Tổng quan về luận án

Bệnh lý sâu răng tiếp tục là gánh nặng y tế công cộng mạn tính phổ biến nhất trên phạm vi toàn cầu, đặc biệt tại các quốc gia đang phát triển. Tại Việt Nam, dịch tễ học ghi nhận tỷ lệ sâu răng ở trẻ em (Early Childhood Caries - ECC) lên tới 91,1% ở trẻ 4 tuổi tại Thái Nguyên, 51,8% trẻ 2–5 tuổi tại Hà Nội mắc sâu răng sữa, và 16,3% học sinh 4–8 tuổi xuất hiện tổn thương trên răng vĩnh viễn. Trong bối cảnh chỉnh nha, tỷ lệ phát sinh tổn thương mất khoáng men mới dao động từ 26% đến 89%, trong đó 72% bệnh nhân xuất hiện đốm trắng mất khoáng hoạt động và 2,3% tiến triển thành lỗ sâu thực sự. Nhận diện sâu răng ở giai đoạn sớm (tổn thương mất khoáng dưới bề mặt chưa hình thành lỗ sâu - non-cavitated white spot lesions) mang tính quyết định sống còn, cho phép can thiệp tái khoáng hóa bảo tồn cấu trúc giải phẫu sinh học nguyên vẹn thay vì can thiệp phục hồi xâm lấn cơ học.

Tuy nhiên, tồn tại khoảng trống nghiên cứu (research gap) cốt lõi: các phương tiện chẩn đoán quang học truyền thống như khám lâm sàng mắt thường, phim X-quang cánh cắn/cận chóp, thiết bị đo điện trở men (ECM), hay laser huỳnh quang (DIAGNOdent, QLF, VistaProof) hoặc thiếu tính khách quan, nhạy cảm kém với tổn thương sớm (X-quang chỉ phát hiện khi mất khoáng trên 40%), hoặc chi phí đầu tư đắt đỏ và tính ứng dụng sàng lọc cộng đồng thấp. Mặc dù trí tuệ nhân tạo (AI) và học máy (Machine Learning/Deep Learning) bước đầu đạt được thành tựu trong nha khoa, hầu hết các công bố quốc tế trước đây (như Ghaedi et al., 2014; Berdouses et al., 2015; Srivastava et al., 2017) chỉ khu trú trên hình ảnh chụp răng đã nhổ trong phòng thí nghiệm (in vitro) hoặc ảnh X-quang, hoàn toàn thiếu vắng các tập dữ liệu chuẩn hóa lâm sàng (in vivo) chụp bằng thiết bị di động (Mobile Dental Photography - MDP) trên nhiều cung răng thực tế.

Luận án tiến sĩ chuyên ngành Răng Hàm Mặt của Nghiên cứu sinh Mai Thị Giang Thanh với đề tài "Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy" (Mã số: 9720501, Trường Đại học Y Hà Nội, năm 2023, dưới sự hướng dẫn khoa học của GS. Võ Trương Như Ngọc và PGS. Ngô Văn Toàn) đã tiên phong giải quyết khoảng trống này thông qua ba câu hỏi và giả thuyết nghiên cứu cụ thể:

  1. Câu hỏi nghiên cứu 1 (RQ1): Giá trị chẩn đoán gộp (độ nhạy, độ đặc hiệu, diện tích dưới đường cong sROC) của các phương pháp phát hiện sâu răng giai đoạn sớm hiện hành trên y văn đạt mức độ tin cậy ra sao khi tổng hợp bằng phân tích gộp?
    • Giả thuyết 1 (H1): Phương pháp huỳnh quang laser và khám trực tiếp có sự vượt trội về độ nhạy nhưng bộc lộ độ đặc hiệu biến thiên lớn giữa các thiết kế nghiên cứu in vitro và in vivo.
  2. Câu hỏi nghiên cứu 2 (RQ2): Quy trình chuẩn hóa nào cho phép thiết lập hệ dữ liệu ảnh lâm sàng có gán nhãn chuyên gia đạt độ tin cậy cao để huấn luyện các thuật toán thị giác máy tính?
    • Giả thuyết 2 (H2): Hệ dữ liệu ảnh lâm sàng thu nhận qua giao thức MDP hai giai đoạn với sự gán nhãn chéo theo tiêu chuẩn quốc tế ICDAS/ICCMS tạo ra nền tảng dữ liệu huấn luyện tối ưu cho mạng nơ-ron tích chập.
  3. Câu hỏi nghiên cứu 3 (RQ3): Hiệu năng nhận diện tổn thương sâu răng sớm trên mặt ngoài và mặt nhai của các mô hình học sâu một giai đoạn (YOLOv3, RetinaNet, SSD) và hai giai đoạn (Faster R-CNN) đạt độ chính xác tương quan như thế nào so với khám trực tiếp và khám qua ảnh?
    • Giả thuyết 3 (H3): Các thuật toán thị giác máy tính, đặc biệt là kiến trúc Faster R-CNN và YOLOv3, đạt độ nhạy và độ đặc hiệu tương đương hoặc vượt trội so với các chuyên gia đánh giá qua ảnh độc lập.

Phạm vi nghiên cứu bao gồm việc phân tích gộp hàng trăm công trình học thuật theo chuẩn PRISMA, đồng thời triển khai nghiên cứu thực nghiệm lâm sàng trên bộ mẫu $n = 4046$ mặt răng thực tế tại các cơ sở điều trị chuyên khoa. Luận án mang lại bước đột phá định lượng khi cung cấp công cụ chẩn đoán có sự hỗ trợ của máy tính (CAD) hoàn chỉnh, mở đường cho y tế từ xa (Tele-dentistry) và nâng cao hiệu quả y tế dự phòng trong cộng đồng.

Literature Review và Positioning

Tổng quan y văn quốc tế về chẩn đoán sâu răng sớm được định hình bởi ba dòng nghiên cứu chính:

  1. Dòng nghiên cứu thị giác và quang học lâm sàng: Dẫn đầu bởi các công trình của Gimenez et al. (2015), Vaswani et al. (2018), và Boye et al. (2012). Gimenez et al. chỉ ra rằng khám trực tiếp bằng mắt dưới điều kiện làm sạch và thổi khô tiêu chuẩn đạt độ chính xác 0,86 ở mặt bên và 0,92 ở mặt nhai, độ đặc hiệu đạt tới 0,92. Tuy nhiên, tính chủ quan cao và sự phụ thuộc vào kinh nghiệm bác sĩ dẫn đến biến thiên lớn trong các nghiên cứu dịch tễ cộng đồng.
  2. Dòng nghiên cứu thiết bị huỳnh quang sinh học (Fluorescence-based diagnostics): Đại diện bởi Lussi et al. (2004, 2006), Kouchaji (2012), Pretty (2006), và Iranzo-Cortes et al. (2018). Kouchaji (2012) ghi nhận thiết bị laser huỳnh quang DIAGNOdent đạt độ nhạy 97% nhưng độ đặc hiệu chỉ đạt 52%. Nghiên cứu của Pereira ghi nhận kỹ thuật QLF đạt độ nhạy 0,96 nhưng độ đặc hiệu rơi xuống 0,60 do hiện tượng dương tính giả từ vết sắc tố, mảng bám vi khuẩn và giải phẫu hố rãnh. Iranzo-Cortes et al. (2018) khi đánh giá thiết bị camera huỳnh quang VistaProof ghi nhận độ nhạy từ 0,705–0,818 và độ đặc hiệu từ 0,619–0,810 khi so với tiêu chuẩn vàng mô học.
  3. Dòng nghiên cứu ứng dụng thị giác máy tính và học sâu (Computer Vision & Deep Learning in Dentistry): Mở đầu bằng các nghiên cứu của Ghaedi et al. (2014) sử dụng 88 ảnh chụp mặt nhai răng nhổ đạt độ nhạy 83% và độ đặc hiệu 91,7%; Berdouses et al. (2015) ứng dụng chẩn đoán CAD trên 103 ảnh kỹ thuật số (425 vùng tổn thương) đạt độ chính xác 80–83%; và Srivastava et al. (2017) áp dụng mạng FCNN trên 3000 phim X-quang đạt độ nhạy 80,5% và độ chính xác 61,5%.

