Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.

Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.Hiệu quả của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy.

TỔNG QUAN

Tổn thương sâu răng giai đoạn sớm

1.1.1 Khái niệm tổn thương sâu răng giai đoạn sớm

Sâu răng giai đoạn sớm là giai đoạn tổn thương không có lỗ sâu Các tổn thương được đặc trưng bởi sự thay đổi về màu sắc, độ bóng và cấu trúc bề mặt men răng 4 Tổn thương sâu răng sớm biểu hiện trên lâm sàng là các đốm trắng đục quan sát được khi thổi khô hoặc ngay cả khi bề mặt men ẩm Tổn thương hình thành bởi sự mất khoáng bên dưới lớp men bề mặt nguyên vẹn, làm tăng độ xốp của men răng gây ra sự xuất hiện màu trắng đặc trưng của tổn thương 13 Hình 1.11 mô tả tiến trình hủy khoáng tương quan với thời gian.

Sự hiện diện của tổn thương sâu răng sớm thường liên quan đến sự tích tụ mảng bám trên bề mặt răng, đặc biệt là xung quanh khí cụ mắc cài trong điều trị chỉnh hình răng, làm ảnh hưởng lớn đến thẩm mĩ của bộ răng.Độ trong của men răng là một hiện tượng quang học phụ thuộc vào kích thước khoảng gian tinh thể men răng Ở giai đoạn sớm, tổn thương sâu răng chỉ quan sát được sau khi thổi khô bề mặt răng Sâu răng tiếp tục tiến triển làm tăng kích thước khoảng gian tinh thể dẫn tới dạng tổn thương đốm trắng có thể quan sát được mà không cần thổi khô.

Hình 1.1: Tiến trình hủy khoáng tương quan với thời gian 14

1.1.2 Sự thay đổi màu sắc làm xuất hiện tổn thương đốm trắng khi thổi khô là do sự thay thế thành phần nước quanh trụ men bằng khí Điều đó gây ra sự thay đổi tán xạ Chỉ số khúc xạ của men là 1,65 của nước là 1,33 và của khí là 1,00 sự khác biệt lớn này dẫn tới sự tán xạ lớn hơn đồng nghĩa là sự thay đổi màu sắc Sâu răng hoạt động có màu trắng phấn và thô, sâu răng ngừng tiến triển có màu sáng và mịn hơn 14, Mô bệnh học tổn thương sâu răng giai đoạn sớm Đại thể: tổn thương dạng hình nón, đáy quay về phía mặt răng, đỉnh về phía đường ranh giới men ngà 17,18

Vi thể: từ trong ra ngoài có 4 lớp do mức độ hủy khoáng mỗi vùng khác nhau làm cho tính chất quang học khác nhau 16

- Vùng trong mờ: các lỗ trên men răng chiếm khoảng 1% thể tích men, nhiều hơn 10 lần so với men lành.

- Vùng tối: số lượng lỗ chiếm 2-4% thể tích men.

- Vùng trung tâm: số lượng lỗ chiếm 5-25% thể tích men.

- Vùng bề mặt: ít có sự thay đổi ở các tổn thương sớm Số lượng lỗ 1-5% thể tích men.

Hình 1.2: Mô học tổn thương sâu răng sớm 19 a: vùng bề mặt, b: vùng trung tâm, c: vùng tối, d: vùng trong mờ.

Hình 1.3: Tổn thương sâu răng sớm trên kính hiển vi điện tử 20

1.1.3 Tổn thương sâu răng giai đoạn sớm, đặc biệt là các tổn thương sau chỉnh nha được khuyên nên điều trị càng sớm càng tốt sau khi tháo mắc cài, do tổn thương này có xu hướng hoạt động mạnh lên ngay sau chỉnh nha Cơ chế bệnh sinh

Về cơ chế bệnh sinh, từ xưa đến nay đã có rất nhiều tác giả nghiên cứu và đưa ra nhiều thuyết khác nhau Thuyết hóa học của Miller (1881): trong giai đoạn đầu dưới tác dụng của axit, tổ chức cứng của răng bị mất vôi Giai đoạn hai, tổ chức hữu cơ của ngà bị phá hủy Thuyết của Davies: men vi khuẩn kết hợp với các chất gluxit tạo ra axit làm tiêu Ca 21

2+ gây sâu răng Thuyết tiêu protein của Gottlieb (1946): vi khuẩn làm tiêu protein, dẫn đến sự bong ra của tinh thể men Thuyết protein phức vòng càng: cả thành phần hữu cơ và vô cơ bị tiêu đồng thời bởi hai cơ chế riêng biệt.Cho đến những năm gần đây, thuyết động học ra đời và được chấp nhận rộng rãi: thuyết động học giải thích cơ chế hình thành sâu răng dựa vào hai quá trình sinh lí của diễn ra trên bề mặt men răng là quá trình hủy khoáng và quá trình tái khoáng Các thể sâu răng đều có chung một cơ chế gây bệnh này.

Vi khuẩn trong mảng bám chuyển hóa carbohydrate tạo ra các axit hữu cơ làm môi trường xung quanh mảng bám có pH thấp Các tinh thể Hydroxyapatite và Fluorapatite sẽ bị hòa tan nếu pH tại chỗ hạ xuống dưới pH tới hạn (pH tới hạn của Hydroxyapatite là 5,5, của Fluorapatite là 4,5) Sự hòa tan các lớp tinh thể dẫn đến tổn thương mất khoáng dưới bề mặt Các tổn thương được tạo ra bởi khử khoáng có thể hồi phục bằng cách hấp thụ canxi, phospho và fluor trong nước bọt tại pH trung tính, tạo thành lớp mới trên bề mặt men răng, quá trình này gọi là sự tái khoáng Sự cân bằng giữa hủy khoáng và tái khoáng diễn ra tự nhiên liên tục trong khoang miệng.Sự cân bằng của hai quá trình này được đảm bảo nhờ sự cân bằng giữa yếu tố bảo vệ và yếu tố gây mất ổn định:

- Vệ sinh răng miệng tốt

- Vai trò làm sạch của nước bọt trong môi trường miệng

-Khả năng đề kháng acid của men răng Men răng được Fluor hóa cao sẽ đề kháng tốt hơn do pH tới hạn của nó thấp hơn hydroxyapatite.

-pH của môi trường miệng > 5,5 và nồng độ ion Ca, NPO4 cao ở môi trường quanh răng.

- Trám bít hố rãnh dự phòng sâu răng.

Yếu tố gây mất ổn định:

- Sự tích tụ mảng bám vi khuẩn.

- Chế độ ăn nhiều đường.

- Thiếu nước bọt và các chất trung hòa, nước bọt pH axit do trào ngược.

1.1.4 Trong đó sự tích tụ mảng bám vi khuẩn là yếu tố nguy cơ cao dẫn tới thúc đẩy quá trình hủy khoáng Sự tích tụ mảng bám vi khuẩn liên quan đến thói quen vệ sinh răng miệng, sự lệch lạc răng và đặc biệt hay gặp ở những bệnh nhân sử dụng khí cụ chỉnh hình răng Việc sử dụng khí cụ chỉnh răng làm thay đổi môi trường tại chỗ dẫn tới giảm dòng chảy nước bọt qua đó và sự tăng sinh mạnh của vi khuẩn như S Mutans, lactobacilli và nhiều loại vi khuẩn khác có liên quan sự hình thành vùng mất khoáng.Khi hai quá trình này bị mất cân bằng và nghiêng về quá trình hủy khoáng, sẽ dẫn tới hình thành tổn thương sâu răng, mà đầu tiên sẽ là các tổn thương dạng đốm trắng

- giai đoạn sớm của sâu răng Phân loại sâu răng

Có rất nhiều cách phân loại bệnh sâu răng Có những phân loại phù hợp cho chẩn đoán, điều trị hàng ngày, có phân loại phục vụ cho điều tra nghiên cứu khoa học, cho tiên lượng và dự phòng bệnh

1.1.4.1 Phân loại theo vị trí và kích thước

Bảng 1.1 Phân loại theo vị trí và kích thước

- Vị trí: tổn thương sâu răng xuất hiện tại 3 vị trí trên thân và chân răng, nơi tích tụ mảng bám răng, gồm:

+ Vị trí 1: tổn thương ở hố rãnh và các mặt nhẵn.

+ Vị trí 2: tổn thương kết hợp với mặt tiếp giáp.

+ Vị trí 3: sâu cổ răng và chân răng.

- Kích thước: có 4 kích thước của tổn thương sâu răng:

+ Loại 1: tổn thương nhỏ, vừa mới ở ngà răng, cần điều trị phục hồi, không thể tái khoáng.

+ Loại 2: tổn thương mức độ trung bình, liên quan đến ngà răng, thành lỗ sâu còn đủ, cần tạo lỗ hàn.

+ Loại 3: tổn thương rộng, thành không đủ hoặc nguy cơ vỡ, cần phải có các phương tiện lưu giữ cơ sinh học.

1.1.4.2 + Loại 4: tổn thương rộng làm mất cấu trúc của răng.Phân loại theo ngưỡng chẩn đoán (theo Pitts)

Năm 1997 Pitts đó miêu tả bằng hình ảnh về lợi ích của việc phát hiện sâu răng sớm Bằng việc sử dụng hình ảnh ẩn dụ của núi băng trôi (Hình 1.4), ta có thể thấy các phương pháp phát hiện sâu răng truyền thống dẫn đến rất nhiều thương tổn không được phát hiện.D0: + Không phát hiện trên lâm sàng bằng phương pháp thông thường, tổn thương chỉ có thể phát hiện được bằng các phương tiện hiện đại.

+ Tổn thương có thể phát hiện trên lâm sàng nhờ hỗ trợ X quang.

D1: Tổn thương phát hiện trên lâm sàng, bề mặt men răng còn giữ nguyên cấu trúc.

D2: Tổn thương phát hiện trên lâm sàng không cần cận lâm sàng (tổn thương chỉ giới hạn ở men răng).

D3: Tổn thương phát hiện trên lâm sàng khi đã tổn thương vào ngà răng.D4: Tổn thương vào tủy răng.

Hình 1.4 Sơ đồ phân loại của Pitts

1.1.4.3 Phân loại theo hệ thống đánh giá ICDAS

ICDAS là một hệ thống mới đã được WHO đưa ra năm 2005, có ưu điểm giúp phát hiện, đánh giá và chẩn đoán được sâu răng ngay từ các giai đoạn sớm qua khám và quan sát bằng mắt thường.

Các thành phần trong hệ thống ICDAS bao gồm: hệ thống tiêu chí phát hiện sâu răng ICDAS, hệ thống tiêu chí đánh giá hoạt động của sâu răng ICDAS và hệ thống chẩn đoán sâu răng 22

27, 28 Bảng 1.2 mô tả tiêu chuẩn phát hiện sâu thân răng nguyên phát theo ICDAS. Ưu điểm: Nghiên cứu và phát hiện sâu răng tại cơ sở nha khoa cũng như trong cộng đồng.

