I. Tổng Quan Cách AI Phân Loại Ảnh Đáy Mắt Chẩn Đoán Bệnh
Các ứng dụng của máy học và học sâu trong y học đang thu hút sự chú ý lớn, với nhiều thành tựu đáng mong đợi. Phân tích và xử lý ảnh y tế, đặc biệt là chẩn đoán bệnh bằng máy học, ngày càng trở nên nhanh chóng và chính xác hơn. Bệnh võng mạc đái tháo đường (VMĐTĐ) là một biến chứng do tổn thương các mạch máu nhỏ trong võng mạc do bệnh đái tháo đường gây ra. Bệnh có nhiều giai đoạn, từ chưa tăng sinh đến tăng sinh, và có thể dẫn đến giảm hoặc mất thị lực. Các thiết bị hiện đại có thể chụp ảnh đáy mắt với độ phân giải cao, hỗ trợ bác sĩ chẩn đoán bệnh tốt hơn. Tuy nhiên, việc chẩn đoán đòi hỏi kiến thức chuyên môn và kinh nghiệm, do đó sự hỗ trợ của trí tuệ nhân tạo là rất cần thiết để giảm bớt khó khăn và hạn chế sai sót. Theo nghiên cứu của Hoang Nhut Huynh và cộng sự, "Classification of Stages Diabetic Retinopathy Using MobileNetV2 Model" [1], mô hình MobileNetV2 đạt độ chính xác 93% trên bộ dữ liệu APTOS 2019. Bệnh võng mạc đái tháo đường (VMĐTĐ) là kết quả các mạch máu rất nhỏ trong võng mạc bị ton thương do bệnh đái thao đường (DTD) gây ra.
1.1. Tổng quan về bệnh võng mạc tiểu đường và nguy cơ mù lòa
Bệnh võng mạc tiểu đường là một trong những nguyên nhân hàng đầu gây mù lòa trên toàn thế giới. Việc phát hiện sớm và điều trị kịp thời có thể làm chậm hoặc ngăn chặn tiến triển của bệnh. Các dấu hiệu ban đầu của bệnh thường không rõ ràng, vì vậy việc tầm soát bệnh định kỳ là rất quan trọng. Theo thống kê của Tổ chức Y tế Thế giới (WHO), số lượng người mắc bệnh tiểu đường và bệnh võng mạc tiểu đường đang gia tăng nhanh chóng. Việc ứng dụng AI trong chẩn đoán bệnh sẽ giúp tăng cường khả năng tiếp cận dịch vụ y tế và cải thiện hiệu quả điều trị.
1.2. Vai trò của ảnh chụp đáy mắt trong chẩn đoán bệnh võng mạc
Ảnh chụp đáy mắt là một phương pháp quan trọng để đánh giá tình trạng võng mạc và phát hiện các dấu hiệu của bệnh võng mạc tiểu đường. Ảnh chụp đáy mắt cho phép bác sĩ quan sát trực tiếp các mạch máu, thần kinh và các cấu trúc khác của võng mạc. Các dấu hiệu như vi phình mạch, xuất huyết, phù hoàng điểm và tân mạch có thể được phát hiện thông qua phân tích ảnh. Tuy nhiên, việc phân tích ảnh đòi hỏi kinh nghiệm và sự tập trung cao độ, và đôi khi có thể bị bỏ sót các dấu hiệu nhỏ. Chính vì thế, việc ứng dụng phần mềm chẩn đoán có sử dụng AI là một giải pháp tối ưu.
