I. Tổng Quan Về Ứng Dụng AI Chẩn Đoán Ung Thư Xu Hướng
Sự thiếu hụt nguồn lực y tế trong lĩnh vực chẩn đoán hình ảnh là một thực tế toàn cầu. Ngay cả các quốc gia phát triển cũng đối mặt với tình trạng thiếu nhân lực. Tại Anh, hàng trăm nghìn ảnh X-quang phải chờ đợi hơn 30 ngày để được phân tích. Trí tuệ nhân tạo (AI) được xem là giải pháp tất yếu, giúp tăng độ chính xác và giải quyết tình trạng thiếu hụt nhân lực. Nhiều công cụ AI mới đã được phát triển để ứng dụng trong phân tích và chẩn đoán các dạng ung thư khác nhau dựa trên hình ảnh y tế, như X-quang phổi, vú, CT/MRI sọ não.
Tại Mỹ, một số phần mềm ứng dụng trí tuệ nhân tạo đã được FDA cấp phép hoạt động. Ví dụ, phần mềm chẩn đoán đột quỵ não do thiếu máu cục bộ cấp tính của Viz.AI giúp tiết kiệm tới 45% thời gian chẩn đoán và chăm sóc bệnh nhân. Việt Nam cũng đang hướng tới y tế thông minh, sử dụng công nghệ số và trí tuệ nhân tạo để phát triển các giải pháp chẩn đoán bệnh sớm, chi phí thấp và dễ tiếp cận người dùng. Những đột phá trong nghiên cứu cơ bản và ứng dụng trí tuệ nhân tạo trong y tế liên tiếp được công bố và triển khai thực tế.
1.1. Tình hình thiếu hụt nhân lực trong chẩn đoán hình ảnh
Tình trạng thiếu hụt nhân lực y tế ảnh hưởng đến thời gian chẩn đoán và điều trị, đặc biệt trong các trường hợp khẩn cấp. Theo thống kê, Nhật Bản có 36 bác sĩ chẩn đoán hình ảnh/triệu dân, trong khi nhiều quốc gia châu Phi thậm chí không có bác sĩ chẩn đoán hình ảnh. “Tại Anh, ước tính có hơn 300.000 hình ảnh X-quang phải chờ đến hơn 30 ngày trước khi được phân tích tại một thời điểm bất kỳ trong năm [1].” Điều này cho thấy nhu cầu cấp thiết về các giải pháp hỗ trợ chẩn đoán hiệu quả.
1.2. Vai trò của trí tuệ nhân tạo trong hỗ trợ chẩn đoán
Trí tuệ nhân tạo được coi là xu hướng tất yếu và là giải pháp cho các phần mềm hỗ trợ chẩn đoán bằng máy tính có độ chính xác cao hơn, giúp giải quyết những thiếu hụt về nhân lực. Đã có nhiều các công cụ AI mới được phát triển để ứng dụng trong phân tích và chẩn đoán nhiều dạng ung thư khác nhau dựa trên hình ảnh y tế như X-quang phổi, X-quang vú, CT/MRI sọ não [3, 4].
1.3. Ứng dụng AI trong chẩn đoán đột quỵ Viz.AI
Tại Mỹ, một số phần mềm ứng dụng trí tuệ nhân tạo đã được Cục quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) cấp giấy phép hoạt động. Một ví dụ đó là phần mềm chẩn đoán đột quỵ não do thiếu máu cục bộ cấp tính dựa trên kết quả phân tích hình ảnh chụp CT não của Viz. Kết quả thử nghiệm lâm sàng cho thấy hệ thống AI của Viz.AI giúp tiết kiệm tới 45% thời gian chẩn đoán và chăm sóc bệnh nhân [5], điều này vô cùng ý nghĩa trong những trường hợp bệnh nhân cần phải chẩn đoán và can thiệp y tế sớm vì ảnh hưởng tới tính mạng.
II. Thách Thức Hạn Chế Ứng Dụng CNN Chẩn Đoán Ung Thư
Mặc dù có nhiều tiềm năng, việc ứng dụng CNN và xử lý ảnh trong chẩn đoán ung thư vẫn còn đối mặt với nhiều thách thức. Đầu tư và chi phí cho y tế ở Việt Nam còn hạn chế. Số lượng bác sĩ trên đầu người vẫn còn thấp so với các nước trong khu vực. Sự mất cân bằng về trình độ giữa các bệnh viện tuyến địa phương và trung ương vẫn còn lớn. Việc sử dụng các công nghệ số với nòng cốt là dữ liệu lớn và trí tuệ nhân tạo để xây dựng nền y tế thông minh được coi là giải pháp để thay đổi nhanh nền y tế của Việt Nam.