Nhược điểm: Không đưa ra được giải pháp kiểm soát sâu răng

Bảng 1.2 Tiêu chuẩn phát hiện sâu thân răng nguyên phát theo ICDAS

1 Đốm trắng đục (sau khi thổi khô 5 giây)

2 Đổi màu trên men (răng ướt)

3 Vỡ men định khu (không thấy ngà)

4 Bóng đen ánh lên từ ngà

6 Xoang sâu thấy ngà lan rộng (>1/2 mặt răng)

1.1.4.4 Phân loại theo hệ thống đánh giá và phát hiện sâu răng quốc tế ICCMS (International Caries Classification and Management System)

ICCMS là một hệ thống mới nhằm đánh giá, phát hiện tình trạng sâu răng và đưa ra giải pháp kiểm soát Pitts (2013) 29 đưa ra ICCMS với cấu trúc hệ thống ICCMS gồm: nguy cơ gây sâu răng, phân loại giai đoạn sâu răng, đưa ra quyết định chẩn đoán và kiểm soát sâu răng Bảng 1.3 mô tả tiêu chuẩn phát hiện sâu thân răng nguyên phát theo ICCMS. Ưu điểm: - Hệ thống linh hoạt và dễ sử dụng hơn.

- Phân loại và đưa ra giải pháp kiểm soát sâu răng

Bảng 1.3: Tiêu chuẩn phát hiện sâu thân răng nguyên phát theo ICCMS

Mã số Giai đoạn Mô tả

Men trong, không có biểu hiện sâu răng

Sạch bóng sau khi thổi khô 5 giây

Những biểu hiện đầu tiên về sự thay đổi hình dạng men răng Đổi màu với đốm trắng hoặc nâu Chưa có biểu hiện phá hủy bề mặt men hay vùng tối ở lớp ngà răng.

(ICDAS 3 và 4) Điểm trắng đục hay nâu có sự phá hủy men.

Lỗ sâu rõ rệt, vùng men đục hay ố màu.

Phân tích gộp (Meta- analysis) cho các nghiên cứu cắt ngang đánh giá hiệu quả chẩn đoán

Meta - analysis là phương pháp phân tích gộp, thống kê tích hợp kết quả của một số nghiên cứu độc lập, đóng vai trò trung tâm trong y học dựa trên bằng chứng Trên thực tế, trong hệ thống tháp phân tầng nghiên cứu các phân tích tổng hợp nằm ở vị trí hàng đầu do có nhiều bằng chứng có giá trị trong lâm sàng 69 (Hình 1.11).

Hình 1.11: Tháp phân tầng nghiên cứu

Phân tích gộp bắt đầu xuất hiện thường xuyên trong các tài liệu y học từ cuối những năm 1970 và kể từ đó rất nhiều phân tích gộp đã xuất hiện với sự phát triển theo cấp số nhân theo thời gian 70

69 Hơn nữa, phân tích tổng hợp là hình thức nghiên cứu lâm sàng thường xuyên được trích dẫn nhất Kết quả từ nghiên cứu phân tích tổng hợp có thể ước tính chính xác hơn về tác dụng của điều trị hoặc yếu tố nguy cơ gây bệnh, hoặc các kết quả khác, hơn bất kỳ kết quả của nghiên cứu độc lập. Bên cạnh đó, kết quả của phân tích gộp sẽ trả lời các câu hỏi không được đặt ra bởi các nghiên cứu riêng lẻ, giải quyết các tranh cãi nảy sinh từ các nghiên cứu có vẻ mâu thuẫn và tạo ra các giả thuyết mới Phân tích tổng hợp, nếu được tiến hành đúng và thích hợp, sẽ tăng cường độ chính xác của các ước tính về hiệu ứng can thiệp, dẫn đến giảm xác suất kết quả âm tính giả và có khả năng đưa ra các biện pháp can thiệp hiệu quả.Ngày nay, khối lượng kiến thức và nghiên cứu không ngừng mở rộng Phân tích tổng hợp đã trở thành công cụ thiết yếu cho bất cứ ai muốn theo kịp các bằng chứng mới nhất, được tích lũy trong lĩnh vực mà mình quan tâm Tính hữu ích của các nghiên cứu tổng quan hệ thống được chứng minh bằng sự gia tăng mạnh số lượng bài báo sử dụng phương pháp tổng hợp bằng chứng cho đến thời điểm hiện tại 69

Phân tích tổng hợp đối chiếu tối đa tất cả các bằng chứng có liên quan, phù hợp với tiêu chí lựa chọn được chỉ định trước để trả lời một nghiên cứu cụ thể Dạng nghiên cứu này sử dụng các phương pháp rõ ràng, có hệ thống để giảm thiểu sai lệch trong việc xác định, lựa chọn, tổng hợp và tóm tắt các nghiên cứu Khi được thực hiện tốt, nghiên cứu tổng quan sẽ cung cấp những phát hiện đáng tin cậy, từ đó có thể rút ra kết luận và đưa ra quyết định đúng đắn.

Hình 1.12 Sự biến thiên số lượng bài dạng Meta- analysis theo năm

Trong lĩnh vực chẩn đoán sâu răng, các nhà nghiên cứu đã tập trung vào phân tích gộp hiệu quả của các phương pháp chẩn đoán sâu răng trong phòng thí nghiệm và trên lâm sàng Nghiên cứu năm 2021 của tác giả Rankovic 72

74 trên mặt bên của răng để đánh giá hiệu quả chẩn đoán của phương pháp khám trực tiếp, chụp Xquang, laser huỳnh quang và sợi quang học FOTI Các nghiên cứu có báo cáo đầy đủ được xem xét để phân tích gộp Độ nhạy (SE), độ đặc hiệu (SP), tỷ lệ chênh lệch chẩn đoán (DOR) và diện tích dưới đường cong ROC (AUC) đã được phân tích Kết quả thu được 129 nghiên cứu đáp ứng các tiêu chí lựa chọn, 31 nghiên cứu trong phòng thí nghiệm và năm nghiên cứu trên lâm sàng đã được đưa vào phân tích gộp Giá trị AUC cho phương pháp khám trực tiếp trong phòng thí nghiệm lên tới 0,84 (phát hiện sâu răng) và 0,85 (phát hiện sâu ngà) Phương pháp chụp Xquang trong phòng thí nghiệm dao động từ 0,55 đến 0,82 (phát hiện sâu răng) và 0,81–0,92 (phát hiện sâu ngà) Laser huỳnh quang cho thấy giá trị AUC để phát hiện sâu răng là 0,91 và phát hiện sâu ngà là 0,83 cao hơn so với các phương pháp khác. Tuy nhiên dữ liệu nghiên cứu trên lâm sàng còn hạn chế.

1.2.2 Định nghĩa độ nhạy, độ đặc hiệu và ROC

1.2.2.1 Khái niệm độ nhạy, độ đặc hiệu

- Độ nhạy (sensitivity) của một xét nghiệm là tỷ lệ những trường hợp thực sự có bệnh và có kết quả xét nghiệm dương tính trong toàn bộ các trường hợp có bệnh, và được tính dựa vào công thức: Số dương tính thật Độ nhạy Số dương tính thật + Số âm tính giả Độ nhạy 100% được hiểu là toàn bộ những người mắc bệnh đều được phát hiện.

Một mình độ nhạy không cho chúng ta biết toàn bộ về xét nghiệm bởi vì 100% độ nhạy có thể có được một cách thông thường bằng việc gán cho toàn bộ các trường hợp kết quả xét nghiệm dương tính Chính vì vậy, chúng ta cần phải biết thêm về độ đặc hiệu của xét nghiệm.

- Độ đặc hiệu (specificity) của một xét nghiệm là tỷ lệ những trường hợp thực sự không có bệnh và có kết quả xét nghiệm âm tính trong toàn bộ các trường hợp không bị bệnh Độ đặc hiệu được tính theo công thức sau: Số âm tính thật Độ đặc hiệu Số âm tính thật + Số dương tính giả Đối với một xét nghiệm để xác định xem ai mắc bệnh nào đó, độ đặc hiệu 100% có nghĩa là toàn bộ những người khỏe mạnh (không mắc bệnh) được xác định là khỏe mạnh.

Một mình độ đặc hiệu không cho chúng ta biết toàn bộ về xét nghiệm bởi vì 100% độ đặc hiệu có thể có được một cách thông thường bằng việc gán cho toàn bộ các trường hợp kết quả xét nghiệm âm tính Chính vì vậy, chúng ta cần phải biết thêm về độ nhạy của xét nghiệm.

- Độ chính xác (accuracy) của một xét nghiệm là tỷ lệ những trường hợp có kết quả xét nghiệm khớp với tình trạng có/không có bệnh trong toàn bộ các trường hợp được xét nghiệm Độ chính xác được tính theo công thức sau: 75,76

Số âm tính thật + Số dương tính thật Độ chính xác Toàn bộ các trường hợp được xét nghiệm

Ta có thể trình bày dưới dạng bảng như sau:

(-) Âm tính b d Độ nhạy = a/(a+c) Độ đặc hiệu = d/(c+d) Độ chính xác = (a+d)/(a+b+c+d)

1.2.2.2 Khái niệm về đường cong ROC

Từ ROC (Receiver Operating Characteristic) bắt nguồn từ một phần của lĩnh vực được gọi là thuyết phát hiện tín hiệu (Signal Detection Theory) Từ các tín hiệu nhận được, máy sẽ phân tích và vẽ đường cong ROC, để phân biệt tín hiệu của máy bay địch và tín hiệu nhiễu (noise) trong thế chiến thứ hai Từ sau những năm 1970, thuyết phát hiện tín hiệu này được dùng để diễn dịch kết quả các test trong chẩn đoán y học.Mỗi điểm trên đường cong ROC là tọa độ tương ứng với tần suất dương tính thật (độ nhạy) trên trục tung và tần suất dương tính giả (1-độ đặc hiệu) trên trục hoành Đường biểu diễn càng lệch về phía bên trên và bên trái thì sự phân biệt giữa 2 trạng thái (ví dụ có bệnh hoặc không bệnh) càng rõ.

