Nghiên cứu ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư phổi sử dụng ảnh chụp CT

Tài liệu nghiên cứu Nghiên cứu ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư phổi sử dụng ảnh chụp ct, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Nguyễn Đăng Nhật
• Người hướng dẫn: TS. Trần Ngọc Toàn
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ thuật Hạt nhân
• Đề tài: Ứng Dụng Trí Tuệ Nhân Tạo Trong Chẩn Đoán Ung Thư Phổi Qua Ảnh CT
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT NỘI DUNG LUẬN VĂN
• 1. CHƯƠNG 1: TỔNG QUAN CƠ SỞ LÝ THUYẾT
• 1.1. Các loại ung thư phổ biến
• 1.2. Ung thư phổi tế bào nhỏ
• 1.3. Ung thư phổi không tế bào nhỏ
• 1.4. Giới thiệu về mạng nơ ron tích chập và ứng dụng
• 1.5. Kiến trúc CNN
• 1.6. Các kiến trúc mạng nổi tiếng trên CNN
• 1.7. Kiến trúc VGG16
• 1.8. Kiến trúc LeNet(1998)
• 1.9. Kiến trúc Alexnet
• 1.10. So sánh cấu trúc mạng VGG16 với các cấu trúc mạng CNN khác
• 2. CHƯƠNG 2: XÂY DỰNG CHƯƠNG TRÌNH PHÂN LOẠI UNG THƯ PHỔI BẰNG MẠNG NƠ-RON NHÂN TẠO
• 2.1. Chuẩn bị dữ liệu hình ảnh
• 2.2. Huấn luyện mô hình bằng cấu trúc VGG16
• 2.3. Fully Connected Layer (lớp kết nối đầy đủ)
• 2.4. Mô hình tăng cường độ chính xác của VGG16
• 2.5. Các tỉ số đánh giá mô hình
• 3. CHƯƠNG 3: KẾT QUẢ VÀ THẢO LUẬN
• 3.1. Kết quả của VGG16 với VGG16 kết hợp tăng cường dữ liệu
• 3.2. So sánh kết quả với các mô hình khác
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư phổi

Chẩn đoán ung thư phổi là một trong những thách thức lớn trong y học hiện đại. Việc sử dụng trí tuệ nhân tạo (AI) trong phân tích ảnh CT đã mở ra những cơ hội mới cho việc phát hiện sớm và chính xác bệnh. AI có khả năng xử lý và phân tích lượng lớn dữ liệu hình ảnh, giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn. Nghiên cứu cho thấy rằng việc áp dụng AI có thể cải thiện tỷ lệ phát hiện ung thư phổi lên đến 95%.

1.1. Khái niệm về trí tuệ nhân tạo trong y tế

Trí tuệ nhân tạo trong y tế là việc ứng dụng các thuật toán máy học để phân tích và xử lý dữ liệu y tế. AI có thể học hỏi từ các mẫu dữ liệu, từ đó đưa ra dự đoán và chẩn đoán chính xác hơn. Việc áp dụng AI trong chẩn đoán ung thư phổi giúp giảm thiểu sai sót do yếu tố con người.

1.2. Tầm quan trọng của ảnh CT trong chẩn đoán

Ảnh CT là công cụ quan trọng trong việc phát hiện và chẩn đoán ung thư phổi. Hình ảnh CT cung cấp cái nhìn chi tiết về cấu trúc phổi, giúp bác sĩ phát hiện các khối u và bất thường. Việc phân tích hình ảnh CT bằng AI giúp tăng cường độ chính xác và giảm thời gian chẩn đoán.

II. Thách thức trong chẩn đoán ung thư phổi qua ảnh CT

Mặc dù có nhiều tiến bộ trong công nghệ, việc chẩn đoán ung thư phổi vẫn gặp nhiều thách thức. Các bác sĩ thường phải đối mặt với khối lượng lớn hình ảnh và thông tin, dẫn đến khả năng bỏ sót các dấu hiệu quan trọng. Hơn nữa, việc phân tích hình ảnh CT yêu cầu kỹ năng cao và kinh nghiệm từ bác sĩ. Do đó, việc áp dụng machine learning trong y tế là cần thiết để hỗ trợ quá trình này.

2.1. Khó khăn trong việc phát hiện sớm

Phát hiện sớm ung thư phổi là rất quan trọng nhưng thường gặp khó khăn do các triệu chứng không rõ ràng. Nhiều bệnh nhân chỉ được chẩn đoán khi bệnh đã tiến triển, làm giảm khả năng điều trị thành công. AI có thể giúp phát hiện các dấu hiệu sớm hơn thông qua phân tích hình ảnh.

