Nghiên Cứu và Ứng Dụng Kỹ Thuật Học Sâu Trong Chẩn Đoán Loãng Xương Qua Ảnh X-Quang

• Tác giả: Trần Văn Long
• Người hướng dẫn: Tiến Sĩ Lê Minh Hưng
• Trường học: Đại Học Quốc Gia TP HCM
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên Cứu Ứng Dụng Kỹ Thuật Học Sâu Trong Chẩn Đoán Loãng Xương Qua Ảnh X-Quang
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: TP Hồ Chí Minh

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Trí tuệ nhân tạo (AI) trong chẩn đoán hình ảnh
• 1.2. Các nghiên cứu liên quan trong và ngoài nước
• 1.3. Nội dung và phương pháp nghiên cứu của đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Y KHOA VỀ LOÃNG XƯƠNG VÀ CÁC VẤN ĐỀ LIÊN QUAN
• 2.1. Tổng quan về bệnh lý loãng xương
• 2.2. Các phương pháp cận lâm sàng trong chẩn đoán loãng xương
• 2.3. Đặc điểm giải phẫu cổ xương đùi và chỉ số Singh
• 2.4. Ảnh X-quang cổ xương đùi và tiêu chuẩn ảnh DICOM
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT MẠNG HỌC SÂU VÀ CÁC KIẾN THỨC LIÊN QUAN
• 3.1. Lý thuyết chung về Neural Network
• 3.2. Convolutional Neural Network
• 3.3. Các mô hình mạng CNN được ứng dụng trong luận văn
• 3.4. Các kỹ thuật học sâu (Deep Learning) cơ bản
• 3.5. Cơ sở của kỹ thuật học chuyển tiếp
• 3.6. Mất cân bằng dữ liệu và các phương pháp xử lý
• 4. CHƯƠNG 4: TRIỂN KHAI MÔ HÌNH THỰC NGHIỆM VÀ KẾT QUẢ
• 4.1. Mô hình và phương pháp thực hiện
• 4.2. Môi trường thực nghiệm
• 4.3. Các chỉ số đánh giá được sử dụng
• 4.4. Bộ dữ liệu (dataset) và chuẩn bị dữ liệu
• 4.5. Các thực nghiệm nhóm 1
• 4.6. Các thực nghiệm nhóm 2
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được của luận văn
• 5.2. Hướng phát triển tiếp theo cho đề tài
• DANH MỤC CÔNG TRÌNH KHOA HỌC
• TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH VẼ, ĐỒ THỊ

I. Tổng Quan Nghiên Cứu Ứng Dụng Học Sâu Chẩn Đoán Loãng Xương

Bệnh loãng xương là một vấn đề sức khỏe toàn cầu, ảnh hưởng đến hàng triệu người. Việc chẩn đoán loãng xương sớm và chính xác là rất quan trọng để ngăn ngừa gãy xương và cải thiện chất lượng cuộc sống. Các phương pháp chẩn đoán truyền thống như đo mật độ xương (BMD) bằng DXA có những hạn chế về chi phí và khả năng tiếp cận. Trong bối cảnh đó, nghiên cứu ứng dụng kỹ thuật học sâu để chẩn đoán loãng xương qua ảnh X-quang đang ngày càng thu hút sự quan tâm. Phương pháp này hứa hẹn mang lại giải pháp chẩn đoán hiệu quả, chi phí thấp và dễ tiếp cận hơn, đặc biệt ở các khu vực còn hạn chế về nguồn lực. Nghiên cứu này tập trung vào việc xây dựng và đánh giá các mô hình học sâu để phân tích ảnh X-quang cổ xương đùi, từ đó đánh giá mức độ loãng xương dựa trên các đặc trưng hình ảnh.