Biểu đồ trên gồm có 3 đường cong ROC tương ứng với 3 khả năng: rất tốt (đường cong 1), tốt (đường cong 2) và không giá trị (đường cong 3) Độ chính xác (accuracy) được đo lường bằng diện tích dưới đường cong ROC. Nếu diện tích bằng 1 là test rất tốt và nếu bằng 0,5 thì test không có giá trị. Xác định đơn giản mức độ chính xác của test chẩn đoán dựa vào hệ thống điểm sau đây (hình 1.13):

1.3 Hình 1.13: Diện tích dưới đường cong ROC Mô hình học máy trong hỗ trợ chẩn đoán nha khoa

Trí tuệ nhân tạo (AI) là lĩnh vực làm máy tính hoạt động như có trí thông minh của con người Hầu hết đột phá gần đây của AI dựa vào học máy machine learning Học máy (Machine Learning) là một chuyên ngành nghiên cứu trong lĩnh vực trí tuệ nhân tạo, được sinh ra để giúp máy tính hiểu và biểu diễn các quy luật từ dữ liệu và đưa ra các dự đoán cho các dữ liệu quan sát mới dựa trên các quy luật đó Học sâu (Deep Learning) là một trong các thành tựu gần nhất của lĩnh vực học máy, dựa trên nền tảng mạng nơ ron nhân tạo (ANN), cho phép các mô hình tính toán gồm nhiều tầng xử lý để học biểu diễn dữ liệu với nhiều mức trừu tượng 79

Hình 1.14: AI > Machine learning > Deep Learning Học máy

(Machine Learning) là một ngành khoa học về xử lý số liệu Có hai loại bài toán trong học máy: Bài toán phân loại và bài toán dự đoán Có ba loại tiếp cận chính trong kỹ thuật học máy là: Học có giám sát, học không giám sát và học tăng cường Sau khi được cung cấp dữ liệu kỹ thuật học máy được sử dụng để xây dựng và thử nghiệm các mô hình phù hợp với dữ liệu Quy trình phát triển mô hình học máy phù hợp gồm các bước: xây dựng và thực nghiệm chương trình, đánh giá hiệu năng, nhận diện các yếu tố ảnh hưởng đến kết quả và điều chỉnh dấu hiệu ưu tiên để ra được kết quả tốt hơn (Hình 1.15).

Hình 1.15: Quy trình làm việc của nhà khoa học dữ liệu

(Nguồn: Đề tài nghiên cứu sinh)

Mô hình học máy trong hỗ trợ chẩn đoán nha khoa

Trong nghiên cứu của các tác giả Eun, H (2016) 84

85 và Lee, H (2017) 86 đã chỉ ra vai trò của các hệ thống thuật toán học sâu trong chẩn đoán dựa trên hình ảnh nha khoa Năm 2018 Lee J.H nghiên cứu về phát hiện và chẩn đoán sâu răng sử dụng CNNs 87 Trong đó, các ứng dụng thành công thường là nhóm các thuật toán dựa trên mạng Convolutional Neural Network- CNN và các biến thể, các cải tiến từ thuật toán này Thuật toán Faster R-CNN được sử dụng rất thành công trong bài toán nhận diện đối tượng trên ảnh Faster R- CNN sử dụng một mạng CNN để phân lớp đối tượng, nhưng có sử dụng các mô hình khác để khoanh vùng đối tượng trong ảnh Thuật toán Faster R-CNN sử dụng mô hình gần như tương tự Fast R-CNN, nhưng Faster-RCNN sử dụng thuật toán interal deep network thay cho selective search để tìm các vùng gợi ý.

Mô hình RCNN nhận dạng các đối tượng dựa trên nền tảng của mạng nơron nhân tạo Khi đó một loạt các lớp tế bào thần kinh được kích hoạt, và mỗi lớp thần kinh sẽ phát hiện một tập hợp các đặc trưng như đường thẳng, cạnh, màu sắc của đối tượng Số lượng lớp thần kinh càng cao sẽ phát hiện các đặc trưng phức tạp hơn để nhận ra những gì chúng đã thấy Trong mô hình RCNN này, xây dựng 2 phần chính: thành phần trích lọc đặc trưng của ảnh và thành phân loại. Đầu vào là ảnh được biểu diển bởi ma trận pixel là [WxHxD] trong đó

D: Là độ sâu, hay dễ hiểu là số lớp màu của ảnh. Ưu điểm: mô hình học sâu, xác định được đối tượng, vùng đối tượng, thời gian chạy nhanh hơn các thuật toán cùng lớp bài toán truyền thống.

Nhược điểm: Tốn thời gian xử lý.

Faster R-CNN (Faster Region-based Convolutional Neural Network) 88 là mô hình tìm kiếm và nhận dạng đối tượng khá phổ biến của học sâu dựa trên việc xác định các “Vùng đề xuất” (Region Proposal) Mỗi region proposal là một hình chữ nhật (tương tự bounding box) có thể chứa các đối tượng cần tìm kiếm Faster R-CNN là sự kết hợp của mạng nơ ron tích chập (Convolutional Neural Network - CNN) và mạng đề xuất khu vực (Region Proposal Network - RPN) (Hình 1.16) Cụ thể, từ ảnh đầu vào, mạng CNN cho ra bản đồ đặc trưng (Feature map) chứa các đặc tính của ảnh Các vùng đề xuất (Region proposal) sau đó được lấy ra tương ứng từ bản đồ đặc trưng sử dụng mạng đề xuất khu vực (RPN) Mạng RPN tính toán các vùng đề xuất dùng một hệ thống “neo” gọi là anchors Mỗi neo là tâm của cửa sổ trượt (Sliding window) Khi trượt cửa sổ, có chín khả năng của vùng đề xuất với ba dạng và ba tỉ lệ khác nhau Với tất cả các vùng đề xuất có độ tin cậy đủ lớn, bộ phân loại sẽ tính toán xác suất của đối tượng cần xác định trong vùng đề xuất đó Kỹ thuật pooling vùng quan tâm (Region of Interest - RoI) được áp dụng để chuyển các vùng đề xuất trong bản đồ đặc trưng về cùng kích thước Đầu ra của lớp pooling vùng quan tâm có kích thước (N, 7, 7, 512) với N là số đề xuất từ giải thuật vùng đề xuất Cuối cùng, kết quả của mô hình là một hình bao quanh đối tượng cần xác định (Hình 1.16).

Hình 1.16: Kiến trúc mạng Faster R-CNN

Single-shot-multibox-detector là một bộ nhận dạng đối tượng theo thời gian thực được tác giả đề xuất vào năm 2016 88

89 Phương pháp gồm hai phần: trích đặc trưng feature map và ứng dụng bộ lọc tích chập vào để nhận dạng đối tượng SSD sử dụng mô hình VGG16 90 để trích đặc trưng, sau đó các đối tượng sẽ được nhận dạng bằng bộ lọc tích chập.

1.3.1.4 Hình 1.17: Kiến trúc mô hình SSD Mô hình RetinaNet

91 được đề xuất và phát triển bởi các tác giả trong nhóm nghiên cứu của Facebook (Facebook AI Research – FAIR) để tìm kiếm và nhận đối tượng trong ảnh (Hình 1.18) Lõi của RetinaNet là mạng kim tự tháp đặc trưng (Feature Pyramid Network, gồm (a) và (b) của Hình 1.18) Mạng FPN gồm 2 phần chính là: (a) các mạng nơ ron tích chập dưới lên (bottom-up) tạo thành 1 kim tự tháp (pyramid) để trích rút các đặc trưng của ảnh và sinh ra các bản đồ đặc trưng (feature map) nhỏ dần; và (b) các mạng kim tự tháp đặc trưng trên xuống (top-down) để xây dựng các lớp tích chập có độ phân giải cao từ các bản đồ đặc trưng nhỏ có độ chính xác cao Có một tầng kết nối giữa mỗi bản đồ đặc trưng và một lớp tích chập trên xuống (top- down) để giúp quá trình tìm kiếm dự đoán vị trí của đối tượng được thực hiện tốt hơn Tuy nhiên các kết nối này cũng có thể được bỏ qua để phục vụ cho quá trình huấn luyện mô hình nhanh hơn Mô hình FPN dựa trên ý tưởng tìm kiếm một pha (Single Shot Detector - SSD 89 ) tức việc dự đoán một đường biên đóng bao quanh vật thể (bounding box) và phân loại đối tượng được thực hiện đồng thời cùng nhau.

Ngoài lõi là mô hình FPN, RetinaNet có hai mạng con là: (c) class subnet và (d) box subnet Mạng thứ nhất (class subnet) là một bộ phân loại để dự đoán xác suất xuất hiện của đối tượng cần xác định Hàm thất thoát Focal Loss được sử dụng để giảm việc phân loại quá sớm các mẫu (việc này giúp cải tiến độ chính xác cho việc phân loại các đối tượng kích thước nhỏ) Mạng thứ hai (box subnet) là một mạng hồ quy dựa trên khái niệm “điểm neo” (anchor) để xác định đường bao quanh đối tượng cần xác định.

1.3.1.5 Hình 1.18: Kiến trúc mạng RetinaNet Mô hình YOYO

YOLO (You Only Look Once) 91

92 cũng là phương pháp tìm kiếm một pha (single shot detector) để dò tìm vị trí của các đối tượng trong ảnh và được tối ưu để xử lý cho thời gian thực YOLO sử dụng mạng lõi là DarkNet để tạo bản đồ đặc trưng (feature map) của ảnh Ý tưởng chỉnh của YOLO là sử dụng chỉ một mạng nơ ron để thực hiện hầu hết các tính toán quan trọng (Toạ độ và độ tin cậy của đường bao, xác suất phân loại đối tượng) YOLO sử dụng một lưới các ô trong đó mỗi ô dự đoán chỉ một đối tượng (Hình 1.19) Để đưa ra kết quả tìm kiếm, mô hình dựa trên bản đồ xác suất phân loại đối tượng (class probability map) và các đường bao có độ tin cậy cao nhất (Hình 1.19) Mạng lõi đã được huấn luyện sẵn của YOLO là DarkNet, đồng thời các phiên bản sử dụng của DarkNet thay đổi theo các phiên bản của YOLO.

Hình 1.19: Cách thức hoạt động của YOLO Yolo v3 92

93 là phiên bản cải tiến của Yolo v2 (Yolo9000 94 ) Yolo v3 sử dụng bộ phân lớp nhiều nhãn (bằng cách sử dụng nhiều bộ phân lớp logistic độc lập) nhằm để giải quyết vấn đề trong các tập dữ liệu khó có thể tồn tại một vị trí mà chứa nhiều đối tượng khác nằm đè lên nhau Yolo v3 sử dụng 3 feature map với các kích thước khác nhau để dự đoán bounding-box Ở lớp tích chập cuối sẽ dựa đoán một tensor 3d để mã hóa các thông tin dự đoán lớp đối tượng, tồn tại đối tượng hay không và bounding-box Chính vì vậy, đầu ra của Yolo v3 có sự thay đổi so với các phiên bản trước:

N x N: là lượng ô được phân chia trong hệ thống;

3: là số lượng feature map dùng để trích đặc trưng ở các tỷ lệ khác nhau;

4: là mã hóa vị trí của bounding box;

1: là mã hóa điểm có tồn tại đối tượng trong ô box;

C: là số lượng lớp được sử dụng huấn luyện trong mô hình.

Ngoài ra, Yolo v3 sử dụng kiến trúc mạng Darknet-53 có nhiều lớp tích chập hơn để trích xuất đặc trưng trong ảnh Kiến trúc này có 53 lớp tích chập và có sử dụng skip-connection (lấy cảm hứng từ ý tưởng ResNet 95 ).