2.2. Sự phụ thuộc vào kinh nghiệm của bác sĩ

Việc chẩn đoán ung thư phổi thường phụ thuộc vào kinh nghiệm và kỹ năng của bác sĩ. Điều này có thể dẫn đến sự khác biệt trong kết quả chẩn đoán. AI có thể cung cấp một cái nhìn khách quan hơn, giảm thiểu sự thiên lệch trong chẩn đoán.

III. Phương pháp ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư phổi

Có nhiều phương pháp khác nhau để ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư phổi qua ảnh CT. Một trong những phương pháp phổ biến là sử dụng mạng nơ-ron tích chập (CNN) để phân tích hình ảnh. CNN có khả năng học hỏi từ dữ liệu và phát hiện các đặc trưng quan trọng trong hình ảnh, giúp cải thiện độ chính xác trong chẩn đoán.

3.1. Mạng nơ ron tích chập CNN trong phân tích hình ảnh

Mạng nơ-ron tích chập (CNN) là một trong những công nghệ tiên tiến nhất trong việc phân tích hình ảnh. CNN có khả năng tự động phát hiện các đặc trưng trong hình ảnh mà không cần sự can thiệp của con người. Điều này giúp tăng cường độ chính xác trong việc phát hiện các khối u phổi.

3.2. Các thuật toán học sâu trong y tế

Các thuật toán học sâu như VGG16 và ResNet đã được áp dụng thành công trong việc phân tích hình ảnh y tế. Những thuật toán này giúp cải thiện độ chính xác và tốc độ phân tích, từ đó hỗ trợ bác sĩ trong việc chẩn đoán ung thư phổi.

IV. Kết quả nghiên cứu ứng dụng AI trong chẩn đoán ung thư phổi

Nhiều nghiên cứu đã chỉ ra rằng việc ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư phổi qua ảnh CT mang lại kết quả khả quan. Các mô hình AI đã đạt được độ chính xác cao trong việc phát hiện các khối u, giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn. Kết quả nghiên cứu cho thấy AI có thể giảm thiểu thời gian chẩn đoán và tăng cường khả năng phát hiện sớm.

4.1. Đánh giá hiệu quả của mô hình AI

Các mô hình AI đã được đánh giá dựa trên nhiều tiêu chí như độ chính xác, độ nhạy và độ đặc hiệu. Kết quả cho thấy rằng AI có thể đạt được độ chính xác lên đến 95% trong việc phát hiện ung thư phổi, vượt trội hơn so với phương pháp truyền thống.

4.2. Ứng dụng thực tiễn trong bệnh viện

Nhiều bệnh viện đã bắt đầu áp dụng AI trong quy trình chẩn đoán ung thư phổi. Việc này không chỉ giúp cải thiện độ chính xác mà còn giảm thiểu thời gian chờ đợi cho bệnh nhân. AI đã trở thành một công cụ hỗ trợ đắc lực cho bác sĩ trong việc đưa ra quyết định.

V. Kết luận và tương lai của ứng dụng AI trong chẩn đoán ung thư phổi

Việc ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư phổi qua ảnh CT đang mở ra nhiều cơ hội mới cho y học. AI không chỉ giúp cải thiện độ chính xác mà còn giảm thiểu thời gian chẩn đoán. Tương lai của AI trong y tế hứa hẹn sẽ mang lại nhiều tiến bộ, giúp nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân.

5.1. Triển vọng phát triển công nghệ AI trong y tế

Công nghệ AI đang phát triển nhanh chóng và có tiềm năng lớn trong việc cải thiện quy trình chẩn đoán và điều trị bệnh. Các nghiên cứu tiếp theo sẽ tập trung vào việc tối ưu hóa các mô hình AI để đạt được hiệu quả cao hơn.

5.2. Tác động của AI đến ngành y tế

AI có thể thay đổi cách thức chẩn đoán và điều trị bệnh trong tương lai. Việc áp dụng AI không chỉ giúp nâng cao hiệu quả mà còn giảm thiểu gánh nặng cho các bác sĩ, từ đó cải thiện chất lượng chăm sóc sức khỏe cho bệnh nhân.

Nội dung chính

Tổng quan nghiên cứu

Ung thư phổi là một trong những loại ung thư phổ biến và gây tử vong hàng đầu trên thế giới, chiếm khoảng 25% tổng số ca ung thư được chẩn đoán. Theo thống kê của Tổ chức Y tế Thế giới năm 2018, ung thư phổi gây ra khoảng 1.76 triệu ca tử vong, chiếm hơn 84% tổng số ca nhiễm ung thư phổi toàn cầu. Ở Việt Nam, ung thư phổi cũng là nguyên nhân tử vong hàng đầu ở cả nam và nữ. Việc phát hiện sớm ung thư phổi đóng vai trò quan trọng trong việc giảm tỷ lệ tử vong và nâng cao khả năng chữa khỏi bệnh.

