Tổng Quan Về Phân Loại Ảnh Y Tế

• Tác giả: Nguyễn Văn Phong
• Người hướng dẫn: Tiến Sĩ Nguyễn Tắt Bảo Thiện
• Trường học: Đại học Công nghệ Thông tin
• Chuyên ngành: Thị giác máy tính
• Đề tài: Phân Loại Ảnh Y Tế: Ứng Dụng Học Sâu Trong Chẩn Đoán Ung Thư Vú
• Loại tài liệu: luận văn
• Năm xuất bản: 2021
• Địa điểm: TP Hồ Chí Minh

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TONG QUAN VE PHAN LOẠI ANH Y TẾ
• 1.1. Tài liệu nghiên cứu trong và ngoài nước
• 1.1.1. Tài liệu nghiên cứu trong nước
• 1.1.2. Tài liệu nghiên cứu nước ngoài
• 1.2. Lý do chọn đề tài
• 1.3. Giới hạn, tính mới và tính khoa học của đề tài
• 1.3.1. Giới hạn của đề tài
• 1.3.2. Tính mới của đề tài
• 1.3.3. Tính khoa học của đề tài
• 1.4. Mục tiêu, đối tượng và phạm vi nghiên cứu
• 1.4.1. Mục tiêu
• 1.4.2. Đối tượng và phạm vi nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ KHOA HỌC
• 2.1. Tổng quan về học máy
• 2.1.1. Phương pháp học máy truyền thống
• 2.1.2. Phương pháp học sâu
• 2.2. Đặc điểm về ảnh mô vú và Bộ dữ liệu sử dụng
• 2.2.1. Đặc điểm về ảnh mô vú
• 2.2.2. Bộ dữ liệu sử dụng
• 2.2.3. Tăng cường dữ liệu
• 2.3. Các mô hình dữ liệu
• 2.3.1. Mô hình ResNet
• 2.3.2. Mô hình Inception
• 2.3.3. Mô hình EFFICIENT-NET
• 3. CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG DỰA TRÊN MÔ HÌNH ĐÃ ĐƯỢC HUẤN LUYỆN
• 3.1. Tổng quan về ứng dụng quản lý Bệnh viện
• 3.1.1. Nhóm quản lý hệ thống thông tin bệnh viện
• 3.1.2. Nhóm về hệ thống thông tin xét nghiệm (LIS)
• 3.1.3. Công nghệ xây dựng. Kiến trúc N-Tier
• 3.2. Xây dựng ứng dụng hỗ trợ chẩn đoán ung thư vú
• 3.2.1. Sơ đồ ứng dụng và thiết kế cơ sở dữ liệu
• 3.2.2. Cài đặt ứng dụng
• 3.3. Xây dựng ứng dụng web hỗ trợ chẩn đoán ung thư vú
• 3.3.1. Một số View minh họa
• 3.4. Hướng giải quyết của đề tài
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Kết luận
• 4.2. Hướng phát triển cải tiến trong tương lai
• DANH MỤC TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ

I. Tổng Quan Phân Loại Ảnh Y Tế Chẩn Đoán Ung Thư Vú

Việc phân tích ảnh y tế và liên hệ với bệnh lý là một quá trình phức tạp, đòi hỏi kiến thức và kinh nghiệm chuyên môn. Phương pháp đọc thủ công tốn thời gian và độ tin cậy không cao. Các nhà khoa học đang nghiên cứu các thuật toán học máy tự động để phân tích ảnh y tế nhanh chóng, hiệu quả và chính xác hơn. Các nghiên cứu tập trung vào nhiều loại ảnh như CT, X-quang, siêu âm, nội soi và điện tim. Đặc biệt, phân loại ảnh mô vú để chẩn đoán ung thư vú được quan tâm đặc biệt. Các thuật toán học sâu giúp cải thiện độ chính xác và giảm thiểu sai sót trong quá trình chẩn đoán, góp phần vào việc AI trong chẩn đoán ung thư.

