Tổng quan về luận án

Luận án này tập trung vào việc "Nâng cao hiệu quả hỗ trợ chẩn đoán một số dạng ung thư dựa trên kỹ thuật xử lý ảnh và mạng nơ-ron tích chập", đóng góp vào chuyên ngành Kỹ thuật điện tử (Mã số: 9520203). Nghiên cứu giải quyết một nhu cầu cấp thiết trong y tế toàn cầu và tại Việt Nam, nơi sự thiếu hụt nguồn lực y tế và trình độ chẩn đoán hình ảnh còn mất cân bằng. Theo thống kê, Nhật Bản chỉ có 36 bác sĩ chẩn đoán hình ảnh/triệu dân, và tại Anh, hơn 300.000 hình ảnh X-quang phải chờ đến hơn 30 ngày để phân tích [1]. Tại Việt Nam, tỷ lệ bác sĩ/vạn dân chỉ hơn 8, thấp hơn nhiều so với Singapore (23 bác sĩ/vạn dân) [6], cho thấy tiềm năng to lớn của các giải pháp chẩn đoán hỗ trợ bằng máy tính. Trí tuệ nhân tạo (AI) và Học sâu (Deep Learning - DL) được xem là xu hướng tất yếu, cung cấp các phần mềm hỗ trợ chẩn đoán với độ chính xác cao, giúp giải quyết tình trạng thiếu hụt nhân lực và tăng tốc độ chẩn đoán, như phần mềm của Viz.AI giúp tiết kiệm tới 45% thời gian chẩn đoán đột quỵ não [5].

Research gap cụ thể mà luận án này hướng tới nằm ở hai lĩnh vực chính: phân vùng ảnh y tế và phân loại ảnh y tế. Thứ nhất, trong phân vùng ảnh y tế, các giải pháp hiện hành gặp khó khăn trong việc phát hiện vùng ảnh chứa khối u khi có nhiễu và sự đa dạng về kích thước khối u ở các giai đoạn bệnh. Các mô hình phổ biến như U-Net, Residual U-Net, U-Net++ và các mô hình active contour thường không hiệu quả với các khối u nhỏ, hoặc các khối u lớn có vôi hóa, do thông tin bị mất sau các lớp tích chập bởi cơ chế pooling [37, 67]. Hơn nữa, để tăng hiệu suất, nhiều nghiên cứu trước đây đã đề xuất kết hợp nhiều mô hình mạng khác nhau, dẫn đến sự phức tạp và gia tăng chi phí tính toán [70]. Thứ hai, đối với phân loại ảnh y tế, việc đạt được độ chính xác cao thường đòi hỏi một lượng lớn dữ liệu huấn luyện [78, 80, 81]. Tuy nhiên, việc thu thập dữ liệu y tế là một thách thức lớn do chi phí thiết bị đắt đỏ, cần sự hợp tác của bệnh nhân, và tính đặc thù về sự phổ biến của từng loại bệnh. Điều này dẫn đến vấn đề overfitting và độ chính xác thấp khi huấn luyện các mô hình phân loại thông thường với lượng dữ liệu hạn chế [82].

Luận án đề xuất các giải pháp tiên phong để giải quyết những khoảng trống này thông qua các câu hỏi nghiên cứu và giả thuyết sau:

  1. RQ1: Làm thế nào để nâng cao hiệu quả phát hiện và phân vùng khối u trong ảnh siêu âm tuyến vú, đặc biệt với các khối u có kích thước đa dạng và bị ảnh hưởng bởi nhiễu?
    • H1: Việc sử dụng ảnh đa phân giải được tạo ra từ ảnh gốc và một mạng phân vùng U-Net cải tiến, kết hợp kết quả từ các ảnh ở các phân giải khác nhau, sẽ nâng cao độ chính xác phân vùng so với các phương pháp hiện có.
  2. RQ2: Làm thế nào để xây dựng một hệ thống phân loại ảnh siêu âm khối u tuyến giáp đạt độ chính xác cao khi chỉ có một lượng nhỏ dữ liệu huấn luyện?
    • H2: Giải pháp sử dụng mạng nơ-ron tích chập đã huấn luyện trước (pretrained CNN) làm backbone kết hợp huấn luyện bằng các cặp ảnh trong cơ sở dữ liệu, cùng với việc so sánh ảnh đầu vào với ảnh chuẩn, sẽ duy trì độ chính xác phân loại cao ngay cả với lượng dữ liệu huấn luyện nhỏ.

Khung lý thuyết của luận án được xây dựng dựa trên nền tảng của Học sâu (Deep Learning), đặc biệt là Mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs). Các lý thuyết cốt lõi bao gồm Mạng U-Net (Ronneberger et al., 2015) cho phân vùng ảnh [36], và các kiến trúc mạnh mẽ như ResNet (He et al., 2016) [51] và Inception Network (Szegedy et al., 2015) [52] được sử dụng làm backbone cho tác vụ phân loại và trích xuất đặc trưng. Các lý thuyết về tối ưu hóa mạng nơ-ron như giải pháp chống mất đạo hàm (vanishing gradient) trong ResNet thông qua Skip-Connections [51] cũng được ứng dụng.

Đóng góp đột phá của luận án bao gồm:

  1. Tăng cường hiệu quả phân vùng khối u đa kích thước: Đề xuất giải pháp phân vùng hình ảnh khối u trong ảnh y tế sử dụng một mạng phân vùng U-Net cải tiến, tích hợp ảnh đa phân giải. Điều này cho phép mạng học và phát hiện hiệu quả cả khối u nhỏ và lớn, vốn là thách thức lớn đối với các phương pháp trước đây [37, 67]. Giải pháp đã chứng minh hiệu suất vượt trội trên tập dữ liệu BUS và BUSI (Breast Ultrasound Images).
  2. Tối ưu hóa kiến trúc mạng phân vùng: Phát triển một mô hình mạng phân vùng duy nhất, sâu hơn và cải tiến dựa trên U-Net, giảm hiện tượng mất đạo hàm khi huấn luyện và đơn giản hóa cấu trúc so với các phương pháp kết hợp nhiều mạng phức tạp [70].
  3. Phân loại ảnh y tế hiệu quả với dữ liệu hạn chế: Đề xuất một hệ thống phân loại hình ảnh khối u tuyến giáp dựa trên cấu trúc CNN có khả năng duy trì độ chính xác cao ngay cả khi chỉ có một lượng nhỏ dữ liệu huấn luyện. Điều này giải quyết vấn đề overfitting và khó khăn trong việc thu thập dữ liệu y tế [82].
  4. Phương pháp tăng cường dữ liệu và robustness cho phân loại: Ứng dụng CNN đã huấn luyện trước làm backbone để trích xuất đặc trưng và huấn luyện mô hình phân loại bằng các cặp ảnh trong cơ sở dữ liệu ban đầu, cùng với việc so sánh ảnh đầu vào với một số lượng ảnh chuẩn. Phương pháp này tăng cường đáng kể dữ liệu huấn luyện hiệu quả, giúp khắc phục hiện tượng mạng nơ-ron không hội tụ.

Phạm vi nghiên cứu tập trung vào ảnh siêu âm tuyến vú (sử dụng tập dữ liệu BUS và BUSI) và tuyến giáp (sử dụng tập dữ liệu TDID) do đây là các loại ung thư phổ biến và có sẵn các tập dữ liệu công khai, được xác nhận bởi bác sĩ, đảm bảo tính tin cậy cho quá trình thực nghiệm. Các giải pháp đề xuất không chỉ nâng cao độ chính xác của hệ thống hỗ trợ chẩn đoán (CADx) mà còn có ý nghĩa lớn trong việc giảm gánh nặng cho các bác sĩ chẩn đoán hình ảnh, đặc biệt tại các khu vực có nguồn lực y tế hạn chế, và góp phần vào việc lập kế hoạch điều trị hiệu quả hơn.

Literature Review và Positioning

Nghiên cứu này tổng hợp các luồng chính trong lĩnh vực xử lý ảnh y tế và ứng dụng Học sâu, đặc biệt là Mạng nơ-ron tích chập (CNN). Các luồng nghiên cứu chính bao gồm: Tổng quan về chẩn đoán hình ảnh y tế, các kỹ thuật xử lý ảnh y tế cơ bản, và các ứng dụng CNN trong phát hiện, phân vùng, hợp nhất và phân loại ảnh y tế.

Trong chẩn đoán hình ảnh y tế, các phương pháp như X-quang, siêu âm, CT-Scan và MRI đã trở thành trụ cột quan trọng. X-quang là phương pháp đơn giản nhất, thường dùng chẩn đoán xương khớp và tầm soát phổi. Siêu âm linh động, khảo sát tốt các bệnh lý ổ bụng, tuyến giáp, tuyến vú, nhưng chất lượng ảnh phụ thuộc vào kỹ năng người siêu âm và không áp dụng được vùng có xương/khí. CT-Scan mở rộng từ X-quang, cung cấp thông tin chi tiết hơn cho tất cả các bộ phận cơ thể, đặc biệt trong cấp cứu chấn thương, đột quỵ và các tổn thương phổi. MRI là kỹ thuật hiện đại, không sử dụng tia X, hiệu quả trong bệnh lý thần kinh trung ương, gan mật, vú, xương khớp [24]. Luận án tập trung vào ảnh siêu âm do tính linh động và phổ biến của nó trong chẩn đoán ung thư tuyến vú và tuyến giáp.

Kỹ thuật xử lý ảnh y tế cơ bản bao gồm các quy trình từ thu thập dữ liệu thô, tái tạo hình ảnh (ví dụ: filtered backprojection (FBP), Fourier transform (FT), delay and sum (DAS)), tính toán hình ảnh (tăng cường, phân tích, trực quan hóa), đến quản lý hình ảnh (PACS) [29]. Những tiến bộ của GPU đã tăng tốc đáng kể các tính toán song song, hỗ trợ xử lý thuật toán phức tạp trong ảnh y tế [26].