Một vấn đề nữa là sự thiếu hụt dữ liệu huấn luyện chất lượng cao. Các mô hình học sâu cần lượng lớn dữ liệu để đạt được độ chính xác cao. Việc thu thập và gán nhãn dữ liệu y tế đòi hỏi chuyên môn và thời gian. Sự khác biệt về thiết bị và quy trình chụp ảnh giữa các bệnh viện cũng gây khó khăn cho việc xây dựng các mô hình CNN có tính tổng quát cao.
2.1. Hạn chế về nguồn lực và cơ sở vật chất y tế
Hệ thống y tế tại Việt Nam đã có nhiều thay đổi tích cực, nhưng đầu tư và chi phí cho y tế vẫn còn rất hạn chế. Thống kê gần đây, ở Việt Nam chỉ có hơn 8 bác sĩ/vạn dân. Số liệu thống kê này cũng chỉ ra rằng, tỷ lệ bác sĩ/người bệnh ở Việt Nam là rất thấp, ngay cả so sánh với các nước khác trong khu vực Đông Nam Á. Với thực trạng như hiện nay, cần rất nhiều năm để Việt Nam có thể bắt kịp Singapore, nơi có 23 bác sĩ/vạn dân [6].
2.2. Sự mất cân bằng về trình độ chuyên môn
Một vấn đề nữa tại Việt Nam là sự mất cân bằng về trình độ giữa các bệnh viện tại địa phương (tuyến huyện, tỉnh) so với các bệnh viện tuyến trung ương hay các thành phố lớn vẫn còn một khoảng cách xa. Từ những thực tế trên, việc sử dụng các công nghệ số với nòng cốt là dữ liệu lớn và trí tuệ nhân tạo, để xây dựng nền y tế thông minh được coi là giải pháp để thay đổi nhanh nền y tế của Việt Nam [7].
2.3. Thách thức về dữ liệu huấn luyện cho mô hình học sâu
Trong khoảng thời gian 5 năm trở lại đây, sự phát triển nhanh của dữ liệu lớn và năng lực tính toán đã giúp cho các mô hình trí tuệ nhân tạo đạt được những tiến bộ vượt bậc. Những đột phá trong nghiên cứu cơ bản và nghiên cứu về ứng dụng trí tuệ nhân tạo trong y tế liên tiếp được công bố và đưa vào triển khai thực tế [10-12].
III. Cách Mạng Chẩn Đoán Ung Thư CNN Xử Lý Ảnh Y Tế
Các mô hình trí tuệ nhân tạo có thể hỗ trợ bác sĩ trong toàn bộ quy trình khám bệnh lâm sàng dựa trên hình ảnh y tế. Trí tuệ nhân tạo giúp cho các thiết bị thu nhận hình ảnh y tế tạo ra các hình ảnh nhanh hơn, chất lượng hơn với giá thành rẻ hơn. Việc phân tích, chẩn đoán bệnh và tự động xuất báo cáo cũng đều có thể đảm nhiệm bởi các phần mềm ứng dụng trí tuệ nhân tạo. Trong các tác vụ trên, trí tuệ nhân tạo đã được ứng dụng nhiều trong tác vụ hỗ trợ chẩn đoán bệnh dựa trên hình ảnh, đặc biệt là phát hiện sớm các bệnh lý liên quan đến ung thư. Hệ thống hỗ trợ phát hiện (CADe) và hỗ trợ chẩn đoán (CADx) đã làm giảm các lỗi do phương pháp chẩn đoán truyền thống, chủ yếu dựa trên kinh nghiệm của các bác sĩ.
3.1. Ứng dụng AI trong toàn bộ quy trình khám bệnh lâm sàng
Hiểu một cách ngắn gọn là các mô hình trí tuệ nhân tạo có thể tham gia hỗ trợ bác sĩ trong toàn bộ quy trình khám bệnh lâm sàng dựa trên hình ảnh y tế. Trí tuệ nhân tạo giúp cho các thiết bị thu nhận hình ảnh y tế tạo ra các hình ảnh nhanh hơn, chất lượng hơn với giá thành rẻ hơn. Việc phân tích, chẩn đoán bệnh và tự động xuất báo cáo… cũng đều có thể đảm nhiệm bởi các phần mềm ứng dụng trí tuệ nhân tạo [13, 14].