1.1. Nghiên Cứu Phân Loại Ảnh Y Tế Trong Nước và Nước Ngoài

Trong nước, các công trình nghiên cứu của P.GS Tiến Sĩ Ngô Quốc Tạo về kỹ thuật xử lý ảnh y tế đã đặt nền móng cho sự phát triển. Gần đây, sự phát triển của phần cứng máy tính và dữ liệu lớn đã tạo điều kiện cho lĩnh vực học sâu. Các nghiên cứu phân loại ảnh y tế ngày càng cụ thể cho từng loại ảnh, ví dụ như phân loại ảnh CT để chẩn đoán tai biến mạch máu não, phân loại X-Quang để chẩn đoán viêm phổi, ung thư phổi. TS. Lê Minh Hưng đã sử dụng tập dữ liệu ICIAR 2018 để phân loại ảnh mô vú hỗ trợ chẩn đoán ung thư với độ chính xác cao. Ngoài nước, nhiều phương pháp tiếp cận chuyên dụng khác nhau được đề xuất để phân loại ung thư vú, tập trung vào kỹ thuật tính năng và bộ phân loại. Các tính năng này có thể là các tính năng được tạo thủ công hoặc bộ mô tả tính năng.

1.2. Ảnh Mô Vú và Vai Trò Tiêu Chuẩn Vàng Trong Chẩn Đoán

Hình ảnh mô bệnh học Hematoxylin và Eosin (H&E) của mô vú được coi là tiêu chuẩn vàng để chẩn đoán ung thư vú. Tuy nhiên, việc phân loại thủ công gặp nhiều khó khăn. Nó đòi hỏi kiến thức chuyên ngành, kinh nghiệm và chuyên môn của các nhà bệnh lý học. Kết quả có thể khác nhau giữa những người đọc khác nhau, và thời gian trả lời kết quả cũng khác nhau trên cùng một hình ảnh mô bệnh. Do đó, sự hỗ trợ của máy tính là rất cần thiết để giảm bớt khó khăn và tránh chẩn đoán sai.

II. Vấn Đề Hạn Chế Thách Thức Phân Loại Ảnh Y Tế

Mặc dù các phương pháp dựa trên kỹ thuật tính năng thu được độ chính xác thích hợp trong phân loại ung thư vú, nhưng công việc như vậy đòi hỏi quá trình xử lý trước rộng rãi, phân đoạn vùng quan tâm (ROI) và trích xuất thủ công, điều này phụ thuộc vào tính toán và con người. Hơn nữa, các tính năng hoặc bộ mô tả tính năng được làm thủ công được coi là một tính năng cấp thấp không thể nắm bắt tất cả thông tin có giá trị ẩn trong hình ảnh, ví dụ: thông tin hình thái học, thông tin cấu trúc mô tế bào và đặc điểm sâu khác của mô tế bào. Bên cạnh đó, việc thiếu dữ liệu ảnh y tế chất lượng cao và đa dạng, cùng với các vấn đề về tính riêng tư và bảo mật dữ liệu, là những rào cản lớn cho việc phát triển và triển khai các hệ thống phần mềm phân loại ảnh y tế.

2.1. Giới Hạn Của Phương Pháp Thủ Công và Trích Xuất Tính Năng

Việc trích đặc trưng phụ thuộc chủ yếu vào kinh nghiệm của con người. Các thuật toán trích đặc trưng được thiết kế cho từng bài toán cụ thể và khó có thể được tái sử dụng lại cho bài toán mới mà dữ liệu hoàn toàn khác. Việc phân tích thủ công và đọc hình ảnh y tế liên hệ bệnh lý đòi hỏi thầy thuốc phải có kiến thức rộng và kinh nghiệm nhiều. Do đó các nhà khoa học đã và đang nghiên cứu đưa ra các thuật toán học máy tự động để phân tích ảnh y tế nhanh chóng hiệu quả và chính xác hơn.