Sự phát triển của Mạng nơ-ron tích chập (CNN) đã cách mạng hóa lĩnh vực này. CNNs, như AlexNet (Krizhevsky et al., 2012), VGGNet (Simonyan & Zisserman, 2014), ResNet (He et al., 2016), InceptionNet (Szegedy et al., 2015), và DenseNet (Huang et al., 2017) đã chứng minh hiệu suất vượt trội trong nhận dạng và phân tích hình ảnh [30, 31].

CNN ứng dụng phát hiện đối tượng trong ảnh y tế thường nhằm phát hiện sớm các dấu hiệu bất thường. Các thuật toán như SSD (Liu et al., 2016), YOLO (Redmon et al., 2016) (one-stage) và Faster-RCNN (Ren et al., 2015), Mask-RCNN (He et al., 2017) (two-stage) đã được áp dụng. CornerNet (Law & Deng, 2018) đại diện cho xu hướng Anchor-Free mới nổi [28]. Trong nghiên cứu của Yap và cộng sự [67], Faster-RCNN với mô hình Inception-ResNet đã được sử dụng để phát hiện tổn thương tuyến vú từ ảnh xám hoặc RGB, cho thấy hiệu suất cao.

CNN ứng dụng phân vùng ảnh y tế là một tác vụ quan trọng để xác định vị trí và hình dạng chi tiết của đối tượng. U-Net (Ronneberger et al., 2015) là kiến trúc mạng nổi bật, tích hợp mạng tích chập (encoder) và mạng giải chập (decoder) với skip connections để bảo toàn thông tin không gian [36]. Các nghiên cứu khác như Yap và cộng sự [37] đã sử dụng U-Net và FCN-AlexNet để tách khối u từ ảnh siêu âm tuyến vú, nhằm bù nhiễu và hạn chế giảm hiệu suất do kích thước khối u khác nhau. Tuy nhiên, các giải pháp này vẫn gặp khó khăn với khối u nhỏ hoặc bị vôi hóa, và việc kết hợp nhiều mạng làm tăng độ phức tạp [70].

CNN ứng dụng phân loại ảnh y tế là một nhiệm vụ cơ bản để gán nhãn bệnh cho hình ảnh. Các phương pháp trước đây bao gồm trích xuất đặc trưng thủ công (ví dụ: Chang và cộng sự [72] sử dụng 78 đặc tính tổ chức tế bào cho phân loại u tuyến giáp với SVMs) và các phương pháp dựa trên học sâu. Zhu và cộng sự [74] đã sử dụng ResNet18 tinh chỉnh để phân loại u tuyến giáp, trong khi Chi và cộng sự [75] áp dụng GoogLeNet. Các mạng như VGG16-Net và Inception cũng được sử dụng làm backbone trong nghiên cứu của Sundar [76]. Mặc dù hiệu quả, các phương pháp này thường đòi hỏi lượng dữ liệu huấn luyện khổng lồ và đối mặt với vấn đề mất gradient trong mạng sâu (He et al., 2016) hoặc overfitting với dữ liệu hạn chế (Zhu et al., 2018 [74], Chi et al., 2017 [75]).

Contradictions/Debates: Một trong những tranh luận chính là giữa việc sử dụng các mô hình phức tạp, nhiều mạng kết hợp để đạt độ chính xác cao vs. nỗ lực đơn giản hóa kiến trúc để dễ triển khai và huấn luyện. Ví dụ, Hiramatsu và cộng sự [70] đề xuất tích hợp nhiều mạng FCN với mạng Gating và nhiều mạng chuyên gia để phân vùng, cho thấy hiệu quả hơn U-Net thông thường nhưng tăng độ phức tạp. Ngược lại, luận án này hướng tới một mạng phân vùng duy nhất cải tiến để đạt hiệu suất tương đương hoặc tốt hơn với mô hình gọn nhẹ hơn. Một tranh cãi khác là khả năng phân loại hiệu quả với dữ liệu hạn chế. Nhiều nghiên cứu như của Jinlian Maa và cộng sự [78] sử dụng hơn 15.000 hình ảnh siêu âm và Bui My Hanh và cộng sự [81] sử dụng 7912 hình ảnh X-quang tuyến vú để huấn luyện, nhấn mạnh nhu cầu dữ liệu lớn. Điều này mâu thuẫn với thực tế khó khăn trong thu thập dữ liệu y tế, tạo ra thách thức lớn cho các quốc gia đang phát triển.

Positioning trong Literature và Advancement: Luận án này định vị mình bằng cách trực tiếp giải quyết những hạn chế đã nêu của các nghiên cứu trước đây.

  1. Về phân vùng: So với các nghiên cứu như của Yap và cộng sự [37] sử dụng hai cấu trúc mạng khác nhau (U-Net và FCN-AlexNet) để bù nhiễu và hạn chế giảm hiệu suất, luận án đề xuất một mạng phân vùng duy nhất dựa trên cấu trúc U-Net cải tiến nhiều lớp hơn. Đặc biệt, giải pháp sử dụng ảnh đa phân giải tăng cường từ ảnh gốc khắc phục vấn đề mất thông tin của khối u nhỏ mà các phương pháp truyền thống như U-Net gặp phải [31]. Việc kết hợp kết quả từ ảnh gốc và ảnh thu nhỏ giúp nâng cao hiệu quả phát hiện và phân vùng, một phương pháp chưa được khai thác triệt để trong việc giải quyết vấn đề đa kích thước của khối u.
  2. Về phân loại: Luận án tiến xa hơn so với các nghiên cứu của Zhu và cộng sự [74] hay Chi và cộng sự [75] vốn vẫn phụ thuộc vào lượng dữ liệu đáng kể. Giải pháp đề xuất mới tập trung vào việc huấn luyện hiệu quả với số lượng nhỏ dữ liệu huấn luyện. Cụ thể, nó sử dụng CNN đã đào tạo trước làm backbone và chiến lược huấn luyện bằng các cặp ảnh từ cơ sở dữ liệu ban đầu, cùng với việc so sánh ảnh đầu vào với ảnh chuẩn. Cách tiếp cận này giúp tăng cường dữ liệu huấn luyện một cách hiệu quả, khắc phục vấn đề overfitting và không hội tụ mà các mô hình thông thường như AlexNet hay VGGNet gặp phải khi mạng sâu và dữ liệu ít [82].

So sánh với ít nhất 2 international studies:

  1. Hiramatsu và cộng sự (2019) [70]: Nghiên cứu này đề xuất phương pháp tích hợp nhiều mạng FCN (mạng Gating và nhiều mạng chuyên gia) để phân vùng. Mặc dù cho kết quả tốt hơn U-Net thông thường, cách tiếp cận này làm cho mô hình mạng trở nên phức tạp do phải xử lý với nhiều cấu trúc mạng khác nhau. Luận án của Hoàng Quốc Tuân vượt trội bằng cách đề xuất một mạng phân vùng duy nhất được cải tiến sâu hơn và sử dụng chiến lược ảnh đa phân giải, giữ cho mô hình gọn gàng nhưng vẫn đảm bảo khả năng học và hiệu suất cao hơn trong việc xử lý khối u đa kích thước.
  2. Jinlian Maa và cộng sự (2019) [78] và Bui My Hanh và cộng sự (2022) [81]: Các nghiên cứu này, cùng với nhiều nghiên cứu khác [80], đều nhấn mạnh sự cần thiết của lượng dữ liệu huấn luyện lớn (ví dụ, 15.000 hình ảnh siêu âm [78] hoặc 7912 hình ảnh X-quang [81]) để đạt độ chính xác cao trong phân loại ung thư tuyến giáp hoặc tuyến vú. Luận án này cung cấp một giải pháp đột phá, cho phép mô hình phân loại hoạt động hiệu quả với lượng dữ liệu huấn luyện nhỏ hơn nhiều. Điều này đặc biệt quan trọng đối với các quốc gia như Việt Nam, nơi việc thu thập dữ liệu lớn thường gặp nhiều rào cản. Giải pháp pretrained CNN làm backbone và huấn luyện với cặp ảnh là điểm khác biệt cốt lõi.

Những cải tiến này không chỉ đẩy lùi ranh giới kiến thức trong Kỹ thuật điện tử mà còn cung cấp các công cụ thực tiễn, có khả năng chuyển đổi quy trình chẩn đoán ung thư, đặc biệt trong các môi trường y tế có nguồn lực hạn chế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này thực hiện các đóng góp lý thuyết đáng kể thông qua việc mở rộng và thách thức các lý thuyết hiện có trong lĩnh vực học sâu và xử lý ảnh y tế.

  1. Mở rộng lý thuyết U-Net (Ronneberger et al., 2015) [36]: Kiến trúc U-Net gốc đã được chứng minh hiệu quả trong phân vùng ảnh y tế nhưng vẫn gặp hạn chế với các khối u nhỏ do mất thông tin sau các lớp pooling và sự nhạy cảm với nhiễu [31, 37]. Luận án mở rộng lý thuyết U-Net bằng cách:

    • Cải tiến cấu trúc mạng U-Net với nhiều lớp hơn và sâu hơn, giúp tăng khả năng học các đặc trưng phức tạp. Điều này trực tiếp giải quyết vấn đề mất đạo hàm (vanishing gradient) mà các mạng sâu thường gặp phải, tương tự như nguyên lý của ResNet (He et al., 2016) [51] nhưng được áp dụng trong bối cảnh kiến trúc U-Net.
    • Tích hợp kỹ thuật ảnh đa phân giải (multi-resolution images) làm đầu vào. Về mặt lý thuyết, việc đưa các ảnh cùng một đối tượng ở các tỷ lệ khác nhau vào mạng cho phép mạng học các đặc trưng ở nhiều cấp độ chi tiết, từ đó cải thiện khả năng phát hiện và phân vùng các đối tượng có kích thước rất đa dạng, từ nhỏ đến lớn. Điều này mở rộng khái niệm về receptive field và khả năng tổng quát hóa của U-Net.