Hình 1.20 Kiến trúc mạng YOLOv3

1.3.2 Các nghiên cứu về sử dụng mô hình học máy trong hỗ trợ chẩn đoán

1.3.2.1 Nghiên cứu trên thế giới

Các nghiên cứu trữ đám mây ra đời cho phép các hệ thống học máy trong chẩn đoán và chăm sóc sức khỏe bệnh nhân đã thu hút các nhà khoa học trong thời gian dài Các thành tựu được công bố nhiều trên các tạp chí khoa học kỹ thuật cũng như các tạp chí chuyên ngành về y tế Các ứng dụng về AI trong nghiên cứu Y học thể hiện trên số lượng các bài báo trong các lĩnh cực khác nhau (Hình 1.21).

Hình 1.21: Ứng dụng AI trong nghiên cứu Y học Trong những năm gần đây, cùng với sự phát triển của học máy, các hệ hỗ trợ chẩn đoán y học cũng được nghiên cứu và hoàn thiện Trong nha khoa thể hiện sự phát triển mạnh mẽ của ứng dụng AI vào hỗ trợ chẩn đoán các bệnh lý liên quan đến răng, mảng bám răng, nha chu, xương hàm…Số lượng nghiên cứu sử dụng AI trong nha khoa tăng lên hàng năm (Hình 1.22)

Hình 1.22: Số lượng nghiên cứu sử dụng AI trong nha khoa từ năm 2016 đến năm

Trong nghiên cứu Castaneda và cộng sự, 96

98 đã chỉ ra rằng, việc thu thập dữ liệu y tế trong thời đại ngày nay không còn là thách thức khi máy tính, điện thoại thông minh và máy tính bảng dễ dàng thu nhận được gần như tất cả các thông tin dưới dạng số hóa Như vậy, vấn đề cần giải quyết là với các thông tin đã thu thập được, làm thế nào để tích hợp, bảo mật và sử dụng lượng thông tin đó thông qua các hễ hỗ trợ quyết định để cải tiến kết quả khám chữa bệnh Các tác giả phân tích được tầm quan trọng của việc tích hợp dữ liệu trong các nghiên cứu về y khoa Đồng thời cũng chỉ ra rằng các hệ thống dựa trên máy tính có thể đáp ứng các yêu cầu giải quyết vấn đề đặt ra.

Trong thời gian gần đây, cuộc cách mạng công nghệ 4.0 đã được rất nhiều nhà quản lý, nhà khoa học quan tâm tại Việt Nam Có rất nhiều các hội thảo trao đổi về cách mạng công nghệ 4.0, gần đây nhất có hội thảo về

“Khoa học dữ liệu” do các giáo sư ở Nhật, Mỹ, Úc về trao đổi với các nhà khoa học Việt Nam Trong đó cũng chỉ ra các ứng dụng của học máy trong

ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu tổng quan hệ thống và phân tích gộp meta- analysis (mục tiêu 1)

Các tài liệu bằng tiếng Anh trong trang PubMed, Cochrane được xuất bản bằng tiếng Anh báo cáo độ nhạy và độ đặc hiệu của các phương pháp chẩn đoán sâu răng giai đoạn sớm từ năm 1/1/2009- 30/10/2019.

- Nghiên cứu được thực hiện theo chuẩn nghiên cứu meta-analysis và tổng quan y văn PRISMA (Preferred Reporting Items for Systematic Review and Meta-analysis) 108 và hướng dẫn của Cochrane Handbook for

Systematic Reviews of Interventions 109 Câu hỏi nghiên cứu được chuẩn hóa bằng công cụ PICOS.Nghiên cứu tổng quan hệ thống áp dụng phân tích gộp meta-analysis được thực hiện theo bốn bước:

Bảng 2.1: Các bước thực hiện nghiên cứu tổng quan hệ thống áp dụng phân tích gộp (meta-analysis)

Bước 1: Tìm kiếm và nhận dạng tài liệu

Bước 2: Chọn lọc tài liệu

Bước 3: Đánh giá chất lượng mỗi tài liệu

Bước 4: Trích xuất và xử lí số liệu bằng phân tích meta-analysis

2.1.2.1 Xác định câu hỏi nghiên cứu:

P (quần thể NC): BN có sâu răng giai đoạn sớm

I (phương pháp can thiệp): Phương pháp khám trực tiếp, phương pháp sử dụng huỳnh quang, phương pháp chẩn đoán qua ảnh chụp

C (So sánh): Tiêu chuẩn tham chiếu

O (Kết quả mong đợi): độ chính xác, độ nhạy, độ đặc hiệu, diện tích dưới đường cong ROC

S: Sâu răng trên mặt nhai, mặt bên hoặc mặt nhẵn, trên răng sữa hoặc răng vĩnh viễn.

2.1.2.2 Tìm kiếm và nhận dạng tài liệu

Tài liệu nghiên cứu bằng tiếng Anh được tìm kiếm trên các cơ sở dữ liệu y học trực tuyến như PubMed, Cochrane Cơ sở dữ liệu được cập nhật từ1/1/2009- 30/10/2019.

Việc tìm kiếm tài liệu bám sát mục tiêu nghiên cứu đã đặt ra Phương pháp tìm kiếm được xây dựng theo hướng dẫn của Cochrane Handbook for

109 sử dụng hệ thống tiêu đề y học MeSH (Medical Subject Headings).

Nghiên cứu chia các từ khóa tìm kiếm cơ sở dữ liệu điện tử thành 3 nhóm: độ nhạy và độ đặc hiệu, sâu răng giai đoạn sớm, các phương pháp chẩn đoán sâu răng giai đoạn sớm Trong mỗi nhóm các thuât ngữ cùng nghĩa hoặc thuật ngữ liên quan sẽ được nối với nhau bởi những toán tử “OR” Các thuật ngữ của 3 nhóm sẽ kết nối với nhau bởi toán tử: “AND”: Nghiên cứu sử dụng phần mềm Endnote X9 để quản lí và trích dẫn các tài liệu đã thu thập được trong quá trình thực hiện Kết quả tìm kiếm của các cơ sở dữ liệu khác nhau được kiểm tra chéo, để xác định vị trí và loại bỏ dữ liệu trùng lặp.

Cụm tìm kiếm nâng cao trên cơ sở dữ liệu được trình bày như sau:

Bảng 2.2: Minh họa quá trình tìm kiếm nâng cao trên Pubmed

Bảng 2.3: Minh họa quá trình tìm kiếm nâng cao trên Cochrane

2.1.2.3 Lựa chọn nghiên cứu và tiêu chí hợp lệ:

 Tiêu chuẩn lựa chọn và tiêu chuẩn loại trừ

Bảng 2.4: Các tiêu chuẩn lựa chọn và tiêu chuẩn loại trừ

Vòng phân loại Tiêu chuẩn lựa chọn Tiêu chuẩn loại trừ

Tiêu đề và tóm tắt

Sâu răng giai đoạn sớm Độ nhạy và độ đặc hiệu được xác định theo giới hạn sâu giai đoạn sớm

Ra ngoài chủ đề Bài review hoặc khái niệm Không liên quan đến chẩn đoán Tổn thương sâu răng giai đoạn đã hình thành lỗ sâu

Tổn thương sâu răng nhân tạo Không phải về hiệu suất

Sâu răng giai đoạn sớm Trích xuất được dữ liệu: dương tính thật, âm tính thật, dương tính giả, âm tính giả

Bài báo không viết bằng Tiếng Anh Không liên quan đến chẩn đoán Không phải sâu răng giai đoạn sớm Sâu răng giai đoạn hình thành lỗ sâu Không có bảng dữ liệu 2x2

Bài báo không đầy đủ bản toàn vănBài báo về khái niệm hoặc review

 Phương pháp chọn lọc tài liệu

Sau khi nhận dạng các tài liệu trong các cơ sở dữ liệu bằng phương pháp tìm kiếm đã mô tả ở trên, việc chọn lọc tài liệu được chia thành hai vòng phân loại.

+ Vòng phân loại 1: Qua việc đọc tiêu đề và tóm tắt nghiên cứu, các tài liệu được loại trừ theo tiêu chuẩn loại trừ trong bảng 2.3.

+ Vòng phân loại 2: Các tài liệu còn lại sau khi qua vòng 1 sẽ được thu thập bài nghiên cứu toàn văn Người thực hiện nghiên cứu sau đó đọc và phân tích bài nghiên cứu toàn văn để xác định tài liệu đó có phù hợp hay không.

Khi chọn lọc tài liệu ở vòng phân loại 1 ưu tiên sử dụng các tiêu chuẩn loại trừ giúp giảm nhanh số lượng những tài liệu không có ý nghĩa với nghiên cứu nhằm tiết kiệm thời gian, sau đó ở vòng phân loại 2 mới ưu tiên sử dụng các tiêu chuẩn lựa chọn để tập hợp các tài liệu thỏa mãn yêu cầu, giúp đảm bảo chất lượng phân tích meta-analysis Các nghiên cứu được sàng lọc bởi hai nhà nghiên cứu độc lập Các bất đồng đã được giải quyết bằng tham vấn chuyên gia (Phụ lục 3).

2.1.2.4 Quy trình thu thập dữ liệu

Dữ liệu được trích xuất độc lập bởi hai nhà nghiên cứu Sự khác biệt đã được giải quyết bằng cách kiểm tra nguồn và phần thảo luận Dữ liệu thô được trích xuất từ các nghiên cứu đảm bảo các tiêu chí lựa chọn để điền vào bảng tổng hợp.

Số liệu ở đây là các thông tin mô tả về phương pháp nghiên cứu, thời gian tiến hành nghiên cứu, mô tả về mẫu nghiên cứu, kết quả nghiên cứu… Để không bỏ sót các thông tin, một mẫu thu thập số liệu được xây dựng để áp dụng cho bài nghiên cứu Mẫu thu thập số liệu cho một tài liệu gồm có:

- Đối tượng và cỡ mẫu nghiên cứu.

- Loại răng và mặt răng nghiên cứu

- Nghiên cứu trên lâm sàng hay phòng thí nghiệm

- Tiêu chuẩn vàng được sử dụng trong nghiên cứu

- Giá trị dương tính thật, dương tính giả, âm tính thật, âm tính giả.

2.1.2.5 Đánh giá chất lượng bài báo:

Các bài báo được đánh giá bởi hai nhà nghiên cứu độc lập đã được tập huấn cách sử dụng công cụ QUADAS 2 để đánh giá chất lượng bài báo dựa trên 4 nhóm: Lựa chọn bệnh nhân, kiểm tra chỉ số, tiêu chuẩn tham chiếu, dòng chảy và thời gian Kết quả đánh giá được so sánh và thảo luận, bất kỳ sự bất đồng nào cũng được giải quyết bằng tham vấn của chuyên gia.