1.1. Vai trò của Trí tuệ nhân tạo AI trong Y học Hình ảnh

Trí tuệ nhân tạo (AI) đang cách mạng hóa nhiều lĩnh vực, và y học hình ảnh không phải là ngoại lệ. AI có khả năng phân tích hình ảnh y tế với tốc độ và độ chính xác cao, giúp các bác sĩ chẩn đoán bệnh nhanh chóng và hiệu quả hơn. Trong chẩn đoán loãng xương, AI có thể được sử dụng để phân tích ảnh X-quang, phát hiện các dấu hiệu của loãng xương mà mắt thường khó nhận ra. Các hệ thống CADe/x (computer-aided detection và computer-aided diagnosis) giúp bác sĩ đưa ra quyết định nhanh và chính xác hơn, cho phép phân tích và đánh giá các bất thường từ dữ liệu y khoa trong thời gian ngắn, giúp cải thiện chất lượng hình ảnh y khoa, làm nổi bật các cấu trúc bất thường.

1.2. Tổng quan các Nghiên cứu Chẩn đoán Loãng Xương bằng AI

Nhiều nghiên cứu đã chứng minh tiềm năng của AI trong chẩn đoán loãng xương bằng ảnh X-quang. Các nghiên cứu này sử dụng nhiều loại mô hình học sâu, bao gồm mạng nơ-ron tích chập (CNN) và các biến thể của chúng, để phân loại mức độ loãng xương hoặc dự đoán nguy cơ gãy xương. Các nghiên cứu trên thế giới sử dụng các pretrained model và kỹ thuật transfer learning để nâng cao hiệu suất. Tại Việt Nam, các nghiên cứu ứng dụng kỹ thuật còn hạn chế. Tuy nhiên, các nghiên cứu ban đầu cho thấy kết quả đầy hứa hẹn. Các mô hình AI được huấn luyện trên ảnh X-quang cho thấy khả năng chẩn đoán loãng xương với độ chính xác tương đương hoặc thậm chí cao hơn so với các phương pháp truyền thống.

II. Thách Thức Chẩn Đoán Loãng Xương và Giải Pháp Học Sâu

Chẩn đoán loãng xương bằng ảnh X-quang truyền thống gặp nhiều thách thức. Ảnh X-quang có độ phân giải thấp hơn so với các phương pháp như DXA, và việc đánh giá độ loãng xương thường dựa trên kinh nghiệm của bác sĩ. Điều này có thể dẫn đến sai sót và sự khác biệt trong kết quả chẩn đoán. Ngoài ra, ảnh X-quang có thể bị ảnh hưởng bởi nhiều yếu tố, như chất lượng hình ảnh, tư thế bệnh nhân và các bệnh lý khác. Kỹ thuật học sâu cung cấp một giải pháp tiềm năng để vượt qua những thách thức này. Các mô hình học sâu có khả năng học các đặc trưng phức tạp từ ảnh X-quang, giúp cải thiện độ chính xác và độ tin cậy của chẩn đoán.

2.1. Khó khăn trong Đánh giá Chủ quan bằng X quang

Việc đánh giá mức độ loãng xương dựa trên ảnh X-quang thường mang tính chủ quan, phụ thuộc vào kinh nghiệm của bác sĩ. Sự khác biệt về kiến thức và kinh nghiệm giữa các bác sĩ có thể dẫn đến sự không nhất quán trong chẩn đoán. Chỉ số Singh được sử dụng để đánh giá mức độ loãng xương, tuy nhiên quá trình phân loại gặp nhiều thử thách do xuất hiện nhiễu của thớ xương, dễ dẫn đến sự khác biệt lớn về kết quả chẩn đoán. Các mô hình học sâu có thể giúp giảm thiểu sự chủ quan này bằng cách cung cấp một phương pháp đánh giá khách quan và nhất quán hơn.