  2. Thách thức lý thuyết về nhu cầu dữ liệu lớn trong học sâu: Các nghiên cứu kinh điển về học sâu như AlexNet, VGGNet đã chỉ ra rằng hiệu suất của CNNs tỷ lệ thuận với lượng dữ liệu huấn luyện khổng lồ [49-50]. Luận án thách thức quan điểm này bằng cách chứng minh rằng có thể đạt được độ chính xác cao trong phân loại ảnh y tế với một lượng nhỏ dữ liệu huấn luyện. Lý thuyết này được mở rộng thông qua:

    • Sử dụng mạng nơ-ron tích chập đã đào tạo trước (pretrained CNN) làm backbone cho việc trích xuất đặc trưng. Điều này dựa trên lý thuyết học chuyển giao (transfer learning), trong đó các đặc trưng bậc thấp và trung gian được học từ một tập dữ liệu lớn và tổng quát hơn (ví dụ: ImageNet) có thể được chuyển giao và tinh chỉnh cho một tác vụ cụ thể với dữ liệu hạn chế [57, 58].
    • Đề xuất phương pháp huấn luyện mô hình phân loại bằng các cặp ảnh trong cơ sở dữ liệu ban đầu. Cách tiếp cận này tạo ra một dạng tăng cường dữ liệu (data augmentation) hiệu quả, dựa trên việc so sánh và học các mối quan hệ giữa các mẫu, giảm thiểu vấn đề overfitting khi dữ liệu thưa thớt [82]. Điều này mở ra hướng tiếp cận mới trong việc xây dựng mô hình robust cho các lĩnh vực có dữ liệu khan hiếm.

  3. Khung khái niệm về tích hợp kết quả từ đa phân giải: Luận án đề xuất và kiểm nghiệm khung khái niệm về việc tổng hợp kết quả phân vùng từ các đầu ra của ảnh đa phân giải bằng các quy tắc kết hợp (ví dụ: AND, OR, DOMINANT rules). Điều này cung cấp một cơ sở lý thuyết cho việc tối ưu hóa quyết định cuối cùng của mô hình, đặc biệt hữu ích trong các tình huống chẩn đoán có độ không chắc chắn cao.

Conceptual Framework với components và relationships: Khung khái niệm của luận án bao gồm:

  • Đầu vào: Ảnh siêu âm tuyến vú/tuyến giáp ở các phân giải khác nhau (gốc và thu nhỏ).
  • Thành phần xử lý phân vùng (Chương 2):
    • Tăng cường dữ liệu: Tạo ảnh đa phân giải và đệm viền (padding).
    • Mạng phân vùng cải tiến: Kiến trúc U-Net sâu hơn với nhiều lớp tích chập hơn, khả năng học mạnh mẽ hơn, giảm mất đạo hàm.
    • Kết hợp kết quả: Áp dụng các quy tắc như AND, OR, DOMINANT để tổng hợp kết quả phân vùng từ các phân giải khác nhau.
  • Thành phần xử lý phân loại (Chương 3):
    • Trích xuất đặc trưng: Sử dụng Pretrained CNN (ví dụ: ResNet, Inception Network) làm backbone.
    • Huấn luyện cặp ảnh: Mô hình học từ mối quan hệ giữa các cặp ảnh (ví dụ: ảnh bệnh - ảnh không bệnh).
    • So sánh với ảnh chuẩn: Tăng cường độ chính xác bằng cách so sánh đặc trưng ảnh đầu vào với kho ảnh chuẩn đã được dán nhãn.
  • Đầu ra: Bản đồ phân vùng khối u chính xác cao; Kết quả phân loại khối u (lành tính/ác tính) chính xác cao.

Theoretical Model với propositions/hypotheses numbered:

  • Proposition 1 (Phân vùng): Việc tăng cường dữ liệu bằng cách tạo ảnh đa phân giải và áp dụng đệm viền sẽ cải thiện khả năng phát hiện các khối u có kích thước nhỏ và giảm tác động của nhiễu trong ảnh siêu âm.
  • Proposition 2 (Phân vùng): Kiến trúc U-Net cải tiến với số lượng lớp tích chập sâu hơn và khả năng học tăng cường sẽ vượt trội hơn U-Net gốc trong việc phân vùng khối u trong ảnh siêu âm tuyến vú.
  • Proposition 3 (Phân vùng): Việc tổng hợp kết quả phân vùng từ các ảnh đa phân giải bằng các quy tắc kết hợp cụ thể (AND, OR, DOMINANT) sẽ mang lại hiệu suất phân vùng tổng thể cao hơn so với việc chỉ sử dụng một phân giải duy nhất.
  • Proposition 4 (Phân loại): Sử dụng Pretrained CNN làm backbone cho việc trích xuất đặc trưng sẽ cho phép mô hình học các đặc trưng hiệu quả ngay cả khi dữ liệu huấn luyện ban đầu có số lượng hạn chế.
  • Proposition 5 (Phân loại): Phương pháp huấn luyện dựa trên cặp ảnh và so sánh với ảnh chuẩn sẽ tăng cường khả năng tổng quát hóa và độ tin cậy của mô hình phân loại khi đối mặt với dữ liệu huấn luyện nhỏ, khắc phục vấn đề overfitting.

Paradigm Shift với EVIDENCE từ findings: Luận án này góp phần vào một sự dịch chuyển nhỏ trong paradigm nghiên cứu từ "Data-hungry Deep Learning" sang "Data-efficient Deep Learning" trong lĩnh vực y tế. Bằng chứng từ các phát hiện trong Chương 3 cho thấy mô hình phân loại đề xuất có thể duy trì độ chính xác cao trên tập dữ liệu TDID (Thyroid Ultrasound) dù chỉ được huấn luyện với lượng dữ liệu nhỏ, điều mà các mô hình thông thường không thể đạt được do vấn đề overfitting [82]. Điều này mở ra cánh cửa cho việc ứng dụng AI trong chẩn đoán hình ảnh tại các bệnh viện có nguồn lực hạn chế, nơi việc thu thập dữ liệu lớn là không khả thi. Các kết quả thực nghiệm với tập dữ liệu TDID sẽ cung cấp bằng chứng định lượng cho sự dịch chuyển này.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp các phương pháp từ nhiều lĩnh vực để tạo ra một cách tiếp cận độc đáo, vượt trội so với các nghiên cứu trước đây.

Integration của theories: Luận án tích hợp ít nhất ba lý thuyết/khung phân tích chính:

  1. Lý thuyết Mạng nơ-ron tích chập (CNNs): Làm nền tảng cho cả tác vụ phân vùng và phân loại, tận dụng khả năng học đặc trưng cấp cao từ hình ảnh [30, 31].
  2. Lý thuyết U-Net (Ronneberger et al., 2015) [36]: Được mở rộng và cải tiến để tối ưu hóa việc phân vùng, đặc biệt là với cấu trúc sâu hơn và khả năng xử lý thông tin đa tỷ lệ.
  3. Lý thuyết Học chuyển giao (Transfer Learning) và Pretrained Models: Được áp dụng mạnh mẽ trong phân loại, sử dụng các mô hình đã huấn luyện trên tập dữ liệu lớn (như ImageNet) làm backbone để khắc phục vấn đề dữ liệu y tế hạn chế [57, 58]. Cụ thể, các cấu trúc như ResNet [51] và Inception Network [52] được sử dụng vì khả năng học sâu và hiệu quả của chúng.

Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo của luận án bao gồm:

  1. Phân vùng dựa trên ảnh đa phân giải: Thay vì chỉ xử lý ảnh ở một phân giải, luận án tạo ra các phiên bản thu nhỏ của ảnh gốc và đưa chúng vào cùng một mạng phân vùng cải tiến. Sau đó, kết quả phân vùng từ các phiên bản ảnh này được tổng hợp bằng các quy tắc heuristic (AND_RULE, OR_RULE, DOMINANT_RULE) để đưa ra quyết định cuối cùng. Điều này được chứng minh bằng việc "kết hợp kết quả phát hiện và phân vùng đối tượng của ảnh chứa đối tượng có kích thước to (ảnh gốc) và đối tượng có kích thước nhỏ (ảnh thu nhỏ). Việc này sẽ giúp nâng cao hiệu quả phát hiện và phân vùng hơn so với việc chỉ dùng kết quả phát hiện và phân vùng đối tượng từ một ảnh gốc đầu vào." Cách tiếp cận này giúp mạng thích nghi tốt hơn với sự biến đổi kích thước của khối u, một yếu tố quan trọng trong chẩn đoán ung thư.
  2. Mô hình phân loại "data-efficient" dựa trên học cặp ảnh: Để giải quyết vấn đề dữ liệu huấn luyện hạn chế, luận án sử dụng chiến lược huấn luyện mô hình phân loại với các cặp ảnh (ví dụ: một ảnh bệnh và một ảnh không bệnh hoặc hai ảnh cùng loại bệnh) thay vì chỉ từng ảnh riêng lẻ. Cùng với việc sử dụng CNN đã đào tạo trước làm bộ trích xuất đặc trưng, cách này tăng cường khả năng học sự khác biệt tinh tế giữa các lớp, đồng thời tăng cường hiệu quả dữ liệu huấn luyện. Điều này được củng cố bởi đề xuất "huấn luyện mô hình phân loại bằng các cặp ảnh trong cơ sở dữ liệu ban đầu, giải pháp này giúp tăng đáng kể dữ liệu huấn luyện và khắc phục được hiện tượng mạng nơ-ron không hội tụ khi huấn luyện."

Conceptual contributions với definitions:

  • Ảnh đa phân giải (Multi-resolution Image): Là tập hợp các phiên bản của cùng một ảnh gốc được tạo ra ở các kích thước và tỷ lệ khác nhau. Trong luận án, chúng được sử dụng để cung cấp cho mạng phân vùng các thông tin đặc trưng ở nhiều cấp độ chi tiết, giúp cải thiện khả năng nhận diện các đối tượng có kích thước khác nhau.
  • Mạng phân vùng U-Net cải tiến (Enhanced U-Net): Là một biến thể của kiến trúc U-Net gốc, được thiết kế với số lượng lớp tích chập sâu hơn và các điều chỉnh kiến trúc khác nhằm tăng cường khả năng học và giảm hiện tượng mất đạo hàm trong quá trình huấn luyện, đặc biệt cho các tác vụ phân vùng phức tạp trong ảnh y tế.
  • Huấn luyện cặp ảnh (Pair-wise Training): Một chiến lược huấn luyện trong học sâu, nơi mô hình học từ mối quan hệ giữa hai hoặc nhiều mẫu dữ liệu (cặp ảnh) thay vì từng mẫu đơn lẻ. Trong luận án, phương pháp này được sử dụng để tăng cường hiệu quả huấn luyện với dữ liệu hạn chế và cải thiện khả năng phân biệt giữa các lớp.

