Sự phát triển mạnh mẽ của các mô hình học sâu đã giúp giải quyết nhiều vấn đề trong thực tiễn trong đó có hỗ trợ chẩn đoán bệnh dựa vào hình ảnh. Mặc dù đã đạt được nhiều tiến bộ, nhưng việc giải thích quyết định của các mô hình học sâu vẫn còn là một thách thức lớn. Trong một số trường hợp, mô hình học sâu sử dụng thông tin nằm ngoài vùng cần chẩn đoán. Bài báo này đề xuất một giải pháp thông qua việc trực quan hóa trong chẩn đoán bệnh lao từ ảnh X-quang lồng ngực để làm nổi bật các vùng trong ảnh mà mô hình học sâu sử dụng, để phát hiện sự không ăn khớp của các ảnh trong tập dữ liệu huấn luyện. Nhờ đó có thể chuẩn hóa dữ liệu và áp dụng các kỹ thuật nâng cao độ chính xác của mô hình. Đề xuất đã được cài đặt thử nghiệm và tỏ ra hiệu quả với mô hình học sâu cho ảnh chụp X-quang lồng ngực, hỗ trợ chẩn đoán bệnh lao. Không chỉ cải thiện khả năng tin cậy, mà còn tăng độ chính xác của mô hình bằng cách điều chỉnh và chuẩn hóa dữ liệu huấn luyện theo những phát hiện thực tế từ quá trình trực quan hóa.The robust development of deep learning models has solved many practical problems, including supporting disease diagnosis through images. Although much progress has been achieved, explaining the decisions made by deep learning models remains a significant challenge. In some cases, these models use information outside the diagnostic area. This paper proposes a solution through visualization in diagnosing tuberculosis from chest X-ray images. It highlights the regions within the images that the deep learning model utilizes, aiming to detect discrepancies within the training dataset images. This enables data normalization and the application of techniques to improve the model's accuracy. The proposal has been implemented in trials and has shown effectiveness with deep learning models for chest X-ray images, aiding in the diagnosis of tuberculosis. It not only improves the reliability but also increases the accuracy of the model by adjusting and normalizing the training data based on real findings from the visualization process.