2.2. Vấn đề Chất lượng Ảnh X quang và Giải pháp Data Augmentation

Chất lượng ảnh X-quang có thể ảnh hưởng đáng kể đến độ chính xác của chẩn đoán loãng xương. Ảnh X-quang có thể bị mờ, nhiễu hoặc bị ảnh hưởng bởi các yếu tố khác, gây khó khăn cho việc đánh giá. Hơn nữa, việc thu thập dữ liệu y tế có thể tốn kém và mất thời gian. Kỹ thuật data augmentation (tăng cường dữ liệu) có thể giúp cải thiện hiệu suất của mô hình học sâu bằng cách tạo ra các biến thể của ảnh X-quang hiện có. Kỹ thuật này có thể giúp mô hình học các đặc trưng quan trọng hơn và giảm thiểu ảnh hưởng của nhiễu và các yếu tố khác.

III. Phương Pháp Xây Dựng Mô Hình CNN Chẩn Đoán Loãng Xương

Nghiên cứu này tập trung vào việc xây dựng và đánh giá các mô hình mạng nơ-ron tích chập (CNN) để chẩn đoán loãng xương qua ảnh X-quang cổ xương đùi. Các mô hình CNN được lựa chọn dựa trên khả năng học các đặc trưng hình ảnh phức tạp và hiệu suất đã được chứng minh trong các bài toán phân loại hình ảnh. Mô hình được huấn luyện trên một tập dữ liệu lớn gồm ảnh X-quang cổ xương đùi đã được gắn nhãn bởi các chuyên gia. Các kỹ thuật xử lý ảnh và tăng cường dữ liệu được sử dụng để cải thiện chất lượng hình ảnh và tăng tính đa dạng của dữ liệu huấn luyện.

3.1. Lựa chọn Kiến trúc Mạng CNN Phù Hợp

Việc lựa chọn kiến trúc mạng CNN phù hợp là rất quan trọng để đạt được hiệu suất tốt trong chẩn đoán loãng xương. Nghiên cứu này xem xét một số kiến trúc mạng CNN phổ biến, bao gồm AlexNet, ResNet, EfficientNet và các biến thể của chúng. Các kiến trúc này được đánh giá dựa trên khả năng học các đặc trưng hình ảnh quan trọng, tốc độ huấn luyện và độ chính xác chẩn đoán. Pretrained model trên ImageNet được sử dụng để transfer learning, giúp tăng tốc quá trình huấn luyện và cải thiện hiệu suất mô hình.

3.2. Tiền xử lý Ảnh và Tăng cường Dữ liệu X quang

Để cải thiện chất lượng ảnh X-quang và tăng tính đa dạng của dữ liệu huấn luyện, nghiên cứu này sử dụng một số kỹ thuật tiền xử lý ảnh và tăng cường dữ liệu. Các kỹ thuật tiền xử lý ảnh bao gồm điều chỉnh độ tương phản, loại bỏ nhiễu và chuẩn hóa kích thước ảnh. Các kỹ thuật tăng cường dữ liệu bao gồm xoay, lật, thu phóng và thay đổi độ sáng của ảnh. Data augmentation giúp cải thiện khả năng tổng quát hóa của mô hình và giảm nguy cơ overfitting.

IV. Thực Nghiệm Đánh Giá Hiệu Quả Chẩn Đoán Loãng Xương Bằng Học Sâu

Để đánh giá hiệu quả của các mô hình CNN đã được xây dựng, nghiên cứu này tiến hành một loạt các thực nghiệm trên một tập dữ liệu kiểm tra độc lập. Các mô hình được đánh giá dựa trên các chỉ số hiệu suất như độ chính xác, độ nhạy, độ đặc hiệu và diện tích dưới đường cong ROC (AUC). Kết quả thực nghiệm cho thấy các mô hình CNN có khả năng chẩn đoán loãng xương với độ chính xác cao, vượt trội so với các phương pháp truyền thống. Mô hình có thể giúp xác định nguyên nhân, sàng lọc các bệnh lý liên quan đến hệ cơ xương khớp ở bệnh nhân loãng xương.

