Tóm tắt bài học

Video bài giảng của Giáo sư Tom Bourne từ Đại học Imperial (Vương quốc Anh) tập trung vào việc tích hợp Radiomics trong siêu âm phụ khoa như một phương pháp tiếp cận mới trong trí tuệ nhân tạo (AI) để phân loại các khối u.

Dưới đây là tóm tắt chi tiết các nội dung chính của video:

1. Sự phát triển của AI trong chẩn đoán hình ảnh

Giáo sư Bourne bắt đầu bằng việc minh họa sự tiến bộ vượt bậc của AI trong việc phân biệt các hình ảnh tương tự nhau (như con chó Chihuahua và bánh muffin).
Thậm chí các mô hình ngôn ngữ lớn như ChatGPT hiện nay cũng có thể đưa ra các gợi ý khá chính xác về bản chất của một khối u nang đơn giản dựa trên mô tả hình ảnh siêu âm.

2. Radiomics là gì và quy trình thực hiện

Khác biệt với siêu âm truyền thống: Thay vì chỉ dựa vào các đặc điểm quan sát được bằng mắt thường như đặc điểm khối u, Radiomics tập trung vào các đặc điểm định lượng ẩn trong hình ảnh kỹ thuật số.
Các đặc điểm chính: Bao gồm kết cấu (texture), hình dạng, thể tích, độ không đồng nhất (heterogeneity) và quy luật cường độ pixel. Những thông tin này có thể phản ánh sự khác biệt về di truyền hoặc chuyển hóa của mô.
Quy trình thực hiện:
1. Phân đoạn (Segmentation): Xác định ranh giới tổn thương (thủ công hoặc tự động bằng Deep Learning).
2. Trích xuất đặc điểm: Thu thập hàng trăm đến hàng ngàn đặc điểm Radiomics.
3. Giảm lược đặc điểm: Loại bỏ các đặc điểm dư thừa để tránh hiện tượng “quá khớp” (overfitting) và tăng khả năng giải thích của mô hình.
4. Phân loại: Đưa ra kết quả chẩn đoán cuối cùng về bản chất khối u.

3. Các nghiên cứu và bằng chứng lâm sàng

Nghiên cứu của nhóm tác giả Ý: Các nghiên cứu sơ khởi cho thấy Radiomics có tiềm năng phân biệt các loại khối u nhưng thường gặp hạn chế do cỡ mẫu nhỏ và thiếu sự kiểm định từ bên ngoài (external validation).
Nghiên cứu của nhóm Giáo sư Bourne:
- Sử dụng tập dữ liệu gồm 577 khối u và hơn 1.400 hình ảnh 2D đen trắng.
- Các đặc điểm quan trọng nhất liên quan đến độ không đồng nhất và cường độ hình ảnh.
- Kết quả: Mô hình Radiomics (gọi là ODS) cho kết quả khả quan với AUC (diện tích dưới đường cong) đạt khoảng 0.81 ở tập kiểm định bên ngoài. Trong một số thử nghiệm nội bộ, mô hình này thậm chí còn cho kết quả vượt trội hơn so với quy luật Simple Rules và mô hình ADNEX của IOTA.

4. Các ứng dụng mở rộng khác của Radiomics

Trong thai kỳ: Phân biệt tình trạng màng rụng hóa (decidualization) với các khối u giáp biên ác tính.
Trong IVF: Dự đoán khả năng tiếp nhận của nội mạc tử cung và khả năng đậu thai (AUC 0.8).
Dự đoán khả năng sống sót của thai nhi: Phân tích vùng cấy ghép phôi để dự đoán nguy cơ sảy thai (AUC 0.81 – 0.92).
Ung thư nội mạc tử cung: Dự đoán các trường hợp có nguy cơ cao, mặc dù kết quả hiện tại chưa cải thiện đáng kể so với các phương pháp lâm sàng truyền thống.

5. Kết luận và định hướng tương lai

Ưu điểm: Radiomics cung cấp khả năng giải thích được (explainability) cho các đầu ra của AI và có thể áp dụng trên nhiều hệ thống máy siêu âm khác nhau.
Thách thức: Cần có các tập dữ liệu lớn hơn và sự hợp tác quốc tế để xây dựng các ngân hàng hình ảnh dùng chung nhằm kiểm định mô hình một cách khách quan nhất.
Giáo sư Bourne tin rằng trong tương lai, việc kết hợp giữa Deep Learning và Radiomics sẽ là giải pháp tối ưu cho chẩn đoán phụ khoa.

0% Hoàn thành

Đăng nhập

Đăng ký