zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Y Tế - Sức Khoẻ

» Y khoa - Dược

Trí tuệ nhân tạo trong tế bào học cổ tử cung: Một ca ứng dụng tại Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:8

Báo xấu

7
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết trình bày kết luận: Nghiên cứu chứng minh rằng việc tích hợp các mô hình học sâu với hệ thống giải phẫu kỹ thuật số có thể giải quyết một phần sự thiếu hụt chuyên gia tế bào học tại Việt Nam. Các mô hình chẩn đoán hỗ trợ AI cải thiện đáng kể độ chính xác và độ tin cậy của sàng lọc ung thư cổ tử cung, trở thành một công cụ giá trị trong việc nâng cao kết quả sức khỏe cộng đồng tại các khu vực có nguồn lực hạn chế.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Trí tuệ nhân tạo trong tế bào học cổ tử cung: Một ca ứng dụng tại Việt Nam

TẠP CHÍ Y HỌC VIỆT NAM TẬP 545 - THÁNG 12 - SỐ CHUYÊN ĐỀ - 2024 TRÍ TUỆ NHÂN TẠO TRONG TẾ BÀO HỌC CỔ TỬ CUNG: MỘT CA ỨNG DỤNG TẠI VIỆT NAM Trần Văn Khánh1, Đinh Xuân Lâm1, Nghiêm Chí Cương2 TÓM TẮT 73 chúng tôi đã tạo ra một mô-đun đào tạo tích hợp Đặt vấn đề: Ung thư cổ tử cung là một vấn đề các mô hình AI để hỗ trợ việc đào tạo và tự học của sức khỏe nghiêm trọng tại các khu vực đang phát các bác sĩ, sinh viên chuyên ngành giải phẫu bệnh. triển, và việc phát hiện sớm thông qua sàng lọc Kết quả: Kết quả cho thấy các mô hình chẩn đoán định kỳ có thể giảm đáng kể tỷ lệ tử vong. Tuy hỗ trợ AI của chúng tôi cải thiện độ chính xác của nhiên, tại Việt Nam, tình trạng thiếu hụt các chuyên phân loại tế bào học so với các phương pháp truyền gia tế bào học là rào cản lớn đối với việc sàng lọc thống, nâng cao độ nhạy, độ đặc hiệu và hiệu suất và chẩn đoán ung thư cổ tử cung hiệu quả. Để giải chẩn đoán tổng thể. Hệ thống giải phẫu kỹ thuật số quyết vấn đề này, chúng tôi đã phát triển một hệ tích hợp AI mang lại một giải pháp thực tiễn cho thống giải phẫu bệnh kỹ thuật số tích hợp trí tuệ vấn đề thiếu hụt chuyên gia tế bào học tại Việt Nam nhân tạo (AI) nhằm hỗ trợ sàng lọc tế bào cổ tử và có tiềm năng thay đổi phương pháp sàng lọc ung cung và đào tạo chuyên gia. Bằng cách tích hợp thư cổ tử cung. Kết luận: Nghiên cứu của chúng tôi phân tích hình ảnh tiên tiến và bộ dữ liệu được gán chứng minh rằng việc tích hợp các mô hình học sâu nhãn, hệ thống của chúng tôi hướng đến việc nâng với hệ thống giải phẫu kỹ thuật số có thể giải quyết cao kỹ năng của các chuyên gia tế bào học, cải một phần sự thiếu hụt chuyên gia tế bào học tại thiện độ chính xác chẩn đoán và hỗ trợ phát hiện Việt Nam. Các mô hình chẩn đoán hỗ trợ AI cải sớm ung thư cổ tử cung. Đối tượng và phương thiện đáng kể độ chính xác và độ tin cậy của sàng pháp: Hệ thống của chúng tôi bao gồm việc thu lọc ung thư cổ tử cung, trở thành một công cụ giá thập và gán nhãn 450 mẫu tế bào học chất lỏng trị trong việc nâng cao kết quả sức khỏe cộng đồng (LBC), tạo ra một tập dữ liệu với hơn 87 nghìn hình tại các khu vực có nguồn lực hạn chế. ảnh được phân loại dựa trên Hệ thống Bethesda Từ khóa: ung thư cổ tử cung, tế bào học cổ tử 2014. Nhóm gồm 20 bác sĩ chuyên khoa đã tiến cung, giải phẫu bệnh kỹ thuật số, học sâu, phân loại hành gán nhãn ban đầu, sau đó được xác minh bởi đa lớp. 3 chuyên gia nhằm đảm bảo độ chính