# 3️⃣ Giải thích mô hình trong case Diabetes (XAI)

Nếu **7.2** trả lời *“mô hình nào dự đoán tốt hơn”*\
thì **7.3** trả lời câu hỏi **quan trọng hơn trong y sinh**:

> ❓ *Mô hình đang dựa vào yếu tố nào để đưa ra dự đoán đó?*

Đây là nơi **Explainable AI (XAI)** thực sự phát huy giá trị.

***

### 1. Vì sao Case Diabetes **bắt buộc phải có XAI**?

Trong bài toán dự đoán tiểu đường:

* Kết quả **không chỉ để xem**
* Mà để:
  * Hỗ trợ bác sĩ
  * Tham khảo quyết định lâm sàng
  * Phục vụ nghiên cứu

👉 Câu hỏi luôn xuất hiện:

> *“Mô hình dựa vào chỉ số nào?”*

Nếu không trả lời được:

* Mô hình **không đáng tin**
* Kết quả **không có giá trị y sinh**

***

### 2. Mục tiêu của XAI trong case này

XAI trong Case Diabetes nhằm:

* **Giải thích từng dự đoán cụ thể** (local)
* **Hiểu hành vi tổng thể của mô hình** (global)
* **Đối chiếu với kiến thức y khoa**

👉 Không phải để “trang trí”, mà để **kiểm chứng mô hình**.

***

### 3. Global Explanation – Mô hình coi trọng yếu tố nào?

#### Câu hỏi global XAI trả lời:

> *Nhìn chung, mô hình đang học dựa trên những chỉ số nào?*

Ví dụ:

* HbA1c
* Glucose
* BMI
* Tuổi

#### Ý nghĩa y sinh

* Nếu các yếu tố này:
  * Phù hợp với kiến thức y khoa → mô hình **học đúng**
* Nếu xuất hiện yếu tố bất thường:
  * Có thể mô hình **học nhiễu**

👉 Global XAI giúp:

* Đánh giá **độ tin cậy tổng thể**
* Phát hiện **bias dữ liệu**

***

### 4. Local Explanation – Vì sao bệnh nhân A nguy cơ cao?

#### Câu hỏi local XAI trả lời:

> *Vì sao **bệnh nhân này** được dự đoán nguy cơ cao?*

Ví dụ minh họa:

* HbA1c cao → tăng nguy cơ
* Glucose cao → tăng nguy cơ
* BMI cao → tăng nguy cơ
* Tuổi → ảnh hưởng mức trung bình

👉 Local XAI cho phép:

* Giải thích **từng ca**
* Hỗ trợ trao đổi bác sĩ – bệnh nhân

***

### 5. So sánh XAI cho ML và DL

#### Với mô hình ML (ví dụ Logistic Regression)

* Trọng số:
  * Trực tiếp phản ánh mức ảnh hưởng
* Dễ giải thích
* Ít cần kỹ thuật XAI bổ sung

***

#### Với mô hình Deep Learning (MLP)

* Trọng số:
  * Không thể đọc trực tiếp
* Cần XAI để:
  * Quy đổi hành vi phức tạp
  * Về mức con người hiểu được

👉 Đây là lý do **DL luôn đi kèm XAI trong y sinh**.

***

### 6. XAI giúp phát hiện vấn đề gì?

XAI không chỉ để giải thích, mà còn để:

* Phát hiện:
  * Mô hình học nhầm (ví dụ: coi tuổi là yếu tố áp đảo)
* Phát hiện:
  * Overfitting ngầm
* Phát hiện:
  * Dữ liệu lệch (bias)

👉 XAI = **công cụ kiểm tra chất lượng mô hình**

***

### 7. Giá trị học thuật của 7.3

Trong báo cáo / luận văn:

* Kết quả dự đoán → **Results**
* Phân tích XAI → **Discussion**

7.3 giúp bạn:

* Nâng case study từ “demo kỹ thuật”
* Thành **nghiên cứu có ý nghĩa y sinh**

👉 Đây là điểm **rất được hội đồng đánh giá cao**.

***

### 8. Tóm tắt chốt 7.3

> **XAI giúp biến mô hình dự đoán tiểu đường từ “máy cho kết quả” thành “công cụ có thể hiểu và kiểm chứng”.**

Câu nhớ nhanh:

```
ML/DL cho dự đoán.
XAI cho lý do.
Y sinh cần cả hai.
```


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://deeplearningcoban.gitbook.io/deeplearningcoban.com/case-study-ung-dung-thuc-te/giai-thich-mo-hinh-trong-case-diabetes-xai.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.