Y văn đương đại tồn tại cuộc tranh luận học thuật gay gắt giữa hai trường phái: Một bên (như Pretty, Lussi) ủng hộ việc sử dụng các thiết bị định lượng quang học phần cứng đắt tiền (QLF, DIAGNOdent pen 2190) để giảm thiểu sai số chủ quan của con người. Ngược lại, trường phái thứ hai (như Van Hilsen 2013, Kohana 2018) chứng minh rằng ảnh chụp nha khoa kỹ thuật số thông thường kết hợp thuật toán phân tích có tiềm năng thay thế phần cứng chuyên dụng, dù nghiên cứu của Kohana (2018) cho thấy các thiết bị di động cá nhân đơn lẻ chỉ đạt độ nhạy 30,1%–40,7% do thiếu hụt thuật toán học sâu thích ứng.

Luận án của Mai Thị Giang Thanh định vị chuẩn xác tại giao điểm của ba dòng học thuật này: lấp đầy khoảng cách giữa nghiên cứu in vitro và ứng dụng in vivo, tổng hợp hệ thống bằng phân tích gộp đa trung tâm, và lần đầu tiên thiết lập một pipeline tích hợp từ thu thập ảnh lâm sàng bằng MDP, chuẩn hóa dữ liệu hai pha, đến ứng dụng đồng thời 4 kiến trúc học sâu tiên tiến (YOLOv3, Faster R-CNN, RetinaNet, SSD) để định danh và phân loại sâu răng giai đoạn sớm ngay trên cung hàm thực tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án kế thừa và mở rộng căn bản các nền tảng lý thuyết bệnh sinh và chẩn đoán kinh điển:

  • Mở rộng Thuyết Động học Khử khoáng - Tái khoáng (Demineralization - Remineralization Dynamic Theory): Vượt lên các quan điểm cơ học cũ như Thuyết hóa học của Miller (1881), Thuyết tiêu protein của Gottlieb (1946), hay thuyết của Davies, nghiên cứu củng cố bản chất động học của sự cân bằng ion xung quanh tinh thể Hydroxyapatite ($pH$ tới hạn 5,5) và Fluorapatite ($pH$ tới hạn 4,5). Bằng việc phát hiện tổn thương ở cấp độ đốm trắng men răng chưa có sự sụp đổ cấu trúc bề mặt, nghiên cứu cung cấp bằng chứng thực nghiệm khẳng định tiềm năng phục hồi hoàn nguyên của men răng thông qua can thiệp hóa sinh trị liệu không xâm lấn.
  • Tích hợp Mô hình Tảng băng trôi của Pitts (1997) và Hệ thống ICDAS II / ICCMS: Pitts mô tả các tổn thương sâu răng dạng D1, D2 (sâu men chưa tạo lỗ) chiếm phần lớn khối lượng "chìm" dưới đáy tảng băng mà các phương pháp X-quang truyền thống (chỉ thấy khi mất khoáng >40% - D3, D4) hoàn toàn bỏ sót. Luận án mở rộng khung phân loại của hệ thống ICDAS (mã 1 và 2) và ICCMS (giai đoạn 1) thành các đặc trưng vector hóa trong không gian số, cho phép các mô hình mạng nơ-ron nhận diện ranh giới quang học vi thể của sự mất khoáng.
  • Phát triển Thuyết Phát hiện Tín hiệu (Signal Detection Theory - SDT): Luận án tái định nghĩa bài toán phân biệt tổn thương bệnh lý trên bề mặt men răng từ sự tương quan quang học giữa bước sóng tán xạ (men có chỉ số khúc xạ 1,65, nước 1,33, và không khí 1,00) và hàm mất mát của mô hình học máy.