xác. Chúng tôi đã xây dựng các mô hình phân loại đa lớp dựa SUMMARY trên học sâu để phân biệt 5 loại tế bào bất thường: AI FOR CERVICAL CYTOLOGY: A ASC-US, ASC-H, LSIL, HSIL và SCC. Ngoài ra, CASE STUDY IN VIETNAM Introduction: Cervical cancer is a significant health concern in developing regions, and early 1 Viện Khoa học và Công nghệ ứng dụng - detection through regular screening can drastically Trường ĐH CNTT&TT Thái Nguyên reduce mortality rates. However, in Vietnam, a 2 Bệnh viện A Thái Nguyên critical shortage of qualified cytologists poses a Chịu trách nhiệm chính: Trần Văn Khánh substantial barrier to effective cervical cancer ĐT: 0838672666 screening and diagnosis. To address this gap, we Email: tvkhanh@ictu.edu.vn developed a digital pathology system, integrating Ngày nhận bài: 29/09/2024 artificial intelligence (AI) to support cervical Ngày phản biện khoa học: 09/10/2024 cytology screening and cytologist training. By Ngày duyệt bài: 15/10/2024 integrating advanced image analysis and curated 575
HỘI THẢO KHOA HỌC CHUYÊN NGÀNH GIẢI PHẪU BỆNH CÁC TỈNH PHÍA NAM LẦN THỨ 14 datasets, our system aims to enhance cytologist nhất để phát hiện các tế bào tiền ung thư và training, improve diagnostic accuracy, and support ung thư ở cổ tử cung là xét nghiệm tế bào học, early detection of cervical cancer. Methods: Our đặc biệt là phương pháp xét nghiệm Pap smear system includes the collection and labelling of 450 hoặc phương pháp dựa trên chất lỏng (LBC) Liquid-Based Cytology (LBC) specimens, resulting [3]. Tuy nhiên, sự thành công của các chương in a dataset of over 87k labelled images categorized trình tầm soát này phụ thuộc nhiều vào việc có based on the 2014 Bethesda System. A team of 20 đủ số lượng chuyên gia tế bào học có kỹ năng pathologists conducted initial labelling, which was và được đào tạo bài bản. Tại Việt Nam, tình further verified by three senior experts to ensure accuracy. We built deep learning-based multi-class trạng thiếu hụt các chuyên gia tế bào học đã trở classification models to distinguish five categories thành một trở ngại lớn cho việc tầm soát và of abnormal cervical cells: ASC-US, ASC-H, chẩn đoán ung thư cổ tử cung do thiếu các LSIL, HSIL, and SCC. Additionally, we created a chương trình đào tạo chuyên biệt và nhiều cơ training module that incorporates these AI models sở y tế không có đủ nguồn lực, cơ sở hạ tầng to support the training and self-learning of để cung cấp chương trình đào tạo tế bào học cytologists through interactive sessions and toàn diện. Để hỗ trợ giải quyết vấn đề này, cần assessments. Results: Results indicate that our AI- xây dựng một hệ thống đào tạo số hỗ trợ các assisted diagnostic models improve the accuracy of chuyên gia tế bào học nâng cao năng lực cytological analysis compared to traditional chuyên môn, hỗ trợ các bác sĩ tế bào học được methods, enhancing sensitivity, specificity, and thực hành thường xuyên, liên tục nhằm tăng overall diagnostic performance. This integrated cường thêm kiến thức và kỹ năng chuyên môn. digital pathology system offers a practical solution Bài viết này giới thiệu một giải pháp thực to the shortage of qualified cytologists in Vietnam tế cho những thách thức trên thông qua việc and