II. Thách Thức Chẩn Đoán Sớm Bệnh Võng Mạc Tiểu Đường Chính Xác
Mặc dù ảnh chụp đáy mắt là một công cụ hữu ích, việc chẩn đoán bệnh võng mạc tiểu đường vẫn đối mặt với nhiều thách thức. Sự khác biệt tinh tế giữa các giai đoạn bệnh có thể gây khó khăn cho bác sĩ nhãn khoa. Sự thiếu hụt bác sĩ chuyên khoa, đặc biệt ở vùng sâu vùng xa, cũng là một vấn đề lớn. Ngoài ra, việc phân tích ảnh thủ công tốn nhiều thời gian và dễ bị sai sót do yếu tố chủ quan. Sự cần thiết của một phương pháp chẩn đoán nhanh chóng, chính xác và khách quan là rất rõ ràng. Theo Vinmec cùng với Bệnh viện Phôi Trung ương và VinBrain đã hợp tác trién khai ứng “DrAid - AI Trợ lý bác sĩ trong chân đoán hình ảnh” [7],. Đây là một trong những phần mềm dau tiên tại Việt Nam ứng dụng trí tuệ nhân tao, kết hợp thị giác máy tính và công nghệ xử lý ngôn ngữ tự nhiên hỗ trợ chân đoán và điều trị bệnh. Giao diện ứng dụng DrAidTM cho Radiology (Nguồn hình [7])
2.1. Khó khăn trong việc đánh giá mức độ nghiêm trọng của bệnh
Bệnh võng mạc tiểu đường có nhiều giai đoạn, từ nhẹ đến nặng, và việc xác định chính xác giai đoạn bệnh là rất quan trọng để đưa ra phương pháp điều trị phù hợp. Các dấu hiệu của bệnh có thể rất nhỏ và khó phát hiện, đặc biệt ở giai đoạn sớm. Sự khác biệt giữa các giai đoạn bệnh có thể rất tinh tế, đòi hỏi bác sĩ phải có kinh nghiệm và sự tập trung cao độ. Việc ứng dụng AI có thể giúp giảm bớt sự phụ thuộc vào kinh nghiệm của bác sĩ và cải thiện độ chính xác của chẩn đoán.
2.2. Sự thiếu hụt nguồn lực y tế và cơ sở vật chất ở vùng sâu vùng xa
Ở các vùng sâu vùng xa, việc tiếp cận dịch vụ khám mắt và chẩn đoán bệnh võng mạc tiểu đường còn gặp nhiều khó khăn do thiếu hụt bác sĩ chuyên khoa và trang thiết bị y tế. Điều này dẫn đến việc bệnh nhân thường phát hiện bệnh ở giai đoạn muộn, khi việc điều trị trở nên khó khăn hơn. Telemedicine và các giải pháp chăm sóc sức khỏe từ xa có thể giúp giải quyết vấn đề này bằng cách cung cấp dịch vụ chẩn đoán và tư vấn từ xa, sử dụng AI để phân loại ảnh đáy mắt và hỗ trợ bác sĩ đưa ra quyết định điều trị.
2.3. Yếu tố chủ quan và sai sót trong phân tích ảnh đáy mắt thủ công
Việc phân tích ảnh đáy mắt thủ công phụ thuộc nhiều vào kinh nghiệm và sự tập trung của bác sĩ, và có thể bị ảnh hưởng bởi các yếu tố chủ quan như mệt mỏi, căng thẳng và định kiến cá nhân. Các sai sót trong phân tích ảnh có thể dẫn đến chẩn đoán sai và ảnh hưởng đến quá trình điều trị của bệnh nhân. AI có thể giúp giảm thiểu các sai sót này bằng cách cung cấp một phương pháp phân tích ảnh khách quan, nhất quán và có thể lặp lại.
III. Giải Pháp Ứng Dụng Deep Learning Phân Loại Ảnh Đáy Mắt DR
Để giải quyết những thách thức trên, việc ứng dụng Deep Learning trong phân loại ảnh đáy mắt để hỗ trợ chẩn đoán bệnh võng mạc tiểu đường là một giải pháp đầy tiềm năng. Các mô hình học máy, đặc biệt là mạng nơ-ron tích chập (CNN), có khả năng học các đặc trưng phức tạp từ ảnh đáy mắt và phân loại ảnh một cách chính xác. Các mô hình như VGG-16, ResNet, Inception và EfficientNet đã được chứng minh là có hiệu quả trong việc phát hiện bệnh và phân loại các giai đoạn bệnh. Các mô hình học sâu gün tích chập (CNN) được đề xuất năm 2014 trong bài báo “Very Deep Convolutional Networks for Large-Scale Image Recognition” [6] VGG-16 có số lượng tham số: 138.000 VGG-16 vẫn dữ các đặc điểm của kiến trúc AlexNet nhưng có những cải tiến hơn: « Kiến trúc VGG-16 sâu hon, bao gồm 13 lớp tích chập 2 chiều (so với AlexNet là 5) và 3 lớp fully connected.
