Tổng quan nghiên cứu ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư vú bằng ảnh giải phẫu bệnh kỹ thuật số

Danh s¸ch ký nhËn lµm thªm ngoµi giê vietnam medical journal n01 MARCH 2021 68 2 Nguyễn Thế Lộc, Nguyễn Đức Lam Nghiên cứu hiệu quả của phương pháp gây tê tủy sống và ngoài màng cứng phối hợp để mổ và[.]

vietnam medical journal n01 - MARCH - 2021 Nguyễn Thế Lộc, Nguyễn Đức Lam Nghiên cứu hiệu phương pháp gây tê tủy sống màng cứng phối hợp để mổ giảm đau sau mổ cắt tử cung hoàn toàn bệnh viện phụ sản trung ương Tạp chí y học thực hành 2016;1015:218-220 Fusco P, Cofini V, Petrucci E, et al Transversus Abdominis Plane Block in the Management of Acute Postoperative Pain Syndrome after Caesarean Section: A Randomized Controlled Clinical Trial Pain Physician 2016;19(8):583-591 Kahsay DT, Elsholz W, Bahta HZ Transversus abdominis plane block after Caesarean section in an area with limited resources Southern African Journal of Anaesthesia and Analgesia 2017;23(4):90-95 doi:10.1080/22201181.2017.1349361 McDonnell JG, O’Donnell BD, Curley G, Heffernan A, Power C, Laffey JG The Analgesic Efficacy of Transversus Abdominis Plane Block After Abdominal Surgery: A Prospective Randomized Controlled Trial: Anesthesia & Analgesia 2007;104(1):193-197 doi:10.1213/ 01.ane.0000250223.49963.0f Carney J, McDonnell JG, Ochana A, Bhinder R, Laffey JG The Transversus Abdominis Plane Block Provides Effective Postoperative Analgesia in Patients Undergoing Total Abdominal Hysterectomy Anesthesia & Analgesia 2008;107(6):2056-2060 doi:10.1213/ane.0b013e3181871313 Srivastava U, Verma S, Singh TK, et al Efficacy of trans abdominis plane block for post cesarean delivery analgesia: A double-blind, randomized trial Saudi Journal of Anaesthesia 2015;9(3):298 doi:10.4103/1658-354X.154732 Belavy D, Cowlishaw PJ, Howes M, Phillips F Ultrasound-guided transversus abdominis plane block for analgesia after Caesarean delivery British Journal of Anaesthesia 2009;103(5):726-730 doi:10.1093/bja/aep235 Mishriky BM, George RB, Habib AS Transversus abdominis plane block for analgesia after Cesarean delivery: a systematic review and meta-analysis Can J Anaesth 2012;59(8):766778 doi:10.1007/s12630-012-9729-1 TỔNG QUAN NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐỐN UNG THƯ VÚ BẰNG ẢNH GIẢI PHẪU BỆNH KỸ THUẬT SỐ Đào Văn Tú, Nguyễn Khắc Dũng, Bùi Thị Oanh, Nguyễn Lê Hiệp, Vũ Đức Hoàn, Đặng Hữu Dũng, Nguyễn Văn Chủ, Bùi Văn Giang, Tạ Văn Tờ(*) TÓM TẮT PATHOLOGY IMAGES Ung thư vú bệnh ung thư phổ biến nữ giới nguyên nhân gây tử vong hàng đầu ung thư toàn giới Cơ sở để điều trị ung thư vú chẩn đốn mơ bệnh học, việc chẩn đốn định hướng điều trị tiên lượng bệnh Những tiến trí tuệ nhân tạo (AI) với việc vận dụng giải phẫu bệnh kỹ thuật số đưa cách tiếp cận đầy hứa hẹn việc chẩn đoán, phân loạiung thư vú, đáp ứng nhu cầu thực tế lâm sàng Trong viết này, tổng quan ứng dụng AI chẩn