3.2. Vai trò của AI trong hỗ trợ chẩn đoán bệnh qua hình ảnh
Trong các tác vụ trên, trí tuệ nhân tạo đã được ứng dụng nhiều trong tác vụ hỗ trợ chẩn đoán bệnh dựa trên hình ảnh [15-17], đặc biệt là phát hiện sớm các bệnh lý liên quan đến ung thư [18, 19]. Hệ thống hỗ trợ phát hiện (computer-aided detection – CADe) và hỗ trợ chẩn đoán (computer-aided diagnosis – CADx) đã làm giảm các lỗi do phương pháp chẩn đoán truyền thống, chủ yếu dựa trên kinh nghiệm của các bác sĩ [20, 21].
3.3. CADe CADx Giảm thiểu sai sót trong chẩn đoán ung thư
Hệ thống hỗ trợ phát hiện (computer-aided detection – CADe) và hỗ trợ chẩn đoán (computer-aided diagnosis – CADx) đã làm giảm các lỗi do phương pháp chẩn đoán truyền thống, chủ yếu dựa trên kinh nghiệm của các bác sĩ. Hiệu suất của các hệ thống như vậy đóng một vai trò quan trọng trong việc nâng cao chất lượng của công việc chẩn đoán.
IV. Giải Pháp Mới Phân Vùng Ảnh Siêu Âm Vú Nhờ CNN
Luận án đề xuất một giải pháp mới để nâng cao độ chính xác của hệ thống hỗ trợ chẩn đoán hình ảnh y tế bằng máy tính (CADx) dựa trên kỹ thuật xử lý ảnh và mạng nơ-ron tích chập. Giải pháp này được ứng dụng trong hỗ trợ chẩn đoán ung thư, giúp các bác sĩ chẩn đoán hình ảnh dễ dàng hơn trong việc chẩn đoán bệnh và lập kế hoạch điều trị. Đối tượng nghiên cứu là ảnh y tế của một số dạng ung thư có thể phát hiện sớm nhờ chẩn đoán hình ảnh, có tập dữ liệu đã được công bố trong các nghiên cứu trước đây và được phép sử dụng hợp pháp trong các nghiên cứu thực nghiệm của Luận án. Cụ thể, luận án tập trung vào ảnh siêu âm tuyến vú và tuyến giáp.
4.1. Mục tiêu của luận án Nâng cao độ chính xác CADx
Mục tiêu của luận án là nghiên cứu một số giải pháp để nâng cao độ chính xác của hệ thống hỗ trợ chẩn đoán hình ảnh y tế bằng máy tính (CADx) dựa trên kỹ thuật xử lý ảnh và mạng nơ-ron tích chập. Ứng dụng giải pháp đề xuất mới trong hỗ trợ chẩn đoán ung thư nhờ chẩn đoán hình ảnh, giúp các bác sĩ chẩn đoán hình ảnh dễ dàng hơn cho việc chẩn đoán bệnh và lập kế hoạch điều trị.
4.2. Đối tượng nghiên cứu Ảnh siêu âm tuyến vú và tuyến giáp
Đối tượng nghiên cứu của luận án - Ảnh y tế của một số dạng ung thư có thể phát hiện sớm nhờ chẩn đoán hình ảnh, có tập dữ liệu đã được công bố trong các nghiên cứu trước đây và được phép sử dụng hợp pháp trong các nghiên cứu thực nghiệm của Luận án. Trong nghiên cứu này, tác giả lựa chọn ảnh siêu âm tuyến vú và tuyến giáp làm đối tượng nghiên cứu.
4.3. Phạm vi nghiên cứu Phát hiện và phân vùng đối tượng quan tâm
Hình ảnh y tế bao gồm nhiều loại khác nhau, trên nhiều bộ phận của cơ thể con người với các đặc điểm và giải pháp xử lý khác nhau. Nghiên cứu này tập trung vào các loại hình ảnh y tế có sẵn các tập dữ liệu công khai để giảm thời gian cho việc thu thập dữ liệu cũng như đảm bảo độ tin cậy của dữ liệu. Vì vậy, phạm vi nghiên cứu tập trung chủ yếu ở hai vấn đề chính: Đề xuất và thực nghiệm chứng minh giải pháp kỹ thuật nhằm nâng cao độ chính xác của mô hình phát hiện, phân vùng các đối tượng quan tâm trên hình ảnh y tế dựa trên kỹ thuật xử lý ảnh và mạng nơ-ron tích chập.