2.2. Sự Thiếu Hụt Dữ Liệu Ảnh Y Tế và Vấn Đề Bảo Mật

Trong khuôn khổ đề tài, tập trung nghiên cứu đặc điểm của ảnh mô bệnh và tìm hiểu phương pháp đã có đồng thời tìm hiểu phương pháp khác mới phù hợp và mới phát triển gần đây đó là mô hình EfficientNet để áp dụng cho bài toán phân loại ảnh mô bệnh của của mô vú. Đề tài đã tìm hiểu đặc điểm của ảnh mô bệnh bệnh ung thư và các phương pháp rút trích đặc trưng cho loại ảnh này đã tìm hiểu ra được phương pháp tăng cường dữ liệu ảnh y tế cũng như phân loại ảnh.

III. Học Sâu Giải Pháp Phân Loại Ảnh Y Tế Ung Thư Vú

Trái ngược với các phương pháp học máy truyền thống dựa trên các tính năng được làm thủ công, các mô hình học sâu có khả năng tự động đưa ra các tính năng phức tạp và cấp độ cao từ hình ảnh. Do đó, nhiều nghiên cứu gần đây đã sử dụng phương pháp học sâu, có và không sử dụng các mô hình được đào tạo trước, để phân loại hình ảnh mô bệnh học ung thư vú. Các mạng mạng nơ-ron tích chập (CNN) đã được chứng minh là vượt quá hiệu suất của con người trong nhiều nhiệm vụ thị giác máy tính.

3.1. Ưu Điểm Vượt Trội của Học Sâu So Với Học Máy Truyền Thống

Các mô hình học sâu có khả năng tự động rút trích ra các đặc trưng phức tạp và cấp độ cao từ hình ảnh. Phương pháp này đã được chứng minh là vượt quá hiệu suất của con người trong nhiều nhiệm vụ thị giác máy tính. Mô hình EfficientNet phù hợp với loại dữ liệu và đã chạy thực nghiệm thử để so sánh hiệu quả với các phương pháp đã có.

3.2. Các Mô Hình Học Sâu Phổ Biến CNN ResNet Inception

Nhiều mô hình CNN đã được áp dụng để phân loại ảnh y sinh bao gồm AlexNet, ResNet, Inception, Inception-V4 và Inception-ResNet. Các nghiên cứu đề xuất sử dụng mô hình CNN để phân loại hình ảnh chụp X-quang tuyến vú và thu được kết quả vượt trội.

3.3. Tự Động Rút Trích Đặc Trưng Phức Tạp Với Mạng CNN

Mạng huấn luyện theo phương pháp học sâu có khả năng tự động rút trích ra các đặc trưng phức tạp và cấp độ cao từ hình ảnh. Đây là một điểm mạnh quan trọng giúp cải thiện độ chính xác so với phương pháp trích xuất đặc trưng thủ công.

IV. Phương Pháp Cách Xây Dựng Mô Hình Phân Loại Ảnh Y Tế

Việc xây dựng một mô hình phân loại ảnh y tế hiệu quả đòi hỏi sự kết hợp của nhiều yếu tố, bao gồm việc lựa chọn kiến trúc mạng nơ-ron phù hợp, tối ưu hóa các tham số huấn luyện, và áp dụng các kỹ thuật tăng cường dữ liệu. Bên cạnh đó, việc đánh giá hiệu năng mô hình học sâu một cách khách quan và toàn diện là rất quan trọng để đảm bảo tính tin cậy của hệ thống.

4.1. Lựa Chọn Kiến Trúc Mạng Nơ ron và Tối Ưu Tham Số

Cần nghiên cứu tổng quan về phân loại ảnh y sinh và một số mô hình tiêu biểu như: mô hình ResNet, Inception, VGG. Sau đó sẽ nghiên cứu về phương pháp kết hợp các mô hình Inception V3- ResNet. Nghiên cứu về mô hình mới xây dựng gần đây: mô hình EfficientNet.