4.1. Thiết lập Thực nghiệm và Chỉ số Đánh giá

Các thực nghiệm được thiết lập để so sánh hiệu suất của các mô hình CNN khác nhau và đánh giá ảnh hưởng của các kỹ thuật tiền xử lý ảnh và tăng cường dữ liệu. Các chỉ số đánh giá bao gồm độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity) và diện tích dưới đường cong ROC (AUC). Các chỉ số này được sử dụng để đánh giá khả năng của mô hình trong việc phân loại chính xác các trường hợp loãng xương và không loãng xương.

4.2. Kết quả và Phân tích Hiệu suất Mô hình

Kết quả thực nghiệm cho thấy các mô hình CNN có khả năng chẩn đoán loãng xương với độ chính xác cao. Các mô hình được huấn luyện trên dữ liệu đã được tăng cường cho thấy hiệu suất tốt hơn so với các mô hình được huấn luyện trên dữ liệu gốc. Kỹ thuật transfer learning cũng giúp cải thiện hiệu suất của mô hình, đặc biệt khi dữ liệu huấn luyện hạn chế. Các kết quả này chứng minh tiềm năng của kỹ thuật học sâu trong chẩn đoán loãng xương qua ảnh X-quang.

V. Ứng Dụng Thực Tế Phần Mềm Chẩn Đoán Loãng Xương Tự Động

Dựa trên các mô hình học sâu đã được xây dựng, nghiên cứu này phát triển một ứng dụng phần mềm hỗ trợ chẩn đoán loãng xương tự động. Ứng dụng này cho phép người dùng tải lên ảnh X-quang cổ xương đùi, và sau đó mô hình CNN sẽ phân tích hình ảnh và đưa ra kết quả chẩn đoán. Ứng dụng này có thể được sử dụng bởi các bác sĩ để hỗ trợ chẩn đoán loãng xương nhanh chóng và chính xác hơn. Từ đó, tạo nên cơ sở hướng tới việc áp dụng rộng rãi và đồng bộ cho các đơn vị y tế trong nước nhằm đem lại hiệu quả trong việc tầm soát loãng xương cũng như trong chẩn đoán và điều trị cho bệnh nhân loãng xương.

5.1. Giao Diện Người Dùng Thân Thiện và Dễ Sử Dụng

Ứng dụng phần mềm được thiết kế với giao diện người dùng thân thiện và dễ sử dụng. Người dùng có thể dễ dàng tải lên ảnh X-quang, xem kết quả chẩn đoán và các thông tin liên quan. Ứng dụng cũng cung cấp các công cụ để xem và phân tích ảnh X-quang, giúp bác sĩ đưa ra quyết định chẩn đoán chính xác hơn.

5.2. Tích Hợp với Hệ Thống Y Tế và Báo Cáo Chẩn Đoán

Ứng dụng phần mềm có thể được tích hợp với các hệ thống y tế hiện có, cho phép chia sẻ dữ liệu và kết quả chẩn đoán giữa các bác sĩ và bệnh viện. Ứng dụng cũng có thể tạo ra các báo cáo chẩn đoán chi tiết, giúp bác sĩ theo dõi tiến trình điều trị của bệnh nhân.

VI. Kết Luận Hướng Phát Triển Nghiên Cứu Chẩn Đoán Loãng Xương

Nghiên cứu này đã chứng minh tiềm năng của kỹ thuật học sâu trong chẩn đoán loãng xương qua ảnh X-quang. Các mô hình CNN có khả năng chẩn đoán với độ chính xác cao, vượt trội so với các phương pháp truyền thống. Ứng dụng phần mềm hỗ trợ chẩn đoán loãng xương tự động có thể giúp các bác sĩ chẩn đoán bệnh nhanh chóng và chính xác hơn. Hướng phát triển tiếp theo của nghiên cứu bao gồm việc thu thập và sử dụng một tập dữ liệu lớn hơn, phát triển các mô hình học sâu tiên tiến hơn và tích hợp ứng dụng với các hệ thống y tế.

