Dự Đoán Mức Độ Tổn Thương Phổi Do COVID-19 Từ Hình Ảnh X-Quang

Chẩn đoán nhanh COVID-19 là yếu tố then chốt để kiểm soát dịch bệnh, giúp cách ly và điều trị bệnh nhân kịp thời, ngăn chặn sự lây lan trong cộng đồng. Việc sử dụng hình ảnh X-quang phổi trong chẩn đoán ban đầu giúp các bác sĩ có cái nhìn tổng quan về tình trạng tổn thương phổi của bệnh nhân, từ đó đưa ra quyết định điều trị phù hợp và nhanh chóng. Xét nghiệm RT-PCR vẫn là tiêu chuẩn vàng, nhưng X-quang phổi là công cụ hỗ trợ đắc lực khi nguồn lực hạn chế.

Các phương pháp chẩn đoán truyền thống như xét nghiệm RT-PCR và chụp CT có những hạn chế nhất định, bao gồm thời gian chờ đợi kết quả lâu, chi phí cao, và không phải lúc nào cũng có sẵn ở các cơ sở y tế tuyến dưới. Phân tích thủ công hình ảnh X-quang cũng tốn nhiều thời gian và phụ thuộc vào kinh nghiệm của bác sĩ. Những hạn chế này thúc đẩy việc nghiên cứu và phát triển các phương pháp chẩn đoán nhanh chóng, hiệu quả hơn, như sử dụng trí tuệ nhân tạo (AI) để phân tích hình ảnh X-quang phổi.

Trong bối cảnh đại dịch COVID-19, X-quang phổi đóng vai trò quan trọng trong việc sàng lọc, chẩn đoán, và theo dõi tình trạng tổn thương phổi của bệnh nhân. Mặc dù độ nhạy thấp hơn so với CT phổi, X-quang có ưu điểm là dễ tiếp cận, nhanh chóng, chi phí thấp, và ít gây phơi nhiễm phóng xạ cho bệnh nhân. X-quang phổi giúp các bác sĩ đánh giá mức độ nghiêm trọng của bệnh, phân loại bệnh nhân, và quyết định phương án điều trị phù hợp, đặc biệt trong điều kiện nguồn lực hạn chế.

Nhiều nghiên cứu về COVID-19 tập trung vào việc phát hiện bệnh, nhưng ít chú trọng đến việc đánh giá mức độ nghiêm trọng của bệnh. Điều này gây khó khăn trong việc đưa ra quyết định điều trị phù hợp cho từng bệnh nhân, đặc biệt là trong bối cảnh nguồn lực y tế hạn chế. Việc phân loại bệnh nhân thành các mức độ nghiêm trọng khác nhau giúp các bác sĩ ưu tiên điều trị cho những trường hợp nặng hơn và tối ưu hóa việc sử dụng tài nguyên.

Để đánh giá chính xác độ tin cậy của các kỹ thuật dự đoán mức độ tổn thương phổi và khả năng ứng dụng chúng trong thực tiễn y tế, cần có dữ liệu toàn diện và đáng tin cậy. Dữ liệu này bao gồm hình ảnh X-quang của nhiều bệnh nhân ở các giai đoạn bệnh khác nhau, cùng với thông tin lâm sàng chi tiết về tình trạng sức khỏe, tiền sử bệnh, và kết quả điều trị. Việc thu thập và chia sẻ dữ liệu này là rất quan trọng để thúc đẩy nghiên cứu và phát triển các phương pháp chẩn đoán và điều trị COVID-19 hiệu quả hơn.

Đánh giá của bác sĩ thường được coi là tiêu chuẩn để xác định mức độ nghiêm trọng ở phổi. Tuy nhiên, các nghiên cứu đã chỉ ra một số nhược điểm của phương pháp này, như việc chỉ tiên lượng số điểm tổn thương để dự đoán mức độ tổn thương hoặc dựa vào hình ảnh CT hoặc CXR để dự đoán mức độ tổn thương phổi. Điều này gây ra việc tốn thời gian cho việc hướng dẫn chú thích cho những tổn thương phổi, do đó phương pháp tính điểm mức độ nghiêm trọng không hiệu quả.

Hình ảnh X-quang được lựa chọn làm phương tiện chẩn đoán chính trong nghiên cứu này vì tính khả dụng, tốc độ, và chi phí thấp. Trong khi chụp CT cho hình ảnh chi tiết hơn, X-quang phổi là phương pháp phù hợp hơn cho việc sàng lọc và theo dõi bệnh nhân COVID-19 trong điều kiện nguồn lực hạn chế. Nó cung cấp thông tin quan trọng về tình trạng tổn thương phổi, giúp bác sĩ đưa ra quyết định điều trị ban đầu và theo dõi diễn biến bệnh.

Việc phân loại tổn thương phổi thành bốn mức độ khác nhau (không tổn thương, nhẹ, vừa, và nặng) giúp các bác sĩ có cái nhìn rõ ràng hơn về tình trạng bệnh nhân và đưa ra quyết định điều trị phù hợp. Phân loại này dựa trên các đặc điểm hình ảnh cụ thể trên X-quang phổi, như mức độ mờ lan tỏa, đông đặc phổi, và tràn dịch màng phổi. Nó cung cấp một khung tham chiếu chung cho việc đánh giá và theo dõi bệnh nhân COVID-19.

