ĐẶT VẤN ĐỀ Trong bối cảnh đại dịch COVID-2019 xuất phát từ một loại bệnh viêm phổi lạ đã gây ra hàng triệu ca tử vong và vẫn đang tiếp tục diễn biến phức tạp với các biến thể mới. Theo thống kê của WHO [1], hiện nay đã có hơn 82 triệu người được xác nhận nhiễm COVID-19, trong đó có hơn 1.8 triệu người tử vong trên toàn cầu. Vì vậy, viêm phổi nói riêng và các bệnh liên quan phổi nói chung là những căn bệnh nguy hiểm hiện nay trên thế giới. Ngày nay, các bác sĩ chẩn đoán bệnh phổi bằng nhiều phương pháp như dựa vào các triệu chứng, tiền sử, kiểm tra lâm sàng hoặc cận lâm sàng như xét nghiệm máu, nuôi cấy đờm, đặc biệt là ảnh X-quang ngực (CXR).
Ảnh X-quang là thành tựu to lớn trong việc thực hiện các chẩn đoán bệnh phổi nói riêng và trong lĩnh vực y học nói chung. Vì vậy, việc chẩn đoán bệnh phổi dựa trên ảnh X-quang là rất cần thiết nhằm phát hiện sớm và ngăn ngừa các biến chứng dẫn đến tử vong. Mặc dù vậy, hình ảnh mà tia X tạo ra gồm hai màu đen và trắng nên có những trường hợp khó để phát hiện các vùng bị nhiễm bệnh bằng mắt thường của bác sĩ. Bên cạnh đó, việc chẩn đoán chính xác phụ thuộc chủ yếu vào trình độ và năng lực chuyên môn của bác sĩ.
Hơn nữa, một số bệnh phổi như tràn dịch màng phổi, viêm phổi, ung thư phổi có triệu chứng và biểu hiện bệnh tương tự nên rất dễ nhầm lẫn và khó chẩn đoán chính xác. Chính vì vậy, việc áp dụng trí tuệ nhân tạo (AI) nói chung và học sâu (DL) nói riêng để chẩn đoán bệnh phổi dựa trên ảnh X-quang là một tiếp cận mới, nhằm hỗ trợ các bác sĩ đưa ra các kết quả chẩn đoán chính xác hơn. Tất nhiên, việc ứng dụng học sâu trong chẩn đoán bệnh phổi không chỉ dừng lại ở việc xây dựng các mô hình chẩn đoán bệnh, mà còn phải xây dựng các giải thuật giải thích mô hình (Grad-CAM) để đảm bảo mô hình đề xuất là đáng tin cậy. Trong Hội nghị Chuyển đổi số Y tế Quốc gia 2020 (30/12) tại Hà Nội, Phó Thủ tướng Vũ Đức Đam nêu lên quan điểm về ngành y tế nói chung và chuyển đổi số y tế, ngành y tế đã chú trọng ứng dụng CNTT.
Tuy nhiên, muốn tận dụng lợi thế của cuộc cách mạng công nghệ 4.0, ông cho rằng: “Ngành y tế cần phải quyết tâm hơn nữa, thúc đẩy ứng dụng CNTT trong mọi ngõ ngách của cuộc sống, đồng thời cần nhận thức CNTT là công cụ hữu hiệu, không thể thiếu trong phòng bệnh, khám chữa bệnh”. Chính vì vậy, Bộ Y tế cần đẩy mạnh ứng dụng CNTT trong khám chữa bệnh, ứng dụng trí tuệ nhân tạo với mục tiêu quan trọng nhất của chuyển đổi số y tế là để phục vụ người dân tốt hơn, người dân tiếp cận được các dịch vụ y tế thuận lợi hơn, nâng cao chất lượng khám chữa bệnh [2]. Phan Nguyễn Minh Thảo – Nguyễn Thị Ngọc Chăm 1 Luận văn tốt nghiệp đại học – Ngành Hệ thống thông tin Từ các vấn đề nêu trên, đề tài “Hệ thống hỗ trợ chẩn đoán bệnh phổi dựa trên ảnh X-quang” được đề xuất thực hiện. Hệ thống được xây dựng dựa trên sự kết hợp giữa mô hình học sâu nổi tiếng là mạng nơ-ron tích chập (CNN) và giải thuật giải thích mô hình (Grad-CAM) để hỗ trợ bác sĩ chẩn đoán các bệnh phổi dựa trên ảnh X- quang ngực được chính xác hơn.