V. Hướng Dẫn Phân Loại Khối U Tuyến Giáp Với Dữ Liệu Nhỏ
Luận án cũng đề xuất một giải pháp cho mô hình phân loại ảnh y tế dựa trên cấu trúc CNN trong trường hợp có ít dữ liệu huấn luyện. Phương pháp nghiên cứu bao gồm nghiên cứu lý thuyết và nghiên cứu thực nghiệm. Nghiên cứu lý thuyết tập trung vào phân tích và đánh giá các nghiên cứu về vấn đề phát hiện, phân vùng đối tượng trên ảnh y tế và phân loại ảnh y tế đã được công bố trên các tài liệu, tạp chí. Nghiên cứu thực nghiệm thực hiện viết chương trình với ngôn ngữ Python cho các giải pháp đề xuất, chạy thử nghiệm chương trình của giải pháp đề xuất mới với các bộ dữ liệu hình ảnh y tế công khai, đã được sử dụng ở các nghiên cứu khác.
5.1. Giải pháp cho mô hình phân loại ảnh y tế với CNN
Đề xuất và thực nghiệm chứng minh giải pháp cho mô hình phân loại ảnh y tế dựa trên cấu trúc CNN trong trường hợp có ít dữ liệu huấn luyện.
5.2. Phương pháp nghiên cứu Lý thuyết và thực nghiệm
Phương pháp nghiên cứu: Nghiên cứu lý thuyết: Phân tích, đánh giá các nghiên cứu về vấn đề phát hiện, phân vùng đối tượng trên ảnh y tế và phân loại ảnh y tế đã được công bố trên các tài liệu, tạp chí; Tổng hợp các thông tin liên quan đến đối tượng nghiên cứu, lựa chọn các cách tiếp cận đã được áp dụng thành công dựa vào các kết quả nghiên cứu đã công bố; Đề xuất giải pháp mới trong phạm vi nghiên cứu.
5.3. Python và dữ liệu công khai Cơ sở cho thực nghiệm
Thực hiện viết chương trình với ngôn ngữ Python cho các giải pháp đề xuất; Chạy thử nghiệm chương trình của giải pháp đề xuất mới với các bộ dữ liệu hình ảnh y tế công khai, đã được sử dụng ở các nghiên cứu khác; So sánh và đánh giá kết quả thực nghiệm so với kết quả của các nghiên cứu đã công bố, từ đó kết luận tính đúng đắn của kết quả nghiên cứu.
VI. Kết Quả Đột Phá Ứng Dụng Thực Tiễn CNN Trong Y Học
Luận án đóng góp vào việc nâng cao hiệu quả chẩn đoán ung thư thông qua kỹ thuật xử lý ảnh và mạng nơ-ron tích chập. Thứ nhất, luận án đề xuất giải pháp phân vùng hình ảnh khối u trong ảnh y tế sử dụng một mạng phân vùng duy nhất dựa trên cấu trúc mạng U-Net, đã được cải tiến nhiều lớp hơn so với mạng U-Net gốc, tăng khả năng học, giảm hiện tượng mất đạo hàm khi huấn luyện. Thứ hai, luận án nâng cao hiệu quả phát hiện và phân vùng đối tượng trong ảnh y tế cho mạng phân vùng khi sử dụng ảnh đa phân giải được tăng cường từ ảnh gốc.
6.1. Đóng góp 1 Mạng phân vùng U Net cải tiến
Đề xuất giải pháp phân vùng hình ảnh khối u trong ảnh y tế sử dụng một mạng phân vùng duy nhất dựa trên cấu trúc mạng U-Net. Mạng phân vùng này đã được cải tiến nhiều lớp hơn so với mạng U-Net gốc, tăng khả năng học, giảm hiện tượng mất đạo hàm khi huấn luyện.
6.2. Đóng góp 2 Ảnh đa phân giải cho mạng phân vùng
Nâng cao hiệu quả phát hiện và phân vùng đối tượng trong ảnh y tế cho mạng phân vùng khi sử dụng ảnh đa phân giải được tăng cường từ ảnh gốc.