2.1.2.6 Phương pháp phân tích thống kê:

Các phân tích thống kê đã được thực hiện bằng phần mềm Review Manger 5.3 (Copenhagen: Trung tâm Cochrane Bắc Âu, Hợp tác Cochrane,

Các phân tích bao gồm:

-Phân tích gộp meta-analysis để đánh giá độ nhạy và độ đặc hiệu của các phương pháp chẩn đoán.

- So sánh diện tích dưới đường cong của các phương pháp chẩn đoán.

2.2 Nghiên cứu cắt ngang đánh giá hiệu quả chẩn đoán (mục tiêu 2 và 3)

2.2.1.1 Đối tượng nghiên cứu (mục tiêu 2)

+ Xây dựng dữ liệu giai đoạn 1: Ảnh chụp trong miệng bằng iPhone 7 trên đối tượng có tổn thương sâu răng trên ảnh.

+ Xây dựng dữ liệu giai đoạn 2: Ảnh chụp trong miệng bằng điện thoại iPhone 7 trên trẻ 3-6 tuổi có tổn thương sâu răng giai đoạn sớm trên ảnh.

- Ảnh được bác sĩ chẩn đoán qua ảnh có tổn thương sâu răng ở xây dựng dữ liệu giai đoạn 1 và có tổn thương sâu răng giai đoạn sớm ở xây dựng dữ liệu giai đoạn 2 Ảnh nhận được sự đồng thuận của hai bác sĩ khi chẩn đoán độc lập (Phụ lục 3) qua ảnh theo tiêu chí ICCMS.

- Xây dựng dữ liệu giai đoạn 1 ảnh thấy rõ các chi tiết của các giai đoạn tổn thương sâu răng gồm: sâu răng giai đoạn sớm, giai đoạn giữa và sâu răng giai đoạn muộn.

- Xây dựng dữ liệu giai đoạn 2: Ảnh thấy rõ các chi tiết tổn thương sâu răng giai đoạn sớm khi bác sĩ khám trên ảnh: thay đổi màu sắc như đốm trắng, đốm vàng nâu trên bề mặt men răng;

- Tổn thương nằm ở trung tâm của ảnh

Xử lý số liệu

Số liệu được thu thập và phân tích bằng phương pháp thống kê y học, sử dụng phần mềm SPSS 20.0 và một số thuật toán thống kê.

Số liệu được phân tích và trình bày dưới dạng tần số, tỷ lệ %, trung bình và độ lệch chuẩn.

Test Fisher’s exact (p0,05.

Bảng 3.3 Tỷ lệ ảnh có tổn thương sâu răng (n24)

Nhận xét: Trong kho dữ liệu giai đoạn 1 có tổng 1424 ảnh có tổn thương sâu răng được chụp ở 5 góc tương ứng với 151 ảnh toàn cảnh, 226 ảnh bên trái, 174 ảnh bên phải, 463 ảnh hàm dưới, 410 ảnh hàm trên.

Bảng 3.4 Tỷ lệ mức độ tổn thương sâu răng theo các mặt răng (nB57)

Mặt ngoài Mặt nhai Tổng

Sâu răng giai đoạn sớm 118 2,8 414 9,7 532 12,5

Sâu răng giai đoạn trung bình 326 7,7 1272 29,9 1598 37,5

Sâu răng giai đoạn muộn 138 3,2 1989 46,7 2127 50

Nhận xét: Tổng số tổn thương sâu răng trên ảnh của nhóm đối tượng nghiên cứu là 4257 tổn thương Trong đó số lượng tổn thương sâu răng độ 1 là 532 chiếm 12,5%; số lượng tổn thương sâu răng độ 2 là 1598 chiếm 37,5%; số lượng tổn thương sâu răng độ 3 là 2127 chiếm 50% Mặt khác, tổn thương sâu răng trên ảnh mặt ngoài chỉ là 582 tổn thương ít hơn so với mặt nhai với

3.2.2 Xây dựng hệ dữ liệu giai đoạn 2

Trong giai đoạn 2, xây dựng hệ dữ liệu có 177 đối tượng tham gia nghiên cứu với độ tuổi thấp nhất là 3 tuổi, độ tuổi cao nhất là 5 tuổi, độ tuổi trung bình của nhóm đối tượng nghiên cứu là 4,15 và độ lệch là 0,85.

Biểu đồ 3.2: Phân bố đối tượng nam và nữ trong nghiên cứu

Nhận xét: Trong 177 đối tượng tham gia nghiên cứu, có 84 đối tượng nữ và 93 đối tượng nam Tỷ lệ đối tượng nữ trong nhóm nghiên cứu là 47,5% thấp hơn tỷ lệ đối tượng nam là 52,5% Sự khác biệt không có ý nghĩa thống kê p>0,05.

Bảng 3.5 Tỷ lệ ảnh có tổn thương sâu răng giai đoạn sớm (nG8)

Góc chụp Số lượng Tỷ lệ %

Kho dữ liệu có hình ảnh tổn thương sâu răng giai đoạn sớm trên ảnh toàn cảnh là cao nhất với 151 ảnh (31,6%) và thấp nhất trên ảnh hàm dưới với 26 ảnh (5,4%).

Bảng 3.6 Tỷ lệ răng có tổn thương sâu răng giai đoạn sớm (n70)

Góc chụp Số lượng Tỷ lệ %

Tổng số răng tổn thương sâu răng giai đoạn sớm là 1370 tổn thương. Trong đó ảnh chụp mặt ngoài của cung răng: ảnh toàn cảnh, bên trái, bên phải có số tổn thương cao hơn ảnh chụp mặt nhai hàm trên và hàm dưới.

Bảng 3.7: Tỷ lệ mặt răng tổn thương trên ảnh chụp mặt ngoài cung răng (n30)

Toàn cảnh Bên trái Bên phải Tổng

Nhận xét: Tổn thương sâu răng giai đoạn sớm ở mặt ngoài của răng là cao hơn mặt xa và mặt gần với 994 tổn thương

Bảng 3.8: Tỷ lệ mặt răng tổn thương trên ảnh chụp mặt nhai (n0)

Mặt răng Hàm dưới Hàm trên Tổng

Nhận xét: Tổn thương sâu răng giai đoạn sớm ở mặt nhai của răng là cao hơn mặt gần, mặt xa, mặt trong với 65 tổn thương.

Độ nhạy, độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy

Bảng 3.9: Đặc điểm chung của đối tượng nghiên cứu (n%0)

Nhận xét: Trong 250 đối tượng nghiên cứu tỷ lệ trẻ 4 tuổi cao nhất với

56,8% và tỷ lệ trẻ 6 tuổi thấp nhất với 11,6%.

Bảng 3.10: Tỷ lệ sâu răng trên mặt ngoài khi chẩn đoán bằng phương pháp khám trực tiếp, laser huỳnh quang, khám qua ảnh (n= 4995)

Trong ba phương pháp khám răng trên mặt ngoài: phương pháp khám qua ảnh phát hiện sâu răng giai đoạn sớm với tỷ lệ cao nhất với 23,2%; phương pháp laser huỳnh quang với tỷ lệ thấp nhất với 3,8% Tổn thương sâu răng giai đoạn muộn được phát hiện chênh lệch ít giữa 3 phương pháp: khám trực tiếp là 23,4%; phương pháp laser huỳnh quang là 23,5%; phương pháp khám qua ảnh là 25,3%.

Bảng 3.11: Tỷ lệ sâu răng trên mặt ngoài khi chẩn đoán bằng các phương pháp học máy (n= 4995)

Tỷ lệ sâu răng giai đoạn sớm cao nhất ở phương pháp YOLOv3 với

19,6% và thấp nhất ở phương pháp SSD với 0% Tỷ lệ sâu sâu giai đoạn muộn cũng cao nhất ở phương pháp YOLOv3 với 28,8% và thấp nhất ở phương pháp SSD với 6,8%.

Bảng 3.12: Tỷ lệ sâu răng trên mặt nhai khi chẩn đoán bằng phương pháp khám trực tiếp, laser huỳnh quang, khám qua ảnh (n= 4995)

Trên mặt nhai, sâu răng giai đoạn sớm chiếm tỷ lệ cao nhất ở phương pháp khám trực tiếp với 6,9% và thấp nhất ở phương pháp laser huỳnh quang với 3,5% Tổn thương sâu răng giai đoạn muộn trên mặt nhai, phương pháp khám qua ảnh chiếm tỷ lệ cao nhất với 22,9% và phương pháp laser huỳnh quang là thấp nhất với 15,3%.

Bảng 3.13: Tỷ lệ sâu răng trên mặt nhai khi chẩn đoán bằng các phương pháp học máy (n= 4995)

Trên mặt nhai của răng, tỷ lệ sâu răng giai đoạn sớm ở phương pháp RetinaNet là cao nhất với 0,9% và phương pháp SSD là thấp nhất với 0%. Tổn thương sâu răng giai đoạn muộn chiếm tỷ lệ cao nhất là 32,9% ở phương pháp YOLOv3 và thấp nhất ở phương pháp SSD với 9,1%.

3.3.2 Độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài bằng phương pháp học máy

3.3.2.1 Độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp

Bảng 3.14: Độ nhạy và độ đặc hiệu của phương pháp YOLOv3 khi chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp (n824)

Không sâu Sâu giai đoạn sớm

Sâu có lỗ 465 168 Độ nhạy Se (%) 32,5% Độ đặc hiệu Sp (%) 65,4% Độ chính xác (%) 56,5%

Với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp, tổn thương sâu răng giai đoạn sớm so với không sâu có độ nhạy của mô hình YOLOv3 là32,5% và độ đặc hiệu là 65,4%.

Bảng 3.15: Độ nhạy và độ đặc hiệu của phương pháp Faster R-CNN khi chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp (n824)

Khám trực tiếp Không sâu Sâu giai đoạn sớm

Sâu có lỗ 299 112 Độ nhạy Se (%) 20,1% Độ đặc hiệu Sp (%) 80,8% Độ chính xác (%) 64,4%

Mô hình Faster R-CNN có độ nhạy là 20,1% và độ đặc hiệu là 80,8% đối với ngưỡng phân loại tổn thương sâu răng giai đoạn sớm và không sâu.

Bảng 3.16: Độ nhạy và độ đặc hiệu của phương pháp RetinaNet khi chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài răng với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp (n824)

Khám trực tiếp Không sâu Sâu giai đoạn sớm

Sâu có lỗ 352 140 Độ nhạy Se (%) 21,3% Độ đặc hiệu Sp (%) 77,3% Độ chính xác (%) 62,1%

Nhận xét: Trên mặt ngoài của răng, mô hình RetinaNet đối với ngưỡng tổn thương sâu răng giai đoạn sớm so với không sâu có độ nhạy là 21,3% và độ đặc hiệu là 77,3%.