holds promise for transforming cervical cancer screening and improving public health outcomes. phát triển một hệ thống giải phẫu bệnh kỹ thuật Conclusion: Our study demonstrates that số [3]. Hệ thống này tập trung vào ba công việc integrating deep learning models with digital chính: pathology systems can effectively address the - Thu thập và gán nhãn hình ảnh tế bào học shortage of qualified cytologists in Vietnam. The dựa trên chất lỏng (LBC). AI-assisted diagnostic models significantly improve - Xây dựng và tích hợp các mô hình phân the accuracy and reliability of cervical cancer loại tế bào học đa lớp dựa trên các mô hình học screening, making it a valuable tool for enhancing sâu [1,4]. public health outcomes in resource-limited settings. - Phát triển một mô-đun hỗ trợ đào tạo và Keywords: cervical cancer, cervical cytology, cung cấp tài liệu số hỗ trợ cho sinh viên và bác digital pathology, deep learning, multi-class sĩ chuyên ngành tế bào học. classification Bằng cách kết hợp các kỹ thuật phân tích hình ảnh tiên tiến với bộ dữ liệu hình ảnh tế I. ĐẶT VẤN ĐỀ bào học được gán nhãn kỹ lưỡng, hệ thống này Ung thư cổ tử cung là một vấn đề sức khỏe nhằm mục đích nâng cao quá trình đào tạo cho nghiêm trọng, đặc biệt tại các quốc gia đang sinh viên và các bác sĩ tế bào học. Chúng tôi sử phát triển. Việc phát hiện sớm thông qua tầm dụng công nghệ học sâu để cải thiện độ chính soát định kỳ có thể giúp giảm đáng kể tỷ lệ tử xác và hiệu quả của mô hình phân tích tế bào vong. Một trong những phương pháp hiệu quả học, hỗ trợ các người học nhận biết và phân 576
TẠP CHÍ Y HỌC VIỆT NAM TẬP 545 - THÁNG 12 - SỐ CHUYÊN ĐỀ - 2024 biệt tốt hơn một số loại tế bào học điển hình. kiểm tra và xác nhận các nhãn từ vòng đầu tiên. Chỉ những nhãn đạt được sự đồng thuận II. ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU của ít nhất 2 trên 3 chuyên gia mới được đưa 2.1. Thu thập và gán nhãn hình ảnh tế vào bộ dữ liệu cuối cùng để phục vụ cho quá bào học dựa trên chất lỏng (LBC) trình đào tạo và đánh giá mô hình. Chúng tôi đã xử lý 450 mẫu bệnh phẩm tế 2.2. Xây dựng mô hình phân loại hình bào học cổ tử cung bằng hệ thống ảnh tế bào học đa lớp dựa trên học sâu CellSolution® F50 và nhuộm tiêu bản theo Ứng dụng trí tuệ nhân tạo trong chẩn đoán phương pháp Papanicolaou. Các tiêu bản này ung thư cổ tử cung tế bào học [3], chúng tôi đã sau đó được số hóa thành các hình ảnh WSI thử nghiệm các chiến lược học chuyển giao bằng kính hiển vi Olympus BX43 kết hợp với (transfer learning) [8] khác nhau và các mô camera Basler 5.0 MP, tích hợp phần mềm hình kết hợp (ensemble models) [2], bao gồm Microvisioneer mvSlide. Từ mỗi mẫu WSI, trích xuất đặc trưng và tinh chỉnh mô hình để chúng tôi tiến hành trích xuất ngẫu nhiên 100 phân loại các tế bào cổ tử cung bất thường vào vi trường quan sát dưới kính hiển vi ở độ năm nhóm chính: ASC-US, ASC-H, LSIL, phóng đại 40x trên hệ thống VRPACS, tạo ra HSIL và SCC. tổng cộng 45.000 hình ảnh JPG để tiến hành Học chuyển giao (Transfer learning) gán nhãn. Mỗi tế bào và cụm tế bào được đánh Học chuyển giao là một kỹ thuật trong học dấu bằng khung giới hạn (bounding box) và máy (machine learning) và học sâu (deep phân loại theo Hệ thống Bethesda 2014. learning), trong