BƯỚC ĐẦU NGHIÊN CỨU GIÁ TRỊ CỦA MÔ HÌNH HỌC MÁY TRONG PHÁT HIỆN BẤT THƯỜNG TRUNG THẤT TRÊN X-QUANG NGỰC THẲNG
Nội dung chính của bài viết
Tóm tắt
TÓM TẮT
Mục tiêu nghiên cứu: Bước đầu khảo sát giá trị của mô hình học máy trong phát hiện bất thường trung thất trên hình X-quang ngực thẳng.
Đối tượng và phương pháp nghiên cứu: Nghiên cứu cắt ngang hồi cứu được thực hiện tại Bệnh viện Đại học Y Dược Thành phố Hồ Chí Minh từ tháng 9/2018 đến tháng 6/2025. Dữ liệu nghiên cứu bao gồm 735 hình X-quang ngực thẳng, trong đó có 441 trường hợp bất thường trung thất (bao gồm 260 ca u trung thất, 181 ca phình động mạch chủ ngực) và 294 trường hợp bình thường. Tất cả các trường hợp đều được đối chiếu với hình ảnh chụp cắt lớp vi tính hoặc cộng hưởng từ lồng ngực để xác định trung thất bình thường hay bất thường. Các hình X quang được tiền xử lý nhằm chuẩn hóa chất lượng trước khi đưa vào huấn luyện mô hình ResNet34 theo phương pháp học có giám sát. Mô hình sau khi huấn luyện sẽ nhận hình X-quang ngực và phân loại thành hai nhóm: trung thất bình thường và bất thường. Giá trị chẩn đoán của mô hình được đánh giá thông qua kỹ thuật kiểm định chéo 5 lần.
Kết quả: Trong nhóm có tổn thương trung thất, nam giới chiếm ưu thế với tỷ lệ 59,2% và độ tuổi trung bình cao hơn so với nhóm không có tổn thương (58,4 ± 19,1 so với 43,4 ± 14,2 tuổi; p <0,05). Sự khác biệt về phân bố giới tính giữa hai nhóm cũng có ý nghĩa thống kê (p < 0,05). Hai dấu hiệu X-quang thường gặp nhất ở nhóm có tổn thương là hiện diện bờ trung thất bất thường (66,7%) và trung thất mở rộng (30,4%). Về giá trị chẩn đoán trong nhóm tổn thương, mô hình ResNet34 đạt diện tích dưới đường cong là 0,95 với khoảng tin cậy (KTC) 95% là 0,93-0,98 và độ chính xác là 0,87 (KTC 95% là 0,82-0,92). Các chỉ số giá trị khác bao gồm: điểm F1 đạt 0,88 (KTC 95% là 0,82-0,94), độ nhạy 0,83 (KTC 95% là 0,72-0,94), độ đặc hiệu 0,93 (KTC 95% là 0,88-0,98), giá trị tiên đoán dương 0,95 (KTC 95% là 0,92-0,98) và giá trị tiên đoán âm 0,79 (KTC 95% là 0,69-0,88).
Kết luận: Kết quả bước đầu cho thấy mô hình học máy có giá trị cao trong phát hiện bất thường dạng khối choán chỗ trung thất trên hình X-quang ngực thẳng.
Từ khóa: mô hình học máy, X-quang ngực thẳng, tổn thương trung thất.
Từ khóa
mô hình học máy, X-quang ngực thẳng, tổn thương trung thất.
Chi tiết bài viết
Tài liệu tham khảo
Am J Med. 2004;116(2):73-7. doi:10.1016/j.amjmed.2003.08.030
2. Wernecke K, Vassallo P, Pötter R, Lückener HG, Peters PE. Mediastinal tumors: sensitivity of detection with sonography compared with CT and radiography. Radiology. 1990;175(1):137-43. doi:10.1148/radiology.175.1.2179987
3. Rehman A, Khan A, Fatima G, Naz S, Razzak I. Review on chest pathologies detection systems using deep
learning techniques. Artif Intell Rev. 2023:1-47. doi:10.1007/s10462-023-10457-9
4. He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. 2016:770-778.
5. Pydicom: An open-source DICOM library for Python. Zenodo; 2024. https://doi.org/10.5281/zenodo.13824606
6. Harris CR, Millman KJ, van der Walt SJ, Gommers R, Virtanen P. Array programming with NumPy. Nature.
2020;585(7825):357-362. doi:10.1038/s41586-020-2649-2
7. Bradski G. The OpenCV Library. Dr Dobb’s Journal of Software Tools. 2000;25(11):120-125.
8. Van der Walt S, Schönberger JL, Nunez-Iglesias J, Boulogne F, Warner JD. scikit-image: image processing in
Python. PeerJ. 2014;2:e453. doi:10.7717/peerj.453
9. Paszke A, Gross S, Massa F, Lerer A, Bradbury J. PyTorch: An Imperative Style, High-Performance Deep Learning Library.
presented at: Advances in Neural Information Processing Systems 32; 2019; https://doi.org/10.48550/arXiv.1912.01703
10. Marcel S, Rodriguez Y. Torchvision the machine-vision package of torch. presented at: Proceedings of the 18th
ACM International Conference on Multimedia; 2010; https://doi.org/10.1145/1873951.1874254
11. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B. Scikit-learn: Machine Learning in Python. Journal of
Machine Learning Research. 2011;12:2825-2830.
12. Zuiderveld K. Contrast Limited Adaptive Histogram Equalization. In: Heckbert PS, ed. Graphics Gems IV. Academic
Press; 1994:474-485.
13. Faiza Z, Sharman T. Thoracic Aorta Aneurysm. StatPearls [Internet]. StatPearls Publishing; 2026.
14. Mehrabi Nasab E, Athari SS. The prevalence of thoracic aorta aneurysm as an important cardiovascular disease
in the general population. J Cardiothorac Surg. 2022;17(1):51. doi:10.1186/s13019-022-01767-0
15. Kai C, Kasai S, Teramoto R, et al. Classifying abnormalities in chest radiographs from Vietnam using deep learning
for early detection of cardiopulmonary diseases. Frontiers in Radiology. 2025;doi:10.3389/fradi.2025.1703927
16. Nguyen NH, Nguyen HQ, Nguyen NT, et al. Deployment and validation of an AI system for detecting abnormal
chest radiographs in clinical settings. Front Digit Health. 2022;4:890759. doi:10.3389/fdgth.2022.890759
17. Ribeiro E, Cardenas DAC, Dias FM, Krieger JE, Gutierrez MA. Explainable artificial intelligence in deep learningbased
detection of aortic elongation on chest X-ray images. Eur Heart J Digit Health. 2024;5(5):524-534.
doi:10.1093/ehjdh/ztae045
18. Van Beek EJR, Ahn JS, Kim MJ, Murchison JT. Validation study of machine-learning chest radiograph software in
primary and emergency medicine. Clin Radiol. 2023;78(1):1-7. doi:10.1016/j.crad.2022.08.129