4.2. Kỹ Thuật Tăng Cường Dữ Liệu và Tiền Xử Lý Ảnh

Đề tài đã tìm hiểu đặc điểm của ảnh mô bệnh bệnh ung thư và các phương pháp rút trích đặc trưng cho loại ảnh này đã tìm hiểu ra được phương pháp tăng cường ảnh cũng như phân loại ảnh bằng cách cắt ảnh gốc ra thành nhiều bản vá (patch) có kích thước [512,512] và chồng lấp lên nhau 50% kết quả đã thu được 35 bản vá (patch) từ ảnh gốc và việc phân loại ảnh bằng cách bằng cách xem số bản vá (patch) nào thuộc loại bệnh nào nhiều nhất thì ảnh đó thuộc loại bản vá đó đều đó tăng độ chính xác của 5 việc phân loại ảnh đáng kẻ.

4.3. Đánh Giá Hiệu Năng và Các Chỉ Số Quan Trọng

Để đánh giá hiệu năng, ta cần quan tâm đến độ chính xác chẩn đoán, độ nhạy (sensitivity) và độ đặc hiệu (specificity) của mô hình. Các chỉ số này giúp đánh giá khả năng phân biệt giữa các loại bệnh khác nhau.

V. Ứng Dụng Triển Khai Hệ Thống Phân Loại Ảnh Y Tế Ung Thư

Việc triển khai một hệ thống phân loại ảnh y tế trong thực tế đòi hỏi sự tích hợp với các hệ thống thông tin bệnh viện hiện có, đảm bảo tính bảo mật và tuân thủ các quy định về y tế. Ngoài ra, việc cung cấp một giao diện thân thiện và dễ sử dụng cho các bác sĩ lâm sàng là rất quan trọng để họ có thể tận dụng tối đa tiềm năng của công nghệ.

5.1. Tích Hợp Hệ Thống Với Quy Trình Chẩn Đoán Hiện Tại

Hệ thống cần được tích hợp một cách liền mạch vào quy trình làm việc hiện tại của các bác sĩ để đảm bảo tính hiệu quả và tiện lợi. Việc tích hợp cần đảm bảo rằng dữ liệu được truyền tải một cách an toàn và bảo mật.

5.2. Giao Diện Thân Thiện và Dễ Sử Dụng Cho Bác Sĩ

Giao diện cần được thiết kế đơn giản và trực quan để các bác sĩ có thể dễ dàng sử dụng và hiểu được kết quả phân loại. Cần có các công cụ hỗ trợ để giúp bác sĩ đưa ra quyết định chẩn đoán chính xác hơn.

5.3. Đảm Bảo Tính Bảo Mật và Tuân Thủ Quy Định Y Tế

Việc đảm bảo tính bảo mật của dữ liệu bệnh nhân là vô cùng quan trọng. Hệ thống cần tuân thủ các quy định về bảo mật dữ liệu y tế để đảm bảo quyền riêng tư của bệnh nhân.

VI. Tương Lai Triển Vọng Hướng Phát Triển Phân Loại Ảnh

Lĩnh vực phân loại ảnh y tế đang phát triển nhanh chóng, với nhiều tiềm năng ứng dụng trong AI in Healthcare. Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các mô hình học sâu mạnh mẽ hơn, khám phá các phương pháp transfer learning trong y tế, và giải quyết các vấn đề về tính minh bạch và khả năng diễn giải của các mô hình AI.

6.1. Phát Triển Các Mô Hình Học Sâu Mạnh Mẽ Hơn

Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các kiến trúc mạng nơ-ron mới, sử dụng các kỹ thuật huấn luyện tiên tiến, và kết hợp các nguồn dữ liệu khác nhau để cải thiện độ chính xác và độ tin cậy của các mô hình phân loại ảnh.

6.2. Khám Phá Các Phương Pháp Transfer Learning Trong Y Tế

Transfer learning có thể giúp giảm chi phí và thời gian huấn luyện mô hình bằng cách tận dụng kiến thức đã học được từ các bộ dữ liệu lớn khác. Các nghiên cứu có thể tập trung vào việc phát triển các phương pháp transfer learning phù hợp với lĩnh vực y tế.

