Hiệu quả của phương pháp học máy trong chẩn đoán sâu răng giai đoạn sớm - Luận án tiến sĩ

• Tác giả: Mai Thị Giang Thanh
• Người hướng dẫn: GS. Võ Trương Như Ngọc
• Trường học: Trường Đại học Y Hà Nội
• Chuyên ngành: Răng Hàm Mặt
• Đề tài: Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. ĐẶT VẤN ĐỀ
• 1.1. Tổn thương sâu răng giai đoạn sớm
• 1.2. Khái niệm tổn thương sâu răng giai đoạn sớm
• 1.3. Mô bệnh học tổn thương sâu răng giai đoạn sớm
• 1.4. Cơ chế bệnh sinh
• 1.5. Phân loại sâu răng
• 1.6. Chẩn đoán sâu răng
• 1.7. Dịch tễ học sâu răng giai đoạn sớm
• 1.8. Phân tích gộp (Meta-analysis) cho các nghiên cứu cắt ngang đánh giá hiệu quả chẩn đoán
• 1.8.1. Định nghĩa Meta-analysis
• 1.8.2. Định nghĩa độ nhạy, độ đặc hiệu và ROC
• 1.9. Mô hình học máy trong hỗ trợ chẩn đoán nha khoa
• 1.9.1. Một số mô hình học máy hỗ trợ trong chẩn đoán nha khoa
• 1.9.2. Các nghiên cứu về sử dụng mô hình học máy trong hỗ trợ chẩn đoán
• 1.9.3. Một số hệ dữ liệu được xây dựng để chẩn đoán sâu răng tự động có sự hỗ trợ của máy tính
• 2. ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Nghiên cứu tổng quan hệ thống và phân tích gộp meta-analysis (mục tiêu 1)
• 2.1.1. Đối tượng nghiên cứu
• 2.1.2. Phương pháp nghiên cứu
• 2.2. Nghiên cứu cắt ngang đánh giá hiệu quả chẩn đoán (mục tiêu 2 và 3)
• 2.2.1. Đối tượng nghiên cứu
• 2.2.2. Phương pháp nghiên cứu
• 2.2.3. Quy trình tiến hành nghiên cứu
• 2.2.4. Một số tiêu chuẩn đánh giá trong khám lâm sàng và cận lâm sàng
• 2.3. Các biến số nghiên cứu
• 2.4. Xử lý số liệu
• 2.5. Sai số và hạn chế sai số trong nghiên cứu
• 2.6. Biện pháp hạn chế sai số
• 2.7. Đạo đức nghiên cứu
• 3. KẾT QUẢ NGHIÊN CỨU
• 3.1. Độ nhạy, độ đặc hiệu của một số phương pháp chẩn đoán sâu răng giai đoạn sớm bằng phương pháp meta-analysis
• 3.1.1. Tổng hợp tài liệu chọn lọc
• 3.1.2. Tóm tắt đặc điểm các nghiên cứu
• 3.1.3. Đánh giá chất lượng bài báo
• 3.1.4. Độ nhạy và độ đặc hiệu. Đường cong sROC
• 3.2. Xây dựng hệ dữ liệu chuẩn hỗ trợ máy học để chẩn đoán sàng lọc sâu răng giai đoạn sớm
• 3.2.1. Xây dựng hệ dữ liệu giai đoạn 1
• 3.2.2. Xây dựng hệ dữ liệu giai đoạn 2
• 3.3. Độ nhạy, độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy
• 3.3.1. Thực trạng sâu răng
• 3.3.2. Độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài bằng phương pháp học máy
• 3.3.3. Độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt nhai bằng phương pháp học máy
• 3.4. Bàn luận
• 3.4.1. Bàn luận thực trạng sâu răng
• 3.4.2. Bàn luận độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài răng bằng phương pháp học máy
• 3.4.3. Bàn luận độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt nhai bằng phương pháp học máy
• 3.5. Hạn chế nghiên cứu
• 3.5.1. Hạn chế nghiên cứu trong xác định độ nhạy, độ đặc hiệu của một số phương pháp chẩn đoán sâu răng giai đoạn sớm bằng phương pháp meta analysis
• 3.5.2. Hạn chế trong xây dựng hệ dữ liệu chuẩn hỗ trợ máy học để chẩn đoán sàng lọc sâu răng giai đoạn sớm
• 3.5.3. Hạn chế trong đánh giá độ nhạy, độ đặc hiệu của chẩn đoán sàng lọc sâu răng giai đoạn sớm bằng phương pháp học máy
• 3.6. Điểm mới, tính giá trị và khả năng áp dụng của luận án
• MỘT SỐ CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ LIÊN QUAN ĐẾN LUẬN ÁN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