đoán ung thư vú dựa ảnh kỹ thuật số hóa giải phẫu bệnh, đồng thời phác thảo tiềm ứng dụngtại Việt Nam Từ khóa: Ung thư vú, trí tuệ nhân tạo, ảnh giải phẫu bệnh Breast cancer is the most common cancer in women and the leading cause of cancer deaths worldwide The essential basisfor breast cancer treatment is histopathology, which determines the direction of treatment and prognosis of the disease Advances in artificial intelligence (AI) together with the use of digital pathology have presented a promising approach in breast cancer diagnosis and classification, meeting the real needs clinical practice In this article, we provide an overview of AI applications in breast cancer diagnostics based on digital pathology images of the disease, and proposethe potentials in application in Vietnam Keywords: Breast cancer, artificial interligence, pathology image SUMMARY I ĐẶT VẤN ĐỀ 18 OVERVIEW OF APPLICATION RESEARCH OF ARTIFICIAL INTELLIGENCE ON BREAST CANCER DIAGNOSIS BASED ON DIGITAL (*)Bệnh viện K Chịu trách nhiệm chính: Đào Văn Tú Email: vantu.dao@bvk.org.vn Ngày nhận bài: 29.12.2020 Ngày phản biện khoa học: 22.2.2021 Ngày duyệt bài: 1.3.2021 68 Ung thư vú bệnh ung thư phổ biến chẩn đốn phụ nữ tồn giới ngun nhân gây tử vong phụ nữ Ở nước thu nhập thấp thu nhập trung bình, tỷ lệ tử vong tương đối cao so với quốc gia phát triển Theo báo cáo năm 2018 Tổ chức Nghiên cứu Quốc tế Ung thư (IARC), triệu phụ nữ năm 2018 chẩn đốn mắc bệnh ung thư vú tồn giới Đây coi khoảng 11,6% tất TẠP CHÍ Y HỌC VIỆT NAM TẬP 500 - THÁNG - SỐ - 2021 bệnh ung thư chẩn đoán năm với 626 679 trường hợp tử vong báo cáo Nhiều nghiên cứu ước tính vào năm 2025 có 19,3 triệu ca ung thư Hơn nữa, nước phát triển bao gồm Việt Nam, dân số đơng đúc người bệnh cịn hiểu biết hạn chế triệu chứng bệnh tìm kiếm tư vấn y khoa giai đoạn muộn dẫn đến tỷ lệ tử vong cao Ngoài ra, thiếu hụt chuyên gia y tế, đặc biệt chuyên gia khu vực nông thôn, vùng sâu, vùng xa làm tăng thêm vấn đề chẩn đoán sớm xác ung thư vú góp phần gây tỷ lệ tử vong cao Do việc sử dụng công nghệ thông tin liệu y tế để xây dựng hệ thống thông minh hay trí tuệ nhân tạo (AI) bắt chước suy luận bác sĩ giải pháp để phát sớm ung thư vú từ làm tăng hội điều trị giảm tỷ lệ mắc bệnh Chẩn đốndựa đánh giá mơ bệnh học phương pháp xác định ung thưchính xác Biện giải kết chẩn đốn hình ảnh phụ thuộc vào chun gia định địi hỏi tính chun mơn cao, việc sử dụng cơng nghệ thơng tin cần thiết để tăng tốc nâng cao tính xác chẩn đốn, cung cấp ý kiến thứ hai cho bác sĩ chuyên môn Với lý nêu trên, tiến hành tổng quan vận dụng AI chẩn đoán ung thư vú giới qua đề xuất tiềm xây dựng hệ thống thơng minh hỗ trợ chẩn đốn ung thư vú ảnh giải phẫu bệnh Việt Nam II TÌNH HÌNH CHUNG VỀ GIẢI PHẪU BỆNH KỸ THUẬT SỐ VÀ VẬN DỤNG TRONG UNG THƯ VÚ Các phương pháp điều trị ung thư vú địi hỏi phải phân tầng chẩn đốn cẩn thận bệnh nhân dự đoán khả điều trị phù hợp Sự phân