6.3. Giải Quyết Vấn Đề Tính Minh Bạch và Khả Năng Diễn Giải

Để tăng cường sự tin tưởng của các bác sĩ và bệnh nhân, cần phát triển các phương pháp giải thích kết quả phân loại của các mô hình AI. Điều này có thể giúp hiểu rõ hơn về cách các mô hình đưa ra quyết định và xác định các sai sót tiềm ẩn.

Tổng quan nghiên cứu

Ung thư vú là một trong những bệnh lý phổ biến và nguy hiểm hàng đầu đối với phụ nữ trên toàn thế giới. Theo ước tính, mỗi năm có khoảng hàng triệu ca mới được chẩn đoán, trong đó việc phát hiện sớm và chính xác đóng vai trò quyết định đến hiệu quả điều trị và tỷ lệ sống sót. Ảnh mô bệnh học của mô vú, đặc biệt là các ảnh nhuộm Hematoxylin và Eosin (H&E), được xem là tiêu chuẩn vàng trong chẩn đoán ung thư vú. Tuy nhiên, việc phân loại thủ công các ảnh này đòi hỏi kiến thức chuyên sâu và kinh nghiệm cao của các nhà bệnh lý học, đồng thời tốn nhiều thời gian và có thể dẫn đến sai sót do tính chủ quan.

Mục tiêu của nghiên cứu là phát triển một phương pháp phân loại ảnh mô bệnh học của mô vú nhằm hỗ trợ chẩn đoán ung thư vú chính xác và nhanh chóng hơn. Nghiên cứu tập trung vào việc áp dụng các mô hình học sâu hiện đại, đặc biệt là mô hình EfficientNet, để phân loại ảnh mô bệnh thành bốn nhóm: Bình thường, Lành tính, Ung thư biểu mô tại chỗ và Ung thư biểu mô xâm lấn. Phạm vi nghiên cứu sử dụng bộ dữ liệu ICIAR 2018 gồm 400 ảnh mô bệnh với kích thước 2048x1536 pixel, được phân chia thành các tập huấn luyện, đánh giá và kiểm tra theo tỷ lệ 70%, 20% và 10%.

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác chẩn đoán ung thư vú, giảm thiểu sai sót và thời gian xử lý, đồng thời góp phần thúc đẩy ứng dụng trí tuệ nhân tạo trong y học, đặc biệt là trong lĩnh vực xử lý ảnh y tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai nền tảng lý thuyết chính: học máy truyền thống và học sâu (deep learning).

• Học máy truyền thống tập trung vào việc trích xuất đặc trưng thủ công từ ảnh mô bệnh, sử dụng các thuật toán phân loại như SVM, PCA, và các bộ mô tả tính năng như SIFT, GMCL, HOG. Phương pháp này phụ thuộc nhiều vào kinh nghiệm và kiến thức chuyên môn để lựa chọn đặc trưng phù hợp, tuy nhiên có hạn chế trong việc khai thác các đặc trưng phức tạp và sâu sắc trong ảnh.

• Học sâu là một nhánh đặc biệt của học máy, sử dụng mạng nơ-ron tích chập (CNN) để tự động trích xuất các đặc trưng phức tạp và cấp cao từ dữ liệu ảnh. Các mô hình CNN tiêu biểu được áp dụng trong nghiên cứu bao gồm ResNet, Inception, VGG và EfficientNet. Trong đó, EfficientNet nổi bật với phương pháp mở rộng quy mô đồng nhất chiều sâu, chiều rộng và độ phân giải ảnh, giúp đạt hiệu quả cao với số lượng tham số và thời gian tính toán tối ưu.