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp đồng thời ba cấu phần:

  1. Khung tổng hợp bằng chứng thứ cấp: Khung phân tích gộp chẩn đoán theo mô hình lưỡng biến (Bivariate Model) và mô hình hồi quy tuyến tính phân cấp (Hierarchical Summary ROC - HSROC), đánh giá độ nhạy ($Se$), độ đặc hiệu ($Sp$), tỷ số chênh chẩn đoán ($DOR$), và diện tích dưới đường cong ($AUC$).
  2. Khung số hóa hình thái học men răng: Chuyển đổi các đặc trưng lâm sàng đại thể (đốm trắng phấn mờ, mất độ bóng, đáy quay về mặt ngoài, đỉnh về ranh giới men - ngà) và vi thể (vùng bề mặt 1–5% lỗ xốp, vùng trung tâm 5–25% lỗ xốp, vùng tối 2–4% và vùng trong mờ 1%) thành ma trận không gian đa chiều $W \times H \times D$.
  3. Khung đánh giá độ chính xác chẩn đoán đa tầng (Multi-level Diagnostic Assessment): Đối chiếu chéo hiệu năng của 4 mô hình học sâu với hai tiêu chuẩn tham chiếu độc lập: (1) Tiêu chuẩn khám lâm sàng trực tiếp (in vivo gold standard) và (2) Tiêu chuẩn khám chuyên gia qua ảnh kỹ thuật số (tele-evaluation standard).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên lập trường triết học thực chứng (Positivism), sử dụng phương pháp luận định lượng nghiêm ngặt kết hợp giữa tổng quan hệ thống phân tích gộp (Mục tiêu 1) và nghiên cứu cắt ngang phân tích đánh giá giá trị chẩn đoán (Diagnostic Accuracy Cross-Sectional Study) trên thực địa lâm sàng (Mục tiêu 2 và 3).

Mục tiêu 1: Tổng quan hệ thống & Phân tích gộp (PRISMA)
Mục tiêu 2: Thiết lập Bộ Dữ liệu Chuẩn hóa 2 Giai đoạn
Mục tiêu 3: Huấn luyện & Đánh giá Hiệu năng Thuật toán Học sâu

Quy trình nghiên cứu rigorous

  • Quy trình Tổng quan Hệ thống (Mục tiêu 1): Tuân thủ chặt chẽ tuyên bố PRISMA. Chiến lược tìm kiếm nâng cao trên PubMed, Cochrane Library với các thuật ngữ MeSH: ("Dental Caries"[Mesh] OR "early caries" OR "white spot lesion") AND ("Sensitivity and Specificity"[Mesh] OR "Diagnostic Accuracy") AND ("Laser fluorescence" OR "Visual inspection" OR "Photography"). Đánh giá nguy cơ sai lệch bằng công cụ QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies 2).
  • Quy trình Xây dựng Dữ liệu và Thực nghiệm Lâm sàng (Mục tiêu 2 & 3):
    • Đối tượng nghiên cứu: Bệnh nhân đến khám tại Khoa Răng Miệng - Bệnh viện Hữu Nghị Việt Nam - CuBa, Viện Đào tạo Răng Hàm Mặt - Đại học Y Hà Nội, và Trung tâm thực hành y khoa Cao đẳng Y tế Hà Đông.
    • Tiêu chuẩn lựa chọn: Răng vĩnh viễn và răng sữa có đầy đủ các mặt răng tự do; mặt răng sạch, được cách ly và thổi khô tiêu chuẩn; bệnh nhân đồng thuận tham gia.
    • Tiêu chuẩn loại trừ: Răng có dị dạng cấu trúc men ngà bẩm sinh (sinh men bất toàn, nhiễm fluor nặng mức độ Dean > 4); răng mang phục hình cố định hoặc chất hàn phủ kín mặt khảo sát; răng lung lay độ III–IV.
    • Thiết bị thu thập: Điện thoại thông minh tích hợp thấu kính macro nha khoa chuyên dụng MDP (hệ thống đèn LED vòng chuẩn nhiệt độ màu 5500K), thiết bị laser huỳnh quang DIAGNOdent pen 2190 (Kavo, Đức) phát bước sóng diode 655 nm, bộ khay khám vô khuẩn tiêu chuẩn WHO.
    • Gán nhãn dữ liệu: Thực hiện độc lập bởi các chuyên gia Răng Hàm Mặt thông qua phần mềm gán nhãn chuyên dụng (LabelImg/CVAT), xác định bounding boxes cho từng tổn thương và đối chiếu độ nhất quán liên giám khảo (Cohen's Kappa $\kappa > 0,85$).