6.1. Tổng Kết Kết Quả và Đóng Góp của Nghiên Cứu

Nghiên cứu này đã đạt được những kết quả đáng kể trong việc ứng dụng kỹ thuật học sâu để chẩn đoán loãng xương. Các kết quả này đóng góp vào việc phát triển các phương pháp chẩn đoán hiệu quả và chi phí thấp hơn. Nghiên cứu cũng cung cấp một nền tảng cho các nghiên cứu tiếp theo trong lĩnh vực này.

6.2. Hướng Nghiên Cứu và Phát Triển Tiếp Theo

Hướng nghiên cứu và phát triển tiếp theo bao gồm việc thu thập và sử dụng một tập dữ liệu lớn hơn, phát triển các mô hình học sâu tiên tiến hơn, tích hợp ứng dụng với các hệ thống y tế và đánh giá hiệu quả của ứng dụng trong môi trường lâm sàng thực tế. Nghiên cứu cũng có thể mở rộng để chẩn đoán các bệnh lý khác liên quan đến xương khớp.

Tổng quan nghiên cứu

Loãng xương là bệnh lý phổ biến thứ hai trên thế giới, ảnh hưởng nghiêm trọng đến sức khỏe cộng đồng và chất lượng cuộc sống, đặc biệt ở người cao tuổi. Theo ước tính, tại Việt Nam có khoảng 2,8 triệu người mắc loãng xương, trong đó 76% là nữ giới, với hơn 150.000 trường hợp gãy xương do loãng xương mỗi năm. Gãy cổ xương đùi do loãng xương có tỷ lệ tử vong lên đến 20% trong vòng một năm và gây tàn phế cho 30% bệnh nhân. Việc chẩn đoán loãng xương truyền thống dựa trên đo mật độ khoáng xương (BMD) bằng phương pháp DXA tuy chính xác nhưng chi phí cao và hạn chế khả năng tiếp cận ở các vùng nông thôn, đặc biệt tại các nước đang phát triển như Việt Nam.

Trong bối cảnh đó, việc ứng dụng trí tuệ nhân tạo (AI) và các kỹ thuật học sâu (Deep Learning) trong chẩn đoán hình ảnh y khoa trở thành xu hướng tất yếu nhằm nâng cao hiệu quả, giảm chi phí và hỗ trợ bác sĩ trong công tác sàng lọc, chẩn đoán loãng xương. Luận văn tập trung nghiên cứu và ứng dụng các kỹ thuật học sâu trên mạng nơ ron tích chập (CNN) để xây dựng hệ thống máy tính hỗ trợ chẩn đoán mức độ loãng xương trên ảnh X-quang cổ xương đùi theo chỉ số Singh, một chỉ số phổ biến trong đánh giá loãng xương tại Việt Nam.

Mục tiêu nghiên cứu là phát triển mô hình phân loại chính xác các mức độ loãng xương dựa trên ảnh X-quang cổ xương đùi, xử lý dữ liệu mất cân bằng và xây dựng ứng dụng trực quan hỗ trợ bác sĩ trong công tác chẩn đoán. Nghiên cứu được thực hiện trên bộ dữ liệu thực tế gồm khoảng 1765 ảnh X-quang cổ xương đùi thu thập tại các bệnh viện lớn ở TP. Hồ Chí Minh trong giai đoạn gần đây. Kết quả mô hình đạt độ chính xác trên 95%, góp phần nâng cao hiệu quả sàng lọc và chẩn đoán loãng xương, đồng thời giảm tải cho hệ thống y tế hiện nay.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: y khoa về bệnh lý loãng xương và kỹ thuật học sâu trong trí tuệ nhân tạo.

1. Y khoa về loãng xương và chỉ số Singh: Loãng xương là tình trạng giảm khối lượng và tổn thương vi cấu trúc xương, làm tăng nguy cơ gãy xương. Chỉ số Singh đánh giá mức độ loãng xương dựa trên hình thái và mật độ các bè xương chịu lực trên ảnh X-quang cổ xương đùi, phân chia thành 6 mức độ từ bình thường đến loãng xương nặng. Đây là phương pháp phổ biến, chi phí thấp, phù hợp với điều kiện thực tế tại Việt Nam.