Các khái niệm chính bao gồm:

• Residual Block trong ResNet giúp giải quyết vấn đề suy giảm độ chính xác khi mạng sâu hơn.
• Inception Module trong mô hình Inception cho phép trích xuất đa dạng đặc trưng với nhiều kích thước bộ lọc khác nhau.
• Fine-tuning và transfer learning được sử dụng để tinh chỉnh các mô hình đã được huấn luyện trước trên tập dữ liệu lớn như ImageNet.
• Tăng cường dữ liệu (Data Augmentation) nhằm mở rộng tập dữ liệu huấn luyện, giảm overfitting và cải thiện khả năng tổng quát của mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ ảnh mô bệnh học mô vú ICIAR 2018, gồm 400 ảnh RGB nhuộm H&E, chia thành 4 lớp với số lượng bằng nhau (100 ảnh mỗi lớp). Ảnh có kích thước 2048x1536 pixel. Dữ liệu được phân chia thành tập huấn luyện (280 ảnh, 70%), tập đánh giá (80 ảnh, 20%) và tập kiểm tra (40 ảnh, 10%).

Phương pháp phân tích bao gồm:

• Tăng cường dữ liệu bằng các phép biến đổi như xoay ngẫu nhiên trong phạm vi ±40 độ, dịch chuyển chiều rộng và chiều cao 20%, lật ngang và dọc, sử dụng chế độ phản chiếu để lấp đầy các pixel trống.
• Trích xuất bản vá (patch) từ ảnh gốc với kích thước 512x512 pixel, chồng lấp 50%, tạo ra 35 bản vá cho mỗi ảnh nhằm giữ cấu trúc tế bào và tăng số lượng mẫu huấn luyện.
• Huấn luyện mô hình EfficientNet-B3 trên các bản vá, sử dụng kỹ thuật fine-tuning với các tham số tối ưu như learning rate, batch size, số epoch phù hợp.
• So sánh hiệu quả với các mô hình khác như Inception-V3 và VGG19 đã được tinh chỉnh trên cùng bộ dữ liệu.
• Đánh giá kết quả bằng các chỉ số độ chính xác (accuracy), độ chính xác từng lớp (precision), độ phủ (recall) và F1-score, đồng thời sử dụng ma trận nhầm lẫn (confusion matrix) để phân tích chi tiết.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian phù hợp với tiến độ luận văn, đảm bảo tính khoa học và thực tiễn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của mô hình EfficientNet-B3 khi sử dụng bản vá (patch):
   Mô hình đạt độ chính xác tổng thể 93% trên tập kiểm tra, cao hơn đáng kể so với 77,5% khi không sử dụng phương pháp trích xuất bản vá. Điều này chứng tỏ việc chia ảnh thành các bản vá giúp mô hình học được nhiều đặc trưng chi tiết hơn, cải thiện khả năng phân loại.

2. So sánh với các mô hình khác:

   • Mô hình Inception-V3 được tinh chỉnh đạt độ chính xác 95%.
   • Mô hình VGG19 tinh chỉnh đạt độ chính xác 90%.
   • Mô hình EfficientNet-B3 có hiệu suất cạnh tranh, đồng thời có ưu điểm về số lượng tham số và thời gian huấn luyện.

3. Độ chính xác phân lớp chi tiết:

   • Lớp Bình thường (N) có độ chính xác 83%, độ phủ 100%.
   • Lớp Lành tính (B) đạt độ chính xác 100%, độ phủ 80%.
   • Lớp Ung thư biểu mô tại chỗ (IS) có độ chính xác 91%, độ phủ 100%.
   • Lớp Ung thư biểu mô xâm lấn (IV) đạt độ chính xác và độ phủ 100% và 90% tương ứng.

4. Tăng cường dữ liệu và trích xuất bản vá giúp giảm overfitting:
   Việc áp dụng các kỹ thuật này làm tăng tính đa dạng của dữ liệu huấn luyện, giúp mô hình tổng quát hóa tốt hơn trên dữ liệu mới.

Thảo luận kết quả

Kết quả cho thấy mô hình học sâu, đặc biệt là EfficientNet-B3, có khả năng tự động trích xuất các đặc trưng phức tạp từ ảnh mô bệnh học, vượt trội hơn so với các phương pháp học máy truyền thống dựa trên trích xuất đặc trưng thủ công. Việc sử dụng bản vá ảnh giúp mô hình tập trung vào các vùng quan trọng, giữ nguyên cấu trúc tế bào và giảm kích thước đầu vào, từ đó nâng cao độ chính xác phân loại.