Data và phân tích

Tổng dung lượng tập mẫu thực nghiệm lâm sàng đánh giá đạt $n = 4046$ mặt răng. Dữ liệu hình ảnh được chuẩn hóa kích thước, tăng cường dữ liệu (Data Augmentation: xoay, lật, điều chỉnh độ sáng/độ tương phản) để ngăn ngừa hiện tượng quá khớp (overfitting). Các thuật toán học sâu được lập trình và huấn luyện trên môi trường phần cứng máy trạm chuyên dụng (NVIDIA GPU), sử dụng framework PyTorch và TensorFlow:

  1. Faster R-CNN: Mạng hai giai đoạn kết hợp Feature Map từ mạng xương sống (ResNet-50/101), Region Proposal Network (RPN) sử dụng 9 tỷ lệ anchor boxes tại mỗi cửa sổ trượt, và lớp RoI Pooling kích thước $(N, 7, 7, 512)$.
  2. YOLOv3 (You Only Look Once v3): Mạng một giai đoạn sử dụng kiến trúc Darknet-53, trích xuất đặc trưng đa quy mô tại 3 nhánh ra phân cấp (Scale-1, Scale-2, Scale-3) tối ưu hóa khả năng phát hiện tổn thương diện tích nhỏ.
  3. RetinaNet: Mạng một giai đoạn tích hợp Feature Pyramid Network (FPN) và hàm mất mát tiêu điểm (Focal Loss) nhằm giải quyết triệt để sự mất cân bằng giữa vùng nền lành mạnh và vùng tổn thương bệnh lý: $$\text{FL}(p_t) = -\alpha_t (1 - p_t)^\gamma \log(p_t)$$
  4. SSD (Single Shot MultiBox Detector): Mạng một giai đoạn dự đoán bounding boxes trực tiếp từ nhiều lớp bản đồ đặc trưng có độ phân giải giảm dần.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng chẩn đoán gộp của các phương pháp truyền thống qua Meta-Analysis: Phân tích gộp khẳng định laser huỳnh quang có giá trị diện tích dưới đường cong $AUC = 0,91$ đối với sâu răng tổng quát và $0,83$ đối với sâu ngà; tuy nhiên trên lâm sàng (in vivo), độ đặc hiệu của laser huỳnh quang suy giảm đáng kể ($Sp = 52% - 61%$) do tỷ lệ dương tính giả cao từ rãnh sâu giải phẫu và mảng bám. Khám lâm sàng trực tiếp có độ nhạy dao động nhưng độ đặc hiệu gộp đạt mức ổn định cao ($Sp > 0,90$).
  2. Sự phân hóa hiệu năng theo vị trí giải phẫu mặt răng: Trên $n = 4046$ mặt răng khảo sát, hiệu năng của các mô hình học máy trên mặt ngoài (Smooth surface) vượt trội rõ rệt so với mặt nhai (Occlusal pit and fissure). Mặt ngoài có trường quan sát phẳng, ít bị che khuất bởi hình thái rãnh phức tạp, giúp các mạng nơ-ron nhận diện chính xác sự đổi màu và đốm trắng men ($Se > 85%$).
  3. Sự vượt trội của kiến trúc Faster R-CNN và YOLOv3: Faster R-CNN đạt độ nhạy và độ chính xác phân loại tổng thể cao nhất trong nhóm thuật toán khi lấy khám lâm sàng trực tiếp làm tiêu chuẩn tham chiếu, nhờ cơ chế đề xuất vùng RPN chuyên biệt lọc bỏ các vùng nhiễu ánh sáng phản chiếu. YOLOv3 thể hiện tốc độ xử lý khung hình thời gian thực (Real-time inference $> 30$ fps) với độ nhạy chẩn đoán tổn thương sớm mặt ngoài đạt mức tương đương chuyên gia khám qua ảnh.
  4. Kết quả bất ngờ về sự tương quan giữa AI và Khám qua ảnh: Khi sử dụng tiêu chuẩn tham chiếu là khám chuyên gia qua ảnh kỹ thuật số, các mô hình học máy đạt độ đồng thuận rất cao ($\text{AUC} > 0,88$), chứng minh rằng thuật toán đã học trọn vẹn các đặc trưng thị giác mà mắt người ghi nhận được trên ảnh 2D, đồng thời loại bỏ triệt để tính chủ quan và sự mệt mỏi thị giác của bác sĩ khi phải sàng lọc số lượng lớn.
                  SO SÁNH HIỆU NĂNG NHẬN DIỆN SÂU RĂNG SỚM