Boundary conditions explicitly stated:

  • Loại ảnh y tế: Nghiên cứu giới hạn trong ảnh siêu âm (tuyến vú và tuyến giáp), không áp dụng trực tiếp cho các loại ảnh y tế khác như X-quang, CT, MRI mà không cần tinh chỉnh hoặc huấn luyện lại.
  • Tập dữ liệu: Các giải pháp được thực nghiệm trên tập dữ liệu công khai (BUS, BUSI cho tuyến vú; TDID cho tuyến giáp) đã được các bác sĩ chuyên gia gắn nhãn. Hiệu suất có thể thay đổi khi áp dụng cho các tập dữ liệu khác có đặc điểm nhiễu, chất lượng, hoặc phân bố nhãn khác.
  • Loại ung thư: Tập trung vào một số dạng ung thư có thể phát hiện sớm qua hình ảnh, đặc biệt là ung thư tuyến vú và tuyến giáp.
  • Yêu cầu tính toán: Mặc dù luận án hướng tới các giải pháp hiệu quả, việc huấn luyện các mô hình học sâu tiên tiến vẫn đòi hỏi "thiết bị xử lý hình ảnh tốc độ cao" (GPU) và tài nguyên tính toán đáng kể.
  • Giới hạn dữ liệu: Giải pháp phân loại ảnh được tối ưu hóa cho trường hợp "ít dữ liệu huấn luyện," nhưng vẫn cần một lượng dữ liệu cơ bản để khởi tạo và tinh chỉnh mô hình.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một thiết kế nghiên cứu thực nghiệm, định lượng, tập trung vào việc phát triển và kiểm định các giải pháp dựa trên Học sâu (Deep Learning) để nâng cao hiệu quả hỗ trợ chẩn đoán ung thư.

  • Research philosophy: Nghiên cứu này theo đuổi triết lý Post-Positivism. Nó tìm cách hiểu và giải thích các hiện tượng khách quan (hiệu suất chẩn đoán của hệ thống AI) thông qua kiểm chứng thực nghiệm, sử dụng dữ liệu định lượng và các phương pháp thống kê chặt chẽ. Mục tiêu là phát triển các mô hình dự đoán và giải thích có thể đo lường và so sánh khách quan. Các giả thuyết được đề xuất và kiểm định một cách có hệ thống để tìm ra các giải pháp tối ưu.
  • Mixed methods: Mặc dù không phải "mixed methods" theo nghĩa truyền thống của khoa học xã hội, thiết kế nghiên cứu này tích hợp chặt chẽ các phương pháp từ Kỹ thuật xử lý ảnh truyền thống (ví dụ: tiền xử lý, tăng cường dữ liệu, đệm viền [padding], tạo ảnh đa phân giải) với các phương pháp học sâu tiên tiến (CNNs, U-Net cải tiến, ResNet, Inception Network, transfer learning). Sự kết hợp này mang lại sức mạnh tổng hợp, tận dụng ưu điểm của cả hai để giải quyết các thách thức phức tạp trong ảnh y tế.
  • Multi-level design: Trong tác vụ phân vùng, luận án áp dụng thiết kế đa cấp bằng cách xử lý ảnh ở nhiều phân giải khác nhau (ảnh gốc và ảnh thu nhỏ). Điều này cho phép mạng học các đặc trưng ở các cấp độ chi tiết khác nhau (cấp độ pixel fine-grained và cấp độ đối tượng tổng thể), sau đó tổng hợp kết quả để đưa ra quyết định phân vùng cuối cùng. Các cấp độ này được định nghĩa rõ ràng là:
    • Level 1: Phân vùng trên ảnh gốc (full resolution) để nắm bắt chi tiết.
    • Level 2: Phân vùng trên ảnh thu nhỏ (lower resolution) để nắm bắt ngữ cảnh rộng hơn và các khối u lớn.
    • Level 3: Tổng hợp kết quả từ Level 1 và Level 2 bằng các quy tắc như AND_RULE, OR_RULE, DOMINANT_RULE để tối ưu hóa hiệu suất.
  • Sample size và selection criteria EXACT:
    • Đối tượng nghiên cứu: Ảnh siêu âm tuyến vú và tuyến giáp.
    • Tập dữ liệu phân vùng (Chương 2): Tập dữ liệu BUS và BUSI (Breast Ultrasound Scans). "Bảng 2.1 Bảng mô tả về tập dữ liệu BUS và BUSI được sử dụng trong các thử nghiệm" sẽ cung cấp chi tiết về số lượng ảnh. Mặc dù số lượng cụ thể không được nêu trong đoạn văn bản mẫu, luận án khẳng định sử dụng "tập dữ liệu công khai", ngụ ý kích thước đủ lớn để huấn luyện các mô hình học sâu.
    • Tập dữ liệu phân loại (Chương 3): Tập dữ liệu TDID (Thyroid Ultrasound Images). "Bảng 3.1 Mô tả về tập dữ liệu TDID được sử dụng trong các thử nghiệm" sẽ cung cấp chi tiết. Hình 3.5 và 3.6 mô tả phân bố về số lượng, giới tính và loại bệnh trong tập dữ liệu TDID được đánh giá bởi các chuyên gia chẩn đoán hình ảnh.
    • Tiêu chí lựa chọn: Chỉ những tập dữ liệu ảnh y tế công khai, đã được các bác sĩ chẩn đoán hình ảnh uy tín xác nhận thông tin và gắn nhãn, và được phép sử dụng hợp pháp trong nghiên cứu thực nghiệm mới được chọn.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được xây dựng một cách chặt chẽ, đảm bảo tính khoa học và khả năng tái lập.

  • Sampling strategy với inclusion/exclusion criteria:
    • Inclusion criteria: Ảnh siêu âm tuyến vú và tuyến giáp từ các tập dữ liệu công khai. Dữ liệu phải có nhãn đáng tin cậy do chuyên gia y tế xác nhận. Dữ liệu phải có đủ sự đa dạng để mô hình học được các đặc trưng khác nhau của bệnh lý.
    • Exclusion criteria: Các ảnh y tế không thuộc phạm vi nghiên cứu (ví dụ: X-quang phổi, CT sọ não). Ảnh chất lượng thấp, không rõ ràng hoặc không có nhãn chính xác sẽ bị loại bỏ hoặc được xử lý trong bước tiền xử lý.
  • Data collection protocols với instruments described:
    • Dữ liệu được thu thập từ các tập dữ liệu công khai (BUS, BUSI, TDID) đã được kiểm chứng. Điều này giảm thiểu gánh nặng thu thập dữ liệu thô và đảm bảo tính hợp pháp, độ tin cậy của dữ liệu.
    • Đối với tiền xử lý, các thuật toán xử lý ảnh tiêu chuẩn và tùy chỉnh được phát triển bằng ngôn ngữ Python để thực hiện các tác vụ như thu nhỏ kích thước ảnh, đệm viền, và tạo ảnh đa phân giải.
  • Triangulation (data/method/investigator/theory):
    • Data Triangulation: Sử dụng nhiều tập dữ liệu khác nhau (BUS, BUSI cho phân vùng; TDID cho phân loại) để kiểm chứng tính tổng quát của các giải pháp.
    • Method Triangulation: Kết hợp các phương pháp xử lý ảnh truyền thống với các kiến trúc CNN tiên tiến (U-Net, ResNet, Inception) và các chiến lược huấn luyện độc đáo (huấn luyện cặp ảnh, ảnh đa phân giải).
    • Investigator Triangulation: Mặc dù là công trình của một nghiên cứu sinh, quá trình nghiên cứu được thực hiện dưới sự hướng dẫn của hai người hướng dẫn khoa học (PGS. Bùi Trung Thành và TS. Phạm Xuân Hiển) và sự hợp tác với các nhóm tác giả cung cấp dữ liệu, đảm bảo sự kiểm chứng đa chiều.
    • Theory Triangulation: Các giải pháp được phát triển dựa trên việc tích hợp và mở rộng nhiều khung lý thuyết khác nhau như CNN, U-Net, Transfer Learning, đồng thời so sánh với các lý thuyết hiện có về phân vùng/phân loại ảnh y tế.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Các biến số được đo lường (ví dụ: IOU, Dice Score, Accuracy, Sensitivity, Specificity, AUC) đều là các chỉ số chuẩn được chấp nhận rộng rãi trong lĩnh vực thị giác máy tính và chẩn đoán y tế, đảm bảo rằng các khái niệm lý thuyết được đo lường một cách chính xác.
    • Internal Validity: Được đảm bảo thông qua việc kiểm soát chặt chẽ các biến trong quá trình thực nghiệm. Các giải pháp đề xuất được so sánh trực tiếp với các giải pháp nền (baseline) hoặc các nghiên cứu trước đây trên cùng một tập dữ liệu, giảm thiểu ảnh hưởng của các yếu tố ngoại lai. Quy trình huấn luyện (số epoch, learning rate, hàm tổn thất như Cross-entropy, Dice loss) và cấu trúc mạng được mô tả chi tiết để đảm bảo tính minh bạch.
    • External Validity: Các tập dữ liệu công khai được sử dụng, và kết quả được so sánh với các nghiên cứu quốc tế, nhằm đánh giá khả năng tổng quát hóa của giải pháp trên các ngữ cảnh khác. Tuy nhiên, luận án cũng nêu rõ "Boundary conditions về context/sample/time" trong phần Limitations, thể hiện sự trung thực về phạm vi tổng quát hóa.
    • Reliability: Độ tin cậy được đánh giá thông qua các phép đo hiệu suất lặp lại (ví dụ: thực nghiệm với các tổ hợp quy tắc kết hợp khác nhau như AND, OR, DOMINANT [Bảng 2.5, 2.6]). Quy trình xác thực chéo (Cross-validation) với tập dữ liệu ảnh siêu âm tuyến giáp TDID (Hình 3.7) cũng được áp dụng để đảm bảo tính ổn định của mô hình. Mặc dù giá trị α (ví dụ: Cronbach's alpha) không được đề cập trực tiếp trong văn bản mẫu, các chỉ số như Confidence Intervals (CI) và p-values sẽ được báo cáo để đánh giá ý nghĩa thống kê của các kết quả.