Thuật toán học máy, đặc biệt là mạng nơ-ron tích chập (CNN), được sử dụng để tự động phân tích hình ảnh X-quang và dự đoán mức độ tổn thương phổi. Các thuật toán này được huấn luyện trên một tập dữ liệu lớn các hình ảnh X-quang đã được gán nhãn bởi các chuyên gia, cho phép chúng học cách nhận diện các đặc điểm hình ảnh liên quan đến từng mức độ tổn thương phổi. Việc sử dụng AI giúp giảm tải cho các bác sĩ, tăng tốc quá trình chẩn đoán, và cải thiện độ chính xác.

Mục tiêu chính là xây dựng một Dataset lớn, đa dạng, và đáng tin cậy để huấn luyện, kiểm tra các mô hình học máy. Dataset này bao gồm hình ảnh X-quang đã được phân loại thành bốn mức độ nghiêm trọng khác nhau (Bình thường, Nhẹ, Trung bình và Nặng), được thu thập từ nhiều nguồn dữ liệu công khai. Sự đa dạng của Dataset đảm bảo rằng mô hình có thể khái quát hóa tốt và hoạt động hiệu quả trên nhiều loại hình ảnh X-quang khác nhau.

Nghiên cứu đánh giá và so sánh hiệu suất của các kiến trúc mô hình CNN khác nhau, bao gồm VGG16, RegNet0Y40, DenseNet121, MobileNetV3 và EfficientNetB7, trên Dataset đề xuất. Mục tiêu là xác định mô hình nào có độ chính xác cao nhất và khả năng tương thích tốt nhất với Dataset mới. Kết quả so sánh này cung cấp thông tin quan trọng để lựa chọn mô hình phù hợp cho các ứng dụng thực tế.

Để đảm bảo tính tổng quát và đánh giá chính xác hiệu suất của mô hình trong việc phân loại mức độ tổn thương phổi do COVID-19, mô hình hiệu quả nhất sẽ được sửa đổi và đánh giá thông qua thực nghiệm sử dụng kỹ thuật cross-validation. Kỹ thuật này giúp đánh giá độ tin cậy của mô hình và đảm bảo rằng nó không bị overfitting (học thuộc lòng) dữ liệu huấn luyện.

Dataset Brixia và COVIDGR được sử dụng làm nguồn dữ liệu chính cho việc đánh giá và so sánh hiệu suất của các mô hình học máy. Dataset Brixia cung cấp điểm số và hình ảnh X-quang, trong khi Dataset COVIDGR chứa nhãn mức độ nghiêm trọng dựa trên chỉ số RALE. Việc sử dụng cả hai Dataset giúp đảm bảo tính toàn diện và khách quan của quá trình đánh giá.

Để cải thiện tính đa dạng và độ tin cậy của Dataset, các kỹ thuật tăng cường dữ liệu (data augmentation) và cân bằng dữ liệu (data balancing) đã được áp dụng. Tăng cường dữ liệu bao gồm các phép biến đổi hình ảnh như xoay, lật, zoom, và thay đổi độ sáng. Cân bằng dữ liệu giúp giải quyết vấn đề mất cân bằng lớp (class imbalance), trong đó số lượng hình ảnh ở một số mức độ nghiêm trọng ít hơn so với các mức độ khác.

Hiệu suất của các mô hình học máy khác nhau, bao gồm VGG16, RegNet0Y40, DenseNet121, MobileNetV3 và EfficientNetB7, được so sánh trên Dataset mới được tạo ra. Các chỉ số đánh giá hiệu suất bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), và diện tích dưới đường cong ROC (AUC). Kết quả so sánh này giúp xác định mô hình nào có khả năng dự đoán mức độ tổn thương phổi tốt nhất.

Luận văn này đóng góp vào lĩnh vực chẩn đoán hình ảnh bằng cách trình bày một phương pháp sử dụng AI để dự đoán mức độ tổn thương phổi do COVID-19 từ hình ảnh X-quang. Luận văn cũng xây dựng một Dataset mới và đánh giá hiệu suất của nhiều mô hình học máy khác nhau. Kết quả nghiên cứu có thể giúp các bác sĩ đưa ra quyết định điều trị nhanh chóng và chính xác hơn.

Trong tương lai, nghiên cứu có thể tập trung vào việc cải thiện độ chính xác của các mô hình học máy bằng cách sử dụng các kỹ thuật tiên tiến hơn, như học sâu có khả năng diễn giải (explainable AI). Ngoài ra, việc tích hợp thông tin lâm sàng vào mô hình có thể giúp cải thiện độ chính xác và độ tin cậy của kết quả dự đoán. Nghiên cứu cũng có thể mở rộng sang việc dự đoán các biến chứng và kết quả điều trị của bệnh nhân COVID-19.

Kết quả nghiên cứu có tiềm năng ứng dụng rộng rãi trong y tế và cộng đồng. Mô hình dự đoán mức độ tổn thương phổi có thể được tích hợp vào các phần mềm chẩn đoán hình ảnh để hỗ trợ các bác sĩ trong việc đánh giá và quản lý bệnh nhân COVID-19. Nó cũng có thể được sử dụng để sàng lọc bệnh nhân COVID-19 ở các khu vực có nguồn lực hạn chế, giúp ưu tiên điều trị cho những trường hợp nặng hơn.