I. Tổng quan về Ung thư Đại tràng và Tầm quan trọng của Chẩn đoán sớm
Ung thư đại tràng là một trong những bệnh ung thư phổ biến nhất trên thế giới, đứng hàng thứ 4 với hơn 1.140.000 ca mắc mới hàng năm theo Globocan 2023. Tại Việt Nam, bệnh này nằm trong top 10 ung thư ở nam giới với tỷ lệ mắc 17,1/100.000 dân ở nam và 13,7/100.000 dân ở nữ. Tuy có nhiều tiến bộ trong tầm soát ung thư sớm, vẫn có 20-40% bệnh nhân được chẩn đoán khi đã di căn. Điều trị ung thư đại tràng giai đoạn muộn gặp nhiều khó khăn, với thời gian sống thêm trung bình 16-25 tháng và tỷ lệ sống 5 năm chỉ 11%. Chính vì vậy, việc phát triển công nghệ chẩn đoán tự động trở nên cực kỳ cần thiết trong y tế hiện đại.
1.1. Đặc điểm và Nguyên nhân của Ung thư Đại tràng
Ung thư đại tràng thường bắt đầu từ các polyp hình thành trong ruột già và trực tràng. Đại tràng có chức năng hấp thụ chất dinh dưỡng từ ruột non, khi các polyp này phát triển có thể trở thành ung thư. Châu Á có số ca mắc mới cao nhất (46,6%) và tỷ lệ tử vong 46,2%. Các yếu tố nguy hiểm bao gồm tuổi tác, chế độ ăn uống, lối sống lành mạnh và tiền sử gia đình.
1.2. Tình hình Dịch tễ học Toàn cầu và Việt Nam
Theo số liệu thế giới, ung thư đại tràng xếp thứ 5 về tỷ lệ tử vong với hơn 530.000 ca tử vong hàng năm. Tại Việt Nam, tỷ lệ mắc bệnh có xu hướng tăng trong những năm gần đây. Việc chẩn đoán sớm thông qua sàng lọc định kỳ là chiến lược quan trọng để cải thiện tỷ lệ sống sót và giảm gánh nặng bệnh tật cho xã hội.
II. Công nghệ Học Chuyển giao trong Phân loại Ung thư Đại tràng
Học chuyển giao (Transfer Learning) là một phương pháp học máy tiên tiến cho phép sử dụng kiến thức từ các mô hình đã huấn luyện trên tập dữ liệu lớn để giải quyết những bài toán tương tự. Trong lĩnh vực y học hình ảnh, học chuyển giao đặc biệt hiệu quả vì có thể khắc phục vấn đề dữ liệu ảnh y tế hạn chế. Ứng dụng phân loại ung thư đại tràng sử dụng mô hình Convolutional Neural Networks (CNN) như ResNet, GoogleNet được huấn luyện trước trên ImageNet. Phương pháp này cho phép tái sử dụng các đặc trưng đã học được từ các ảnh tự nhiên để nhận diện các mô bệnh lý trong ảnh nội soi đại tràng, đạt độ chính xác cao với thời gian huấn luyện ngắn và yêu cầu dữ liệu ít hơn.
2.1. Nguyên lý cơ bản của Học Chuyển giao
Học chuyển giao hoạt động trên cơ sở tái sử dụng các layer đã huấn luyện từ mô hình gốc, sau đó tinh chỉnh trên dữ liệu đặc thù. Trong xử lý ảnh y tế, các đặc trưng cấp thấp (cạnh, kết cấu) từ ImageNet có thể áp dụng trực tiếp cho ảnh đại tràng. Chỉ cần tinh chỉnh các layer cuối cùng trên dữ liệu huấn luyện mới để đạt độ chính xác cao.