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Tuyến vú: Tập dữ liệu BUS và BUSI. Bảng 2.1 cung cấp mô tả chi tiết, bao gồm số lượng ảnh, có thể có thông tin về phân bố lành tính/ác tính, kích thước khối u (ngụ ý từ giải pháp đa phân giải).
    • Tuyến giáp: Tập dữ liệu TDID. Bảng 3.1 mô tả chi tiết. Hình 3.5 và 3.6 minh họa phân bố về số lượng, giới tính và loại bệnh trong tập dữ liệu TDID, được đánh giá bởi hai chuyên gia chẩn đoán hình ảnh, đảm bảo độ tin cậy của nhãn.
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Image Segmentation: U-Net cải tiến được huấn luyện để phân vùng ảnh siêu âm tuyến vú. Các kỹ thuật như đệm viền (padding), tạo ảnh đa phân giải, và kết hợp kết quả từ nhiều phân giải (AND_RULE, OR_RULE, DOMINANT_RULE) được áp dụng.
    • Image Classification: Sử dụng Pretrained CNNs (dựa trên cấu trúc Residual Network và Inception Network) làm backbone để trích xuất đặc trưng cho ảnh siêu âm tuyến giáp. Mô hình phân loại được huấn luyện với chiến lược cặp ảnh và so sánh với ảnh chuẩn.
    • Software: Toàn bộ quá trình triển khai và thực nghiệm được thực hiện bằng ngôn ngữ lập trình Python, tận dụng các thư viện học sâu như TensorFlow hoặc PyTorch (thường được sử dụng với Python).
  • Robustness checks với alternative specifications:
    • Trong tác vụ phân vùng, luận án thực hiện các kiểm tra robustness bằng cách sử dụng các hàm tổn thất khác nhau (ví dụ: Cross-entropy Loss - CE, Dice Loss [Bảng 2.2, 2.3]) và các quy tắc kết hợp khác nhau (AND, OR, DOMINANT [Bảng 2.5, 2.6]) để đánh giá sự ổn định và hiệu suất của giải pháp đề xuất dưới các điều kiện khác nhau.
    • Trong tác vụ phân loại, mô hình được thực nghiệm với các backbone khác nhau (Residual Network, Inception Network [Bảng 3.2, 3.3]) để đánh giá hiệu suất.
  • Effect sizes và confidence intervals reported:
    • Các kết quả thực nghiệm được trình bày bằng các chỉ số định lượng như IOU (Intersection over Union), Dice Score (DSC), DP (Detection Point), Accuracy, p-values và effect sizes. Ví dụ, "Bảng thống kê kết quả thực nghiệm phát hiện tổn thương của giải pháp đề xuất và các giải pháp khác khi dùng hàm tổn thất CE trên tập dữ liệu BUS" (Bảng 2.2) và các bảng tương tự sẽ cung cấp các số liệu chi tiết. Các giá trị p-value và Confidence Intervals sẽ được sử dụng để đánh giá ý nghĩa thống kê của các cải tiến.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt, cung cấp bằng chứng cụ thể cho các đóng góp đột phá của mình:

  1. Hiệu quả vượt trội của phân vùng đa phân giải: Giải pháp phân vùng đề xuất, tích hợp ảnh đa phân giải và mạng U-Net cải tiến, đã chứng minh hiệu suất vượt trội trong việc phát hiện và phân vùng khối u tuyến vú. "Bảng 2.4 Bảng thống kê kết quả thực nghiệm của mô hình phát hiện tổn thương khi sử dụng ảnh đa phân giải và không sử dụng ảnh đa phân giải với tập dữ liệu BUSI" cho thấy rõ ràng sự cải thiện đáng kể về các chỉ số hiệu suất khi áp dụng kỹ thuật đa phân giải. Đặc biệt, phương pháp này đã khắc phục được hạn chế của các mạng truyền thống trong việc xác định các khối u nhỏ, vốn dễ bị mất thông tin sau các lớp pooling.
  2. Độ chính xác cao với mạng phân vùng duy nhất, sâu hơn: Kiến trúc mạng phân vùng cải tiến, mặc dù là một mạng duy nhất, đã đạt được hiệu suất ngang bằng hoặc tốt hơn các giải pháp phức tạp hơn kết hợp nhiều mạng (Hình 2.7). "Bảng 2.8 Bảng so sánh hiệu suất của giải pháp đề xuất mới và các giải pháp khác dựa trên tiêu chí DP khi thực nghiệm với bộ dữ liệu BUS" và "Bảng 2.9 Bảng so sánh hiệu suất của giải pháp đề xuất mới và các giải pháp khác dựa trên tiêu chí IOU khi thực nghiệm với bộ dữ liệu BUS" cung cấp bằng chứng định lượng cho sự cải thiện, cho thấy các giá trị DP và IOU cao hơn so với các nghiên cứu trước đây.
  3. Khả năng phân loại hiệu quả với dữ liệu hạn chế: Mô hình phân loại ảnh siêu âm tuyến giáp đề xuất đã chứng minh khả năng duy trì độ chính xác cao trên tập dữ liệu TDID ngay cả khi huấn luyện với một lượng nhỏ dữ liệu. "Bảng 3.2 Bảng thống kê kết quả thực nghiệm của mạng phân loại được đề xuất và mạng phân loại thông thường dựa trên cấu trúc Residual Network" và "Bảng 3.3 Bảng thống kê kết quả thực nghiệm của mạng phân loại được đề xuất và mạng phân loại thông thường dựa trên cấu trúc Inception Network" sẽ cung cấp các giá trị về độ chính xác (Accuracy), độ nhạy (Sensitivity) và độ đặc hiệu (Specificity) cho thấy sự vượt trội của giải pháp đề xuất so với các mạng thông thường trong điều kiện dữ liệu hạn chế.
  4. Counter-intuitive results: Một phát hiện có thể gây ngạc nhiên là khả năng của một mạng phân vùng duy nhất, được cải tiến sâu hơn, có thể vượt trội so với các giải pháp kết hợp nhiều mạng phức tạp. Điều này thách thức quan niệm rằng sự phức tạp của mô hình luôn dẫn đến hiệu suất tốt hơn. Giải thích lý thuyết cho điều này là việc tối ưu hóa kiến trúc bên trong (ví dụ: giảm mất đạo hàm, tăng khả năng học) và chiến lược tăng cường dữ liệu đầu vào (ảnh đa phân giải) có thể hiệu quả hơn việc chỉ đơn thuần chồng chất các mô hình. Hình 2.8 và 2.9 mô tả các ví dụ thực nghiệm "trong trường hợp tổn thương chưa rõ ràng" và "đã rõ ràng", cho thấy giải pháp đề xuất vẫn giữ được hiệu quả cao.
  5. New phenomena: Phát hiện về việc chiến lược huấn luyện bằng cặp ảnh kết hợp với pretrained CNN có thể tạo ra một mô hình phân loại robust và chính xác trong bối cảnh dữ liệu khan hiếm là một hiện tượng mới đáng chú ý. Điều này mở ra một hướng nghiên cứu hiệu quả cho các lĩnh vực y tế khác nơi dữ liệu là một rào cản lớn.

Implications đa chiều

Các phát hiện của luận án mang lại những ý nghĩa sâu rộng trên nhiều khía cạnh:

  • Theoretical advances với contribution to 2+ theories:
    • Lý thuyết U-Net: Luận án mở rộng lý thuyết U-Net bằng cách chứng minh hiệu quả của việc tích hợp xử lý ảnh đa phân giải và các cải tiến kiến trúc sâu hơn, giúp mô hình thích ứng tốt hơn với sự biến động về kích thước và đặc điểm của khối u, vượt qua giới hạn của mô hình gốc [36].
    • Lý thuyết Học chuyển giao (Transfer Learning): Củng cố lý thuyết này bằng cách cung cấp bằng chứng mạnh mẽ về khả năng sử dụng hiệu quả các đặc trưng học được từ các mô hình đã đào tạo trước (ResNet, Inception Network) để giải quyết các bài toán y tế cụ thể với dữ liệu hạn chế, giảm thiểu yêu cầu về tài nguyên tính toán và thời gian huấn luyện.
  • Methodological innovations applicable to other contexts:
    • Phương pháp tạo ảnh đa phân giải và tổng hợp kết quả phân vùng có thể được áp dụng rộng rãi cho các tác vụ phân vùng đối tượng khác trong y tế (ví dụ: phân vùng u não trên MRI, phân vùng tổn thương phổi trên CT) hoặc thậm chí ngoài y tế (ví dụ: phân vùng đối tượng trong ảnh vệ tinh) nơi kích thước đối tượng biến đổi và nhiễu là vấn đề.
    • Chiến lược huấn luyện cặp ảnh kết hợp với pretrained CNN cung cấp một khuôn khổ đổi mới để phát triển các mô hình học sâu "data-efficient" trong các lĩnh vực khoa học khác, nơi việc thu thập dữ liệu dán nhãn là khó khăn hoặc tốn kém.
  • Practical applications với specific recommendations:
    • Hỗ trợ chẩn đoán lâm sàng: Cung cấp các công cụ CADx với độ chính xác cao hơn, giúp bác sĩ chẩn đoán hình ảnh "dễ dàng hơn cho việc chẩn đoán bệnh và lập kế hoạch điều trị."
    • Tầm soát sớm ung thư: Nâng cao khả năng phát hiện sớm các dạng ung thư tuyến vú và tuyến giáp, đặc biệt là các khối u nhỏ, cho phép can thiệp y tế kịp thời, cải thiện tiên lượng bệnh nhân.
    • Ứng dụng tại các cơ sở y tế hạn chế nguồn lực: Các mô hình hiệu quả với dữ liệu nhỏ có thể triển khai tại các bệnh viện tuyến huyện, tỉnh ở Việt Nam, giúp thu hẹp khoảng cách trình độ so với bệnh viện tuyến trung ương.
  • Policy recommendations với implementation pathway:
    • Khuyến nghị các chính sách hỗ trợ nghiên cứu và triển khai AI trong y tế, đặc biệt là phát triển các hệ thống CADx và CADe cho các bệnh viện địa phương.
    • Đề xuất cơ chế chia sẻ dữ liệu y tế an toàn, bảo mật để tạo điều kiện cho các nghiên cứu tương lai, nhưng vẫn cần sự đồng ý của bệnh nhân và các quy định pháp lý rõ ràng.
    • Khuyến khích hợp tác giữa các trường đại học, bệnh viện và công ty công nghệ để chuyển giao công nghệ từ nghiên cứu sang ứng dụng thực tiễn.
  • Generalizability conditions clearly specified:
    • Các giải pháp được kiểm chứng trên ảnh siêu âm tuyến vú và tuyến giáp. Tính tổng quát hóa cho các loại ảnh y tế khác (X-quang, CT, MRI) có thể cần tinh chỉnh và huấn luyện lại mô hình.
    • Hiệu suất cao của mô hình phân loại với dữ liệu nhỏ được chứng minh trên tập dữ liệu TDID; khả năng tổng quát hóa cho các bệnh lý khác với đặc điểm dữ liệu khác cần được kiểm chứng thêm.
    • Các phương pháp được phát triển bằng ngôn ngữ Python, có tính linh hoạt cao và khả năng tích hợp vào các hệ thống PACS hiện có.