Bảng 3.17: Độ nhạy và độ đặc hiệu của phương pháp SSD khi chẩn đoán sâu răng giai đoạn sớm trên trên mặt ngoài với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp (n824)

Khám trực tiếp Không sâu Sâu giai đoạn sớm

Sâu có lỗ 46 8 Độ nhạy Se (%) 0% Độ đặc hiệu Sp (%) 98,4% Độ chính xác (%) 71,7%

Nhận xét: Đối với ngưỡng tổn thương sâu răng giai đoạn sớm so với không sâu: Độ nhạy của mô hình SSD là 0% và độ đặc hiệu là 98,4%.

Bảng 3.18: Độ nhạy và độ đặc hiệu của phương pháp YOLOv3 khi chẩn đoán sâu răng giai đoạn có lỗ trên mặt ngoài với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp (nI95)

Khám trực tiếp Không có lỗ Có lỗ sâu

Có lỗ sâu 633 803 Độ nhạy Se (%) 68,6% Độ đặc hiệu Sp (%) 83,4% Độ chính xác (%) 80%

Nhận xét: Tại ngưỡng phân biệt tổn thương sâu răng có lỗ và không có lỗ trên mặt ngoài của răng, mô hình YOLOv3 có độ nhạy là 68,6%; độ đặc hiệu là 83,4% và độ chính xác là 80%.

Bảng 3.19: Độ nhạy và độ đặc hiệu của phương pháp Faster R-CNN khi chẩn đoán sâu răng giai đoạn có lỗ trên mặt ngoài với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp (nI95)

Khám trực tiếp Không có lỗ Có lỗ sâu

Faster R-CNN Không có lỗ 3413 415

Có lỗ sâu 411 756 Độ nhạy Se (%) 64,6% Độ đặc hiệu Sp (%) 89,3% Độ chính xác (%) 83,5%

Mô hình Faster R-CNN có độ nhạy là 64,6%; độ đặc hiệu là 89,3% và độ chính xác là 83,5% đối với ngưỡng tổn thương sâu răng giai đoạn có lỗ và không có lỗ trên mặt ngoài của răng.

Bảng 3.20: Độ nhạy và độ đặc hiệu của phương pháp RetinaNet khi chẩn đoán sâu răng giai đoạn có lỗ trên mặt ngoài răng với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp (nI95)

Khám trực tiếp Không có lỗ Có lỗ sâu

Có lỗ sâu 492 691 Độ nhạy Se (%) 59% Độ đặc hiệu Sp (%) 87,1% Độ chính xác (%) 80,5%

Nhận xét: Tại ngưỡng phân biệt giữa tổn thương sâu răng giai đoạn có lỗ và không có lỗ trên mặt ngoài răng, mô hình RetinaNet có độ chính xác là80,5%.

BÀN LUẬN

Độ nhạy, độ đặc hiệu của một số phương pháp chẩn đoán sâu răng giai đoạn sớm bằng phương pháp meta- analysis

Nghiên cứu tổng quan về các phương pháp để phát hiện sâu răng có hai nghiên cứu đánh giá hệ thống và phân tích tổng hợp đã được thực hiện vào năm 2013 47 và năm 2015, 31 nhưng những nghiên cứu này chỉ giới hạn ở các phương pháp dựa trên huỳnh quang và khám trực tiếp trên lâm sàng đối với tổn thương sâu răng Trong nghiên cứu này luận án sử dụng phân tích tổng hợp để đánh giá hiệu quả của các phương pháp chẩn đoán như khám trực tiếp trên lâm sàng, phương pháp khám qua ảnh chụp và phương pháp sử dụng huỳnh quang trên tổn thương sâu răng giai đoạn sớm.Theo tác giả Young DA,

120 sâu răng giai đoạn sớm được định nghĩa là tổn thương khử khoáng trên bề mặt men răng mà chưa hình thành lỗ trên bề mặt men răng Năm 2013, tác giả Gomez J và cộng sự 36 đã có nghiên cứu về các phương pháp phát hiện tổn thương sâu răng giai đoạn sớm- giai đoạn chưa hình thành lỗ sâu Tuy nhiên, nghiên cứu này chỉ dừng lại ở đánh giá hệ thống mà chưa thực hiện phân tích tổng hợp các phương pháp phát hiện sâu răng giai đoạn sớm Do vậy, nghiên cứu này của luận án là nghiên cứu đầu tiên sử dụng phương pháp phân tích tổng hợp để đánh giá hiệu quả của các phương pháp chẩn đoán tổn thương sâu răng giai đoạn sớm Đánh giá này của luận án nhằm nhấn mạnh thông tin quan trọng để bác sĩ lâm sàng lựa chọn phương pháp thích hợp giữa phương pháp sử dụng huỳnh quang, khám trực tiếp trên lâm sàng và khám qua ảnh chụp để phát hiện tổn thương sâu răng giai đoạn sớm.

Phương pháp khám trực tiếp trên lâm sàng là phương pháp phổ biến nhất để phát hiện tổn thương sâu răng giai đoạn sớm vì sự tiện lợi và độ tin cậy của phương pháp này 31 Tuy nhiên, phương pháp khám trực tiếp trên lâm sàng cũng có hạn chế như bị ảnh hưởng bởi tính chủ quan của người khám. Bên cạnh đó trên lâm sàng, các nghiên cứu có thể sử dụng các tiêu chí phân loại khác nhau dẫn đến sự không đồng nhất của các tiêu chí khi chẩn đoán sâu răng giai đoạn sớm Chẩn đoán sâu răng bằng phương pháp mô học được coi là tiêu chuẩn vàng nhưng phương pháp này bị gặp khó khăn khi ứng dụng trên lâm sàng Để đánh giá tổn thương sâu răng theo phương pháp mô học, răng có tổn thương sâu phải được nhổ ra khỏi cung hàm mặc dù tổn thương sâu răng không có chỉ định nhổ răng, do đó dẫn đến các vấn đề đạo đức trong nghiên cứu y học Trong nghiên cứu của luận án , mười hai nghiên cứu được lựa chọn để đưa vào phân tích tổng hợp chỉ có một nghiên cứu của tác giả Teo T.K và cộng sự năm 2014, 121 sử dụng phương pháp mô học làm tiêu chuẩn vàng để đánh giá hiệu quả của phương pháp khám trực tiếp trên lâm sàng để phát hiện tổn thương sâu răng giai đoạn sớm của răng sữa.

So sánh hiệu quả của các phương pháp chẩn đoán sâu răng giai đoạn sớm trong phòng thí nghiệm (Hình 3.13 và hình 3.14) cho thấy: đường cong sROC của phương pháp sử dụng huỳnh quang và phương pháp khám trực tiếp trùng nhau, đường cong sROC này ở góc trên bên trái hơn so với đường cong sROC của phương khám khám qua ảnh chụp Kết quả này cho thấy trong phòng thí nghiệm thì phương pháp sử dụng huỳnh quang và phương pháp khám trực tiếp có độ chính xác tương đương trong chẩn đoán sâu răng giai đoạn sớm. Độ chính xác trong chẩn đoán của phương pháp khám qua ảnh chụp thấp hơn phương pháp sử dụng huỳnh quang và phương pháp khám trực tiếp Do vậy, trong phòng thí nghiệm có thể ứng dụng phương pháp sử dụng huỳnh quang và phương pháp khám trực tiếp để đạt được hiệu quả tốt khi chẩn đoán tổn thương sâu răng giai đoạn sớm Tuy nhiên, độ chính xác của phương pháp huỳnh quang trên lâm sàng và trong phòng thí nghiệm không tương đương nhau (Hình 3.11) Do đó, việc sử dụng phương pháp huỳnh quang trong thực hành lâm sàng thay vì phương pháp khám trực tiếp vẫn cần được nghiên cứu thêm So sánh giữa hiệu quả chẩn đoán của phương pháp huỳnh quang trên lâm sàng và trong phòng thí nghiệm thì trong phòng thí nghiệm có độ chính xác cao hơn Phương pháp sử dụng huỳnh quang phát hiện các tổn thương sâu răng thông qua việc đo các porphyrin do vi khuẩn sâu răng tiết ra và phát hiện thông qua sự phát quang sinh học trên bề mặt răng Trong các nghiên cứu trong phòng thí nghiệm, răng được lưu trữ bên trong các dung dịch bảo quản có thể đã bị loại bỏ và hòa tan protein, rửa sạch vi sinh vật, do đó đánh giá chính xác hơn mức độ khử khoáng tại các tổn thương sâu răng giai đoạn sớm so với khi ứng dụng phương pháp huỳnh quang trên lâm sàng 121 Bên cạnh đó, trên thực tế lâm sàng, phương pháp huỳnh quang không phát hiện được tổn thương sâu răng tái phát bên dưới vật liệu phục hồi Hiệu quả chẩn đoán ở các khu vực xung quanh của phục hình khi sử dụng phương pháp huỳnh quang cũng bị hạn chế 33 Mặt khác, các phương pháp sử dụng huỳnh quang phát hiện ra nhiều tổn thương sâu giai đoạn muộn hơn các phương pháp khác, cũng có thể nói rằng thiết bị LF phát hiện các tổn thương ở những khu vực không thực sự tồn tại tổn thương, hoặc các thiết bị khác không thể phát hiện các tổn thương thực tế này Vì vậy, thiết bị LF không được khuyến nghị để phát hiện tổn thương sâu răng bên dưới vật liệu phục hình do hiệu suất thấp và nên được thay thế bằng máy chụp cắt lớp liên kết quang học (OCT) 33 Thiết bị SOPROLIFE cũng có thể cho kết quả dương tính giả nếu hình ảnh được phóng đại trên một ngưỡng nhất định 32 Để tránh kết quả dương tính giả, chụp lặp lại và so sánh giữa các hình ảnh OCT là một giải pháp khả thi.

Phương pháp khám qua ảnh chụp cho thấy diện tích dưới đường cong khi đánh giá hiệu quả chẩn đoán trên lâm sàng thấp hơn so với trong phòng thí nghiệm (Hình 3.12) Kết quả này có thể được giải thích bởi các yếu tố về ánh sáng, hướng chụp ảnh, độ ẩm bề mặt men răng, vị trí răng và sự kiểm soát nước bọt của môi trường trong miệng không tốt bằng môi trường phòng thí nghiệm 117 So sánh hiệu quả chẩn đoán trong phòng thí nghiệm thì phương pháp khám qua ảnh chụp có diện tích dưới đường cong thấp hơn phương pháp sử dụng huỳnh quang và phương pháp khám trực tiếp và (Hình 3.14 và hình 3.15) Kết quả có thể được giải thích bởi chất lượng ảnh chụp có ảnh hưởng đến việc phân biệt mức độ các tổn thương sâu răng.

