Thanh bên bài viết
Số lượt xem PDF: 155
KẾT QUẢ BƯỚC ĐẦU ỨNG DỤNG PHẦN MỀM SINH ẢNH TĂNG CƯỜNG TRONG NỘI SOI ĐƯỜNG TIÊU HOÁ TRÊN
Nội dung chính của bài viết
Tóm tắt
Tổng quan: Nội soi tăng cường hình ảnh (image inhanced endoscopy - IEE) đóng vai trò quan trọng trong phát hiện và đánh giá mức độ tổn thương tuy nhiên chỉ được tích hợp trong các dòng máy nội soi thế hệ mới, có giá thành cao. Tại Việt Nam, đã có những kết quả bước đầu trong ứng dụng trí tuệ nhân tạo trong nội soi. Mục tiêu: Nghiên cứu nhằm đánh giá tính khả thi của việc ứng dụng trí tuệ nhân tạo trong việc sinh ảnh giả lập các chế độ tăng cường đối với ảnh nội soi thực quản. Phương pháp: Tập ảnh đánh giá được xây dựng gồm 240 ảnh nội soi ở vị trí đường Z: 60 ảnh ở chế độ FICE, 60 ảnh giả lập FICE, 60 ảnh ở chế độ LCI, và 60 ảnh giả lập LCI. Ảnh giả lập FICE và ảnh giả lập LCI được sinh ra từ ảnh ánh sáng trằng bằng cách sử dụng mạng CycleGAN. Mỗi chế độ ánh sáng/giả lập sẽ có 30 ảnh đường Z bình thường và 30 ảnh có tổn thương viêm trào ngược. Tập ảnh đánh giá sẽ được trộn ngẫu nhiên sau đó được gửi cho 5 bác sỹ nội soi mới (< 5 năm kinh nghiệm) và 5 bác sĩ nội soi có kinh nghiệm (≥5 năm kinh nghiệm). Các bác sĩ được cho biết là trong bộ ảnh có ảnh giả lập được sinh từ thuật toán AI và được yêu cầu xác định ảnh nào là ảnh ánh sáng tăng cường thật sự, ảnh nào là ảnh giả lập AI. Kết quả: Nhóm bác sĩ mới đánh giá việc nhận định ảnh khó hơn so với nhóm bác sĩ có kinh nghiệm (52,1% ảnh được nhận định là khó so với 25,8% ở nhóm bác sĩ có kinh nghiệm). Tỉ lệ nhận định ảnh đúng của nhóm bác sĩ mới và nhóm bác sĩ có kinh nghiệm lần lượt là 54,67% và 52,67%. Mức độ nhận định đúng giữa nhóm bác sĩ mới và nhóm bác sĩ có kinh nghiệm là tương đương nhau. Kết luận: Kết quả bước đầu gợi ý khả năng ứng dụng phần mềm này trong thực tế nhằm nâng cao khả năng phát hiện tổn thương ở các đơn vị y tế còn hạn chế về nguồn lực.
Chi tiết bài viết
Từ khóa
Nội soi đường tiêu hóa trên, nội soi tăng cường hình ảnh, trí tuệ nhân tạo
Tài liệu tham khảo
2. Chadwick G., Groene O., Hoare J. và cộng sự. (2014). A population-based, retrospective, cohort study of esophageal cancer missed at endoscopy. Endoscopy, 46(7), 553–560.
3. Đào Việt Hằng, Lâm Ngọc Hoa, và Vũ Thanh Hải (2020). Đánh giá thực trạng và khảo sát nhu cầu xây dựng cơ sở dữ liệu hình ảnh kết quả nội soi tiêu hóa tại các cơ sở y tế Việt Nam. Tạp chí Y học thực hành, 1126(2), 25–8.
4. Lee W. (2021). Application of Current Image-Enhanced Endoscopy in Gastric Diseases. Clin Endosc, 54(4), 477–487.
5. Goodfellow I.J., Pouget-Abadie J., Mirza M. và cộng sự. (2014). Generative Adversarial Networks. , accessed: 12/09/2022.
6. Li Y., Fan J., Ai D. và cộng sự. (2020). A General Endoscopic Image Enhancement Method Based on Pre-trained Generative Adversarial Networks. IEEE Computer Society, 2403–2408.
7. Zhu J.-Y., Park T., Isola P. và cộng sự. (2020). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. , accessed: 12/09/2022.
8. Yoon D., Kong H.-J., Kim B.S. và cộng sự. (2022). Colonoscopic image synthesis with generative adversarial network for enhanced detection of sessile serrated lesions using convolutional neural network. Sci Rep, 12(1), 261.