2. Mạng nơ ron tích chập (CNN): CNN là mô hình học sâu chuyên biệt cho xử lý ảnh, với các lớp tích chập (Convolutional Layer), lớp gộp (Pooling Layer) và lớp kết nối đầy đủ (Fully Connected Layer). CNN có khả năng tự động trích xuất đặc trưng từ ảnh, xử lý hiệu quả các bài toán phân loại hình ảnh y khoa. Các kiến trúc CNN được sử dụng trong nghiên cứu gồm Inception-V3, ResNet-50 và EfficientNet-B3, nổi bật với khả năng học sâu, giảm thiểu tham số và tăng độ chính xác.

Các khái niệm chuyên ngành quan trọng bao gồm: BMD (Bone Mineral Density), chỉ số Singh, mạng CNN, hàm kích hoạt (ReLU, ELU), hàm mất mát (Loss Function), kỹ thuật học chuyển tiếp (Transfer Learning), và xử lý mất cân bằng dữ liệu (Imbalanced Dataset).

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp phân tích lý thuyết:

• Nguồn dữ liệu: Bộ dữ liệu gồm khoảng 1765 ảnh X-quang cổ xương đùi được thu thập và gán nhãn bởi các bác sĩ chuyên khoa tại Bệnh viện Chấn thương Chỉnh hình TP. Hồ Chí Minh và Đại học Y khoa Phạm Ngọc Thạch. Dữ liệu có hiện tượng mất cân bằng giữa các lớp mức độ loãng xương.

• Chuẩn bị dữ liệu: Ảnh được xử lý chuẩn hóa, loại bỏ nhiễu, điều chỉnh độ tương phản và phân đoạn vùng cổ xương đùi. Dữ liệu được chia thành tập huấn luyện, tập kiểm tra và tập kiểm định theo tỷ lệ phù hợp.

• Phương pháp phân tích: Áp dụng các mô hình CNN hiện đại (Inception-V3, ResNet-50, EfficientNet-B3) với kỹ thuật học chuyển tiếp để tận dụng kiến thức từ các bộ dữ liệu lớn khác. Sử dụng các hàm mất mát phù hợp và thuật toán tối ưu Stochastic Gradient Descent (SGD) với mini-batch để huấn luyện mô hình.

• Xử lý mất cân bằng dữ liệu: Áp dụng các kỹ thuật tăng cường dữ liệu (data augmentation), over-sampling và các thuật toán cân bằng lớp như SMOTE để cải thiện hiệu quả phân loại.

• Timeline nghiên cứu: Quá trình thu thập và xử lý dữ liệu diễn ra trong khoảng 6 tháng, huấn luyện và đánh giá mô hình trong 4 tháng tiếp theo, xây dựng ứng dụng hỗ trợ trong 2 tháng cuối cùng của năm nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phân loại cao: Mô hình CNN đạt độ chính xác trung bình trên 95,01% trong phân loại các mức độ loãng xương theo chỉ số Singh trên bộ dữ liệu thực tế gồm 1765 ảnh. Trong đó, mô hình EfficientNet-B3 cho kết quả tốt nhất với độ chính xác 95,8%, vượt trội so với Inception-V3 (94,5%) và ResNet-50 (93,9%).

2. Ảnh hưởng của xử lý mất cân bằng dữ liệu: Việc áp dụng kỹ thuật tăng cường dữ liệu và over-sampling giúp cải thiện độ chính xác phân loại lên khoảng 3-5% so với mô hình không xử lý mất cân bằng, đồng thời giảm tỷ lệ False Negative (FN) từ 12% xuống còn khoảng 6%.

3. Hiệu quả của học chuyển tiếp: Sử dụng mô hình học chuyển tiếp từ các mạng CNN đã được huấn luyện trên bộ dữ liệu lớn giúp rút ngắn thời gian huấn luyện và tăng độ chính xác phân loại khoảng 4% so với huấn luyện từ đầu.

