Thanh bên bài viết
Số lượt xem PDF: 50
KẾT QUẢ BƯỚC ĐẦU PHÂN LOẠI MẬT ĐỘ VÚ TRÊN PHIM NHŨ ẢNH BẰNG TRÍ TUỆ NHÂN TẠO TẠI BỆNH VIỆN THỐNG NHẤT
Nội dung chính của bài viết
Tóm tắt
Đặt vấn đề: Chụp nhũ ảnh là phương pháp chính để sàng lọc và chẩn đoán sớm ung thư vú. Ứng dụng trí tuệ nhân tạo vào phân loại mật độ tuyến vú là cần thiết nhằm mang lại lợi ích cho người bệnh và giảm sự thiếu đồng nhất trong chẩn đoán. Mục tiêu nghiên cứu: Nghiên cứu sẽ xây dựng bộ dữ liệu tại Bệnh viện Thống Nhất và kết hợp với các bộ dữ liệu mở để tạo nên mô hình phân loại nhũ ảnh cho Bệnh viện Thống Nhất. Đối tượng và phương pháp nghiên cứu: Toàn bộ hình ảnh nhũ ảnh của phụ nữ tầm soát ung thư vú tại Bệnh viện Thống Nhất được lựa chọn và gắn nhãn bởi 2 bác sĩ (mù đôi). Bộ dữ liệu kết hợp với bộ dữ liệu được công bố trước đây được dùng huấn luyện mô hình AI. Kết quả 13395 phim nhũ ảnh của 5506 phụ nữ trong đó có 698 bệnh nhân từ Bệnh viện Thống Nhất với tuổi trung bình là 48,7 ± 12,6 được đưa vào huấn luyện. Trên tập dữ liệu kiểm tra, mô hình đạt độ chính xác 76,8 % mức độ đồng thuận tốt với bác sĩ. Cụ thể trong đó độ nhạy tăng dần từ nhóm A với 31,8% tới nhóm D là 92,2%. Ngược lại độ đặc hiệu lại giảm từ nhóm A với 100% xuống nhóm D với 83,5%. Kết luận: Kết quả này chứng minh tiềm năng của việc ứng dụng trí tuệ nhân tạo để hỗ trợ đánh giá mật độ vú trong sàng lọc ung thư vú.
Chi tiết bài viết
Từ khóa
Trí tuệ nhân tạo, Ung thư vú, mật độ ú
Tài liệu tham khảo
2. Sickles, et al., Breast Imaging Reporting and Data System, in ACR BI-RADS® Atlas. 2013, American College of Radiology.
3. Freer, P.E., Mammographic breast density: impact on breast cancer risk and implications for screening. Radiographics, 2015. 35(2): p. 302-15.DOI: 10.1148/rg.352140106.
4. Nguyen, H.T., et al., VinDr-Mammo: A large-scale benchmark dataset for computer-aided diagnosis in full-field digital mammography. Scientific Data, 2023. 10(1): p. 277.DOI:
10.1038/s41597-023-02100-7.
5. Carr, C., et al. RSNA Screening Mammography Breast Cancer Detection. 2022; Available from: https://kaggle.com/competitions/rsna-breast-cancer-detection.
6. Kopans, D., et al. Digital Database for Screening Mammography (DDSM). 2000 2000; http://www.eng.usf.edu/cvprg/mammography/database.html.
7. Lehman, C.D., et al., Mammographic Breast Density Assessment Using Deep Learning:
Clinical Implementation. Radiology, 2019. 290(1): p. 52-58.DOI: 10.1148/radiol.2018180694.
8. Magni, V., et al., Development and Validation of an AI-driven Mammographic Breast Density Classification Tool Based on Radiologist Consensus. Radiology: Artificial Intelligence, 2022. 4(2): p. e210199.DOI: 10.1148/ryai.210199.
9. Mohamed, A.A., et al., A deep learning method for classifying mammographic breast density categories. Med Phys, 2018. 45(1): p. 314-321.DOI: 10.1002/mp.12683.
10. Sprague, B.L., et al., Variation in Mammographic Breast Density Assessments Among Radiologists in Clinical Practice: A Multicenter Observational Study. Ann Intern Med, 2016. 165(7): p. 457-464.DOI: 10.7326/m15-2934.
11. Chan, H.P. and M.A. Helvie, Deep Learning for Mammographic Breast Density Assessment and Beyond. Radiology, 2019. 290(1): p. 59-60.DOI: 10.1148/radiol.2018182116.