NGHIÊN CỨU VÀ ỨNG DỤNG CÁC MÔ HÌNH MÁY HỌC ĐỂ CHẨN ĐOÁN BỆNH TRÊN ẢNH SIÊU ÂM

Abstract

Trong thời đại công nghiệp 4.0, cùng với sự phát triển của khoa học kỹ thuật, y học cũng đạt được những thành tựu đáng kể, có thể kể đến như các phương pháp chẩn đoán bệnh hiện đại, trong đó tiêu biểu là phương pháp chẩn đoán bệnh thông qua ảnh siêu âm, một kỹ thuật có độ chính xác cao và được dùng phổ biến trong y học hiện nay. Việc chẩn đoán bệnh thông qua ảnh siêu âm trước đây thường phụ thuộc nhiều vào trình độ và kiến thức của bác sĩ, tuy nhiên ngày nay, với sự phát triển của trí tuệ nhân tạo, việc ứng dụng máy học vào chẩn đoán bệnh đang dần đạt được những thành tựu to lớn. Vì vậy, đề tài “Nghiên cứu và ứng dụng các mô hình máy học để chẩn đoán bệnh trên ảnh siêu âm” được đề xuất để tìm ra phương pháp chẩn đoán ung thư vú dựa trên ảnh siêu âm được phân thành ba lớp: bình thường, lành tính và ác tính. Nghiên cứu thực hiện hai công việc chính: phân lớp và phân vùng ảnh siêu âm. Cụ thể hơn, đối với nhiệm vụ phân lớp, hệ thống sử dụng mô hình EfficientNetV2 - một kỹ thuật mới, với độ chính xác cao và thời gian chạy ngắn, kết hợp kiến trúc Unet với backbone EfficientNet - một mạng nơ-ron phức hợp được phát triển cho các nhiệm vụ phân đoạn hình ảnh y khoa để phân vùng khối u trên các ảnh siêu âm. Các mô hình được huấn luyện và đánh giá trên tập dữ liệu bao gồm 780 hình ảnh siêu âm vú của 600 phụ nữ. Kết quả thực nghiệm cho thấy, những giải thuật được đề xuất hoàn toàn phù hợp cho nhiệm vụ phân lớp và phân vùng ảnh siêu âm khi đạt được kết quả tốt trên nhiều độ đo khác nhau như ACC, AUC, MCC và IoU. Sau khi các mô hình được huấn luyện, chúng được tích hợp vào hệ thống xây dựng trên nền tảng Website, với những công cụ và ngôn ngữ hỗ trợ như: HTML, CSS, Javascript cho việc xây dựng giao diện web, Python, Flask Framework để tạo API, hệ quản trị cơ sở dữ liệu MySQL. Cùng với đó là sự hỗ trợ của các thư viện: Tensorflow, Keras, OpenCV,… và Google Colab trong việc chạy thực nghiệm mô hình. Những kết quả của nghiên cứu mang tính thử nghiệm nhằm góp phần vào việc áp dụng trí tuệ nhân tạo trong các lĩnh vực y học nói chung và chẩn đoán bệnh trên ảnh siêu âm nói riêng. Hỗ trợ các y bác sĩ trong việc nâng cao chất lượng khám chữa bệnh và là tiền đề trong các nghiên cứu áp dụng máy học để xây dựng hệ thống phẫu thuật từ xa hay robot phẫu thuật.