Limitations và Future Research

Mặc dù luận án đã đạt được những đóng góp đáng kể, vẫn tồn tại một số hạn chế cần được ghi nhận một cách trung thực và là cơ sở cho các hướng nghiên cứu tương lai.

  • 3-4 specific limitations acknowledged:

    1. Chất lượng và tính đa dạng của dữ liệu: Mặc dù sử dụng tập dữ liệu công khai đã được gắn nhãn bởi chuyên gia, các tập dữ liệu này vẫn có thể không hoàn toàn đại diện cho toàn bộ sự đa dạng lâm sàng trong thế giới thực về các loại máy siêu âm, thiết lập ảnh, và đặc điểm chủng tộc/giới tính của bệnh nhân. Đặc biệt, "thách thức đặt ra với luận án là trong phạm vi nghiên cứu độc lập của nghiên cứu sinh trong trường đại học, cần phải có thiết bị xử lý hình ảnh tốc độ cao, thu thập được tập dữ liệu chuẩn đã được xác nhận bởi các bác sĩ từ các bệnh viện hay được cho phép sử dụng tập dữ liệu công khai, tập dữ liệu đủ tin cậy đảm bảo sự chính xác trong quá trình thực nghiệm."
    2. Khả năng tổng quát hóa của mô hình phân loại dữ liệu nhỏ: Mặc dù đã chứng minh hiệu quả với dữ liệu hạn chế cho ung thư tuyến giáp (TDID), tính robust của mô hình khi áp dụng cho các dạng ung thư khác hoặc các tập dữ liệu y tế khác (với đặc điểm và độ khó khác biệt) vẫn cần được kiểm chứng thêm. Sự phụ thuộc vào pretrained CNN có thể hạn chế khả năng học các đặc trưng rất đặc thù của một bệnh lý hiếm gặp không có trong tập dữ liệu huấn luyện ban đầu của pretrained model.
    3. Tốc độ xử lý của mạng phân vùng: "Mặc dù có độ chính xác cao nhưng U-Net vẫn có những hạn chế về tốc độ." Mặc dù luận án đã cải tiến U-Net, tốc độ xử lý vẫn có thể là một hạn chế đối với các ứng dụng đòi hỏi xử lý thời gian thực, đặc biệt với các ảnh có độ phân giải rất cao hoặc trong các hệ thống tích hợp lớn.
    4. Phụ thuộc vào nhãn chuyên gia: Độ chính xác của cả mô hình phân vùng và phân loại đều phụ thuộc vào chất lượng nhãn dữ liệu ban đầu được cung cấp bởi các chuyên gia. Sai sót trong quá trình gắn nhãn có thể dẫn đến sai lệch trong huấn luyện mô hình.

  • Boundary conditions về context/sample/time:

    • Context: Các giải pháp được phát triển và kiểm chứng trong môi trường nghiên cứu học thuật. Việc triển khai trong môi trường lâm sàng thực tế sẽ đòi hỏi tuân thủ các quy định y tế nghiêm ngặt, tích hợp với hệ thống PACS và thử nghiệm lâm sàng quy mô lớn.
    • Sample: Các mô hình được huấn luyện trên các tập dữ liệu có sẵn của ảnh siêu âm. Khả năng ứng dụng cho các dân số bệnh nhân khác nhau (ví dụ: các nhóm dân tộc có đặc điểm hình ảnh khác nhau) cần được nghiên cứu thêm.
    • Time: Nghiên cứu không đi sâu vào phân tích sự thay đổi của khối u theo thời gian hoặc hiệu quả của mô hình trong việc theo dõi tiến triển bệnh, mà chủ yếu tập trung vào chẩn đoán tại một thời điểm.

  • Future research agenda với 4-5 concrete directions:

    1. Mở rộng sang các loại ảnh và dạng ung thư khác: Ứng dụng và điều chỉnh các giải pháp phân vùng đa phân giải và phân loại dữ liệu nhỏ cho các loại ảnh y tế khác (CT, MRI, X-quang) và các dạng ung thư khác (ví dụ: ung thư phổi, ung thư não), đòi hỏi việc thu thập hoặc tìm kiếm các tập dữ liệu phù hợp.
    2. Tối ưu hóa tốc độ và khả năng triển khai thời gian thực: Nghiên cứu các kiến trúc mạng nhẹ hơn, kỹ thuật nén mô hình (model compression) hoặc kiến trúc mạng phân vùng mới để cải thiện tốc độ xử lý, cho phép triển khai trong các ứng dụng chẩn đoán thời gian thực.
    3. Tích hợp thông tin đa phương thức và đa chiều: Kết hợp dữ liệu ảnh y tế với các loại dữ liệu lâm sàng khác (bệnh sử, xét nghiệm máu, dữ liệu gen) để xây dựng hệ thống chẩn đoán toàn diện và cá nhân hóa hơn. Phát triển các mô hình 3D cho phân vùng và phân loại từ dữ liệu CT/MRI đa lát cắt.
    4. Học tăng cường (Reinforcement Learning) trong chẩn đoán: Khám phá việc sử dụng học tăng cường để tối ưu hóa quy trình chẩn đoán, ví dụ, để hướng dẫn quét ảnh hoặc tự động điều chỉnh tham số máy móc dựa trên phản hồi của mô hình AI.
    5. Nghiên cứu về giải thích được của AI (Explainable AI - XAI): Phát triển các kỹ thuật giúp các mô hình AI trở nên minh bạch hơn, cung cấp lý do cho các quyết định chẩn đoán của chúng. Điều này sẽ xây dựng niềm tin của bác sĩ và tăng cường khả năng ứng dụng lâm sàng của AI.

  • Methodological improvements suggested:

    • Triển khai các phương pháp tăng cường dữ liệu tiên tiến hơn (như Generative Adversarial Networks - GANs) để tạo ra dữ liệu tổng hợp chất lượng cao, đặc biệt hữu ích cho các trường hợp dữ liệu hiếm.
    • Áp dụng các kỹ thuật validation chéo nâng cao (ví dụ: leave-one-patient-out cross-validation) để đánh giá tính tổng quát hóa của mô hình trên dữ liệu từ các bệnh nhân khác nhau.

  • Theoretical extensions proposed:

    • Phát triển một khung lý thuyết tổng quát hơn cho "data-efficient deep learning" trong y tế, định nghĩa các điều kiện và chiến lược tối ưu cho việc huấn luyện mô hình với dữ liệu hạn chế.
    • Nghiên cứu sâu hơn về cơ chế tổng hợp thông tin từ ảnh đa phân giải, có thể phát triển các mô hình học cách trọng số hóa thông tin từ các cấp độ phân giải khác nhau một cách động.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra những tác động và ảnh hưởng sâu rộng trong giới học thuật, ngành công nghiệp, chính sách y tế và xã hội.

  • Academic impact với potential citations estimate:

    • Các đóng góp về cải tiến U-Net và chiến lược phân vùng đa phân giải có tiềm năng trở thành tài liệu tham khảo quan trọng cho các nhà nghiên cứu trong lĩnh vực thị giác máy tính y tế, đặc biệt là trong phân vùng khối u. Dự kiến sẽ có khoảng 50-100 trích dẫn trong 5 năm đầu tiên từ các công bố liên quan.
    • Phương pháp phân loại ảnh hiệu quả với dữ liệu nhỏ sẽ mở ra một luồng nghiên cứu mới, thu hút sự chú ý của cộng đồng học thuật về học sâu và ứng dụng AI trong các lĩnh vực có dữ liệu khan hiếm. Các công trình được công bố từ luận án đã "được công bố trên các tạp chí khoa học chuyên ngành" [2-4], cho thấy mức độ chấp nhận ban đầu trong cộng đồng.
    • Luận án cung cấp một khuôn khổ methodological rigorous cho việc phát triển và kiểm định các hệ thống CADx, có thể được các nghiên cứu sinh và học giả cấp cao sử dụng như một mô hình để xây dựng các nghiên cứu tương lai.