I. Chẩn đoán sâu răng giai đoạn sớm

Chẩn đoán sâu răng giai đoạn sớm là một vấn đề quan trọng trong nha khoa, đặc biệt là ở trẻ em. Giai đoạn sớm của sâu răng thường khó phát hiện bằng các phương pháp truyền thống như khám trực tiếp. Luận án này tập trung vào việc ứng dụng học máy để nâng cao hiệu quả chẩn đoán. Các phương pháp truyền thống như khám trực tiếp, chụp X-quang, và sử dụng huỳnh quang laser đã được so sánh với các mô hình học máy để đánh giá độ nhạy và độ đặc hiệu. Kết quả cho thấy các mô hình học máy như YOLOv3 và Faster R-CNN có độ chính xác cao hơn trong việc phát hiện sâu răng ở giai đoạn đầu.

1.1. Phương pháp chẩn đoán truyền thống

Các phương pháp truyền thống như khám trực tiếp và chụp X-quang có độ nhạy và độ đặc hiệu thấp hơn so với các phương pháp hiện đại. Ví dụ, nghiên cứu của C Kouchaji (2012) chỉ ra rằng phương pháp huỳnh quang laser có độ nhạy 97% nhưng độ đặc hiệu chỉ 52%. Điều này cho thấy sự cần thiết của việc áp dụng công nghệ mới như học máy để cải thiện hiệu quả chẩn đoán.

1.2. Ứng dụng học máy trong chẩn đoán

Các mô hình học máy như YOLOv3, Faster R-CNN, và RetinaNet đã được sử dụng để phân tích hình ảnh răng và phát hiện sâu răng ở giai đoạn sớm. Kết quả cho thấy các mô hình này có độ nhạy và độ đặc hiệu cao hơn so với phương pháp truyền thống. Ví dụ, YOLOv3 đạt độ nhạy 95% và độ đặc hiệu 90% trong việc phát hiện sâu răng trên mặt ngoài răng.

II. Hệ thống học máy trong chẩn đoán y tế

Luận án này cũng đề cập đến việc xây dựng hệ thống học máy để hỗ trợ chẩn đoán sâu răng. Hệ thống học máy được phát triển dựa trên các bộ dữ liệu lớn về hình ảnh răng, được gán nhãn bởi các chuyên gia nha khoa. Quá trình này bao gồm hai giai đoạn: xây dựng bộ dữ liệu và huấn luyện mô hình. Kết quả cho thấy hệ thống học máy có khả năng phân loại và phát hiện sâu răng với độ chính xác cao, đặc biệt là ở giai đoạn sớm.

2.1. Xây dựng bộ dữ liệu

Bộ dữ liệu được xây dựng từ các hình ảnh răng được thu thập từ các bệnh viện và phòng khám nha khoa. Các hình ảnh này được gán nhãn bởi các chuyên gia để đảm bảo tính chính xác. Bộ dữ liệu này là nền tảng quan trọng để huấn luyện các mô hình học máy.

2.2. Huấn luyện mô hình học máy

Các mô hình học máy như YOLOv3 và Faster R-CNN được huấn luyện trên bộ dữ liệu này. Quá trình huấn luyện bao gồm việc tối ưu hóa các tham số để đạt được độ chính xác cao nhất. Kết quả cho thấy các mô hình này có khả năng phát hiện sâu răng với độ nhạy và độ đặc hiệu vượt trội so với phương pháp truyền thống.

III. Giá trị và ứng dụng thực tiễn

Luận án này không chỉ có giá trị học thuật mà còn có ứng dụng thực tiễn cao trong lĩnh vực chẩn đoán y tế. Việc áp dụng học máy trong chẩn đoán sâu răng ở giai đoạn sớm giúp giảm thiểu sai sót và nâng cao hiệu quả điều trị. Các hệ thống học máy được phát triển trong luận án có thể được tích hợp vào các phần mềm hỗ trợ chẩn đoán, giúp các bác sĩ nha khoa đưa ra quyết định chính xác hơn.

3.1. Ứng dụng trong lâm sàng

Các hệ thống học máy có thể được sử dụng trong các phòng khám nha khoa để hỗ trợ chẩn đoán sâu răng. Điều này giúp giảm thời gian chẩn đoán và tăng độ chính xác, đặc biệt là trong việc phát hiện sâu răng ở giai đoạn sớm.

3.2. Tiềm năng phát triển

Với sự phát triển của công nghệ học máy, các hệ thống học máy trong chẩn đoán sâu răng có tiềm năng lớn để được cải tiến và ứng dụng rộng rãi hơn. Điều này mở ra hướng nghiên cứu mới trong việc phát triển các công cụ hỗ trợ chẩn đoán y tế.