tầng điều trị chủ yếu dựa việc đọc giải thích thủ cơng mẫu lam kính (slide) giải phẫu bệnh (GPB) – trình nhiều thời gian với độ biến thiên đáng kể kết đọc bác sĩ trực tiếp đọc Xu hướng số hóa lĩnh vực giải phẫu bệnh học mở hội cho giải pháp phân tích hình ảnh dựa máy tính có tiềm đưa đánh giá slide GPB cách khách quan mang tính định lượng Trong nhiều thập kỷ qua, tiến thuật tốn, sức mạnh tính tốn dễ tiếp cận việc xếp liệu lớn, kỹ thuật máy học đưa định nghĩa tiên tiến nhiều nhiệm vụ thị giác máy tính - bao gồm nhiều ứng dụng chăm sóc sức khỏe Đồng thời, giải phẫu bệnh kỹ thuật số hóa lên phương pháp nhằm tái tạo ảnh xử lý hình ảnh phóng đại lớn slide GPB – từ áp dụng ban đầu cho mục đích nghiên cứu ngày có xu hướng hồn thiện trở thành cơng cụ hữu ích lâm sàng Gần đây, hai lĩnh vực giao thoa nhà khoa học máy tính nhà nghiên cứu bệnh học họ áp dụng kỹ thuật AI cho vấn đề giải phẫu bệnh lý cho mục đích chẩn đốn Ung thư, sâu tiên lượng, tiên đoán điều trị mục đích lâm sàng khác, bên cạnh việc ứng dụng trực tiếp công nghệ cao để cải thiện suất hiệu quy trình chẩn đốn Nhiều vấn đề bệnh học ung thư vú liên quan đến việc đánh giá đặc điểm hình thái mơ Tuy nhiên, điều thường không đơn giản nghiên cứu quan trọng vào việc cải thiện độ tin cậy giảm biến thiên việc đánh giá Vấn đề liên quan tới độ tin cậy tính biến thiên có tiềm giải triệt để phương pháp dùng thuật tốn máy tính Sau huấn luyện (training), thuật tốn ln cho kết thống có liệu đầu vào (input) cung cấp Giải phẫu bệnh kỹ thuật số hóa q trình chuyển đổi từ slide mơ bệnh học thành hình ảnh kỹ thuật số cách sử dụng máy quét toàn slide tiếp tiến hành phân tích hình ảnh số hóa Năm 1966, Prewitt Mendelsohn lần đề xuất phương pháp quét (scan) hình ảnh từ trường kính hiển vi vết máu sử dụng hình ảnh scan để phân biệt diện loại tế bào khác [1] Vào năm 1990, tiến hệ thống tạo hình ảnh phần mềm dành cho kính hiển vi để lưu trữ, phục vụ xem hình ảnh kích thước lớn (hình ảnh tồn slide trung bình quét độ phóng đại 40x có dung lượng lớn GB) dẫn đến phát triển kỹ thuật tạo hình ảnh tồn slide (WSI- Whole Slide Image) Những kỹ thuật cho phép toàn slide (chứ khơng phải trường nhìn riêng lẻ) số hóa kiểm tra độ phân giải tương đương với kính hiển vi trường sáng Những tiến sâu thập kỷ đưa giải phẫu bệnh kỹ thuật số hóa từ chủ đề nghiên cứu chật hẹp để tiến đến trở thành khía cạnh quan trọng chấp nhận áp dụng thực hành lâm sàng Từ sớm có so sánh quy mô lớn 69 vietnam medical journal n01 - MARCH - 2021 hiệu suất chẩn đoán sử dụng giải phẫu bệnh kỹ thuật số hóa sử dụng kính hiển vi thơng thường tiến hành Mukhopadhyay cộng bao gồm mẫu bệnh phẩm từ năm 1992 bệnh nhân với loại khối u khác đọc 16 bác sĩ bệnh học [2] Nghiên cứu cho thấy hiệu suất chẩn đốn với WSI số hóa gần với phương pháp dựa kính hiển vi truyền thống (với tỷ lệ chênh lệch từ tiêu chuẩn tham chiếu 4,9% WSI 4,6% phương pháp vi mô) Nghiên cứu sử dụng làm