ỨNG DỤNG MẠNG NƠ-RON TÍCH CHẬP TRONG CHẨN ĐOÁN TỔN THƯƠNG DÂY CHẰNG CHÉO TRƯỚC KHỚP GỐI DỰA TRÊN HÌNH ẢNH CỘNG HƯỞNG TỪ
Nội dung chính của bài viết
Tóm tắt
Đặt vấn đề: Việc đọc kết quả cộng hưởng từ trong chẩn đoán tổn thương dây chằng chéo trước hiện tiêu tốn khá nhiều thời gian và phụ thuộc vào kinh nghiệm bác sĩ. Mạng nơ-ron tích chập với khả năng tự động trích xuất đặc trưng hình ảnh hứa hẹn tối ưu hóa quy trình này. Mục tiêu nghiên cứu: Đánh giá hiệu quả của mạng nơ-ron tích chập trong chẩn đoán tổn thương dây chằng chéo trước khớp gối dựa trên ảnh cộng hưởng từ. Đối tượng và phương pháp nghiên cứu: Nghiên cứu mô tả cắt ngang thực hiện trên 400 bệnh nhân có chấn thương dây chằng chéo trước khớp gối, được đánh giá trên hình ảnh cộng hưởng từ (MRI) ở mặt phẳng sagittal không thuốc cản từ 1.5 Tesla. Phân bổ dữ liệu gồm: 341 ảnh huấn luyện, 31 ảnh kiểm định nội bộ và 28 ảnh kiểm định thực tế tại Bệnh viện Đa khoa Trung ương Cần Thơ và Bệnh viện Trường Đại học Y Dược Cần Thơ. Ba mô hình mạng nơ-ron tích chập (EfficientNet, ResNet-50, DenseNet121) được đánh giá, đối chiếu với tiêu chuẩn vàng là kết quả phẫu thuật nội soi khớp gối. Kết quả: Các mô hình mạng nơ-ron tích chập đạt hiệu suất vượt trội trên tập kiểm định thực tế với độ chính xác >85% và diện tích dưới đường cong (AUC) >0,95. Bản đồ nhiệt Grad-CAM định vị chính xác, logic các vùng tổn thương giải phẫu. Tốc độ suy luận đạt 4,4 - 15,8 ảnh/giây, đáp ứng tốt yêu cầu phân tích dữ liệu y tế nhanh chóng. Kết luận: Mạng nơ-ron tích chập là giải pháp chẩn đoán đứt dây chằng chéo trước chính xác, có sức mạnh khái quát hóa và khả năng định vị khoa học; hứa hẹn trở thành công cụ hỗ trợ đắc lực cho bác sĩ chẩn đoán hình ảnh.
Từ khóa
Mạng nơ-ron tích chập, CNN, trí tuệ nhân tạo, đứt dây chằng chéo trước, MRI khớp gối
Chi tiết bài viết
Bài báo này được cấp phép theo Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Tài liệu tham khảo
2. Bien N., Rajpurkar P., Ball R.L., Irvin J., Park A., et al. Deep-learning-assisted diagnosis for knee magnetic resonance imaging: development and retrospective validation of MRNet. PLoS Med. 2018. 15(11), e1002699, doi: 10.1371/journal.pmed.1002699.
3. Liu F., Guan B., Zhou Z., Samsonov A., Rosas H., et al. Fully automated diagnosis of anterior cruciate ligament tears on knee MR images by using deep learning. Radiol Artif Intell. 2019. 1(3), e180091, doi: 10.1148/ryai.2019180091.
4. Kelly C.J., Karthikesalingam A., Suleyman M., Corrado G., and King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med, 2019. 17(1), 195, doi: 10.1186/s12916-019-1426-2.
5. Štajduhar I., Mamula M., Miletić D., and Ünal G. Semi-automated detection of anterior cruciate ligament injury from MRI. Comput Methods Programs Biomed. 2017. 140, 151-164, doi: 10.1016/j.cmpb.2016.12.006.
6. Selvaraju R.R., Cogswell M., Das A., Vedantam R., Parikh D., and Batra D. CAM: visual explanations from deep networks via gradient-based localization. Proceedings of the IEEE International Conference on Computer Vision. 2017. 618-626, doi: 10.1109/ICCV.2017.74.
7. Zech J.R., Badgeley M.A., Liu M., Costa A.B., Titano J.J., and Oermann E.K. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: a cross-sectional study. PLoS Med. 2018. 15(11), e1002683, doi: 10.1371/journal.pmed.1002683.
8. Huang G., Liu Z., Van Der Maaten L., and Weinberger K.Q. Densely connected convolutional networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017. 4700-4708, doi: 10.1109/CVPR.2017.243.
9. He K., Zhang X., Ren S., and Sun J. Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. 770-778, doi: 10.1109/CVPR.2016.90.
10. Ghassemi M., Oakden-Rayner L., and Beam A.L. The false hope of current approaches to explainable artificial intelligence in health care. Lancet Digit Health. 2021. 3(11), e745-e750, doi: 10.1016/S2589-7500(21)00208-9.
11. van Leeuwen K.G., Schalekamp S., Rutten M.J.C.M., van Ginneken B., and de Rooij M. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol. 2021. 31(6), 3797-3804, doi: 10.1007/s00330-021-07892-z.