TÓM TẮT LỊCH SỬ GIẢI QUYẾT VẤN ĐỀ Trong thời gian qua, nhiều nhà khoa học đã đề xuất nhiều mô hình học sâu trên cơ sở mô hình CNN trong việc phân loại bệnh phổi dựa trên ảnh X-quang. Các kết quả nghiên cứu có thể điểm qua như sau: - O. Stephen và nhóm nghiên cứu [4] sử dụng CNN tổng số 19 lớp với 300 dữ liệu được áp dụng tăng cường dữ liệu theo 7 cách khác nhau như thay đổi tỷ lệ, xoay, dịch chuyển theo chiều rộng, dịch chuyển độ cao, phạm vi cắt, phạm vi thu phóng và lật ngang. Mô hình của họ đạt kết quả phân loại có độ chính xác trung bình là 93.
Donthi và các tác giả khác [5] đã phân loại 2 lớp hình ảnh X- quang phổi bình thường và bất thường bằng cách áp dụng mô hình CNN nhưng không được giải thích chi tiết về mô hình và độ chính xác là 78. Urey cùng các nhà nghiên cứu [6] đã sử dụng CNN và Residual Network để phân loại 2 lớp hình ảnh X-quang phổi. CNN đã được sửa đổi với 6 kịch bản và kết quả đạt độ chính xác 78. Saraiva và nhóm nghiên cứu [8] đã sử dụng 5863 ảnh X-quang mô hình CNN đạt độ chính xác là 95.30% có 27 lớp bao gồm một lớp đầu vào, 7 lớp tích chập, 9 ReLU, 2 batch normalization, 1 flatten, 2 dense, dropout 0.
Rubin và các tác giả khác [9] đã phát triển một mô hình DualNet CNN thực nghiệm trên tập dữ liệu MIMIC-CXR đạt được AUC trung bình lần lượt là 72%và 68.8% cho PA và AP. Tập dữ liệu được chia thành các 70% tập train, 20% test và 10% validation đồng thời áp dụng các phương pháp cải thiện hiệu suất mô hình như tăng cường dữ và chuẩn hóa pixel. Lakhani và cộng sự [10] xây dựng một mô hình CNN để phân loại bệnh lao phổi. Tập dữ liệu được chia thành 68% train, 14.
Các kỹ thuật áp dụng như tăng cường dữ liệu, tiền xử lý dữ liệu và các mô hình AlexNet [11]và GoogleNet [12]. Mô hình tốt nhất đạt được AUC 99%, độ chính xác 100% và recall 97. - Mô hình AG-CNN được phát triển bởi Q. Guan và các tác giả khác [13] để nhận biết bệnh lồng ngực với tập dữ liệu ChestX-ray14 đạt AUC là 86.
Phan Nguyễn Minh Thảo – Nguyễn Thị Ngọc Chăm 2 Luận văn tốt nghiệp đại học – Ngành Hệ thống thông tin - Một nghiên cứu từ phòng thí nghiệm máy học của Đại học Stanford [7] thực hiện bởi P. Rajpurkar và các nhà nghiên cứu đã đề xuất kiến trúc học sâu CheXNet với 121 lớp tích chập để phát hiện bệnh viêm phổi. Mô hình được đánh giá trên một tập dữ liệu lớn ChestX-ray14 [3] bao gồm hơn 100.000 hình ảnh X-quang phổi với 14 bệnh. Họ đã thay đổi kích thước các ảnh gốc thành 224 × 224 và áp dụng phương pháp ánh xạ ngang ngẫu nhiên trước khi huấn luyện mô hình.
- Ngoài ra, các nhà nghiên cứu [14] đã đánh giá hiệu suất của Mạng nơ-ron dư (ResNet) [15] trên một số bệnh bằng cách sử dụng bộ dữ liệu ChestX-ray14 cho các tác vụ phân loại bệnh. - Áp dụng Laplacian of Gaussian (LoG) để cải thiện hiệu suất của mạng nơ-ron tích chập [16] các hình ảnh gốc được giảm kích thước xuống 96 × 96 trước khi huấn luyện và kiểm tra. Hiệu suất của mô hình học sâu được đánh giá dựa trên việc phát hiện trong hình ảnh X-quang và kết quả đạt được tốt hơn so với AlexNet [11] và GoogleNet [12]. Nhưng hiệu suất của Grad-CAM phụ thuộc vào kết quả các mô hình.