đó một mô hình đã được huấn Quá trình gán nhãn trải qua hai vòng trên luyện trên một nhiệm vụ hoặc bộ dữ liệu lớn 45.000 hình ảnh ở độ phóng đại 400x. Trong trước đó sẽ được sử dụng lại và tinh chỉnh để vòng đầu tiên, 20 bác sĩ giải phẫu bệnh có kinh áp dụng cho một nhiệm vụ hoặc bộ dữ liệu nghiệm từ 3 đến 5 năm tiến hành gán nhãn cho khác có liên quan nhưng thường nhỏ hơn. Điều các hình ảnh. Vòng thứ hai có sự tham gia của này cho phép mô hình tận dụng kiến thức đã ba chuyên gia trong lĩnh vực tế bào học cổ tử học từ nhiệm vụ cũ để cải thiện hiệu suất và cung với hơn 10 năm kinh nghiệm, tiến hành giảm thời gian huấn luyện cho nhiệm vụ mới. Hình 1: Học chuyển giao 577
HỘI THẢO KHOA HỌC CHUYÊN NGÀNH GIẢI PHẪU BỆNH CÁC TỈNH PHÍA NAM LẦN THỨ 14 Trong nghiên cứu về phân loại tế bào ung chiến lược cụ thể mà chúng tôi đề ra nhằm tối thư cổ tử cung bằng kỹ thuật học chuyển giao, ưu hóa hiệu suất cho nghiên cứu này. chúng tôi đã lựa chọn sáu mô hình dựa trên Cách tiếp cận này giúp chúng tôi phát huy khả năng học tập và hiệu suất khái quát hóa tối đa hiệu quả của từng mô hình trong việc của chúng. Các mô hình được chọn bao gồm nhận diện và phân loại chính xác các tế bào các mô hình dựa trên kiến trúc mạng nơ-ron ung thư cổ tử cung, qua đó đóng góp vào việc tích chập (CNN) như VGG19 [4], cải thiện khả năng chẩn đoán trong các chương InceptionV3, ResNet101, DenseNet201, và trình tầm soát ung thư cổ tử cung. kiến trúc Transformer như Vision Transformer Mô hình kết hợp (Ensemble models) - ViT và FasterViT [1]. Học kết hợp là một phương pháp trong học Những mô hình này đã được huấn luyện máy, trong đó nhiều mô hình được kết hợp với trên các tập dữ liệu chứa tế bào ung thư cổ tử nhau để giải quyết cùng một vấn đề nhằm cải cung bất thường bằng cách áp dụng các kỹ thiện hiệu suất dự đoán so với việc sử dụng chỉ thuật học chuyển giao tiên tiến [6]. Ban đầu, một mô hình đơn lẻ. Ý tưởng chính của học kết chúng tôi sử dụng các mô hình đã được huấn hợp là tận dụng sự đa dạng của các mô hình luyện trước trên tập dữ liệu ImageNet1k để tận riêng lẻ để giảm thiểu sai số, tăng tính ổn định dụng các đặc trưng đã học nhằm nâng cao hiệu và cải thiện khả năng tổng quát hóa của hệ quả cho các nhiệm vụ phân loại của mình. Sau thống (Hình 2). đó, các bộ phân loại đã được tinh chỉnh theo Hình 2: Học kết hợp Trong nghiên cứu này, chúng tôi tích hợp MobileNetV2, InceptionResNetV2, sáu kiến trúc CNN khác nhau, bao gồm InceptionV3, VGG16, ResNet101 và Xception 578
TẠP CHÍ Y HỌC VIỆT NAM TẬP 545 - THÁNG 12 - SỐ CHUYÊN ĐỀ - 2024 vào một khung mô hình kết hợp thống nhất để soát ung thư cổ tử cung. Thông qua việc tích phân loại hình ảnh tế bào học cổ tử cung [7]. hợp các kỹ thuật học sâu, chúng tôi hy vọng sẽ Mỗi kiến trúc đều có những thế mạnh riêng, đóng góp đáng kể cho lĩnh vực giải phẫu kỹ giúp chúng tôi tận dụng đa dạng các khả năng thuật số và chẩn đoán ung thư cổ tử cung, đặc trong việc trích xuất đặc trưng và nhận diện biệt là trong các khu vực hạn chế về nguồn lực mẫu hình. như Việt Nam. Để nâng cao hiệu quả của mô hình, chúng 2.3. Phát triển mô-đun đào tạo và hỗ trợ tôi đã kết hợp các kỹ thuật tiền xử lý và tăng bác sĩ tế bào học cường hình ảnh khác nhau. Những kỹ thuật Để hỗ trợ sinh viên, bác sĩ ngành tế bào này nhằm cải thiện chất lượng hình ảnh và làm học, chúng tôi đã phát triển thử nghiệm một nổi bật các đặc điểm liên quan, từ đó giúp mô mô-đun đào tạo bắt đầu bằng bài kiểm tra đầu hình xác định và phân loại các bất thường cổ tử vào. Sau khi vượt qua bài kiểm tra này, sinh cung tốt hơn trên tập dữ liệu của người Việt. viên sẽ tham gia vào một mô-đun lý thuyết Các bước tiền xử lý có thể bao gồm chuẩn hóa, nhằm học cách phân loại hình ảnh tế bào học. giảm nhiễu và điều chỉnh độ tương phản, giúp Sau khi hoàn thành chương trình đào tạo, sinh tạo ra dữ liệu đầu vào nhất quán hơn cho mô viên sẽ được đánh giá về kiến thức và kỹ năng hình. của mình thông qua bài kiểm tra. Các mô-đun Bằng cách áp dụng phương pháp tiếp cận hỗ trợ này được tích hợp các mô hình phân loại toàn diện này, chúng tôi không chỉ nâng cao dựa trên học sâu, giúp các bác sĩ tế bào học tự hiệu suất [5] của từng mô hình riêng lẻ mà còn học và phân loại các loại tế bào. tận dụng trí tuệ tập thể của mô hình kết hợp. III. KẾT QUẢ NGHIÊN CỨU Phương pháp này cho phép cải thiện độ chính Tập dữ liệu thu được được tổ chức thành xác trong chẩn đoán và nâng cao kết quả điều năm lớp với các bộ train/dev/test cho từng lớp trị cho bệnh nhân trong các chương trình tầm như sau: Hình 3: Các bộ train/dev/test cho từng lớp Bảng 1: Thống kê dữ liệu Label ACS_US LSIL ASC-H HSIL SCC Total Train 2.860 2.740 2.830 2.986 1.196 12.612 Dev 357 341 353 372 149 1.572 Test 359 345 355 375 151 1.585 579
HỘI THẢO KHOA HỌC CHUYÊN NGÀNH GIẢI PHẪU BỆNH CÁC TỈNH PHÍA NAM LẦN THỨ 14 Chúng tôi đã triển khai nhiều mô hình học sâu, tận dụng các phương pháp học chuyển giao và phương pháp kết hợp. Các phương pháp học kết hợp đã thể hiện hiệu suất mạnh mẽ và độ tin cậy cao bằng cách kết hợp hiệu quả sức mạnh của nhiều mô hình riêng lẻ (Bảng 2). Bảng 2: Kết quả phân loại F1-score của các mô hình học chuyển giao và học kết hợp Học chuyển MobileNetV2 InceptionV3 VGG16 DenseNet201 ResNet101 Xception VGG19 giao 68,41 72,57 64,65 68,10 60,41 67,18 66,10 Voting Logistic Regression Support Vector Machine Học kết hợp 76,17 76,14 76,57 Mô-đun hỗ trợ đào tạo bao gồm các bài học sử dụng mô hình chẩn đoán hỗ trợ AI đạt kiểm tra ban đầu, các bài học đào tạo tương tác được các chỉ số hiệu suất cao hơn so với những và các bài đánh giá cuối khóa, đảm bảo rằng người chỉ dựa vào các phương pháp truyền các bác sĩ tế bào học được trang bị đầy đủ để thống. Bảng 3 cũng chỉ ra rằng mức độ đồng diễn giải chính xác các mẫu tế bào học điển thuận kappa trong chẩn đoán của hai bác sĩ có hỉnh. Bên cạnh đó, mô-đun hỗ trợ cũng thúc 1 năm kinh nghiệm khi được hỗ trợ bởi AI với đẩy việc tự học, từ đó nâng cao chất lượng bác sĩ có trên 5 năm kinh nghiệm được cải tổng thể của sinh viên ngành tế bào học. Kết thiện đáng kể. quả Bảng 3 cho thấy rằng khi các bác sĩ tế bào Bảng 3: Đánh giá mức độ cải thiện chẩn đoán của bác sĩ có/không (C/K) sử dụng hỗ trợ của AI Bác sĩ tham gia Sử dụng hỗ Mức độ đồng thuận kappa với bác sĩ có nhiều hơn 5 năm kinh đánh giá (1 năm trợ của nghiệm (%) kinh nghiệm) AI? LSIL HSIL SCC Bất thường/Bình thường C 0,95 0,84 0,77 0,97 BS 1 K 0,76 0,30 0,14 0,81 C 0,96 0,87 0,81 0,98 BS 2 K 0,85 0,71 0,59 0,92 IV. BÀN LUẬN chẩn