XÂY DỰNG HỆ HỖ TRỢ CHẨN ĐOÁN X-QUANG UNG THƯ VÚ BẰNG TRÍ TUỆ NHÂN TẠO
Nội dung chính của bài viết
Tóm tắt
Hiện nay, ung thư vú là loại ung thư phổ biến nhất ở phụ nữ nhiều nước trên thế giới nói chung và Việt Nam nói riêng. Trong các phương pháp sàng lọc phát hiện sớm ung thư vú thì chụp ảnh X-quang ung thư vú được coi là một phương pháp quan trọng và có giá trị cao. Việc đánh giá mức độ tổn thương trên ảnh X-quang ung thư vú được thực hiện qua hệ thống phân loại BI-RADS. Nghiên cứu này đề xuất phương pháp phân loại một ảnh mammogram của bệnh nhân theo ba loại: biểu hiện cho tuyến vú bình thường, không có tổn thương (BI-RADS 1), tuyến vú có tổn thương với khả năng lành tính cao (tương ứng với BI-RADS 23) và không đánh giá được tổn thương trên X-quang ung thư vú hoặc khả năng ung thư cao, cần dựa vào các thăm dò khác (BI-RADS 045). Hệ thống của chúng tôi được xây dựng dựa trên mạng nơ ron tích chập CNN với kiến trúc nền tảng là ResNet50. Hệ thống được huấn luyện trên bộ dữ liệu ảnh X-quang ung thư vú được xây dựng bởi các bác sĩ chẩn đoán hình ảnh Bệnh viện Đại học Y Hà Nội với 7.912 ảnh mammograms. Hệ thống này cho kết quả trên tập kiểm tra với độ đo độ tin cậy của hệ thống là macAUC = 0.75. Ngoài ra, chúng tôi cũng làm nghiên cứu so sánh độ tin cậy Acc (Accuracy), độ nhậy Sn (Sensitivity) và độ đặc hiệu Sp (Specificity) của các bác sĩ chẩn đoán hình ảnh X-quang ung thư vú của Bệnh viện Đại học Y Hà Nội và của hệ thống với gần 500 ảnh “chuẩn vàng” lấy ngẫu nhiên từ tập kiểm tra, kết quả cho thấy độ tin cậy chẩn đoán của hệ thống tương đương với “hội đồng” bác sĩ chẩn đoán hình ảnh có kinh nghiệm và cao hơn một bác sĩ chẩn đoán hình ảnh được chọn ngẫu nhiên. Như vậy hệ hỗ trợ có thể được coi như “bác sĩ chẩn đoán hình ảnh thứ hai” hỗ trợ các bác sĩ chẩn đoán hình ảnh trong việc tầm soát ung thư vú ở Việt Nam.
Chi tiết bài viết
Từ khóa
Ảnh X-quang ung thư vú, Loại BI-RADS, Mạng nơ ron tích chập ResNet, Học sâu
Tài liệu tham khảo
[2] Curated Breast Imaging Subset of DDSM, https:// wiki.cancerimagingarchive.net/display/ Public/CBIS-DDSM. (truy nhập: 19/07/2021).
[3] Dhungel, N., Carneiro, G., and Bradley, A., (2017), Fully automated classification of mammograms using deep residual neural networks, Proceedings of the 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), IEEE, United States of America, 310–314.
[4] Expert Panel on Breast, I., L. Moy, S.L. Heller, et al., (2017), ACR Appropriateness Criteria® Palpable Breast Masses, J Am Coll Radiol, 14(5S): S203-S224.
[5] Ferlay, J., Soerjomataram, I., Dikshit, R. et al., (2015), Cancer incidence and mortality worldwide: sources, methods and major patterns in GLOBOCAN 2012. Int J Cancer, 136(5): E359-86.
[6] Geras, K.J. et al., (2018), High-Resolution Breast Cancer Screening with Multi-View Deep Convolutional Networks. arXirv: 1703.07047v3 [cs.CV] 28 Jun 2018. (truy nhập: 19/07/2021).
[7] Goodfellow, I., Bengio, Y., and Courville, A., (2016), Deep Learning, MIT Press.
[8] He, K., Zhang, X., Ren, S., Sun, J., (2016), Deep residual learning for image recognition, In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770-778.
[9] http://icy.bioimageanalysis.org/download/ (truy nhập: 19/07/2021).
[10] https://www.californiaprotons.com/vi/ breast-cancer/stages-grades/ (truy nhập: 19/07/2021).
