CHẤN ĐOÁN BỆNH UNG THƯ MÁU VỚI CÁC KỸ THUẬT HỌC SÂU

Abstract

Kỹ thuật học sâu (Deep Learning) đã được ứng dụng rộng rãi, đặc biệt hiệu quả trong các bài toán về phân tích dữ liệu lớn. Kỹ thuật này dựa vào các mạng nơ-ron nhiều tầng, giúp trích xuất đặc trưng từ dữ liệu đã gán nhãn, chẳng hạn như hình ảnh hoặc dữ liệu gen. Một trong các mô hình phổ biến nhất cho phân tích dữ liệu hình ảnh là mạng nơ-ron tích chập (CNN). Các cấu trúc CNN nổi bật gồm LeNet, AlexNet, GoogLeNet, VGGNet, ResNet và EfficientNet. Trong lĩnh vực chẩn đoán hình ảnh y khoa, mạng CNN được sử dụng để phân tích dữ liệu hình ảnh phức tạp từ các kỹ thuật như X-quang, chụp cắt lớp (CT), và chụp cộng hưởng từ (MRI). Việc ứng dụng này giúp phát hiện chính xác bệnh lý, từ đó hỗ trợ điều trị hiệu quả. Nghiên cứu đã thử nghiệm các mô hình CNN, bao gồm EfficientNetB3, ResNet50, Inception V3 để chẩn đoán bệnh ung thư máu trên tập dữ liệu gồm 17092 hình ảnh. Kết quả cho thấy các mô hình đạt hiệu suất cao, tiêu biểu là mô hình ResNet50 phù hợp với bài toán và có tiềm năng cải thiện thêm nếu tối ưu hóa quá trình huấn luyện. Từ khóa: chuẩn đoán huyết học, hình thái tế bào máu, hình ảnh tế bào máu, nhận dạng tự động tế bào máu, học máy, học sâu.