nghiên cứu cốt lõi cho chấp thuận FDA hệ thống giải phẫu bệnh kỹ thuật số hóa hãng Philips Tương tự, để theo đuổi chấp thuận FDA cho hệ thống Wper Aperio AT2 DX, Leica Biosystems tiến hành thử nghiệm lâm sàng năm địa điểm nghiên cứu liên quan đến 16.000 slide tìm thấy 97,9% phù hợp hệ thống (tức chấp thuận đọc kết từ lam kính đọc hình ảnh kỹ thuật số trung tâm nào) Tác giả Williams cộng thực xác nhận lâm sàng việc chẩn đoán ung thư vú từ ảnh slide kỹ thuật số tìm thấy phù hợp hồn tồn kết đọc lam kính đọc kỹ thuật số 98,8% 694 trường hợp bác sĩ giải phẫu bệnh chuyên khoa vú học khóa đào tạo ngắn giải phẫu bệnh kỹ thuật số hóa Và nhóm tác giả thực phân tích hệ thống với cỡ mẫu 8069 so sánh việc đọc lam kính đọc kỹ thuật số chẩn đoán trái ngược 335 trường hợp (4%) [3] Một chủ đề quán đánh giá bệnh lý kỹ thuật số, độ xác hiệu chẩn đốn, việc triển khai thành công phụ thuộc vào thiết kế huấn luyện phù hợp tích hợp với quy trình cơng việc có Ngồi tác động trực tiếp đến hiệu mặt thời gian lần đọc slide, lợi ích tiềm khác việc áp dụng giải phẫu bệnh kỹ thuật số hóa bao gồm giảm nguy xác định sai bệnh nhân slide, giảm nguy mô hỏng-mất chất lượng, theo dõi bệnh nhân phân bổ khối lượng công việc tốt hơn, dễ dàng lấy lại trường hợp lưu trữ, cải thiện đánh giá giải phẫu bệnh từ xa bên cạnh việc tạo điều kiện cho việc hỗ trợ chéo bệnh viện khác việc chẩn đoán ban đầu, báo cáo thực từ xa tới phòng labo giải phẫu bệnh tập trung hóa Tuy nhiên, lợi quan trọng WSI chẩn đốn khả áp dụng 70 thuật tốn dựa AI khác quy trình chẩn đốn thơng thường III ỨNG DỤNG AI TRONG CHẨN ĐOÁN UNG THƯ VÚ BẰNG ẢNH GIẢI PHẪU BỆNH Trong chẩn đoán ung thư, việc bác sĩ giải phẫu bệnh đánh giá bệnh lý dựa mô bệnh học phẫu thuật thông qua ảnh giải phẫu bệnh để coi tiêu chuẩn vàng Việc chẩn đoán tốn thời gian Hơn nữa, phụ thuộc nhiều vào đánh giá chủ quan, có khác biệt đáng kể bác sĩ giải phẫu bệnh việc đánh giá chẩn đoán Nghiên cứu Ozkan cộng báo cáo hai bác sĩ giải phẫu bệnh không thống diện ung thư 31 số 407 sinh thiết kim lõi phù hợp tổng thể điểm Gleason đánh giá 51,7%, mô tả thách thức chẩn đoán ung thư tuyến tiền liệt cách quán [4] Do đó, việc phát triển cơng cụ có hỗ trợ máy tính quan trọng để tiết kiệm thời gian, tăng độ xác nâng cao tiêu chuẩn hóa chẩn đốn cho nhà giải phẫu bệnh Đã có nỗ lực thành tựu đáng kể việc phát triển xử lý hình ảnh kỹ thuật số phương pháp dựa máy học để phân tích tự động hình ảnh bệnh lý để thực phân loại mô phân loại bệnh, dự đốn kết bệnh nâng cao độ xác y học Những tiến gần nghiên cứu máy học liên quan đến mạng nơ-ron sâu, tức học sâu (deep learning), làm tăng thành công hiệu suất phân tích Tuy nhiên, mơ hình học sâu đề xuất thường u cầu lượng liệu thích đáng kể để đào tạo thành cơng Vì kích thước nhóm tập (cohort) nhỏ việc thích hình ảnh mô bệnh học thời gian, khái niệm gọi học chuyển giao (transfer learning), tức đào tạo mạng nơ-ron với tập liệu bên sau