khi dữ liệu lớn

Tại sao app kiểm tra triệu chứng không nhanh khi database có hàng triệu ca?

Không có k-NN, app kiểm tra triệu chứng sẽ phải quay về hai cách cũ: (1) expert system — bác sĩ viết hàng ngàn luật “nếu có A và B thì có thể là C”, rất tốn công và khó cập nhật; hoặc (2) mô hình phức tạp (neural net) — chính xác hơn nhưng không giải thích được vì sao chọn chẩn đoán cụ thể, gây khó cho việc điều chỉnh và kiểm toán y khoa.

k-NN đơn giản đến mức dễ giải thích: “gợi ý cúm vì 4/5 ca có triệu chứng giống bạn nhất đều được chẩn đoán cúm”. Điều đó giúp bác sĩ kiểm tra nhanh, và giúp người dùng tin vào app. Khi có ca mới → chỉ cần thêm vào database, không cần huấn luyện lại. Sự đơn giản đó chính là lý do k-NN xuất hiện ở nền của nhiều công cụ triage — trước khi hệ thống được nâng cấp với embedding deep learning và approximate nearest neighbor để chạy được trên triệu ca.

Bài học từ app triệu chứng

  • App biến triệu chứng thành vector, rồi so khoảng cách Hamming/Euclid với mọi ca cũ — đó là k-NN.
  • k lẻ, thường 5–11, chọn bằng cross-validation. Quyết định triage có thêm lớp luật y khoa 'đèn đỏ'.
  • k-NN đơn giản, dễ giải thích — nhưng chậm khi N lớn. Giải pháp: KD-tree hoặc approximate NN (HNSW, FAISS).
  • App gợi ý ≠ chẩn đoán của bác sĩ. Chính xác top-3 ~51% — đủ để định hướng, không đủ để thay bác sĩ.

Muốn hiểu kỹ phần thuật toán đứng sau — k là gì, chọn k thế nào, các thước đo khoảng cách — xem bài lý thuyết: k láng giềng gần nhất (k-NN).

Continue the path

Lesson 47 of 106