Implications đa chiều

  • Về mặt lý thuyết: Xác thực hóa mô hình sinh lý bệnh học mất khoáng vi thể bằng thị giác máy tính, chuyển hóa các tiêu chí định tính của ICDAS II thành các tham số định lượng xác suất học sâu.
  • Về mặt phương pháp luận: Thiết lập quy chuẩn kết hợp giữa nghiên cứu tổng quan bằng chứng y học thực chứng (PRISMA/sROC) và thực nghiệm trí tuệ nhân tạo y sinh học trên cỡ mẫu lớn ($n > 4000$).
  • Về mặt thực tiễn nha khoa: Cung cấp giải pháp phần mềm hỗ trợ bác sĩ lâm sàng (CAD system) giảm thiểu tỷ lệ bỏ sót tổn thương mất khoáng sớm tại ghế nha khoa, đặc biệt trên các bệnh nhân chỉnh nha gắn mắc cài cố định.
  • Về mặt chính sách y tế công cộng: Mở ra lộ trình triển khai các chương trình nha khoa học đường và tầm soát sâu răng từ xa (Tele-dentistry) tại các vùng nông thôn, vùng sâu vùng xa chỉ bằng điện thoại thông minh kết nối Internet mà không cần trang bị các hệ thống máy laser huỳnh quang đắt tiền.

Limitations và Future Research

Nghiên cứu thẳng thắn thừa nhận các giới hạn nội tại mang tính khoa học:

  1. Giới hạn góc chụp và giải phẫu mặt bên (Proximal surfaces): Dữ liệu hình ảnh quang học 2D thu nhận qua MDP chỉ đánh giá tối ưu ở mặt ngoài và mặt nhai; các tổn thương sâu kẽ tiếp giáp giữa hai răng vẫn đòi hỏi sự phối hợp của phim X-quang cánh cắn hoặc công cụ truyền sáng sợi quang học (FOTI).
  2. Sự phụ thuộc vào điều kiện bề mặt răng: Thuật toán học sâu đạt hiệu quả tối đa khi bề mặt men được làm sạch và thổi khô. Sự hiện diện của mảng bám dày đặc, vết dính thức ăn hoặc nước bọt chưa kiểm soát có thể gây sai lệch nhận diện bounding box.
  3. Đặc điểm nhân khẩu học tập mẫu: Cỡ mẫu thực nghiệm dù lớn ($n=4046$) nhưng tập trung chủ yếu tại các trung tâm nha khoa khu vực phía Bắc Việt Nam, cần mở rộng kiểm chứng đa trung tâm trên toàn quốc.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Hướng 1: Phát triển mô hình thị giác máy tính đa phương thức (Multimodal AI) tích hợp đồng thời ảnh chụp màu kỹ thuật số, ảnh chụp huỳnh quang và ảnh X-quang cận chóp kỹ thuật số.
  • Hướng 2: Ứng dụng các kiến trúc học sâu phân đoạn ngữ nghĩa tiên tiến (Semantic Segmentation như U-Net, Mask R-CNN, SegNet, Vision Transformers - ViT) để tính toán chính xác diện tích và thể tích bề mặt mất khoáng theo pixel thay vì chỉ khoanh vùng bounding box chữ nhật.
  • Hướng 3: Phát triển ứng dụng nhúng trên thiết bị di động (Edge AI / On-device Mobile Application) hoạt động ngoại tuyến (offline) phục vụ công tác điều tra dịch tễ cộng đồng của nhân viên y tế cơ sở.

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Đặt nền móng học thuật cho phân ngành Trí tuệ nhân tạo Nha khoa (Dental Artificial Intelligence) tại Việt Nam. Công trình mở ra tiềm năng trích dẫn quốc tế cao trong các tạp chí chuyên ngành Răng Hàm Mặt và Tin sinh học y tế (ISI/Scopus), đóng góp bộ cơ sở dữ liệu mở có gán nhãn chuẩn hóa cho cộng đồng nghiên cứu AI y tế.
  • Chuyển đổi ngành công nghiệp nha khoa: Thúc đẩy sự chuyển dịch từ nha khoa phục hồi cơ học sang nha khoa can thiệp tối thiểu (Minimally Invasive Dentistry) và nha khoa dự phòng kỹ thuật số. Tạo tiền đề cho các công ty giải pháp phần mềm nha khoa tích hợp mô-đun CAD AI vào các hệ thống quản lý phòng khám (Dental Practice Management Software).
  • Lợi ích xã hội và kinh tế y tế: Việc phát hiện và điều trị tái khoáng sớm tổn thương sâu răng men giúp tiết kiệm hàng tỷ đồng chi phí điều trị tủy, hàn răng phức tạp và phục hình chụp răng cho xã hội, đồng thời bảo tồn răng tự nhiên suốt đời cho thế hệ trẻ.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật Y - Tin sinh học: Tiếp cận phương pháp luận liên ngành kết hợp giữa Y học dựa trên bằng chứng (Meta-analysis) và Khoa học Dữ liệu (Deep Learning); khai thác các hướng nghiên cứu mở rộng về chẩn đoán hình ảnh số.
  • Bác sĩ Răng Hàm Mặt lâm sàng: Sở hữu công cụ "ý kiến thứ hai" (Second Opinion) khách quan, tăng độ chính xác trong việc phát hiện đốm trắng sau tháo mắc cài chỉnh nha hoặc sâu hố rãnh sớm ở trẻ em, nâng cao độ tin cậy trong giao tiếp và giải thích tình trạng bệnh cho bệnh nhân.
  • Hệ thống Y tế Cơ sở và Nhà hoạch định Chính sách: Ứng dụng công nghệ sàng lọc nha khoa từ xa với chi phí thấp, tối ưu hóa phân bổ nguồn lực y tế tuyến trên và thực hiện hiệu quả chương trình Nha học đường quốc gia.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của công trình là gì? Công trình đã mở rộng Thuyết Động học Khử khoáng - Tái khoáng và thang phân loại ICDAS II thông qua việc định lượng hóa quang phổ học tổn thương men răng thành các không gian đặc trưng tensor đa tầng, chứng minh trên thực nghiệm lâm sàng rằng mạng nơ-ron tích chập có thể nhận diện chính xác các thay đổi vi thể của men răng ở giai đoạn chưa hình thành lỗ sâu (mã ICDAS 1 và 2).
  2. Đột phá phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế? So với Ghaedi et al. (2014) chỉ nghiên cứu trên 88 ảnh răng nhổ in vitro, Berdouses et al. (2015) trên 103 ảnh đơn răng, và Srivastava et al. (2017) trên phim X-quang FCNN, luận án tiên phong xây dựng bộ dữ liệu lâm sàng thực địa in vivo quy mô $n = 4046$ mặt răng với quy trình chuẩn hóa MDP hai pha và đánh giá so sánh đồng thời 4 kiến trúc thị giác máy tính hiện đại (Faster R-CNN, YOLOv3, RetinaNet, SSD) đối chiếu trực tiếp với hai tiêu chuẩn vàng độc lập.
  3. Phát hiện gây bất ngờ nhất có số liệu thực chứng là gì? Mô hình học máy đạt độ nhạy nhận diện sâu răng sớm mặt ngoài tương đương chuyên gia khám qua ảnh nhưng khắc phục hoàn toàn nhược điểm dương tính giả tràn lan của máy laser huỳnh quang DIAGNOdent (vốn có độ đặc hiệu lâm sàng chỉ đạt $52% - 61%$).
  4. Quy trình tái lập (Replication Protocol) có được cung cấp minh bạch không? Nghiên cứu mô tả chi tiết toàn bộ siêu tham số huấn luyện (learning rate, batch size, anchor boxes), cấu trúc mạng nơ-ron, quy chuẩn chụp ảnh MDP (góc chụp trung tâm, bên phải, bên trái, ánh sáng chuẩn), và bộ tiêu chí gán nhãn giải phẫu theo ICDAS/ICCMS.
  5. Chương trình nghiên cứu 10 năm tiếp theo được định hình ra sao? Lộ trình 10 năm hướng tới việc tích hợp AI phân đoạn ngữ nghĩa thời gian thực trên kính thông minh (Smart AR Glasses) cho bác sĩ phẫu thuật nha khoa và phát triển nền tảng dữ liệu lớn nha khoa quốc gia phục vụ y tế dự phòng tự động hóa.