So với các nghiên cứu trước đây, kết quả đạt được tương đương hoặc cao hơn, đồng thời mô hình EfficientNet có ưu điểm về hiệu suất tính toán và khả năng mở rộng. Các biểu đồ ma trận nhầm lẫn minh họa rõ ràng sự phân biệt tốt giữa các lớp, đặc biệt là giữa các mức độ ung thư biểu mô, điều này rất quan trọng trong thực tiễn chẩn đoán.

Tuy nhiên, một số lớp như Bình thường và Lành tính có độ phủ chưa đồng đều, cho thấy cần tiếp tục cải tiến kỹ thuật tăng cường dữ liệu hoặc mở rộng bộ dữ liệu để nâng cao độ tin cậy. Ngoài ra, việc xây dựng ứng dụng hỗ trợ chẩn đoán dựa trên mô hình này sẽ giúp đưa kết quả nghiên cứu vào thực tế, hỗ trợ các nhà bệnh lý học trong công tác chẩn đoán.

Đề xuất và khuyến nghị

1. Triển khai ứng dụng hỗ trợ chẩn đoán ung thư vú dựa trên mô hình EfficientNet-B3:

   • Mục tiêu: Tăng độ chính xác và tốc độ chẩn đoán ảnh mô bệnh học.
   • Thời gian: 6-12 tháng để phát triển và thử nghiệm.
   • Chủ thể thực hiện: Các nhóm phát triển phần mềm y tế, phối hợp với bệnh viện và chuyên gia bệnh lý học.

2. Mở rộng và đa dạng hóa bộ dữ liệu huấn luyện:

   • Thu thập thêm ảnh mô bệnh học từ nhiều nguồn, đa dạng về kỹ thuật nhuộm và độ phân giải.
   • Tăng cường dữ liệu bằng các kỹ thuật biến đổi ảnh nâng cao.
   • Mục tiêu: Cải thiện khả năng tổng quát và độ chính xác của mô hình.
   • Thời gian: Liên tục trong quá trình phát triển.

3. Nâng cao kỹ thuật trích xuất bản vá và phân loại đa cấp:

   • Nghiên cứu các phương pháp chọn lọc bản vá thông minh, tập trung vào vùng quan tâm (ROI).
   • Áp dụng các mô hình đa nhiệm vụ để phân loại đồng thời mức độ ác tính và các đặc điểm mô học khác.
   • Chủ thể: Nhóm nghiên cứu AI và chuyên gia y tế.

4. Đào tạo và nâng cao nhận thức cho các nhà bệnh lý học về ứng dụng AI:

   • Tổ chức các khóa đào tạo, hội thảo về công nghệ phân loại ảnh mô bệnh học tự động.
   • Khuyến khích sử dụng ứng dụng hỗ trợ để tăng hiệu quả và giảm sai sót trong chẩn đoán.
   • Thời gian: Triển khai song song với phát triển ứng dụng.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành trí tuệ nhân tạo và học máy:

   • Lợi ích: Hiểu rõ ứng dụng học sâu trong xử lý ảnh y tế, đặc biệt là mô hình EfficientNet và kỹ thuật tăng cường dữ liệu.
   • Use case: Phát triển các dự án AI trong y học hoặc mở rộng nghiên cứu về phân loại ảnh.

2. Bác sĩ chuyên khoa bệnh lý học và ung bướu:

   • Lợi ích: Nắm bắt công nghệ hỗ trợ chẩn đoán ung thư vú, giảm thiểu sai sót và tăng hiệu quả công việc.
   • Use case: Áp dụng phần mềm hỗ trợ phân loại ảnh mô bệnh học trong thực tế lâm sàng.

3. Nhà phát triển phần mềm y tế và công nghệ sinh học:

   • Lợi ích: Tham khảo kiến trúc ứng dụng, phương pháp tích hợp mô hình AI vào hệ thống quản lý bệnh viện.
   • Use case: Xây dựng các giải pháp phần mềm hỗ trợ chẩn đoán và quản lý bệnh nhân.