đoán bệnh lý này. Nội dung nghiên cứu Bài báo trình bày một nghiên cứu quan nổi bật với việc phát triển một hệ thống AI hỗ trọng về việc ứng dụng trí tuệ nhân tạo trong trợ sàng lọc tế bào học cổ tử cung, kết hợp với chẩn đoán hình ảnh ung thư cổ tử cung [3], đặc các mô hình học sâu đa lớp để phân loại các biệt tập trung vào các nước đang phát triển như loại tế bào bất thường [6,7]. Việc sử dụng các Việt Nam, nơi mà nguồn lực và nhân lực y tế mô hình học chuyển giao [7,8] và học kết hợp còn hạn chế. Đây là một hướng tiếp cận hiện [2,6] nhằm tận dụng sức mạnh của nhiều kiến đại và tiên tiến, có thể tạo ra bước đột phá trúc mạng nơ-ron khác nhau giúp tăng độ trong việc cải thiện chất lượng sàng lọc và chính xác của việc phân loại tế bào [5], đồng 580
TẠP CHÍ Y HỌC VIỆT NAM TẬP 545 - THÁNG 12 - SỐ CHUYÊN ĐỀ - 2024 thời giảm thiểu các sai sót chẩn đoán mà có thể bào học dựa trên chất lỏng, triển khai các mô xảy ra khi chỉ sử dụng các phương pháp truyền hình phân loại đa lớp tiên tiến dựa trên học sâu, thống. Nghiên cứu cũng chỉ ra rằng các bác sĩ và xây dựng một mô-đun đào tạo cho các sinh tế bào học sử dụng mô hình chẩn đoán hỗ trợ viên, bác sĩ tế bào học. AI đạt được các chỉ số hiệu suất cao hơn so với Kết quả cho thấy mô hình chẩn đoán hỗ trợ những người chỉ dựa vào các phương pháp AI của chúng tôi vượt trội so với các phương truyền thống. Điều này mở ra tiềm năng áp pháp truyền thống về các chỉ số hiệu suất dụng AI vào các quy trình lâm sàng thực tiễn, chính. Điều này nhấn mạnh giá trị thực tiễn giúp cải thiện hiệu quả của các chương trình của việc tích hợp các hệ thống trí tuệ nhân tạo sàng lọc ung thư cổ tử cung, đặc biệt trong bối vào quy trình lâm sàng. Cuối cùng, sự tích hợp cảnh nguồn lực y tế còn hạn chế. Bên cạnh đó, này có khả năng hỗ trợ nâng cao chất lượng việc ứng dụng hệ thống AI không chỉ giúp các chương trình sàng lọc ung thư cổ tử cung nâng cao độ chính xác trong chẩn đoán, mà nhằm cải thiện kết quả sức khỏe cộng đồng tại còn hỗ trợ đào tạo, phát triển nhân lực, hướng Việt Nam. tới xây dựng một hệ sinh thái số trong lĩnh vực y tế. VI. KIẾN NGHỊ Tuy nhiên, để triển khai thành công, vẫn Để áp dụng thành công các công nghệ AI cần phải có sự cân nhắc kỹ lưỡng về việc đào trong giải phẫu bệnh số (GPB) tại Việt Nam, tạo, nâng cao năng lực của đội ngũ nhân viên y việc xây dựng một chiến lược phù hợp với bối tế và đảm bảo các tiêu chuẩn an toàn trong ứng cảnh và nguồn lực hiện nay là vô cùng quan dụng AI, cũng như xây dựng các cơ sở dữ liệu trọng. Dưới đây là một số kiến nghị và đề xuất chuyên biệt phù hợp với đặc trưng của người nhằm định hướng triển khai hiệu quả trong lĩnh Việt. Việc này đòi hỏi sự phối hợp giữa các cơ vực này: sở y tế, cơ quan quản lý, và các doanh nghiệp - Tạo và chuẩn hóa dữ liệu y tế Việt Nam: công nghệ nhằm đảm bảo rằng giải pháp được Dữ liệu y tế đặc thù của bệnh nhân Việt Nam triển khai một cách hiệu quả và bền vững. có ý nghĩa rất lớn trong việc xây dựng các mô hình AI hiệu quả. Các bệnh viện và trung tâm V. KẾT LUẬN GPB nên phối hợp với các viện nghiên cứu và Nghiên cứu này nhấn mạnh tiềm năng của trường đại học để tạo lập các bộ dữ liệu giải việc tích hợp trí tuệ nhân tạo và hệ thống giải phẫu bệnh chuẩn hóa, được gắn nhãn