Giới thiệu bài toán - Phân loại bất thường trên phổi từ ảnh x-quang

Chụp X-quang ngực (Chest X-ray – CXR) là một trong những xét nghiệm ảnh phổ biến nhất trong chẩn đoán nhiều bệnh khác nhau liên quan đến phổi và tim, với hàng triệu scans được thực hiện toàn cầu mỗi năm. Nhiều bệnh trong số đó, như Pneumothorax (Phổi tràn khí), có thể gây chết người nếu không được chẩn đoán đủ nhanh và chính xác. Một hệ thống chẩn đoán có sự hỗ trợ của máy tính (computer-aided diagnosis – CAD) có thể chẩn đoán chính xác những quan sát phổ biến nhất từ ảnh chụp X-quang ngực sẽ mang lại lợi ích đáng kể cho nhiều thực hành lâm sàng. Trong báo cáo này, chúng tôi nghiên cứu bài toán phân loại đa nhãn (multi-label classification) cho ảnh chụp X-quang ngực bằng cách sử dụng mạng nơ-ron tích chập (convolutional neural networks – CNNs).

Một số ví dụ về ảnh chụp X-quang ngực

Những nghiên cứu gần đây đang tập trung khai thác những tiến bộ trong học máy, đặc biệt là học sâu, để xây dựng một nhóm hệ thống CAD mới để phân loại và xác định vị trí các bệnh thường gặp ở lồng ngực từ hình ảnh CXR. Một số lý do đằng sau sự biến đổi này:

• Thứ nhất, việc giải thích CXR để chẩn đoán chính xác bệnh lý là rất khó. Ngay cả những bác sĩ X quang được đào tạo bài bản cũng có thể dễ dàng mắc sai lầm do những thách thức trong việc phân biệt các loại bệnh lý khác nhau, nhiều bệnh lý thường có các đặc điểm hình ảnh giống nhau. Do đó, một phương pháp có thể phân loại và xác định chính xác vị trí các bệnh thường gặp ở lồng ngực có thể được sử dụng như một đầu đọc thứ hai để hỗ trợ quá trình ra quyết định của bác sĩ X quang và giúp giảm sai số chẩn đoán. Nó cũng giải quyết tình trạng thiếu chuyên môn chẩn đoán trong các lĩnh vực mà bác sĩ X quang hạn chế hoặc không có sẵn.

• Thứ hai, một hệ thống như vậy có thể được sử dụng như một công cụ sàng lọc giúp giảm thời gian chờ đợi của bệnh nhân trong bệnh viện và cho phép các bên cung cấp dịch vụ chăm sóc phản ứng kịp thời với các tình huống khẩn cấp sớm hơn hoặc để tăng tốc quy trình làm việc chẩn đoán hình ảnh.

Một số ứng dụng của Deep Learning trong phân tích ảnh y tế

• Thứ ba, mạng nơron sâu, đặc biệt là CNN, đã cho thấy hiệu suất đáng kể đối với các ứng dụng khác nhau trong phân tích hình ảnh y tế, bao gồm cả nhiệm vụ giải đoán CXR.

Một số phương pháp tiếp cận dựa trên học sâu (deep learning – DL) đã được đề xuất để phân loại bệnh phổi và chứng minh rằng chúng có thể đạt được hiệu quả tương đương con người. Tuy nhiên, hầu hết tất cả các phương pháp này đều nhằm mục đích phát hiện một số bệnh cụ thể như viêm phổi, lao, hoặc ung thư phổi. Trong khi đó, việc xây dựng một DL framework thống nhất để phát hiện chính xác sự hiện diện của nhiều bệnh lý lồng ngực phổ biến từ chụp X quang phổi vẫn là một nhiệm vụ khó khăn, đòi hỏi nhiều nỗ lực nghiên cứu. Đặc biệt, chúng tôi nhận ra rằng các bộ phân loại đa nhãn tiêu chuẩn thường bỏ qua kiến ​​thức chuyên ngành (domain knowledge). Ví dụ, trong trường hợp dữ liệu CXR, làm thế nào để tận dụng các phân loại lâm sàng của các mô hình bệnh tật và cách xử lý các nhãn không chắc chắn (uncertainty label) vẫn còn là câu hỏi mở, chưa nhận được nhiều sự quan tâm nghiên cứu. Điều này thúc đẩy chúng tôi xây dựng và thử nghiệm một vài mô hình dự đoán dựa trên CNN để giải thích CXR, trong đó sự phụ thuộc giữa các nhãn (labels dependencies) và thông tin không chắc chắn được tính đến trong quá trình training và inference. Cụ thể, chúng tôi phát triển một số phương pháp tiếp cận dựa trên DL đưa các ý tưởng về conditional training và label smoothing thành một phương pháp training mới để phân loại 14 bệnh phổi phổ biến và các quan sát.

Trong dự náy VN AIDr, chúng tôi xây dựng hệ thống đánh giá khả năng cho 5 bất thường trên ảnh X-quang phổi, với mong muốn hệ thống này có thể trợ giúp bác sĩ trong quá trình chẩn đoán triệu chứng từ ảnh y tế, hạn chế việc bỏ sót triệu chứng. Hệ thống phân loại tổn thương phổi được chúng tôi xây dựng dựa trên bộ dữ liệu lớn CheXpert của Đại học Stanford.

Website bộ dữ liệu và cuộc thi CheXpert