Chẩn đoán ung thư phổi hiện nay chủ yếu dựa trên các phương pháp hình ảnh như chụp X-quang, chụp cắt lớp vi tính (CT), cộng hưởng từ (MRI) và sinh thiết mô bệnh học. Trong đó, chụp CT được xem là phương pháp phổ biến và hiệu quả để đánh giá giai đoạn và vị trí khối u. Tuy nhiên, việc phân tích hình ảnh CT thủ công đòi hỏi bác sĩ có trình độ chuyên môn cao, tốn nhiều thời gian và có thể mang tính chủ quan.

Nghiên cứu này nhằm ứng dụng trí tuệ nhân tạo (AI), cụ thể là mạng nơ-ron tích chập (CNN) trong chẩn đoán ung thư phổi qua ảnh chụp CT. Mục tiêu là xây dựng chương trình phân loại chính xác bốn loại ung thư phổi phổ biến dựa trên dữ liệu ảnh CT thu thập từ bệnh viện K Việt Nam, với tổng số 3269 ảnh CT của 1025 bệnh nhân. Nghiên cứu tập trung vào việc phát triển mô hình CNN dựa trên kiến trúc VGG16, kết hợp kỹ thuật tăng cường dữ liệu để nâng cao độ chính xác và giảm hiện tượng quá khớp (overfitting).

Việc ứng dụng AI trong chẩn đoán ung thư phổi không chỉ giúp giảm tải công việc cho bác sĩ mà còn nâng cao hiệu quả và độ chính xác trong phát hiện bệnh, góp phần cải thiện kết quả điều trị và giảm thiểu tác hại không mong muốn cho bệnh nhân.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên lý thuyết mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và mạng nơ-ron tích chập (Convolutional Neural Network - CNN). ANN là mô hình xử lý thông tin lấy cảm hứng từ mạng nơ-ron sinh học, gồm nhiều nơ-ron nhân tạo kết nối với nhau qua các trọng số. ANN có khả năng học và xấp xỉ các hàm phi tuyến phức tạp, phù hợp với các bài toán phân lớp, dự báo và tối ưu hóa.

CNN là một dạng mạng nơ-ron chuyên biệt cho xử lý ảnh, với cấu trúc gồm các lớp tích chập (convolutional layers), lớp gộp (pooling layers) và lớp kết nối đầy đủ (fully connected layers). Lớp tích chập giúp trích xuất đặc trưng cục bộ của ảnh thông qua các bộ lọc nhỏ, giảm số lượng tham số và tăng hiệu quả học. Lớp gộp giảm kích thước dữ liệu đầu vào, giữ lại các đặc trưng quan trọng, giúp giảm độ phức tạp mô hình. Lớp kết nối đầy đủ thực hiện phân loại dựa trên các đặc trưng đã trích xuất.

Trong nghiên cứu này, kiến trúc CNN được sử dụng là VGG16, một mô hình nổi tiếng với 16 lớp, gồm 13 lớp tích chập và 3 lớp kết nối đầy đủ. VGG16 sử dụng các bộ lọc kích thước nhỏ 3x3, giúp tăng độ sâu mạng và khả năng học đặc trưng phức tạp mà vẫn giữ được hiệu quả tính toán. Mô hình này đã đạt độ chính xác 92,7% trên tập dữ liệu ImageNet với hơn 14 triệu ảnh.

Các khái niệm chính trong nghiên cứu bao gồm:

• Mạng nơ-ron nhân tạo (ANN): Mô hình học máy mô phỏng hoạt động của nơ-ron sinh học.
• Mạng nơ-ron tích chập (CNN): Mạng ANN chuyên xử lý dữ liệu ảnh với các lớp tích chập và gộp.
• Lớp tích chập (Convolutional layer): Trích xuất đặc trưng cục bộ của ảnh.
• Lớp gộp (Pooling layer): Giảm kích thước dữ liệu, giữ đặc trưng quan trọng.
• Lớp kết nối đầy đủ (Fully connected layer): Thực hiện phân loại dựa trên đặc trưng.
• Tăng cường dữ liệu (Data augmentation): Kỹ thuật tạo thêm dữ liệu huấn luyện từ dữ liệu gốc để cải thiện hiệu quả mô hình.
• Overfitting: Hiện tượng mô hình học quá kỹ dữ liệu huấn luyện, giảm khả năng tổng quát hóa.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ ảnh CT phổi của 1025 bệnh nhân tại bệnh viện K Việt Nam, gồm 3269 ảnh CT được phân loại thủ công thành bốn nhóm ung thư phổi: ung thư phổi tế bào nhỏ, ung thư biểu mô tế bào vảy, ung thư biểu mô tuyến và ung thư biểu mô tế bào lớn. Dữ liệu được chia thành ba tập: huấn luyện (1995 ảnh), kiểm tra (758 ảnh) và kiểm định (516 ảnh).