- Các tác giả trong [19] đã đề xuất học bán giám sát để phân tích hình ảnh bệnh lý CT của não và ngực. Nghiên cứu này đạt được hiệu suất cao hơn so với mạng nơ- ron tích chập (CNN). - Nghiên cứu trong [20] là phát hiện những bất thường và đánh giá sự thay đổi kết quả trên ảnh X-quang nối tiếp từ 724 bệnh nhân. Với phương pháp này, 02 bác sĩ X-quang đánh giá tất cả các hình ảnh để tìm bất thường, 04 bác sĩ X-quang kiểm tra và đánh giá sự hiện diện của các bất thường trên X-quang.
- Các nhà nghiên cứu [21] đã phát hiện ra bệnh bụi phổi từ hình ảnh X-quang ngực bằng mô hình CNN sử dụng bộ dữ liệu chứa 1881 hình ảnh được thu thập từ các đối tượng đã làm việc trong môi trường bụi bẩn. Hơn nữa, các bác sĩ X đã tham gia vào nghiên cứu này và so sánh hiệu suất của họ với CNN. Kết quả cho thấy CNN đã hoạt động tốt và có thể là một giải pháp trong việc sàng lọc bệnh bụi phổi. Phần lớn các nghiên cứu nêu trên tập trung vào mô hình học sâu dựa trên mô hình CNN để chẩn đoán bệnh phổi nhưng chưa chú trọng kết hợp các giải thuật giải thích mô hình (Grad-CAM) để hỗ trợ bác sĩ chẩn đoán các bệnh phổi dựa trên ảnh X- quang ngực được chính xác hơn.
Phan Nguyễn Minh Thảo – Nguyễn Thị Ngọc Chăm 3 Luận văn tốt nghiệp đại học – Ngành Hệ thống thông tin III. MỤC TIÊU ĐỀ TÀI Mục tiêu chính của đề tài này là xây dựng “Hệ thống hỗ trợ chẩn đoán bệnh phổi dựa trên ảnh X-quang”, có kết hợp kiến trúc mạng nơ-ron tích chập (CNN) và giải thuật giải thích mô hình (Grad-CAM) để chẩn đoán các bệnh phổi. Các mục tiêu cụ thể là: Xây dựng các mô hình chẩn đoán bệnh phổi dựa trên CNN với các tập dữ liệu ảnh X-quang có độ chính xác cao và cải thiện thời gian chẩn đoán bằng cách thử nghiệm các độ đo khác nhau để đánh giá tính hiệu quả của các mô hình. Nghiên cứu các giải thuật làm rõ chi tiết ảnh X-quang (Grad-CAM, LIME) để ứng dụng vào hệ thống giúp bác sĩ chẩn đoán bệnh phổi chính xác hơn.
Xây dựng hệ thống thông tin quản lý bác sĩ tham gia chẩn đoán, quản lý các mô hình học sâu và quản lý các kết quả chẩn đoán của mô hình và bác sĩ tham gia chẩn đoán. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 1. Đối tượng nghiên cứu Đối tượng nghiên cứu chính của đề tài là các mô hình CNN hỗ trợ chẩn đoán bệnh phổi, tập dữ liệu ảnh X-quang phổi và giải thuật giải thích mô hình (Grad-CAM). Phạm vi nghiên cứu Đề tài tập trung nghiên cứu ba mô hình học sâu để chẩn đoán ba bệnh phổi dựa trên ảnh X-quang: viêm phổi, tràn dịch màng phổi và phổi bị mờ.
Với từng bệnh, mô hình cần xác định có bệnh hoặc không bệnh, đồng thời kết hợp sử dụng giải thuật Grad-CAM để giải thích mô hình. Xây dựng hệ thống thông tin quản lý bác sĩ tham gia chẩn đoán, quản lý mô hình học sâu và quản lý các kết quả chẩn đoán của mô hình và bác sĩ tham gia chẩn đoán bệnh phổi. PHƯƠNG PHÁP NGHIÊN CỨU Phương pháp nghiên cứu của đề tài được tiến hành gồm ba nội dung chính: nghiên cứu tài liệu, khảo sát thực tế và thực nghiệm. - Nghiên cứu tài liệu: Nghiên cứu tổng quan về mô hình CNN trong chẩn đoán bệnh phổi thông qua các bài báo khoa học.
Nghiên cứu các giải thuật giải thích mô hình như: Grad-CAM, LIME. Nghiên cứu các tài liệu về bệnh phổi.