3.1. Sử dụng mạng nơ ron tích chập CNN để trích xuất đặc trưng
Mạng nơ-ron tích chập (CNN) là một loại mô hình học máy đặc biệt phù hợp cho việc xử lý ảnh. Các lớp tích chập trong CNN có khả năng tự động trích xuất các đặc trưng quan trọng từ ảnh, như đường nét, góc cạnh và màu sắc. Các lớp pooling giúp giảm kích thước của ảnh và tăng tính tổng quát của mô hình. Các lớp fully connected kết hợp các đặc trưng đã được trích xuất để đưa ra dự đoán về giai đoạn bệnh.
3.2. Các mô hình Deep Learning phổ biến trong phân loại ảnh đáy mắt
Nhiều mô hình Deep Learning đã được sử dụng thành công trong phân loại ảnh đáy mắt, bao gồm VGG-16, ResNet, Inception, DenseNet và EfficientNet. Mỗi mô hình có kiến trúc và ưu điểm riêng. VGG-16 là một mô hình đơn giản và dễ triển khai. ResNet sử dụng các kết nối residual để giải quyết vấn đề vanishing gradient. Inception sử dụng các module inception để tăng hiệu quả tính toán. EfficientNet sử dụng một phương pháp scaling compound để tối ưu hóa kích thước và hiệu suất của mô hình. Việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm của bộ dữ liệu và yêu cầu về độ chính xác và tốc độ chẩn đoán.
3.3. Tiền xử lý và tăng cường dữ liệu để cải thiện độ chính xác
Tiền xử lý dữ liệu và tăng cường dữ liệu là các kỹ thuật quan trọng để cải thiện độ chính xác của các mô hình Deep Learning. Tiền xử lý dữ liệu bao gồm các bước như chuẩn hóa, làm mịn và cắt bỏ các vùng không quan trọng của ảnh. Tăng cường dữ liệu bao gồm việc tạo ra các bản sao mới của ảnh bằng cách áp dụng các phép biến đổi như xoay, lật, co giãn và thay đổi độ sáng. Các kỹ thuật này giúp tăng kích thước của bộ dữ liệu và giảm thiểu overfitting, từ đó cải thiện độ chính xác của mô hình.
IV. Kết Quả Đánh Giá Độ Chính Xác Mô Hình AI Chẩn Đoán DR
Sau khi huấn luyện và kiểm tra, các mô hình AI cho thấy độ chính xác ấn tượng trong chẩn đoán bệnh võng mạc tiểu đường. Các nghiên cứu đã chứng minh rằng AI có thể đạt được độ chính xác tương đương hoặc thậm chí cao hơn so với bác sĩ nhãn khoa trong một số trường hợp. Độ tin cậy của AI trong chẩn đoán bệnh đã mở ra cơ hội mới cho việc tầm soát bệnh và điều trị bệnh hiệu quả hơn. Kết quả độ chính xác của thực nghiệm 5 lớp Bảng 3. Ma trận phân lớp 5 lớp. Kết quả độ chính xác của thực nghiệm 2 lớp Bảng 3. Ma trận phân lớp 2 lớp. So sánh kết quả độ chính xác của thực nghiệm với các tác giả khác .59
4.1. So sánh hiệu suất của các mô hình AI khác nhau
Hiệu suất của các mô hình AI khác nhau có thể được so sánh dựa trên các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu. Độ chính xác là tỷ lệ các ảnh được phân loại đúng. Độ nhạy là tỷ lệ các bệnh nhân mắc bệnh được phát hiện đúng. Độ đặc hiệu là tỷ lệ các bệnh nhân không mắc bệnh được xác định đúng. Các nghiên cứu đã chỉ ra rằng các mô hình tiên tiến như EfficientNet thường có hiệu suất cao hơn so với các mô hình truyền thống như VGG-16.