tinh chỉnh mơ hình với tập liệu có sẵn, chứng tỏ mang lại lợi ích Cách tiếp cận để tinh chỉnh mơ hình đào tạo trước chứng minh có hiệu tốt việc đào tạo kiến trúc mạng nơ-ron từ đầu nghiên cứu liên quan đến phân tích hình ảnh bệnh lý kỹ thuật số Học chuyển giao có nhiều thuận lợi việc tương thích mà hình ảnh thu loại kính hiển vi quy trình nhuộm khác Một thách thức giải phẫu bệnhkỹ thuật số kích thước tuyệt đối TẠP CHÍ Y HỌC VIỆT NAM TẬP 500 - THÁNG - SỐ - 2021 WSI Một hình ảnh thu mức phóng đại 20X chứa vài tỷ pixel, vùng quan tâm (Region of Interest - ROI) nhỏ vài nghìn pixel Để áp dụng phân loại học sâu, WSI phải chia thành nhiều nghìn ơ, với phân loại (classifier) sau áp dụng độc lập Bước quan trọng q trình chẩn đoán nghi ngờ ung thư vú phát tế bào khối u xâm lấn, đặc tính khối u định lượng mức độ khối u (tumor) Cruz-Roa cộng xây dựng mơ hình mạng nơ-ron tích chập (CNN - convolutional neural networks) để phân loại mảng hình ảnh từ trích từ WSI ung thư vú có chứa ung thư loại ống xâm nhập hay khơng [5] Nhóm tác giả sử dụng việc gán nhãn vùng thích thủ cơng 400 mẫu slide từ nhiều sở khác để huấn luyện mơ hình xác thực hiệu suất 200 slide với thích tương tự từ The Cancer Genome Atlas Tác giả báo cáo số F1 score (một loại số đo lường độ xác mơ hình tương tự ROC AUC) mức pixel 75,86% Han cộng [6] sử dụng liệu BreaKHis để huấn luyện phân loại phân biệt tám loại khối u vú lành tính ác tính với độ xác 93,2% Mơ hình họ tiền xử lý imagenet họ sử dụng liệu mở rộng để ngăn chặn việc mơ hình khớp (overfitting) liệu Một ứng dụng chẩn đoán sử dụng học máy (machine learning) bật cho bệnh ung thư vú chẩn đoán di hạch Bejnori cộng báo cáo hiệu suất bảy thuật toán học sâu phát triển phần cạnh tranh đầy thách thức; thuật tốn tìm thấy vượt trội nhóm gồm 11 chuyên gia GPB bối cảnh chẩn đốn hạn chế thời gian mơ [7] Trên sở liệu huấn luyện bao gồm 270 hình ảnh từ hai trung tâm có (n = 110) khơng có (n = 160) di hạch, đánh giá ảnh độc lập gồm 129 hình ảnh (49 có 80 khơng có di căn), AUC thuật toán tốt 0,99, hiệu suất tốt chuyên gia GPB đạt AUC 0,88 Trong nghiên cứu tương tự có chuyên giaGPB xem xét 70 slide số hóa có khơng có trợ giúp học máy với thời gian xem xét sử dụng làm kết điểm chính, thời gian xem xét trung bình ngắn đáng kể với có hỗ trợ khơng có hỗ trợ học máy cho kết luận hình ảnh vi di (nhanh 1,9 lần) hình ảnh mà khơng có di (nhanh 1,2 lần) Ngoài việc xác định khối u, phương pháp AI học máy sử dụng để mô tả xâm lấn khối u vú phân loại mô học ung thư vú (do mức độ phù hợp tương đối thấp đánh giá mang tính chủ quan có giá trị tiên lượng quan trọng) Các đặc điểm khác cấp độ tế bào cấp độ mơ xác định để mơ tả cấu trúc hình thái đối tượng để phân biệt thành phần mơ học, ví dụ, tế bào khối u/biểu mơ (đối với hình thành ống) tế bào phân bào (cho đếm số lượng phân bào) Tuy nhiên, hầu hết công việc lĩnh vực tập trung vào phát phân bào, có giá trị tiên lượng