Bảng đánh giá chất lượng các nghiên cứu (Bảng 3.2) cho thấy một số thiếu xót của các nghiên cứu được chọn để đưa vào phân tích tổng hợp Số lượng các nghiên cứu được chọn để phân tích còn ít: mười nghiên cứu về phương pháp huỳnh quang, năm nghiên cứu về phương pháp khám trực tiếp trên lâm sàng và ba nghiên cứu về phương pháp khám qua ảnh chụp Danh sách kiểm tra QUADAS 2 cho thấy tất cả các bài báo đều có nguy cơ sai lệch cao Một hạn chế khác của phân tích tổng quan là sự không đồng nhất về tiêu chuẩn tham chiếu của các nghiên cứu được đưa vào phân tích Mô học là tiêu chuẩn tham chiếu dùng để đánh giá hiệu quả chẩn đoán của phương pháp khám trực tiếp trên lâm sàng, đánh giá hai nghiên cứu sử dụng phương pháp huỳnh quang và sáu nghiên cứu sử dụng phương pháp khám qua ảnh chụp (Bảng 3.1) Các nghiên cứu còn lại, tiêu chuẩn tham chiếu để đánh giá hiệu quả chẩn đoán của phương pháp khám qua ảnh chụp và phương pháp huỳnh quang là khám trực tiếp trên lâm sàng, đây là phương pháp mang tính chủ quan của người khám (Bảng 3.1) Trong nghiên cứu phân tích tổng hợp về phương pháp khám qua ảnh chụp cho thấy: tất cả các nghiên cứu được thực hiện với cỡ mẫu nhỏ và sử dụng phiên bản cũ của các công cụ chụp ảnh như iPhone 5, Nexus 4 và máy ảnh Macro 61 Vì tất cả các nghiên cứu trong các nghiên cứu được lựa chọn có sử dụng phương pháp khám qua ảnh chụp đều có nguy cơ sai lệch cao, do đó kết quả về hiệu quả chẩn đoán của các nghiên cứu này nên được xem xét một cách thận trọng.

Cho tới thời điểm luận án thực hiện nghiên cứu này, nghiên cứu về tổn thương sâu răng giai đoạn sớm chưa hình thành lỗ sâu chỉ có một nghiên cứu đánh giá hệ thống vào năm 2013 của tác giả Gomez J 36 Phương pháp khám qua ảnh chụp để phát hiện tổn thương sâu răng giai đoạn sớm chỉ có một số nghiên cứu riêng lẻ của tác giả Kohara 2018, 61 Van Hilsen 2013, 60 Seremidi

2012 122 Các phương pháp chẩn đoán sử dụng huỳnh quang và khám trực tiếp trên lâm sàng đã được nghiên cứu phân tích tổng hợp với ngưỡng tổn thương sâu răng ở men răng và ngà răng Do đó, nghiên cứu của luận án là phương pháp phân tích tổng hợp đầu tiên so sánh độ chính xác của ba phương pháp chẩn đoán và tập trung vào sâu răng giai đoạn sớm Tuy nhiên, hiện nay số lượng nghiên cứu của phương pháp khám qua ảnh chụp trên lâm sàng cũng như trong phòng thí nghiệm còn ít nên trong thời gian tới cần nhiều nghiên cứu hơn và các nghiên cứu sử dụng cùng tiêu chuẩn tham chiếu khách quan như phương pháp mô học để đánh giá hiệu quả chẩn đoán. Ưu điểm trong nghiên cứu của luận án ở mục tiêu xác định độ nhạy, độ đặc hiệu của một số phương pháp chẩn đoán sâu răng giai đoạn sớm bằng phương pháp phân tích gộp meta- analysis chính là nghiên cứu đầu tiên tập trung phân tích hiệu quả chẩn đoán của một số phương pháp hay được sử dụng trên lâm sàng như phương pháp khám trực tiếp, phương pháp laser huỳnh quang và phương pháp khám qua ảnh đối với ngưỡng tổn thương sâu răng giai đoạn sớm so với không sâu răng Phân tích và đánh giá hiệu quả chẩn đoán của các phương pháp này sẽ giúp tìm ra được phương pháp nào có hiệu quả tốt hơn và có thể sử dụng làm tiêu chuẩn tham chiếu để đánh giá hiệu quả chẩn đoán của mô hình học máy trên lâm sàng Hình 3.16 cho thấy trên lâm sàng phương pháp huỳnh quang có hiệu quả chẩn đoán tốt hơn phương pháp khám qua ảnh Bảng 3.1 cho thấy trên lâm sàng các nghiên cứu chủ yếu sử dụng phương pháp khám trực tiếp làm tiêu chuẩn tham chiếu cho phương pháp laser huỳnh quang và phương pháp khám qua ảnh Vì vậy, qua kết quả phân tích gộp trong nghiên cứu của luận án cho thấy phương pháp khám trực tiếp có hiệu quả tốt hơn phương pháp laser huỳnh quang, phương pháp laser huỳnh quang có hiệu quả tốt hơn phương pháp khám qua ảnh trên lâm sàng.

Xây dựng hệ dữ liệu chuẩn hỗ trợ máy học để chẩn đoán sàng lọc sâu răng giai đoạn sớm

4.2.1 Xây dựng hệ dữ liệu hỗ trợ máy học giai đoạn 1 Đối với chẩn đoán từ xa, một trong những yêu cầu để thành công là có sẵn hình ảnh chất lượng tốt Kho dữ liệu ảnh trong luận án tại thời điểm nghiên cứu được thu thập bằng cách sử dụng thiết bị chụp ảnh là điện thoại iPhone 7. Thiết bị iPhone 7 được giới thiệu vào Việt Nam cuối năm 2016 Đây là thiết bị được đánh giá có điểm số hiệu năng cao với camera 12 megapixels với khẩu độ F/1.8 với công nghệ chống rung quang học OIS giúp thiết bị chụp ảnh trong điều kiện thiếu sáng tốt hơn và giảm nhòe ảnh khi chụp ảnh vật thể chuyển động Theo giới thiệu của nhà sản xuất Apple thiết bị iPhone 7 thu thập dữ liệu về màu sắc tốt hơn các thiết bị Iphone được giới thiệu trước đây, cho chất ảnh có màu sắc trung thực tự nhiên hơn Trước đây có một số nghiên cứu đã sử dụng ảnh chụp như một công cụ để phát hiện tổn thương sâu răng giai đoạn sớm cho thấy hình ảnh trong miệng được chụp bằng máy ảnh thông thường có khả năng cung cấp chất lượng hình ảnh tương đương với chất lượng được cung cấp bởi điện thoại thông minh 61 Trong một số các nghiên cứu khác 123,124 cho thấy máy ảnh chụp ảnh trong miệng được sử dụng rất thuận tiện trong thực hành lâm sàng, nhưng không dễ mang theo như điện thoại thông minh. Trong nghiên cứu của luận án, về cơ bản mục tiêu xây dựng hệ dữ liệu hỗ trợ máy học để chẩn đoán sàng lọc sâu răng giai đoạn sớm là xây dựng một kho dữ liệu có tính đại diện cho người Việt và phù hợp với các mô hình học máy Faster R-CNN, YOLOv3, RetinaNet và SSD được sử dụng để đánh giá hiệu quả của chẩn đoán sàng lọc sâu răng giai đoạn sớm.

Giai đoạn 1 hệ dữ liệu được xây dựng với sự tham gia của 518 đối tượng có tổn thương sâu răng gồm 41,1% nữ và 58,9% nam ở độ tuổi từ 3 đến

32 tuổi Mỗi đối tượng được chụp 5 ảnh theo 5 góc chụp: toàn cảnh, bên trái, bên phải, hàm dưới và hàm trên để lưu lại tổn thương sâu răng trên ảnh Bộ ảnh thu được gồm 2590 ảnh, những ảnh này được nhóm bác sĩ khám trực tiếp trên ảnh theo tiêu chí ICCMS 29 thu được bộ ảnh gồm 1424 ảnh đảm bảo tiêu chí có tổn thương sâu răng để phục vụ kho dữ liệu học máy giai đoạn 1.

Trong kho dữ liệu của luận án ưu điểm đáng chú ý thứ nhất chính là kho dữ liệu tương đối lớn so với kho dữ liệu chỉ 88 ảnh trong nghiên cứu năm

2014 của tác giả Ghaedi 125 và theo nghiên cứu năm 2021 của tác giả Dương Đức Long 106 với 587 ảnh gồm: 73 ảnh không có tổn thương sâu răng, 220 ảnh sâu răng giai đoạn sớm, 294 ảnh sâu răng giai đoạn muộn Trong nghiên cứu tổng quan chẩn đoán sâu răng bằng phương pháp học máy của tác giảMaria Prados 104 cho thấy chỉ có hai nghiên cứu trên phim Xquang của tác giảSrivastava 64 và tác giả Lee 87 sử dụng kho dữ liệu lên tới 3000 phim Xquang,tất cả các nghiên cứu còn lại chỉ sử dụng kho dữ liệu từ 87-251 ảnh Vì vậy với kho dữ liệu gồm 1424 ảnh trong nghiên cứu của luận án được coi như một kho dữ liệu lớn và là tiền đề thuận lợi để phát triển công cụ học máy. Ưu điểm đáng chú ý thứ hai, kho dữ liệu có sự đa dạng về vị trí tổn thương sâu răng trên ảnh ở cả 5 góc chụp trong miệng: toàn cảnh, bên trái, bên phải, hàm trên và hàm dưới Các tổn thương sâu răng xuất hiện cả trên mặt ngoài của răng với 582 tổn tương và 3675 tổn thương sâu răng ở mặt nhai Theo nghiên cứu của hầu hết các tác giả trong y văn trước đây như

Moutselos 126 năm 2019, Schwendicke 127 năm 2020, tác giả Dogun Kim năm 2021 chủ yếu tập trung nghiên cứu tổn thương sâu răng chỉ trên mặt nhai của răng Nghiên cứu của luận án cùng xu hướng nghiên cứu với các nghiên cứu gần đây trên thế giới khi tập trung vào ảnh trong miệng để thấy được các vị trí khác nhau của tổn thương sâu răng như nghiên cứu của tác giả Baichen

9 năm 2021, nghiên cứu năm 2022 của tác giả Zhang 12 Sự đa dạng về vị trí tổn thương trên ảnh giúp phần mềm học máy có cơ hội được học tổng quát về tất cả các góc chụp ảnh trong miệng sẽ giúp thuận lợi hơn cho việc nhận dạng và khoanh vùng tổn thương sâu răng. Ưu điểm thứ ba trong nghiên cứu của luận án chính là kho dữ liệu này chứa tất cả các mức độ tổn thương sâu răng theo từng giai đoạn: sâu răng giai đoạn sớm với 532 tổn thương chiếm 12,5%; sâu răng giai đoạn giữa với 1598 tổn thương chiếm 37,5%; sâu răng giai đoạn muộn với 2127 tổn thương chiếm 50% Với các nghiên cứu bước đầu ứng dụng học máy trong chẩn đoán tự động sâu răng chủ yếu tập trung vào xác định ngưỡng có sâu hoặc không sâu như các nghiên cứu được đề cập đến trong nghiên cứu tổng quan của tác giả Maria Prados và cộng sự 104 Hiện nay, các nghiên cứu của các tác giả đã tập trung vào phân loại từng mức độ tổn thương sâu răng trong quá trình xây dựng kho dữ liệu cũng như quá trình đánh giá hiệu quả của mô hình học máy đối với từng giai đoạn tổn thương sâu răng như nghiên cứu của tác giả Dương