4. Ứng dụng phân đoạn ảnh: Mô hình Mask-RCNN được sử dụng để phân đoạn chính xác vùng cổ xương đùi trên ảnh X-quang, giúp loại bỏ nhiễu và tăng độ tin cậy của mô hình phân loại. Kết quả phân đoạn đạt chỉ số IoU (Intersection over Union) trung bình trên 87%.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy các kỹ thuật học sâu, đặc biệt là mạng CNN, có khả năng phân loại chính xác các mức độ loãng xương trên ảnh X-quang cổ xương đùi, hỗ trợ hiệu quả cho công tác chẩn đoán lâm sàng. Việc xử lý mất cân bằng dữ liệu là yếu tố then chốt giúp cải thiện hiệu suất mô hình, phù hợp với đặc điểm thực tế của bộ dữ liệu y tế thường không cân bằng.

So sánh với các nghiên cứu quốc tế, độ chính xác trên 95% là mức cao, thể hiện tiềm năng ứng dụng rộng rãi trong thực tế. Việc sử dụng học chuyển tiếp giúp tận dụng kiến thức từ các bộ dữ liệu lớn, giảm chi phí tính toán và thời gian huấn luyện, phù hợp với điều kiện hạn chế về nguồn lực tại các bệnh viện Việt Nam.

Các kết quả phân đoạn vùng cổ xương đùi bằng Mask-RCNN giúp mô hình tập trung vào vùng quan trọng, giảm ảnh hưởng của nhiễu và biến thể trong ảnh X-quang, từ đó nâng cao độ tin cậy của hệ thống. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các mô hình CNN, bảng thống kê tỷ lệ FN và FP trước và sau xử lý mất cân bằng, cũng như biểu đồ IoU của mô hình phân đoạn.

Đề xuất và khuyến nghị

1. Triển khai hệ thống hỗ trợ chẩn đoán tại các bệnh viện tuyến tỉnh và trung ương: Áp dụng mô hình CNN đã được huấn luyện để hỗ trợ bác sĩ trong việc phân loại mức độ loãng xương trên ảnh X-quang cổ xương đùi, giúp nâng cao hiệu quả sàng lọc và chẩn đoán sớm. Thời gian triển khai dự kiến trong 12 tháng, do các đơn vị y tế chủ trì phối hợp với các trung tâm công nghệ thông tin.

2. Đào tạo và nâng cao năng lực cho nhân viên y tế: Tổ chức các khóa đào tạo về sử dụng hệ thống AI hỗ trợ chẩn đoán, đồng thời nâng cao nhận thức về chỉ số Singh và kỹ thuật chẩn đoán hình ảnh. Mục tiêu tăng tỷ lệ sử dụng công nghệ mới lên 80% trong vòng 2 năm.

3. Mở rộng bộ dữ liệu và cập nhật mô hình liên tục: Thu thập thêm dữ liệu X-quang từ nhiều bệnh viện trên toàn quốc để cải thiện độ đa dạng và tính đại diện của dữ liệu, từ đó nâng cao độ chính xác và khả năng tổng quát của mô hình. Thời gian thực hiện liên tục, cập nhật mô hình định kỳ 6 tháng/lần.

4. Phát triển ứng dụng di động và nền tảng đám mây: Xây dựng ứng dụng dễ sử dụng cho bác sĩ và nhân viên y tế tại các cơ sở y tế tuyến dưới, giúp tiếp cận nhanh chóng và thuận tiện. Đồng thời, triển khai nền tảng đám mây để lưu trữ và xử lý dữ liệu tập trung, đảm bảo bảo mật và khả năng mở rộng. Kế hoạch phát triển trong 18 tháng tới, do các công ty công nghệ phối hợp với ngành y tế thực hiện.