4.2. Ảnh hưởng của chất lượng ảnh đến độ chính xác chẩn đoán
Chất lượng của ảnh đáy mắt có ảnh hưởng lớn đến độ chính xác của chẩn đoán. Ảnh mờ, thiếu sáng hoặc có nhiễu có thể làm giảm khả năng của AI trong việc phát hiện các dấu hiệu của bệnh. Việc sử dụng các kỹ thuật tiền xử lý ảnh để cải thiện chất lượng ảnh có thể giúp tăng độ chính xác của chẩn đoán. Ngoài ra, việc đào tạo AI trên các bộ dữ liệu đa dạng với các loại ảnh khác nhau cũng có thể giúp tăng tính tổng quát của mô hình.
4.3. Tính ứng dụng thực tế và triển khai hệ thống AI trong bệnh viện
Việc triển khai hệ thống AI trong bệnh viện có thể giúp tăng cường hiệu quả và năng suất của bác sĩ nhãn khoa. Hệ thống AI có thể được sử dụng để phân loại ảnh đáy mắt và đưa ra các gợi ý chẩn đoán, giúp bác sĩ tập trung vào các trường hợp phức tạp hơn. Hệ thống AI cũng có thể được tích hợp với hệ thống thông tin bệnh viện (HIS) để quản lý dữ liệu bệnh nhân và theo dõi tiến trình điều trị.
V. Hướng Phát Triển Tương Lai Của AI Trong Nhãn Khoa DR
Ứng dụng của AI trong nhãn khoa, đặc biệt là trong chẩn đoán bệnh võng mạc tiểu đường, đang phát triển mạnh mẽ. Trong tương lai, chúng ta có thể mong đợi những tiến bộ vượt bậc trong độ chính xác, tốc độ và tính tiện lợi của các hệ thống AI. AI có thể được sử dụng để phát hiện các dấu hiệu sớm của bệnh, dự đoán nguy cơ tiến triển bệnh và cá nhân hóa phương pháp điều trị cho từng bệnh nhân. Theo Luận văn đã giải quyết được 4. Những hạn chế của hệ thống và hướng giải quyết. Kết qua đạt được và ý nghĩa. Hướng phát triễn.-«+cccceetriererrriiiiiriirrriirrirriirrrrrrririisorrreoooooouuĐ2 TAI LIEU THAM KHAO. +63
5.1. Phát triển các mô hình AI tiên tiến hơn và đa năng hơn
Các nhà nghiên cứu đang không ngừng phát triển các mô hình AI tiên tiến hơn với khả năng học sâu hơn, hiểu ảnh tốt hơn và đưa ra các dự đoán chính xác hơn. Các mô hình mới như transformers và graph neural networks có tiềm năng cách mạng hóa lĩnh vực phân loại ảnh y tế. Ngoài ra, các mô hình đa năng có thể được huấn luyện để phát hiện nhiều bệnh về mắt khác nhau từ cùng một ảnh đáy mắt.
5.2. Kết hợp AI với các công nghệ khác như Telemedicine và IoT
AI có thể được kết hợp với các công nghệ khác như Telemedicine và Internet of Things (IoT) để cung cấp dịch vụ chăm sóc sức khỏe toàn diện và dễ dàng tiếp cận hơn. Các thiết bị IoT có thể được sử dụng để thu thập dữ liệu về sức khỏe của bệnh nhân, như đường huyết và huyết áp. Dữ liệu này có thể được sử dụng để AI đưa ra các cảnh báo sớm về nguy cơ mắc bệnh võng mạc tiểu đường và đề xuất các biện pháp phòng ngừa.
5.3. Đảm bảo tính minh bạch công bằng và trách nhiệm giải trình của AI
Để AI được chấp nhận rộng rãi trong nhãn khoa, cần đảm bảo tính minh bạch, công bằng và trách nhiệm giải trình của các hệ thống AI. Các quyết định của AI cần phải được giải thích rõ ràng và dễ hiểu. AI cần được huấn luyện trên các bộ dữ liệu đa dạng và không thiên vị để tránh phân biệt đối xử. Các nhà phát triển và người sử dụng AI cần phải chịu trách nhiệm về các hậu quả có thể xảy ra do việc sử dụng AI.