2.2. Ứng dụng trong Xử lý Ảnh Y khoa
Trong phân loại ung thư đại tràng, các mô hình CNN được huấn luyện trước trên ImageNet cung cấp các đặc trưng tổng quát. Sau đó, mô hình được tinh chỉnh trên ảnh nội soi để phân loại giữa mô bình thường, polyp lành tính và ung thư. Phương pháp này giảm thời gian huấn luyện, cải thiện độ chính xác và khắc phục vấn đề thiếu dữ liệu y tế.
III. Kiến trúc Mô hình GoogleNet và ResNet cho Phân loại
GoogleNet (Inception v1) là mô hình kiến trúc đột phá với cấu trúc Inception module cho phép xử lý đặc trưng ở nhiều độ phân giải khác nhau. Mô hình này đạt độ chính xác cao trên ImageNet với số lượng tham số ít hơn các mô hình trước đây. ResNet (Residual Networks) giới thiệu khái niệm skip connection cho phép huấn luyện mạng nơ-ron sâu hơn mà không gặp vấn đề vanishing gradient. GoogleNet cải tiến kết hợp ưu điểm của cả hai cấu trúc để tăng khả năng trích xuất đặc trưng từ ảnh nội soi đại tràng. Các mô hình này được huấn luyện trước trên ImageNet, sau đó tinh chỉnh trên tập dữ liệu ung thư đại tràng để đạt độ chính xác phân loại tối ưu.
3.1. Kiến trúc GoogleNet và Inception Module
Inception module trong GoogleNet cho phép xử lý song song với các kernel size khác nhau (1x1, 3x3, 5x5). Điều này giúp mô hình học được các đặc trưng ở nhiều tỷ lệ khác nhau từ ảnh nội soi. GoogleNet cải tiến bổ sung các cơ chế chú ý và kết nối tối ưu hóa để phù hợp hơn với dữ liệu y tế.
3.2. Mô hình ResNet và Skip Connection
ResNet giới thiệu skip connection cho phép tín hiệu vượt qua các layer, giải quyết vấn đề vanishing gradient khi huấn luyện mạng sâu. ResNet-50 với 50 layer được sử dụng phổ biến trong phân loại ảnh y tế. Cấu trúc này cho phép mô hình học được các đặc trưng phức tạp từ ảnh đại tràng hiệu quả hơn.
IV. Kết quả Thực nghiệm và Ứng dụng Thực tế
Các thực nghiệm sử dụng GoogleNet cải tiến và ResNet-50 trên dữ liệu ung thư đại tràng cho thấy độ chính xác đạt 85-92% trong phân loại giữa mô bình thường, polyp và ung thư. Sử dụng Python với các thư viện TensorFlow, Keras để xây dựng mô hình. Dữ liệu từ Kaggle được chia thành 70% huấn luyện, 15% xác thực, 15% kiểm tra. Độ nhạy và độ đặc hiệu của mô hình đạt ngưỡng chấp nhận lâm sàng, cho phép ứng dụng trong hỗ trợ chẩn đoán tại các cơ sở y tế. Phương pháp đánh giá mô hình sử dụng các chỉ số: confusion matrix, AUC-ROC, F1-score để đảm bảo hiệu suất toàn diện.
4.1. Phương pháp Đánh giá Mô hình
Confusion matrix giúp đánh giá độ chính xác phân loại từng lớp. AUC-ROC curve thể hiện khả năng phân biệt của mô hình. Precision, Recall, F1-score cung cấp cái nhìn toàn diện về hiệu suất. Các chỉ số này quan trọng để đảm bảo mô hình có thể áp dụng lâm sàng an toàn.
4.2. Ứng dụng Thực tế và Hướng Phát triển
Ứng dụng phân loại ung thư đại tràng có thể tích hợp vào hệ thống nội soi kỹ thuật số để hỗ trợ bác sĩ trong chẩn đoán thời gian thực. Hướng phát triển tiếp theo bao gồm: kết hợp các mô hình ensemble, áp dụng interpretable AI để giải thích quyết định, mở rộng trên dữ liệu đa trung tâm và tối ưu hóa cho triển khai trên thiết bị cạnh.