Kết luận

Luận án tiến sĩ của Nghiên cứu sinh Mai Thị Giang Thanh đã hoàn thành xuất sắc các mục tiêu nghiên cứu với những đóng góp nền tảng mang tính toàn diện:

  1. Tổng hợp và lượng hóa thành công giá trị chẩn đoán gộp của các phương pháp chẩn đoán sâu răng sớm trên y văn thế giới thông qua phân tích gộp sROC chuẩn mực.
  2. Xây dựng và chuẩn hóa thành công bộ cơ sở dữ liệu ảnh lâm sàng nha khoa 2 giai đoạn đạt tiêu chuẩn quốc tế với $n = 4046$ mặt răng được gán nhãn chuyên gia chính xác.
  3. Chứng minh tính ưu việt của các mô hình học sâu (Faster R-CNN, YOLOv3, RetinaNet, SSD) trong việc tự động phát hiện và phân loại sâu răng giai đoạn sớm trên cả mặt ngoài và mặt nhai.
  4. Mở ra bước ngoặt ứng dụng công nghệ trí tuệ nhân tạo vào nha khoa can thiệp tối thiểu và y tế từ xa tại Việt Nam.
  5. Cung cấp luận cứ khoa học vững chắc giúp các nhà hoạch định chính sách triển khai các giải pháp khám sàng lọc nha khoa cộng đồng hiệu quả, tiết kiệm ngân sách và nâng cao sức khỏe răng miệng toàn dân.