Quá trình nghiên cứu gồm các bước:

1. Chuẩn bị dữ liệu: Ảnh CT được chuyển đổi từ định dạng DICOM sang JPEG với kích thước 512x512 pixel. Sử dụng thư viện Keras để tăng cường dữ liệu qua các phép biến đổi như xoay, lật, dịch chuyển, thay đổi độ sáng, giúp mở rộng số lượng ảnh huấn luyện lên khoảng 50,000 ảnh.

2. Xây dựng mô hình: Áp dụng kiến trúc VGG16 với 5 khối tích chập, sử dụng các bộ lọc 3x3 và hàm kích hoạt ReLU. Mô hình được huấn luyện trên nền tảng Google Colab với GPU mạnh, sử dụng ngôn ngữ Python và thư viện TensorFlow.

3. Huấn luyện và tối ưu: Sử dụng kỹ thuật tăng cường độ chính xác bằng cách lặp lại quá trình huấn luyện, kết hợp các tập dữ liệu phân loại sai với tập dữ liệu có độ chính xác cao hơn để giảm hiện tượng overfitting và cải thiện hiệu suất.

4. Đánh giá mô hình: Sử dụng các chỉ số như Accuracy, Loss, F1-Score, AUC và Precision để đánh giá hiệu quả phân loại trên tập kiểm tra và kiểm định.

Thời gian nghiên cứu kéo dài từ đầu năm 2022 đến cuối năm 2022, tập trung tại Viện Vật lý Kỹ thuật, Đại học Bách Khoa Hà Nội.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phân loại của mô hình VGG16: Mô hình đạt độ chính xác (Accuracy) trên 80% khi phân loại bốn loại ung thư phổi trên tập kiểm tra. Sau khi áp dụng kỹ thuật tăng cường dữ liệu, số lượng ảnh huấn luyện tăng lên hơn 30,000 ảnh, giúp cải thiện độ chính xác lên trên 90%.

2. Giảm hiện tượng overfitting: Qua việc sử dụng mô hình tăng cường độ chính xác, số lượng dữ liệu phân loại sai giảm dần qua các vòng huấn luyện, giúp mô hình có khả năng tổng quát hóa tốt hơn. Đường cong Loss và Accuracy trên tập huấn luyện và kiểm tra cho thấy sự hội tụ ổn định, không xuất hiện hiện tượng overfitting rõ rệt.

3. So sánh với các mô hình khác: Mô hình VGG16 kết hợp tăng cường dữ liệu cho kết quả tốt hơn so với các mô hình CNN khác như AlexNet và LeNet, với độ chính xác cao hơn khoảng 5-10%. Đặc biệt, VGG16 có khả năng trích xuất đặc trưng phức tạp hơn nhờ kiến trúc sâu và bộ lọc nhỏ.

4. Đánh giá chi tiết theo từng loại ung thư: Tỷ lệ phân loại chính xác các loại ung thư phổi tế bào nhỏ, biểu mô tế bào vảy, biểu mô tuyến và biểu mô tế bào lớn lần lượt đạt khoảng 88%, 85%, 92% và 80%. Sự khác biệt này phản ánh tính đa dạng và độ phức tạp của từng loại ung thư trong ảnh CT.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy mạng nơ-ron tích chập VGG16 là công cụ hiệu quả trong việc phân loại các loại ung thư phổi dựa trên ảnh CT. Việc sử dụng bộ lọc 3x3 nhỏ giúp mô hình học được các đặc trưng cục bộ chi tiết, đồng thời giảm số lượng tham số so với các kiến trúc sử dụng bộ lọc lớn hơn như AlexNet. Kỹ thuật tăng cường dữ liệu đóng vai trò quan trọng trong việc mở rộng tập huấn luyện, giảm thiểu hiện tượng overfitting và nâng cao độ chính xác.

So với các nghiên cứu trước đây, mô hình này không chỉ phân biệt được ảnh ung thư và không ung thư mà còn phân loại chính xác từng loại ung thư phổi phổ biến, điều mà nhiều nghiên cứu quốc tế chưa thực hiện được do hạn chế về dữ liệu. Việc sử dụng dữ liệu thực tế từ bệnh viện K Việt Nam cũng giúp mô hình phù hợp hơn với đặc điểm dân số và kỹ thuật chụp ảnh tại Việt Nam.

Dữ liệu có thể được trình bày qua các biểu đồ đường cong Accuracy và Loss theo từng epoch, bảng ma trận nhầm lẫn thể hiện tỷ lệ phân loại đúng và sai của từng loại ung thư, cũng như biểu đồ ROC và AUC để đánh giá hiệu suất phân loại nhị phân.

