Thanh bên bài viết
Số lượt xem pdf: 40
ĐÁNH GIÁ HIỆU QUẢ PHÂN TÍCH HÌNH ẢNH X QUANG PHỔI THẲNG THEO GEMINI 2.5 PRO TẠI BỆNH VIỆN ĐẠI HỌC Y THÁI BÌNH
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Nghiên cứu nhằm đánh giá đóng góp của Gemini 2.5 Pro trong phân tích hình ảnh X-quang phổi thẳng. Đối tượng và phương pháp: Nghiên cứu mô tả cắt ngang, tiến cứu, được thực hiện trên 922 người bệnh. Kết quả: Tuổi trung bình của người bệnh là 61,5, trong đó nhóm 58–67 tuổi chiếm tỷ lệ cao nhất (25,81%). Mức độ tương đồng giữa Gemini 2.5 Pro và các bác sĩ chẩn đoán hình ảnh được chứng nhận rất thấp, với hệ số Kappa chỉ đạt 0,04, phản ánh sự đồng thuận kém. Gemini 2.5 Pro có độ nhạy cao, nhận định có 678/922 hình ảnh tổn thương. Tổn thương được Gemini 2.5 Pro phát hiện nhiều nhất là dày tổ chức kẽ (44,71%). Tỷ lệ phù hợp trong phát hiện tổn thương theo từng vùng phổi dao động từ 61,06% đến 74,92%, thấp nhất ở tổn thương dày tổ chức kẽ và cao nhất ở tổn thương hẹp khí quản và tổn thương dạng hang. Hiệu năng chẩn đoán tổng thể đạt độ chính xác 56,55%, với Precision 8,66%, Recall 57,38%, Specificity 56,49% và F1-score 15,05%.
Chi tiết bài viết
Từ khóa
X quang phổi thẳng; Gemini 2.5 Pro
Tài liệu tham khảo
2. Phạm Đắc Trung, Hoàng Hà và cộng sự (2024). Đặc điểm lâm sàng, X quang phổi bệnh nhân tràn khí màng phổi và một số yếu tố ảnh hưởng đến kết quả điều trị tràn khí màng phổi tại bệnh viện phổi Thái Nguyên. Tạp chí y học Việt Nam, 504(02)
3. Huỳnh Anh Đào, Đặng Đỗ Duy Khang và cộng sự. (2024). Nghiên cứu hình ảnh X-Quang và đánh giá mức độ lo âu trên người bệnh Covid-19 tại khoa khám bệnh viện lao và bệnh phổi thành phố Cần Thơ năm 2022.Tạp chí y học Cần Thơ , (70), 169–174.
4. Shi H., Han X. et al. (2020). Radiological findings from 81 patients with COVID-19 pneumonia in Wuhan, China: a descriptive study. Lancet Infect Dis, 20(4), 425–434.
5. Lê Hoàn, Nguyễn Thị Thu Thuỷ và cộng sự. (2023), Ứng dụng bước đầu trí tuệ nhân tạo QURE.AI X-quang lồng ngực trong chẩn đoán lao phổi- Bệnh viện Đại học Y Hà Nội, thành phố Hà Nội, Việt Nam.
6. Jeong S. M., Jung J. H. et al. (2024). 2023 Obesity Fact Sheet: Prevalence of Obesity and Abdominal Obesity in Adults, Adolescents, and Children in Korea from 2012 to 2021. J Obes Metab Syndr, 33(1), 27–35.
7. Nguyễn Ngọc Trung, Lâm Tuệ Khanh và cộng sự. (2025). So sánh thông số tia X dựa vào chỉ số BMI và hình ảnh X quang phổi thẳng của ChatGPT-4o với kỹ thuật viên tại Bệnh viện Đại học Y Thái Bình. Tạp chí y học Việt Nam, 549(3).
8. Siegle R.L., Baram E.M. et al. (1998). Rates of disagreement in imaging interpretation in a group of community hospitals. Acad Radiol, 5(3), 148–154.
9. Irvin J., Rajpurkar P. et al. (2019). CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison. Proceedings of the 33rd AAAI Conference on Artificial Intelligence (AAAI 2019) 33: 590-597.
10. Rajpurkar P., Irvin J. et al. (2017). CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning. arXiv preprint arXiv:1711.05225.