Hệ thống học sâu có tên gọi DICOM Image Router, cho phép tự động phân loại các loại hình ảnh X-quang theo chỉ định chụp. Hệ thống này hoạt động như một bộ định tuyến hình ảnh giúp xác định chính xác các phim chụp X-quang theo từng bộ phận hoặc chỉ định chụp, trước khi chúng được gửi tới một mô hình AI chẩn đoán cụ thể. 

Mô hình học sâu có khả năng chẩn đoán các bệnh lý thường gặp trên hình ảnh X-quang lồng ngực ở bệnh nhân nhi. Thử nghiệm cho thấy mô hình đạt hiệu năng vượt trội so với các phương pháp hiện có. Đặc biệt, sau nghiên cứu này, lần đầu tiên, một bộ dữ liệu X-quang nhi quy mô lớn (trên 5,000 ca chụp), có dán nhãn và một thuật toán học sâu mới được VinBigData giới thiệu tới cộng đồng thông qua nền tảng VinDr Lab.

Nghiên cứu này được công bố tại Hội thảo Quốc tế về Thị giác máy tính (IEEE International Conference on Computer Vision – ICCV 2021) chuyên đề về chẩn đoán hình ảnh y tế (Computer Vision for Automated Medical Diagnosis)  – ICCV là hội thảo lớn thứ 03 thế giới trong lĩnh vực này (theo Google Scholar).

Nghiên cứu xây dựng một bộ dữ liệu dán nhãn nhằm phát triển thuật toán phân vùng và ghi chú các cung xương sườn. Cụ thể, sau khi thu thập từ 245 ca chụp, hình ảnh X-quang lồng ngực được phân vùng và dán nhãn 20 cung xương khác nhau. Bộ dữ liệu này, sau đó, là cơ sở để tiến hành huấn luyện các thuật toán học sâu tiên tiến nhất hiện nay (chẳng hạn như U-Net, FPN, U-Net++).

Kết hợp bộ dữ liệu đạt chuẩn và nền tảng công nghệ vững chắc, một mô hình AI được xây dựng hoàn tất, có khả năng xác định chính xác vị trí của các xương sườn từ hình ảnh X-quang lồng ngực. Thử nghiệm cho thấy độ chính xác của tác vụ phân đoạn đạt mức 83.4% tính trên hệ số Dice-score. 

Thành quả này có ý nghĩa quan trọng đối với quá trình chẩn đoán một số bệnh lý tim phổi cũng như phẫu thuật can thiệp. Không chỉ giảm tải công việc cho các bác sĩ khi xác định khoang vùng tổn thương, mô hình còn hướng tới ứng dụng trong việc giải quyết bài toán xóa xương sườn trên ảnh X-quang, từ đó giúp cho việc đọc ảnh, chẩn đoán bệnh trở nên dễ dàng hơn. Đặc biệt, trong công trình, bộ dữ liệu dán nhãn cung xương đã được mở cho cộng đồng nhằm thúc đẩy các nghiên cứu liên quan.

VinDr-SpineXR cho phép phân loại giữa hình ảnh X-quang cột sống bình thường và bất thường với độ chính xác 90% tính trên độ đo AUC (diện tích dưới đường cong cho biết khả năng phân biệt giữa bệnh nhân mắc bệnh và không mắc bệnh). Bên cạnh đó, mô hình còn có khả năng khoanh vùng chính xác 06 loại tổn thương cột sống phổ biến tại Việt Nam, bao gồm: gai xương; hẹp khe đĩa đệm; vật liệu phẫu thuật; hẹp lỗ tiếp hợp; trượt đốt sống và xẹp đốt sống với mAP = 0.55 (mAP là chỉ số độ chính xác trung bình, cho phép đo hiệu suất của các mô hình phát hiện đối tượng trong ảnh).

Hệ thống tự động chẩn đoán ảnh chụp X-quang phổi ứng dụng trí tuệ nhân tạo (AI) gần đây đã cho thấy tiềm năng to lớn trong việc hỗ trợ bác sĩ ra quyết định nhanh chóng, chính xác. Tuy nhiên, hiệu suất của các hệ thống này chưa được đánh giá sát với hoạt động thực tế trong thực hành lâm sàng. Trong nghiên cứu này, nhóm tác giả chứng minh một cơ ché đánh giá hệ thống phát hiện bất thường trên ảnh X-quang lồng ngực VinDr-CXR triển khai tại Bệnh viện Đa khoa Phú Thọ – một bệnh viện tuyến tỉnh ở miền Bắc Việt Nam. Hệ thống AI này được tích hợp trực tiếp vào hệ thống lưu trữ và truyền tải hình ảnh y tế (PACS) của bệnh viện. Việc đánh giá hiệu suất đảm bảo tính khách quan dựa trên đối sánh giữa kết quả do AI đưa ra và báo cáo chẩn đoán của 6.285 ca chụp X-quang lồng ngực trích xuất từ Hệ thống Thông tin Bệnh viện (HIS) trong hai tháng cuối năm 2020. Đánh giá cho thấy VinDr-CXR đạt điểm F1 0.653 (95% CI 0.635, 0.671) trong việc phát hiện các bất thường trên ảnh X-quang phổi.

Bộ dữ liệu gồm hơn 100.000 ảnh chụp X-quang phổi được thu thập từ các bệnh viện lớn ở Việt Nam. Từ dữ liệu thô này, nghiên cứu chia sẻ 18.000 hình ảnh được chú giải bởi 17 bác sĩ X-quang giàu kinh nghiệm. Bộ dữ liệu được chia thành tập huấn luyện 15.000 ảnh và tập thử nghiệm 3.000 ảnh. VinBigData đã thiết kế và xây dựng một nền tảng ghi nhãn cho hình ảnh DICOM để tạo điều kiện thuận lợi cho các quy trình chú thích này.