Tuy nhiên, nghiên cứu cũng nhận thấy một số hạn chế như dữ liệu chưa đa dạng về mặt địa lý và kỹ thuật chụp, mô hình chưa được thử nghiệm trên các bộ dữ liệu độc lập khác. Ngoài ra, việc phân loại các loại ung thư có đặc điểm hình ảnh tương tự vẫn còn gặp khó khăn, cần nghiên cứu thêm các kỹ thuật trích xuất đặc trưng nâng cao.

Đề xuất và khuyến nghị

1. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm ảnh CT từ nhiều bệnh viện khác nhau trên cả nước để tăng tính đa dạng và đại diện cho mô hình, giúp cải thiện khả năng tổng quát hóa. Thời gian thực hiện trong 1-2 năm, chủ thể thực hiện là các viện nghiên cứu và bệnh viện chuyên khoa.

2. Phát triển mô hình đa nhiệm: Kết hợp mạng CNN với các kỹ thuật học sâu khác như mạng nơ-ron hồi tiếp (RNN) hoặc mô hình Transformer để nâng cao khả năng phân loại và dự đoán giai đoạn ung thư. Mục tiêu tăng độ chính xác lên trên 95% trong vòng 1 năm.

3. Xây dựng phần mềm hỗ trợ chẩn đoán: Triển khai ứng dụng phần mềm tích hợp mô hình AI vào quy trình chẩn đoán tại các bệnh viện, giúp bác sĩ giảm thời gian phân tích ảnh và nâng cao độ chính xác. Thời gian triển khai dự kiến 6-12 tháng, chủ thể là các công ty công nghệ y tế phối hợp với bệnh viện.

4. Đào tạo và nâng cao nhận thức cho bác sĩ: Tổ chức các khóa đào tạo về ứng dụng AI trong chẩn đoán hình ảnh cho đội ngũ y bác sĩ nhằm tăng cường sự hiểu biết và tin tưởng vào công nghệ mới. Thời gian thực hiện liên tục, chủ thể là các trường đại học và bệnh viện.

5. Nghiên cứu mở rộng ứng dụng: Áp dụng mô hình AI vào chẩn đoán các loại ung thư khác hoặc các bệnh lý phổi khác để tận dụng tối đa tiềm năng của trí tuệ nhân tạo trong y học. Thời gian nghiên cứu 2-3 năm, chủ thể là các nhóm nghiên cứu đa ngành.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Kỹ thuật Hạt nhân, Khoa học Máy tính và Y sinh: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng mạng nơ-ron tích chập trong xử lý ảnh y tế, giúp phát triển các đề tài nghiên cứu liên quan.

2. Bác sĩ chuyên khoa chẩn đoán hình ảnh và ung bướu: Tham khảo để hiểu rõ hơn về công nghệ AI hỗ trợ chẩn đoán, từ đó áp dụng vào thực tế nhằm nâng cao hiệu quả và độ chính xác trong chẩn đoán ung thư phổi.

3. Các nhà phát triển phần mềm và công ty công nghệ y tế: Cung cấp cơ sở để phát triển các sản phẩm phần mềm hỗ trợ chẩn đoán dựa trên AI, đáp ứng nhu cầu thực tiễn tại các bệnh viện.

4. Quản lý y tế và các cơ quan hoạch định chính sách: Tham khảo để xây dựng các chính sách hỗ trợ ứng dụng công nghệ AI trong y tế, góp phần nâng cao chất lượng dịch vụ chăm sóc sức khỏe cộng đồng.

Câu hỏi thường gặp

1. Mạng nơ-ron tích chập (CNN) là gì và tại sao được sử dụng trong chẩn đoán ung thư phổi?
   CNN là mô hình học sâu chuyên xử lý dữ liệu ảnh, có khả năng tự động trích xuất đặc trưng từ hình ảnh. Trong chẩn đoán ung thư phổi, CNN giúp phân loại chính xác các loại ung thư dựa trên ảnh CT, giảm thiểu sai sót do con người.

2. Tại sao chọn kiến trúc VGG16 cho mô hình phân loại?
   VGG16 có cấu trúc sâu với các bộ lọc nhỏ 3x3, giúp học được các đặc trưng phức tạp của ảnh CT. Mô hình này đã chứng minh hiệu quả cao trong nhiều bài toán nhận dạng hình ảnh và dễ dàng triển khai.

3. Kỹ thuật tăng cường dữ liệu (data augmentation) có vai trò gì?
   Tăng cường dữ liệu giúp tạo thêm các biến thể của ảnh gốc như xoay, lật, thay đổi độ sáng, giúp mô hình học được nhiều đặc trưng hơn, giảm hiện tượng overfitting và nâng cao độ chính xác.