4. Quản lý bệnh viện và cơ quan y tế:

   • Lợi ích: Hiểu rõ tiềm năng và lợi ích của AI trong nâng cao chất lượng dịch vụ y tế.
   • Use case: Lập kế hoạch đầu tư, triển khai công nghệ mới trong hệ thống y tế.

Câu hỏi thường gặp

1. Tại sao phải sử dụng bản vá (patch) thay vì ảnh gốc để huấn luyện mô hình?
   Việc chia ảnh gốc thành các bản vá nhỏ giúp giảm kích thước đầu vào, giữ nguyên cấu trúc tế bào chi tiết và tăng số lượng mẫu huấn luyện. Điều này cải thiện khả năng học của mô hình và độ chính xác phân loại, như kết quả nghiên cứu cho thấy tăng từ 77,5% lên 93%.

2. Mô hình EfficientNet có ưu điểm gì so với các mô hình CNN khác?
   EfficientNet sử dụng phương pháp mở rộng quy mô đồng nhất chiều sâu, chiều rộng và độ phân giải ảnh, giúp đạt hiệu quả cao với số lượng tham số và thời gian tính toán thấp hơn nhiều so với các mô hình như ResNet hay Inception, đồng thời vẫn giữ được độ chính xác cao.

3. Làm thế nào để tăng cường dữ liệu ảnh mô bệnh học?
   Các kỹ thuật tăng cường bao gồm xoay ảnh ngẫu nhiên trong phạm vi ±40 độ, dịch chuyển chiều rộng và chiều cao 20%, lật ngang và dọc, sử dụng chế độ phản chiếu để lấp đầy pixel trống. Những biến đổi này giúp mô hình học được nhiều biến thể của dữ liệu, giảm overfitting.

4. Độ chính xác phân loại ảnh mô bệnh học có thể đạt được bao nhiêu?
   Trong nghiên cứu này, mô hình EfficientNet-B3 đạt độ chính xác tổng thể 93% khi sử dụng bản vá, tương đương hoặc cao hơn nhiều nghiên cứu trước đây. Mức độ chính xác từng lớp cũng rất cao, đặc biệt với các lớp ung thư biểu mô.

5. Ứng dụng thực tế của mô hình phân loại ảnh mô bệnh học là gì?
   Ứng dụng giúp hỗ trợ các nhà bệnh lý học trong việc phân loại nhanh và chính xác các ảnh mô bệnh học, giảm thiểu sai sót do con người, tiết kiệm thời gian và nâng cao hiệu quả chẩn đoán ung thư vú trong bệnh viện.

Kết luận

• Đề tài đã nghiên cứu và áp dụng thành công mô hình học sâu EfficientNet-B3 để phân loại ảnh mô bệnh học của mô vú với độ chính xác lên tới 93% khi sử dụng kỹ thuật trích xuất bản vá và tăng cường dữ liệu.
• So sánh với các mô hình Inception-V3 và VGG19, mô hình EfficientNet-B3 có hiệu suất cạnh tranh và ưu thế về hiệu quả tính toán.
• Việc xây dựng ứng dụng hỗ trợ chẩn đoán dựa trên mô hình này có tiềm năng lớn trong thực tiễn y tế, giúp giảm thời gian và sai sót trong chẩn đoán ung thư vú.
• Nghiên cứu đề xuất các giải pháp mở rộng bộ dữ liệu, nâng cao kỹ thuật trích xuất và đào tạo chuyên gia để tối ưu hóa ứng dụng công nghệ AI trong y học.
• Các bước tiếp theo bao gồm phát triển ứng dụng hoàn chỉnh, thử nghiệm lâm sàng và triển khai rộng rãi trong hệ thống bệnh viện nhằm nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Quý độc giả và các nhà nghiên cứu được khuyến khích tiếp tục phát triển và ứng dụng các kết quả này để góp phần vào sự tiến bộ của lĩnh vực chẩn đoán hình ảnh y tế.