tiêu tốn nhiều công sức Năm 2013, Veta cộng đề xuất thách thức phát phân bào cộng đồng với liệu chứa 12 slide huấn luyện (training), 11 slide để kiểm tra (testing) khoảng 1000 số liệu phân bào thích Người chiến thắng thử thách sử dụng mạng CNN với 10 lớp để đạt 0,61 điểm F1 tổng (F1 score - số đánh giá độ tin cậy hay sử dụng học máy) so với đồng thuận chuyên giaGPB, đó, chuyên giaGPBđạt được> 0,75 điểm F1 tổng Năm 2019, Veta cộng công bốkết thử thách (TUPAC16 challenge) tập trung vào đánh giá phân bàotrên slide GPB (liên quan tới đánh giá độ mô học khối u) [8] Hệ thống chiến thắng thử thách đạt mức kappa Cohen (chỉ số đánh giá mức độ tương đồng) 0,56 so với kết chuyên gia GPB đạt điểm F1 =0,65 chẩn đốn độ biệt hóa khối u.Do chất việc nhiều công sức việc đếm số lượng phân bào dẫn đến mức độ tương đồng thấp chuyên gia Nhuộm Phospho-Histone H3 (PHH3), công đoạn giúp phát phân bào độ nhạy cao, phương pháp hóa mơ miễn dịch áp dụng để giải toán Tellez cộng sử dụng máy scankết nối tới mẫu nhuộm PHH3 nhuộm H&E để tạo thích (annotation) cho hệ CNN Vì làm với mẫu PHH3, nhà nghiên cứu phải thu thập lên tới 22.000 thích từ khoảng 100 slide Hệ CNN không đạt chiến thắng TUPAC16 challenge, nguyên nhân gây biến thiên thích Tuy nhiên, cơng việc tác giả cho thấy việc sử dụng hệCNN để phát phân bào giống như trợ lý hỗ trợ giúp cải thiện mức độ tương đồng kết 71 vietnam medical journal n01 - MARCH - 2021 chẩn đoán chuyên gia GPB [9] Sự hình thành vi ống cấp độ hạt nhân hai thành phần quan trọng khác phân loại mô bệnh học ung thư vú Tuy nhiên, phương pháp hoàn toàn tự động cho hai nhiệm vụ phát triển Công việc công bố tập trung vào phân tích cấu trúc mơ sử dụng cho nhiệm vụ Romo-Bucheli cộng huấn luyện mơ hình CNN để phát hạt nhân vi ống tính tốn số liệu thống kê hạt nhân để dự đoán phân loại rủi ro Oncotype DX Veta cộng đề xuất loạt thuật toán phi CNN để phân đoạn phát hạt nhân Những phân đoạn sau sử dụng để phát hạt nhân để phân tích hình thái sâu [9] IV KẾT LUẬN Những tổng quan tiến giải phẫu bệnh học kỹ thuật số áp dụng ung thư vú giới cho thấy tiềm việcxây dựng triển khai ứng dụng AI chẩn đoán bệnh lý bệnh ung thư nói chung ung thư vú nói riêngtrên người Việt Nam Ứng dụng AI chẩn đoán Ung thư vú dựa ảnh giải phẫu bệnh kỹ thuật số hóa giúp giải thách thức tồn lĩnh vực hứa hẹn mang lại kết đột phá tương lai Việt Nam TÀI LIỆU THAM KHẢO Prewitt J.M Mendelsohn M.L (1966) The analysis of cell images Ann N Y Acad Sci, 128(3), 1035–1053 Mukhopadhyay S., Feldman M.D., Abels E cộng (2018) Whole Slide Imaging Versus Microscopy for Primary Diagnosis in Surgical Pathology: A Multicenter Blinded Randomized Noninferiority Study of 1992 Cases (Pivotal Study) Am J Surg Pathol, 42(1), 39–52 Williams B.J., DaCosta P., Goacher E cộng (2017) A Systematic Analysis of Discordant Diagnoses in Digital Pathology Compared With Light Microscopy Arch Pathol Lab Med, 141(12), 1712–1718 