4. Mô hình có thể áp dụng cho các loại ung thư khác không?
   Mô hình CNN có thể được điều chỉnh và huấn luyện lại với dữ liệu phù hợp để áp dụng cho các loại ung thư khác hoặc các bệnh lý y tế khác, tuy nhiên cần có bộ dữ liệu đủ lớn và chất lượng.

5. Làm thế nào để đảm bảo mô hình không bị overfitting?
   Ngoài tăng cường dữ liệu, mô hình sử dụng kỹ thuật lặp lại huấn luyện với dữ liệu phân loại sai được kết hợp lại, đồng thời theo dõi các chỉ số Loss và Accuracy trên tập kiểm tra để điều chỉnh tham số phù hợp.

Kết luận

• Nghiên cứu đã xây dựng thành công mô hình mạng nơ-ron tích chập VGG16 ứng dụng trong phân loại bốn loại ung thư phổi dựa trên ảnh CT với độ chính xác trên 90%.
• Kỹ thuật tăng cường dữ liệu và mô hình tăng cường độ chính xác giúp giảm hiện tượng overfitting và nâng cao hiệu quả phân loại.
• Mô hình phù hợp với dữ liệu thực tế từ bệnh viện K Việt Nam, góp phần hỗ trợ bác sĩ trong chẩn đoán và điều trị ung thư phổi.
• Đề xuất mở rộng bộ dữ liệu, phát triển phần mềm hỗ trợ và đào tạo nhân lực để ứng dụng rộng rãi trong y tế.
• Các bước tiếp theo bao gồm thử nghiệm mô hình trên dữ liệu độc lập, phát triển ứng dụng phần mềm và nghiên cứu mở rộng sang các bệnh lý khác.

Hành động ngay: Các nhà nghiên cứu và chuyên gia y tế nên phối hợp triển khai ứng dụng mô hình AI này trong thực tế để nâng cao chất lượng chẩn đoán ung thư phổi tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG I TỔNG QUAN CƠ SỞ LÝ THUYẾT 1. Tổng quan Ung thư phổi ngày càng trở nên phổ biến trên thế giới. Hơn một phần tư trong số tất cả các bệnh ung thư được chẩn đoán có liên quan đến phổi. Ung thư phổi nguyên phát vẫn là nguyên nhân gây tử vong phổ biến nhất ở nam giới và phụ nữ trên toàn thế giới.

Theo thống kê của tổ chức Y tế Thế giới (WHO) năm 2018 ước tính ung thư phổi gây ra khoảng 1.76 triệu trường hợp tử vong chiếm hơn 84% tổng số ca nhiễm trên thế giới. Theo định nghĩa, ung thư phổi là một khối u phổi ác tính được đặc trưng bởi sự tăng trưởng không kiểm soát được trong mô phổi. Phát hiện sớm ung thư phổi có thể làm giảm tỷ lệ tử vong và tăng khả năng chữa khỏi cho người bệnh. Ngày nay, việc chẩn đoán và xác định giai đoạn của ung thư phổi có thể dựa trên thăm khám lâm sàng, chụp X-quang tim phổi, chụp cắt lớp vi tính (CT), chụp cộng hưởng từ (MRI), xạ hình xương, nội soi phế quản, nội soi trung thất, sinh thiết hạch, u phổi chẩn đoán mô bệnh học.

Chụp CT mô phỏng hiện nay đang trở nên phổ biến như một phương pháp đánh giá tổng thể giai đoạn ung thư. Máy chụp cắt lớp vi tính (CT- Scanncer: Computed Tomography).Máy thực hiện phương thức này có nhiều loại khác nhau, hiện nay phổ biến nhất là loại máy chụp cắt lớp nhiều đầu thu (multidetector computed tomography, viết tắt là MDCT); người tiến hành tiến trình chụp cắt lớp bằng máy này gọi là kỹ thuật viên X quang (radiographers).1 Hình ảnh máy chụp CT Ảnh y tế thu nhận được từ máy chụp cắt lớp vi tính (CLVT) được phân tích bằng các thuật toán và lưu lại trên máy tính. Tuy nhiên, giống như các kiện hàng trong các thùng container, chỉ có những chủ kiện hàng mới biết được bên trong đó là gì nếu các thông tin không được dán mác ở bên ngoài. Không chỉ phục vụ mục đích lưu trữ và chẩn đoán bệnh, chuẩn DICOM ra đời còn là cuộc cách mạng trong lĩnh vực nghiên cứu y khoa.