Đối tượng nên tham khảo luận văn

1. Bác sĩ chuyên khoa cơ xương khớp và chấn thương chỉnh hình: Nghiên cứu giúp nâng cao hiệu quả chẩn đoán loãng xương, hỗ trợ quyết định điều trị dựa trên phân loại mức độ chính xác.

2. Nhà nghiên cứu và phát triển công nghệ AI trong y tế: Cung cấp cơ sở lý thuyết và thực nghiệm về ứng dụng mạng CNN trong xử lý ảnh y khoa, đặc biệt là xử lý dữ liệu mất cân bằng và học chuyển tiếp.

3. Quản lý và hoạch định chính sách y tế: Tham khảo để xây dựng chiến lược ứng dụng công nghệ số trong y tế, nâng cao chất lượng khám chữa bệnh và giảm tải cho hệ thống y tế.

4. Sinh viên và học viên cao học ngành công nghệ thông tin và y học: Tài liệu tham khảo quý giá về phương pháp nghiên cứu, kỹ thuật học sâu và ứng dụng thực tế trong lĩnh vực y tế.

Câu hỏi thường gặp

1. Mô hình CNN có thể áp dụng cho các loại hình ảnh y khoa khác không?
   Có, CNN là mô hình linh hoạt, có thể áp dụng cho nhiều loại hình ảnh y khoa như MRI, CT, siêu âm với các điều chỉnh phù hợp về kiến trúc và dữ liệu huấn luyện.

2. Làm thế nào để xử lý dữ liệu mất cân bằng trong bài toán phân loại?
   Các kỹ thuật như tăng cường dữ liệu (data augmentation), over-sampling, SMOTE và điều chỉnh hàm mất mát giúp cân bằng ảnh hưởng của các lớp thiểu số, cải thiện hiệu quả mô hình.

3. Chỉ số Singh có ưu điểm gì so với đo mật độ xương DXA?
   Chỉ số Singh dựa trên ảnh X-quang đơn giản, chi phí thấp, dễ tiếp cận, phù hợp với điều kiện y tế tại các vùng nông thôn và các nước đang phát triển, trong khi DXA đắt đỏ và hạn chế về thiết bị.

4. Học chuyển tiếp (Transfer Learning) giúp gì trong huấn luyện mô hình?
   Học chuyển tiếp tận dụng kiến thức từ các mô hình đã huấn luyện trên bộ dữ liệu lớn, giúp giảm thời gian huấn luyện, tăng độ chính xác và khả năng tổng quát của mô hình trên dữ liệu mới.

5. Ứng dụng thực tế của hệ thống hỗ trợ chẩn đoán này như thế nào?
   Hệ thống giúp bác sĩ phân loại mức độ loãng xương nhanh chóng, chính xác, hỗ trợ sàng lọc và quyết định điều trị, giảm tải công việc và nâng cao chất lượng khám chữa bệnh.

Kết luận

• Nghiên cứu đã phát triển thành công mô hình CNN phân loại mức độ loãng xương trên ảnh X-quang cổ xương đùi với độ chính xác trên 95%.
• Kỹ thuật xử lý mất cân bằng dữ liệu và học chuyển tiếp đóng vai trò quan trọng trong việc nâng cao hiệu quả mô hình.
• Mô hình phân đoạn Mask-RCNN giúp tăng độ tin cậy bằng cách tập trung vào vùng cổ xương đùi trên ảnh.
• Ứng dụng hệ thống hỗ trợ chẩn đoán có tiềm năng giảm chi phí, nâng cao khả năng tiếp cận và chất lượng chẩn đoán tại Việt Nam.
• Hướng phát triển tiếp theo bao gồm mở rộng bộ dữ liệu, phát triển ứng dụng di động và nền tảng đám mây để triển khai rộng rãi trong hệ thống y tế.

Luận văn khuyến khích các đơn vị y tế và công nghệ phối hợp triển khai ứng dụng thực tế, đồng thời tiếp tục nghiên cứu nâng cao hiệu quả và mở rộng phạm vi áp dụng trong tương lai.