[11] https://radiologyhanoi.com/khong-phan- loai/1812-chup-xquang-vu-quy-trinh- chup-xquang-vu-phan-do-nghi-ngo-ac- tinh-hinh-anh-xquang-vu-theo-birads.html. (truy nhập: 19/07/2021).
[12] https://suckhoedoisong.vn/hon-21500-phu- nu-viet-mac-ung-thu-vu-nam-2020-n185530. html. (truy nhập: 19/07/2021).
[13] https://www.most.gov.vn/vn/tag/1517/chuong- trinh-kc-4-0.aspx. (truy nhập: 19/07/2021).
[14] http://www.eng.usf.edu/cvprg/Mammography/ Database.html. (DDSM: Digital Database for Screening Mammography).
[15] http://icy.bioimageanalysis.org/download/ (truy nhập: 19/07/2021).
[16] Levy, D., Jain A., (2016), Breast Mass Classification from Mammograms using Deep Convolutional Neural Networks, arXiv:1612.00542v1[cs.CV] 2 Dec 2016. (truy nhập: 19/07/2021).
[17] Litjens, G. et al., (2017), A Survey on Deep Learning in Medical Image Analysis. arXiv:1702.0574v1 [cs.CV] 19 Feb 2017.
[18] Mammographic image analysis homepage, http://www.mammoimage.org/databases/ (truy nhập: 19/07/2021).
[19] Moreira, I.C., Amaral, I., Domingues, I. et al., (2012), INbreast: toward a full-field digital mammographic database,Academic Radiology, 19(2), 236-248.
[20] Nguyen Duc Thang, Nguyen Viet Dung, Tran Vinh Duc, Anh Nguyen, Quang H. Nguyen, Nguyen Tu Anh, Nguyen Ngoc Cuong, Le Tuan Linh, Bui My Hanh, Phan Huy Phu, Nguyen Hoang Phuong, (2020), Building a X-ray Database for Mammography on Vietnamese patients and automatic Detecting ROI Using Mask- RCNN, In Book: V. Kreinovich, Nguyen Hoang Phuong (Eds.), Soft Computing for Biomedical and Related Topics, Studies in Computational Intelligence 899, Springer, 2020. 315-329.
[21] Nguyễn Hoàng Phương, (2020), Tin học và Học sâu trong Y học, Nhà xuất bản Đại học quốc gia Hà Nội.
[22] Sardanelli, F., Fallenberg, E.M., Clauser, P., et al., (2017), Mammography: an update of the EUSOBI recommendations on information for women, Insights Imaging, 8(1): 11-18.
[23] Shen, L., (2017), End-to-end Training for Whole Image Breast Cancer Diagnosis using An All Convolutional Design, Poster at NIPS 2017 Workshop on Machine Learning for Health.
[24] Shimoda, Y., Osanai, T., Nakayama, N. et al., (2016), De novo arteriovenous malformation in a patient with hereditary hemorrhagic telangiectasia, J Neurosurg Pediatr. 17(3): 330-5.
[25] Tabar, L., Yen, A.M., Wu, W.Y., et al., (2015), Insights from the breast cancer screening trials: how screening affects the natural history of breast cancer and implications for evaluating service screening programs, Breast J. 21(1): 13-20.
[26] Xi, P., Shu, C., Goubran, R., (2018), Abnormality Detection in Mammography using Deep Convolutional Neural Networks, ArXiv: 1803.01906v1 [cs.CV] 5 Mar 2018. (truy nhập: 19/07/2021).
[27] Wing, P. and Langelier, M.H., (2009), Workforce shortages in breast imaging: impact on mammography utilization, AJR Am J Roentgenol, 192(2): 370-8.
[28] Wu, N., Phang, J., Park, J., Shen, Y., Huang, Z., Zorin, M., Jastrzebski, S., Fevry, T., Katsnelson, J., Kim, E., Wolfson, S., Parikh, U., Gaddam, S., Lin, L.L.Y., Ho, K., Weinstein, J.D., Reig, B., Gao, Y. Toth, H., Pysarenko, K., Lewin, A., Lee, J., Airola, K. Mema, E., Gao, Y., Toth, H., Pysarenko, K., Lewin, A., Lee, J., Airola, K., Mema, E., Chung, S., Hwang, E., Samreen, N., Kim, S.G., Heacock, L., Moy, L., Cho, K., and Geras, K.J., (2020), Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening, IEEE Transactions on Medical Imaging, Vol. 39, No. 4, April 2020. Pp. 1184-1194.