Khi các bác sỹ muốn tìm kiếm các trường hợp tương tự để giúp họ chẩn đoán và có kế hoạch điều trị thành công cho nhiều bệnh nhân khác. Hơn nữa, ứng dụng của y học từ xa (telemedicine) không thể thành công nếu thiếu chuẩn DICOM, Khi các bệnh nhân ở vùng sâu, vùng xa không được tiếp cận với các bệnh viện tuyến trên một cách nhanh nhất, đối với các trường hợp khẩn cấp, thì việc truyền ảnh chụp được từ các Bệnh viện tuyến dưới lên tuyến trên để được sự tư vấn của các chuyên gia đầu ngành là hết sức quan trọng Năm 1980, Chuẩn DICOM đã được phát triển để giải quyết vấn đề lưu trữ và truyền các thông tin chẩn đoán hình ảnh. Trong đó có các thông tin của người bệnh như tên tuổi, số thẻ bảo hiểm, nhóm máu … DICOM được nghiên cứu lần đầu tiên vào năm 1983 và được công bố lần đầu tiên năm 1985 bởi tổ chức American College of Radiology (ACR) và National Electrical Manufacture Association (NEMA). Đầu những năm 1980, rất khó khăn để các nhà sản xuất máy chụp CLVT (CT scanner) và máy chụp cộng hưởng từ (MRI) có thể mã hóa được hình ảnh 31 cho những thiết bị chung.

ACR và NEMA đã cùng đưa ra một tiêu chuẩn chung năm 1983. Tiêu chuẩn đầu tiên của họ, 3 ACR/NEMA 300, đã được công bố năm 1985. Năm 1988, phiên bản thứ 2 ra đời. Phiên bản này được sự ủng hộ nhiều hơn của các công ty.

Sự công bố của kỹ thuật đa kết nối ACR/NEMA V2.0 lần đầu tiên được tổ chức ở Georgetown University, 21-23 tháng 5, 1990.0 được công bố và từ đó tiếp tục được sửa đổi và bổ sung Hình 1.2 Hình ảnh chụp cắt lớp vi tính của bệnh nhân ung thư phổi Sau khi thu được ảnh, bác sĩ sẽ sử dụng hình ảnh CT thu được để phân tích và chẩn đoán các mô phổi. Việc chẩn đoán các bất thường của phổi bằng phương pháp thủ công là một quá trình tốn thời gian, mang tính chủ quan và đòi hỏi các bác sĩ cần có nhiều kinh nghiệm. Tuy nhiên, trong nhiều trường hợp, rất khó để bác sĩ có được chẩn đoán chính xác nếu không có sự trợ giúp của công cụ bổ sung được gọi là Hệ thống chẩn đoán có sự hỗ trợ của máy tính (Computed Aided Diagnosis - CAD). Hệ thống chẩn đoán có sự hỗ trợ của máy tính (CAD) là một công cụ chẩn đoán y tế hiệu quả và là điều kiện tiên quyết cho việc phân tích hình ảnh y tế thực tiễn.

Bác sĩ sử dụng hệ thống CAD để cung cấp thêm ý kiến thứ hai để có được các chẩn đoán chính xác hơn. Đây là công cụ rất hữu ích, được sử dụng rộng rãi để cải thiện hiệu quả của việc điều trị 4 Đối với nhiều hệ thống CAD, luôn cần một quy trình phân đoạn ảnh chính xác của các cơ quan cần quan tâm để xác định vị trí cũng như kích thước của chúng. Đây là bước khởi đầu tiên quyết để phân tích hình ảnh CT phổi định lượng một cách hiệu quả. Tuy nhiên, thiết kế một phương pháp phân đoạn phổi hiệu quả là một vấn đề đầy thách thức, đặc biệt đối với nhu mô phổi bất thường, nơi các nốt và mạch máu cần được phân tách với nhu mô phổi.

Hơn nữa, phổi cần được phân tách ra khỏi các khu vực phế quản thường bị nhầm lẫn với các mô phổi. Ngày nay, trí tuệ nhân tạo và học máy trong đó cụ thể hơn là Deep learning - Học sâu đã được sử dụng rộng rãi trong nhiều lĩnh vực, giúp các hệ thống hoạt động thông minh và hiệu quả hơn. Khả năng nhận dạng hình ảnh của máy móc được huấn luyện thông qua Deep learning trong một số tình huống tốt hơn so với con người đặc biệt trong điều kiện yêu cầu đưa ra kết luận nhanh, chính xác. Điều này đã được chứng minh trong các ứng dụng liên quan đến tính năng khai thác tự động, phân loại hình ảnh và phát hiện đối tượng như các hệ thống nhận diện khuôn mặt người dùng, xe hơi tự lái hay drone giao hàng tự động.