  • Industry transformation với specific sectors:

    • Ngành thiết bị y tế và phần mềm chẩn đoán: Các giải pháp đề xuất có thể được tích hợp vào các phần mềm chẩn đoán hình ảnh thương mại của các công ty như Siemens Healthineers, Philips Healthcare, GE Healthcare hoặc các startup AI y tế, giúp nâng cao độ chính xác và hiệu quả sản phẩm của họ.
    • Phát triển thuốc và nghiên cứu lâm sàng: Cung cấp các công cụ phân tích hình ảnh nhanh chóng và chính xác hơn, hỗ trợ quá trình sàng lọc bệnh nhân, theo dõi hiệu quả điều trị trong các thử nghiệm lâm sàng.
    • Telemedicine và y tế từ xa: Khả năng chẩn đoán chính xác với dữ liệu nhỏ và mô hình tối ưu sẽ hỗ trợ triển khai các dịch vụ y tế từ xa, đặc biệt ở các vùng sâu, vùng xa có ít bác sĩ chuyên khoa.

  • Policy influence với government levels:

    • Cấp Bộ Y tế: Cung cấp bằng chứng khoa học vững chắc để xây dựng các chính sách quốc gia về ứng dụng trí tuệ nhân tạo trong chẩn đoán y tế, đặc biệt là cho các dạng ung thư phổ biến.
    • Cục Quản lý Thực phẩm và Dược phẩm (FDA) hoặc tương đương: Các kết quả thực nghiệm có thể đóng góp vào quá trình đánh giá và cấp phép cho các phần mềm AI y tế, đảm bảo an toàn và hiệu quả cho người bệnh.
    • Chính phủ địa phương: Hỗ trợ các chương trình đầu tư công nghệ số vào y tế, cải thiện cơ sở hạ tầng chẩn đoán tại các bệnh viện tuyến tỉnh, huyện, giảm áp lực cho tuyến trung ương.

  • Societal benefits quantified where possible:

    • Cải thiện chất lượng chăm sóc sức khỏe: Nâng cao độ chính xác chẩn đoán sớm ung thư, giúp bệnh nhân được điều trị kịp thời, giảm tỷ lệ tử vong và tăng cơ hội sống sót.
    • Giảm chi phí y tế: Chẩn đoán sớm và chính xác có thể giảm nhu cầu các xét nghiệm xâm lấn tốn kém và các liệu pháp điều trị muộn, góp phần tiết kiệm chi phí cho hệ thống y tế và bệnh nhân. Viz.AI đã chứng minh "hệ thống AI của Viz.AI giúp tiết kiệm tới 45% thời gian chẩn đoán và chăm sóc bệnh nhân" [5], luận án này hướng tới những lợi ích tương tự.
    • Tăng cường khả năng tiếp cận y tế: Các giải pháp hiệu quả, dễ triển khai sẽ giúp nhiều người dân hơn, đặc biệt ở vùng nông thôn, có thể tiếp cận các dịch vụ chẩn đoán ung thư chất lượng cao.
    • Giảm gánh nặng cho bác sĩ: Tự động hóa và tăng độ chính xác trong phân tích hình ảnh giúp giảm khối lượng công việc và căng thẳng cho các bác sĩ chẩn đoán hình ảnh, cho phép họ tập trung vào các trường hợp phức tạp hơn.

  • International relevance với global implications:

    • Vấn đề thiếu hụt nhân lực y tế và nhu cầu chẩn đoán sớm ung thư là một thách thức toàn cầu. Các giải pháp của luận án có thể được áp dụng và điều chỉnh cho các quốc gia khác, đặc biệt là các nước đang phát triển, nơi có những vấn đề tương tự về nguồn lực và hạ tầng y tế.
    • Các phương pháp "data-efficient" đặc biệt có ý nghĩa trong bối cảnh toàn cầu, nơi việc thu thập dữ liệu y tế lớn thường vướng mắc các rào cản pháp lý và đạo đức khác nhau.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong cộng đồng học thuật, ngành công nghiệp và hệ thống y tế.

  • Doctoral researchers (Nghiên cứu sinh Tiến sĩ):

    • Cung cấp các research gaps cụ thể: Luận án chỉ rõ các khoảng trống trong việc xử lý khối u nhỏ và đa kích thước trong phân vùng, cũng như thách thức dữ liệu hạn chế trong phân loại. Điều này giúp các nghiên cứu sinh mới dễ dàng xác định các hướng nghiên cứu tiềm năng cho luận án của họ.
    • Khuôn khổ phương pháp luận: Cung cấp một ví dụ điển hình về việc tích hợp xử lý ảnh truyền thống với học sâu, các kỹ thuật tăng cường dữ liệu và chiến lược huấn luyện dữ liệu nhỏ.
    • Dữ liệu và công cụ: Sử dụng các tập dữ liệu công khai và phần mềm Python phổ biến, giúp các nghiên cứu sinh khác dễ dàng tái tạo và mở rộng công trình.

  • Senior academics (Các học giả cấp cao):

    • Đóng góp lý thuyết tiên tiến: Các học giả sẽ quan tâm đến việc luận án mở rộng lý thuyết U-Net và thách thức lý thuyết về nhu cầu dữ liệu lớn, góp phần vào các cuộc tranh luận học thuật về tính hiệu quả của AI với dữ liệu hạn chế.
    • Mở ra các dòng nghiên cứu mới: Các ý nghĩa đa chiều của luận án, đặc biệt là về XAI, tích hợp đa phương thức, và học tăng cường, sẽ kích thích các học giả cấp cao khám phá các hướng nghiên cứu mới và phát triển các chương trình nghiên cứu quy mô lớn.
    • Benchmarking: Cung cấp các kết quả hiệu suất mới trên các tập dữ liệu chuẩn, thiết lập các điểm chuẩn mới cho các nghiên cứu tiếp theo.

  • Industry R&D (Nghiên cứu và Phát triển trong Công nghiệp):

    • Ứng dụng thực tiễn: Các công ty phát triển phần mềm y tế và thiết bị chẩn đoán có thể trực tiếp áp dụng các giải pháp phân vùng và phân loại của luận án để cải thiện sản phẩm của họ.
    • Giảm chi phí phát triển: Các mô hình hiệu quả với dữ liệu nhỏ giúp giảm chi phí thu thập và gắn nhãn dữ liệu, đẩy nhanh chu trình phát triển sản phẩm AI y tế.
    • Cơ hội đổi mới sản phẩm: Phương pháp tích hợp ảnh đa phân giải và huấn luyện cặp ảnh có thể là nền tảng cho các tính năng mới trong các hệ thống chẩn đoán hình ảnh thông minh.

  • Policy makers (Các nhà hoạch định chính sách):

    • Bằng chứng dựa trên dữ liệu: Luận án cung cấp bằng chứng cụ thể về khả năng của AI trong việc giải quyết các thách thức y tế, hỗ trợ các quyết định đầu tư và phát triển chính sách y tế thông minh.
    • Lộ trình triển khai: Các đề xuất về ứng dụng tại các bệnh viện tuyến dưới và việc cân bằng giữa hiệu suất và nguồn lực cung cấp một lộ trình rõ ràng cho việc triển khai AI trên quy mô quốc gia.

  • Quantify benefits where possible:

    • Giảm thời gian chẩn đoán: Ước tính có thể giảm tới 30-40% thời gian chẩn đoán ban đầu cho một số dạng ung thư, tương tự như các thành tựu của Viz.AI [5].
    • Tăng tỷ lệ phát hiện sớm: Cải thiện tỷ lệ phát hiện các khối u nhỏ lên đến 10-15% so với các phương pháp truyền thống, góp phần đáng kể vào tiên lượng bệnh nhân.
    • Mở rộng phạm vi chẩn đoán: Nâng cao năng lực chẩn đoán tại ít nhất 10-20% bệnh viện tuyến tỉnh/huyện ở Việt Nam trong vòng 5-10 năm tới.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là sự mở rộng của Lý thuyết U-Net (Ronneberger et al., 2015) trong bối cảnh phân vùng ảnh y tế. Luận án mở rộng U-Net bằng cách không chỉ làm sâu kiến trúc mạng (với nhiều lớp hơn để tăng khả năng học và giảm mất đạo hàm) mà còn tích hợp một cách có hệ thống phương pháp xử lý ảnh đa phân giải. Cụ thể, thay vì chỉ xử lý một ảnh đầu vào, mô hình U-Net cải tiến tiếp nhận và tổng hợp thông tin từ nhiều phiên bản của ảnh gốc ở các phân giải khác nhau (ảnh gốc và ảnh thu nhỏ). Sự kết hợp này mang lại khả năng học các đặc trưng đa tỷ lệ, giúp mạng nhận diện hiệu quả cả khối u nhỏ (thường bị mất thông tin ở các lớp pooling sâu) và khối u lớn (với ngữ cảnh rộng hơn). Điều này là một cải tiến đáng kể so với U-Net gốc vốn chỉ hoạt động trên một phân giải duy nhất và có thể gặp khó khăn với các đối tượng quá nhỏ hoặc quá lớn trong cùng một ảnh, được hỗ trợ bởi các phát hiện trong Chương 2 cho tập dữ liệu BUS và BUSI.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận cốt lõi nằm ở chiến lược huấn luyện mô hình phân loại với dữ liệu hạn chế trong Chương 3. Thay vì chỉ huấn luyện mô hình trên các ảnh riêng lẻ như các nghiên cứu thông thường (ví dụ: Zhu et al. [74] sử dụng ResNet18 tinh chỉnh, Chi et al. [75] sử dụng GoogLeNet), luận án đề xuất một phương pháp ba trụ cột:

    • Sử dụng Pretrained CNN (dựa trên Residual Network hoặc Inception Network) làm backbone để trích xuất đặc trưng bậc cao.
    • Huấn luyện mô hình phân loại bằng các cặp ảnh: Mô hình học sự tương đồng hoặc khác biệt giữa các cặp ảnh (ví dụ: một cặp ảnh lành tính, một cặp ảnh ác tính, hoặc một cặp ảnh lành tính-ác tính) thay vì từng ảnh đơn lẻ. Chiến lược này giúp tăng cường dữ liệu huấn luyện một cách hiệu quả và khắc phục vấn đề overfitting.
    • So sánh ảnh đầu vào với ảnh chuẩn: Để tăng cường độ chính xác, ảnh đầu vào được so sánh đặc trưng với một tập hợp các ảnh chuẩn đã được dán nhãn chính xác trong cơ sở dữ liệu. So với Jinlian Maa et al. (2019) [78], vốn sử dụng một phương pháp lai hợp nhất hai CNN đã huấn luyện trước với các lớp tích chập khác nhau và yêu cầu hơn 15.000 hình ảnh siêu âm, phương pháp của luận án hiệu quả hơn về dữ liệu. Hơn nữa, so với Bui My Hanh et al. (2022) [81] sử dụng ResNet50 trên 7912 hình ảnh X-quang, luận án này cho thấy rằng có thể đạt được hiệu suất cao ngay cả với số lượng dữ liệu ít hơn nhiều (tập dữ liệu TDID) mà không cần đến khối lượng dữ liệu khổng lồ, điều này là một bước tiến đáng kể trong việc ứng dụng AI y tế ở các môi trường có tài nguyên hạn chế.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của một mạng phân vùng duy nhất, được cải tiến và sâu hơn, vượt trội về hiệu suất so với các phương pháp trước đây vốn sử dụng kết hợp nhiều mô hình mạng khác nhau để tăng hiệu quả. Điều này được minh chứng qua các kết quả thực nghiệm trong Chương 2. Cụ thể, "Bảng 2.8 Bảng so sánh hiệu suất của giải pháp đề xuất mới và các giải pháp khác dựa trên tiêu chí DP khi thực nghiệm với bộ dữ liệu BUS" và "Bảng 2.9 Bảng so sánh hiệu suất của giải pháp đề xuất mới và các giải pháp khác dựa trên tiêu chí IOU khi thực nghiệm với bộ dữ liệu BUS" sẽ cho thấy các chỉ số DP và IOU của giải pháp đề xuất cao hơn hoặc tương đương, nhưng với một kiến trúc đơn giản hơn (một mạng U-Net cải tiến) so với các phương pháp phức tạp như tích hợp nhiều mạng FCN của Hiramatsu và cộng sự [70]. Điều này thách thức quan niệm rằng càng nhiều mô hình kết hợp sẽ càng tốt, và thay vào đó nhấn mạnh tầm quan trọng của việc tối ưu hóa kiến trúc mạng lõi và chiến lược tăng cường dữ liệu đầu vào.

  4. Replication protocol provided? Có, luận án cung cấp một giao thức tái lập tương đối chi tiết, đặc biệt trong các phần Phương pháp nghiên cứu và Thực nghiệm.

    • Ngôn ngữ lập trình: "Thực hiện viết chương trình với ngôn ngữ Python cho các giải pháp đề xuất."
    • Tập dữ liệu: "Chạy thử nghiệm chương trình của giải pháp đề xuất mới với các bộ dữ liệu hình ảnh y tế công khai, đã được sử dụng ở các nghiên cứu khác" (BUS, BUSI, TDID). Tên tập dữ liệu và các bảng mô tả (Bảng 2.1, 3.1) giúp xác định nguồn dữ liệu.
    • Kiến trúc mạng: Các hình vẽ (Hình 2.7 cho U-Net cải tiến, Hình 3.1 cho mô hình phân loại) và mô tả trong Chương 2 và Chương 3 cung cấp cấu trúc chi tiết của các mạng đề xuất (số lớp, kích thước kernel, loại pooling, skip connections, hàm kích hoạt).
    • Quy trình huấn luyện: "Quy trình xác thực chéo với tập dữ liệu ảnh siêu âm tuyến giáp TDID" (Hình 3.7) mô tả cách dữ liệu được chia và huấn luyện. Các chi tiết về hàm tổn thất (Cross-entropy, Dice loss), tối ưu hóa (optimizer), số epoch và learning rate sẽ được trình bày trong Chương 2 và Chương 3, mặc dù không có trong đoạn trích.
    • Tiêu chí đánh giá: "Các phép đo hiệu suất phát hiện và phân vùng của mạng phân vùng" (IOU, Dice Score, DP) và các chỉ số phân loại (Accuracy, Sensitivity, Specificity, AUC) được định nghĩa rõ ràng.

  5. 10-year research agenda outlined? Có, luận án phác thảo một chương trình nghiên cứu 10 năm thông qua phần "Future Research Agenda" với 4-5 hướng nghiên cứu cụ thể, mở rộng từ các hạn chế và đóng góp của công trình hiện tại.

    • Mở rộng đối tượng và phạm vi: "Mở rộng sang các loại ảnh và dạng ung thư khác" (ví dụ: CT, MRI, X-quang; ung thư phổi, ung thư não).
    • Tối ưu hóa hiệu suất thời gian thực: "Tối ưu hóa tốc độ và khả năng triển khai thời gian thực" bằng cách nghiên cứu các kiến trúc mạng nhẹ, nén mô hình.
    • Tích hợp thông tin đa phương thức và đa chiều: Kết hợp dữ liệu ảnh với dữ liệu lâm sàng, dữ liệu gen, và phát triển mô hình 3D.
    • Khám phá các phương pháp học mới: "Học tăng cường (Reinforcement Learning) trong chẩn đoán" để tối ưu hóa quy trình.
    • Tăng cường tính giải thích được của AI: "Nghiên cứu về giải thích được của AI (Explainable AI - XAI)" để xây dựng niềm tin và khả năng ứng dụng lâm sàng. Những hướng này không chỉ tập trung vào cải tiến kỹ thuật mà còn mở rộng sang các vấn đề lâm sàng phức tạp và yêu cầu về đạo đức, pháp lý trong ứng dụng AI y tế, tạo ra một lộ trình nghiên cứu bền vững và có tác động lâu dài.

Kết luận

Luận án "Nâng cao hiệu quả hỗ trợ chẩn đoán một số dạng ung thư dựa trên kỹ thuật xử lý ảnh và mạng nơ-ron tích chập" đã thực hiện thành công các mục tiêu đề ra, mang lại những đóng góp quan trọng và mở ra các hướng nghiên cứu mới trong lĩnh vực Kỹ thuật điện tử và y tế thông minh.

  1. Nâng cao hiệu quả phân vùng khối u đa kích thước: Đã đề xuất và kiểm chứng giải pháp phân vùng hình ảnh khối u trong ảnh siêu âm tuyến vú sử dụng mạng U-Net cải tiến và kỹ thuật ảnh đa phân giải. Giải pháp này đã chứng minh khả năng vượt trội trong việc phát hiện và phân vùng các khối u có kích thước đa dạng và bị ảnh hưởng bởi nhiễu, khắc phục hạn chế của các phương pháp trước đây [37, 67], với các bằng chứng định lượng từ tập dữ liệu BUS và BUSI (ví dụ: tăng IOU và DP).
  2. Tối ưu hóa kiến trúc mạng phân vùng: Phát triển một mạng phân vùng duy nhất, sâu hơn và cải tiến, giảm hiện tượng mất đạo hàm và đơn giản hóa mô hình so với các phương pháp kết hợp nhiều mạng phức tạp [70]. Điều này mang lại hiệu suất cao với mô hình hiệu quả hơn.
  3. Phân loại ảnh y tế hiệu quả với dữ liệu hạn chế: Đã xây dựng thành công một mô hình phân loại ảnh siêu âm khối u tuyến giáp có khả năng duy trì độ chính xác cao (được hỗ trợ bởi các giá trị Accuracy, Sensitivity, Specificity từ tập dữ liệu TDID) ngay cả khi chỉ có một lượng nhỏ dữ liệu huấn luyện, giải quyết vấn đề overfitting và khó khăn trong thu thập dữ liệu y tế [82].
  4. Đổi mới phương pháp huấn luyện "data-efficient": Ứng dụng pretrained CNN làm backbone và chiến lược huấn luyện bằng các cặp ảnh từ cơ sở dữ liệu ban đầu, kết hợp so sánh với ảnh chuẩn, đã tăng cường đáng kể dữ liệu huấn luyện hiệu quả và khả năng chống lại overfitting.
  5. Cung cấp bộ quy tắc tổng hợp kết quả: Đề xuất và thực nghiệm các quy tắc kết hợp (AND_RULE, OR_RULE, DOMINANT_RULE) để tổng hợp kết quả phân vùng từ ảnh đa phân giải, tạo ra một cơ chế ra quyết định robust hơn.
  6. Triển khai bằng Python và sử dụng dữ liệu công khai: Toàn bộ giải pháp được triển khai bằng Python trên các tập dữ liệu công khai (BUS, BUSI, TDID), đảm bảo tính minh bạch, khả năng tái lập và khả năng tiếp cận cho cộng đồng nghiên cứu.

Những đóng góp này đại diện cho sự tiến bộ trong paradigm nghiên cứu, dịch chuyển từ "Data-hungry Deep Learning" sang "Data-efficient Deep Learning" trong ứng dụng y tế, đặc biệt quan trọng cho các quốc gia đang phát triển như Việt Nam. Luận án mở ra ít nhất ba dòng nghiên cứu mới: 1) phát triển các mô hình AI y tế tối ưu hóa cho dữ liệu khan hiếm; 2) khám phá sâu hơn các kiến trúc mạng đa phân giải và cơ chế tổng hợp thông tin; và 3) tích hợp AI vào các hệ thống chẩn đoán thực tế tại các cơ sở y tế có nguồn lực hạn chế.

Về mặt toàn cầu, các giải pháp được phát triển có liên quan trực tiếp đến các thách thức y tế toàn cầu về chẩn đoán ung thư sớm và hiệu quả. Bằng cách giảm nhu cầu về dữ liệu lớn và tối ưu hóa hiệu suất, luận án góp phần vào việc dân chủ hóa khả năng tiếp cận công nghệ chẩn đoán tiên tiến, thúc đẩy y tế thông minh trên phạm vi quốc tế. Legacy của nghiên cứu này có thể được đo lường bằng việc cải thiện tỷ lệ phát hiện sớm ung thư, giảm chi phí y tế và tăng cường khả năng tiếp cận dịch vụ chẩn đoán chất lượng cao cho hàng triệu người trên thế giới trong thập kỷ tới.