Ozkan T.A., Eruyar A.T., Cebeci O.O cộng (2016) Interobserver variability in Gleason histological grading of prostate cancer Scand J Urol, 50(6), 420–424 Cruz-Roa A., Gilmore H., Basavanhally A cộng (2017) Accurate and reproducible invasive breast cancer detection in whole-slide images: A Deep Learning approach for quantifying tumor extent Sci Rep, 7, 46450 Han Z., Wei B., Zheng Y cộng (2017) Breast Cancer Multi-classification from Histopathological Images with Structured Deep Learning Model Sci Rep, 7(1), 1–10 Ehteshami Bejnordi B., Veta M., Johannes van Diest P cộng (2017) Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer JAMA, 318(22), 2199–2210 Veta M., Heng Y.J., Stathonikos N cộng (2019) Predicting breast tumor proliferation from whole-slide images: The TUPAC16 challenge Med Image Anal, 54, 111–121 Veta M., Kornegoor R., Huisman A cộng (2012) Prognostic value of automatically extracted nuclear morphometric features in whole slide images of male breast cancer Mod Pathol Off J U S Can Acad Pathol Inc, 25(12), 1559–1565 ĐÁNH GIÁ HIỆU QUẢ DỰ PHỊNG NƠN, BUỒN NƠN BẰNG DEXAMETHASON 8MG VÀ ONDASETRON 4MG TRONG GÂY TÊ TỦY SỐNG BẰNG BUPIVACAIN VÀ MORPHIN TRONG MỔ LẤY THAI Phạm Thị Anh Tú*, Công Quyết Thắng**, Lưu Quang Thùy*** TÓM TẮT 19 Mục tiêu: Đánh giá hiệu dự phịng nơn buồn nơn dexamethasone 8mg ondansetron 4mg gây tê tủy sống bupivacain morphin sulphat để mổ lấy thai thực bệnh *Bệnh viện phụ sản Hải Phòng **Đại học Y Hà Nội ***Bệnh viện Việt Đức Chịu trách nhiệm chính: Phạm Thị Anh Tú Email: phamthianhtu@gmail.com Ngày nhận bài: 4.01.2021 Ngày phản biện khoa học: 26.2.2021 Ngày duyệt bài: 8.3.2021 72 viện phụ sản Hải phòng thời gian từ tháng 10/2018 đến tháng 2/2019 Phương pháp nghiên cứu: Thử nghiệm lâm sàng ngẫu nhiên tiến cứu có so sánh Nhóm đối chứng (nhóm 1): sử dụng thuốc chống nơn dexamethasone 8mg nhóm nghiên cứu (nhóm 2): có sử dụng phối hợp thuốc chống nơn dexamethasone 8mg ondansetron 4mg Kết nghiên cứu: Tỷ lệ nơn - buồn nơn nhóm sử dụng đơn dexamethasone (với 15,6%) cao so với nhóm sử dụng phối hợp phối hợp dexamethasone ondansetron (với 6,9%) với khác biệt có ý nghĩa thống kê Mức độ nơn - buồn nơn nhóm sử dụng đơn dexamethason nặng so với nhóm sử dụng phối hợp dexamethasone ondansetron tất các mức độ Kết luận: Nên sử dụng phối hợp ... WSI chẩn đốn khả áp dụng 70 thuật tốn dựa AI khác quy trình chẩn đốn thơng thư? ??ng III ỨNG DỤNG AI TRONG CHẨN ĐOÁN UNG THƯ VÚ BẰNG ẢNH GIẢI PHẪU BỆNH Trong chẩn đoán ung thư, việc bác sĩ giải phẫu. .. trợ chẩn đốn ung thư vú ảnh giải phẫu bệnh Việt Nam II TÌNH HÌNH CHUNG VỀ GIẢI PHẪU BỆNH KỸ THUẬT SỐ VÀ VẬN DỤNG TRONG UNG THƯ VÚ Các phương pháp điều trị ung thư vú địi hỏi phải phân tầng chẩn. .. dụng ung thư vú giới cho thấy tiềm việcxây dựng triển khai ứng dụng AI chẩn đoán bệnh lý bệnh ung thư nói chung ung thư vú nói riêngtrên người Việt Nam Ứng dụng AI chẩn đoán Ung thư vú dựa ảnh giải