Ngoài ra trí tuệ nhân tạo còn có ưu điểm khi không bị ảnh hưởng do quá trình làm việc trong thời gian dài, liên tục dẫn đến có thể đưa ra những phán đoán sai lầm, cảm tính. Gần đây, việc áp dụng các kỹ thuật học sâu cho phân đoạn hình ảnh y tế đã nhận được sự quan tâm lớn bởi các nhà khoa học trên thế giới do chúng có khả năng học hỏi và xử lý lượng lớn dữ liệu một cách nhanh chóng và chính xác. Một số nhà nghiên cứu đã đề xuất và triển khai phát hiện ung thư phổi bằng các cách tiếp cận hình ảnh khác nhau xử lý và học máy. Aggarwal, Furquan và Kalra[1] đã đề xuất một mô hình cung cấp phân loại giữa các nốt và cấu trúc giải phẫu phổi bình thường.

Phương pháp trích xuất hình học, thống kê và mức độ sáng tối của ảnh. LDA được sử dụng như bộ phân loại và tạo ngưỡng tối ưu để phân đoạn. Hệ thống có độ chính xác 84%, độ nhạy 97,14% và độ đặc hiệu 53,33%. Mặc dù hệ thống phát hiện được nốt ung thư, nhưng độ chính xác của nó vẫn là khiêm tốn.

Jin, Zhang và Jin[2] đã sử dụng mạng nơ-ron tích chập làm bộ phân loại trong hệ thống CAD của mình để phát hiện ung thư phổi. Hệ thống có độ chính xác 84,6%, độ nhạy 82,5% và độ đặc hiệu 86,7%. Ưu điểm của mô 5 hình này là nó sử dụng bộ lọc tròn trong giai đoạn trích xuất khu vực quan tâm (ROI), giúp giảm thời gian huấn luyện và các bước nhận dạng. Mặc dù giảm thời gian thực hiện nhưng độ chính xác vẫn chưa được cải thiện.

Sangamithraa và Govindaraju [3]sử dụng thuật toán học không giám sát để phân loại hoặc phân đoạn. Nó nhóm tập dữ liệu pixel theo các đặc điểm nhất định. Để phân loại, mô hình này thực hiện bằng mạng lưới lan truyền ngược. Các hàm như entropy, tương quan, đồng nhất, PSNR, SSIM được trích xuất bằng cách sử dụng mức độ sáng tối của anh phương pháp ma trận đồng xuất hiện (GLCM).

Hệ thống có độ chính xác khoảng 86,7%. Roy, Sirohi và Patle [4,5] đã phát triển một hệ thống phát hiện nốt ung thư phổi bằng cách sử dụng hệ thống giao thoa mờ và mô hình đường viền hoạt động. Hệ thống này sử dụng chuyển đổi mức độ sáng tối của ảnh để nâng cao độ tương phản của hình ảnh. Mã hóa hình ảnh mới được thực hiện trước khi phân loại và hình ảnh kết quả được phân loại bằng cách sử dụng mô hình đường bao hoạt động.

Phân loại ung thư thực hiện bằng phương pháp suy luận mờ. Các hàm như diện tích, trung bình, entropy, tương quan, độ dài trục chính, phụ độ dài trục được trích xuất để đào tạo bộ phân loại. Nhìn chung, độ chính xác của hệ thống là 85%. Tính hạn chế của nó không phân loại ung thư là lành tính hay ác tính là hạn chế trong của mô hình đề xuất này.

Ở Việt Nam, việc chẩn đoán thủ công hoặc bán thủ công thông qua ảnh CT gây tốn nhiều thời gian và công sức của bác sỹ. Với áp lực từ số lượng bệnh nhân lớn, khối lượng công việc cần thực hiện nhiều, có thể dẫn đến sự mệt mỏi của các bác sỹ, việc chẩn đoán và lập kế hoạch điều trị đôi lúc chưa chính xác, làm giảm hiệu quả của việc điều trị. Do đó, thiết lập một phần mềm hỗ trợ bác sỹ trong việc phát hiện, xác định vị trí và kích thước khối u của phổi thông qua kỹ thuật phân đoạn ảnh thông minh dựa trên việc ứng dụng học máy và học sâu là việc làm cần thiết. Điều này đồng thời cũng sẽ giúp giảm thiểu hơn nữa các tác hại không mong muốn tới cơ thể bệnh nhân.

Trong những năm gần đây, các nhóm nghiên cứu của Việt Nam đã rất nhanh chóng bắt kịp xu hướng chung của thế giới là nghiên cứu ứng dụng trí tuệ nhân tạo để hỗ trợ bác sỹ chẩn đoán một số bệnh ung thư, trong đó có ung thư phổi. Nhóm nghiên cứu của tác giả Trần Giang Sơn [6] và cộng sự đã xây dựng thành công mô hình phát hiện và nhận dạng vị trí, kích thước các nốt, khối 6 u phổi trên ảnh CT, đồng thời xây dựng thành công mô hình phân loại các nốt, khối u phổi trên ảnh chụp CT là lành tính hay ác tính.