rõ ràng phẫu bệnh kỹ thuật số để giải quyết các thách và có tính chính xác cao, phục vụ cho quá trình thức trong sàng lọc ung thư cổ tử cung, đặc huấn luyện các mô hình AI. biệt là ở những nơi thiếu nguồn lực như Việt - Đào tạo và nâng cao năng lực cho nhân Nam. Phương pháp của chúng tôi bao gồm viên y tế: Một trong những thách thức lớn nhất việc phát triển một hệ thống toàn diện, bao trong áp dụng AI vào GPB là khả năng làm gồm việc thu thập và gán nhãn các hình ảnh tế việc với các công nghệ mới. Do đó, cần có các 581
HỘI THẢO KHOA HỌC CHUYÊN NGÀNH GIẢI PHẪU BỆNH CÁC TỈNH PHÍA NAM LẦN THỨ 14 chương trình đào tạo thường xuyên về sử dụng 2. Ganaie MA, Hu M, Malik AK, et al. Ensemble deep learning: A review. AI trong chẩn đoán, cũng như nâng cao năng Engineering Applications of AI 115. 2022. lực phân tích và đánh giá kết quả. Đồng thời, https://doi.org/10.1016/j.engappai.2022.10515. việc đưa các khóa học trực tuyến về học máy 3. Jiang P, Li X, Shen H, Chen Y, Wang L, et al. và xử lý hình ảnh vào chương trình đào tạo tại A systematic review of deep learning-based các trường y và các cơ sở đào tạo chuyên cervical cytology screening: from cell identification to whole slide image analysis. AI ngành là cần thiết. Review. 2023;56:2687–2758. - Áp dụng mô hình AI theo từng giai đoạn: 4. Sarvamangala DR, Kulkarni RV. Để phù hợp với nguồn lực hạn chế, các mô Convolutional neural networks in medical hình AI đơn giản và dễ triển khai có thể là lựa image understanding: a survey. Evol Intell. chọn phù hợp cho các cơ sở y tế nhỏ và trung 2022;15(1):1-22. 5. Sokolova M, Lapalme G. A systematic analysis bình. Các mô hình này có thể được tối ưu hóa of performance measures for classification để xử lý các trường hợp cụ thể như nhận diện tasks. Information Processing & Management. tế bào bất thường trong các mẫu xét nghiệm 2009;45(4):427–437. LBC. 6. Tran VK, Nguyen TH, Dinh XL & Nghiem CC. A study on ensemble learning for cervical - Hợp tác giữa các cơ sở y tế và doanh cytology classification. In: In International nghiệp công nghệ trong phát triển và ứng dụng conference on advances in information and AI: Các bệnh viện, viện nghiên cứu nên hợp communication technology. 3rd. Springer. tác với các công ty công nghệ để cùng phát 2024. triển và điều chỉnh các mô hình AI phù hợp với 7. Tran VK, Do DT, Dinh XL & Nghiem CC. Transfer learning for cervical cancer multi- đặc điểm lâm sàng và bệnh lý tại Việt Nam. Sự class classification. In: In International kết hợp này giúp đảm bảo các giải pháp được conference on advances in information and thiết kế không chỉ chính xác mà còn khả thi khi communication technology. 3rd. Springer. triển khai tại các bệnh viện và phòng khám. 2024. 8. Zhao Z, Alzubaidi L, Zhang J, Duan Y, Gu TÀI LIỆU THAM KHẢO Y. A comparison review of transfer learning 1. Ashish V, Noam S, Parmar N, et al. and self-supervised learning: Definitions, Attention is all you need. In Proceedings of the applications, advantages and limitations. 31st International Conference on Neural Expert Systems with Applications. Information Processing Systems (NIPS'17). 2024;242:122807. 2017. 582

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright ©2025 TaiLieu.VN. All rights reserved.