106 trong phòng thí nghiệm với kho dữ liệu gồm 587 ảnh với 73 ảnh răng không tổn thương, 220 ảnh răng tổn thương giai đoạn sớm và 294 ảnh tổn thương sâu răng giai đoạn có lỗ sâu Nghiên cứu của luận án cũng tập trung nghiên cứu từng giai đoạn tổn thương sâu răng Tuy nhiên, kho dữ liệu giai đoạn 1 vẫn gặp một số hạn chế như sự phân bố không đều về tỷ lệ tổn thương giữa các giai đoạn sâu răng như giai đoạn sâu sớm chỉ chiếm 12,5% trong khi giai đoạn sâu muộn lên đến 50% tổng số tổn thương của kho dữ liệu, điều này tạo nên sự mất cân bằng của kho ảnh dữ liệu phục vụ cho học máy Sự mất cân bằng này cũng thể hiện khi tỷ lệ sâu răng giữa ảnh mặt ngoài (gồm toàn cảnh, bên trái, bên phải) với 582 tổn thương chỉ chiếm 13,7% trong khí đó số lượng tổn thương sâu răng tại mặt nhai (gồm hàm trên và hàm dưới) với 3675 tổn thương chiếm 86,3% Theo nghiên cứu năm 2017 của tỏc giả Lemaợtre G và cộng sự 128 cho thấy vấn đề về số lượng cỡ mẫu nhỏ hoặc dữ liệu không cân bằng đã làm giảm đáng kể chất lượng quá trình học máy.

4.2.2 Xây dựng hệ dữ liệu hỗ trợ máy học giai đoạn 2

Hệ dữ liệu học máy trong giai đoạn 2 được xây dựng với mục đích khắc phục nhược điểm của hệ dữ liệu xây dựng trong giai đoạn 1 Các ảnh này được thu thập từ 177 đối tượng có tổn thương sâu răng giai đoạn sớm từ 3 đến

6 tuổi Theo nghiên cứu của tác giả Lưu Văn Tường 68 tỷ lệ sâu răng của trẻ 3 tuổi tại Hà Nội ở mức cao 78,6% và tỷ lệ sâu giai đoạn sớm là 64,5% Sau 18 tháng can thiệp véc-ni fluor NaF tổn thương sâu giai đoạn sớm giảm từ 100% xuống 66,1% Do đó việc phát hiện tổn thương sâu răng giai đoạn sớm và can thiệp ở trẻ 3 tuổi là rất quan trọng Trong phạm vi nghiên cứu của luận án với mong muốn phát hiện được đa dạng hình ảnh tổn thương sâu răng trên răng sữa, luận án đã tập trung nghiên cứu trên đối tượng trẻ từ 3-6 tuổi Tất cả các ảnh được chụp bằng điện thoại iPhone 7 với ảnh chụp cách miệng bệnh nhân 10cm là trong khoảng lấy nét tự động của thiết bj Kết quả xây dựng của luận án cho thấy, hệ dữ liệu của giai đoạn 2 có 478 ảnh tổn thương sâu răng giai đoạn sớm Sự tăng thêm về số lượng ảnh trong kho dữ liệu giai đoạn 2 cho thấy kho dữ liệu trong nghiên cứu của luận án đang thực sự chiếm ưu thế so với kho dữ liệu của nhóm tác giả Berdouses và cộng sự năm 2015 14 để phát hiện và phân loại sâu răng trên mặt nhai bằng công cụ học máy đã tiến hành nghiên cứu và đánh giá kết quả học máy chỉ trên 103 ảnh Năm 2017 tác giảRana 15 dùng học máy như một công cụ để phân đoạn tự động các bệnh về lợi từ các hình ảnh trong miệng cũng chỉ xây dựng cơ sở dữ liệu với 258 ảnh phục vụ cho kho dữ liệu Khi nghiên cứu tổng quan về học máy trong lĩnh vực nha khoa tác giả Hwang 16 từ năm 2016 đến tháng 12 năm 2018 quy mô trung bình của kho dữ liệu đào tạo cho học máy có xu hướng ngày càng tăng Điều này được giải thích vì khi cơ sở dữ liệu để đào tạo học máy càng nhiều thì sự chính xác trong chuẩn đoán càng cao, do đó cỡ mẫu trong kho dữ liệu của luận án phù hợp với xu thế phát triển lĩnh vực trí tuệ nhân tạo Bên cạnh đó, trong giai đoạn 2 này bên cạnh việc khắc phục nhược điểm của kho dữ liệu giai đoạn 1 luận án vẫn củng cố các ưu điểm như: duy trì sự đa dạng về vị trí của tổn thương theo cả 5 góc chụp trong miệng như góc toàn cảnh, bên phải, bên trái, hàm trên và hàm dưới Sự đa dạng này cũng thể hiện trên cả 5 mặt của răng như mặt ngoài, mặt trong, mặt gần, mặt xa và mặt nhai Đi cùng với sự đa dạng về vị trí sẽ là sự đa dạng về hình ảnh của tổn thương sâu răng giai đoạn sớm, yếu tố này là yếu tố quan trọng quyết định chất lượng của học máy. Hơn thế nữa, kho dữ liệu giai đoạn 2 đã bổ sung tổn thương sâu răng giai đoạn sớm tại vị trí ảnh chụp vùng mặt ngoài của răng trên cung hàm với 994 tổn thương Sau hai giai đoạn xây dựng kho dữ liệu cho học máy để phát hiện tổn thương sâu răng giai đoạn sớm, kho dữ liệu thu được có 1902 ảnh với tổng 5627 tổn thương sâu răng tương ứng với từng giai đoạn sâu răng như:

1902 tổn thương sâu răng giai đoạn sớm, 1598 tổn thương sâu răng giai đoạn giữa và 2127 tổn thương sâu răng giai đoạn muộn Các tổn thương sâu răng này nằm đa dạng ở các vị trí trên 5 góc ảnh chụp trong miệng. Để sử dụng cho mô hình học máy, kho dữ liệu đã được mã hóa và biểu diễn bằng phương pháp khoanh vùng, gán nhãn các giai đoạn không sâu, sâu răng giai đoạn sớm, sâu răng giai đoạn giữa, sâu răng giai đoạn muộn bằng công cụ phù hợp (image labled tood) Các ảnh này được chúng tôi chuẩn hóa về cùng kích thước 600x600 pixel và được khoanh vùng gán nhãn thủ công.

Cuối cùng, luận án có được 1902 ảnh với 5627 tổn thương các giai đoạn sâu răng được gán nhãn để làm dữ liệu cho việc huấn luyện và kiểm thử Các răng không tổn thương trên 1902 ảnh được quy về "back ground" với nhãn “bg”. Như vậy, kho dữ liệu trong nghiên cứu này hoàn toàn phù hợp với xu thế phát triển công nghệ và đáp ứng được các yêu cầu về một kho dữ liệu hỗ trợ máy học để chẩn đoán sâu răng giai đoạn sớm Kho dữ liệu được lưu trữ để có thể truy suất được bằng các công cụ học máy.

Kho dữ liệu trong nghiên cứu của luận án có thể luôn cập nhật và bổ xung dữ liệu Các ảnh chụp trong miệng chứa các tổn thương sâu răng sau khi chuẩn hóa dữ liệu được mã hóa và lưu trữ thành hai bản sao Bản sao thứ nhất là tệp ảnh gốc của các bức ảnh được giữ nguyên, bản sao thứ hai sẽ được bác sĩ phân loại và khoanh vùng tổn thương Các tổn thương sẽ được gán nhãn theo từng mức độ tổn thương sâu răng giai đoạn sớm gắn nhãn “1”, sâu răng giai đoạn giữa gắn nhãn “2”, sâu răng giai đoạn muộn gắn nhãn “3” Răng không có tổn thương sâu sẽ gắn nhãn “bg” Khi có dữ liệu mới, mô hình sẽ được huấn luyện theo nguyên tắc tăng cường mà ko cần huấn luyện lại từ đầu Dữ liệu lưu trữ ở dạng PascalVOC được đọc trực tiếp vào mô hình học máy (code bằng Python, sử dụng thư viện tensorflow + Keras) Trong quá trình huấn luyện, các tham số đánh giá hiệu quả mô hình về mặt kỹ thuật do các kỹ sư công nghệ thông tin đánh giá để tính chỉnh tham số cho mô hình Để đánh giá hiệu quả của mô hình thì bác sĩ sẽ đánh giá hiệu quả dựa trên tiêu chuẩn tham chiếu là phương pháp khám trực tiếp hoặc phương pháp khám qua ảnh chụp.

Độ nhạy, độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm bằng phương pháp học máy

4.3.1 Bàn luận thực trạng sâu răng

Trong nghiên cứu của luận án có tất cả 250 đối tượng nghiên cứu là trẻ em trong độ tuổi từ 3 đến 6 tuổi Mỗi trẻ có tối đa 20 răng Tuy nhiên, có một số trẻ đã thay răng và mất răng nên tổng số răng trong nghiên cứu của luận án là 4995 răng Đầu tiên, tất cả các răng của các đối tượng đều được khám trực tiếp trên lâm sàng, khám bằng thiết bị laser huỳnh quang Sau đó, luận án sử dụng điện thoại iPhone 7 để chụp ảnh trong miệng 250 đối tượng nghiên cứu. Mỗi đối tượng chụp 5 ảnh ở 5 góc chụp là: ảnh toàn cảnh, ảnh bên trái, ảnh bên phải, ảnh hàm trên, ảnh hàm dưới Luận án thu được bộ ảnh với 1250 ảnh.

Bộ ảnh này được chúng tôi sử dụng để tiến hành khám qua ảnh và đánh giá hiệu quả chẩn đoán của bốn mô hình học máy là YOLOv3, Faster R-CNN, RetinaNet và SSD.

Phân bố theo tuổi của đối tượng nghiên cứu, bảng 3.9 cho thấy tỷ lệ trẻ 4 tuổi là cao nhất chiếm 56,8% và tỷ lệ trẻ 6 tuổi là thấp nhất chiếm 11,6%. Điều này có thể giải thích do trẻ 4 tuổi trên răng xuất hiện nhiều tổn thương sâu răng giai đoạn sớm, đến khi trẻ 6 tuổi có thể những tổn thương đó đã chuyển sang giai đoạn nặng hơn nên trong nghiên cứu của luận án trẻ 4 tuổi chiếm tỷ lệ cao nhất.

Trên ảnh chụp, tổn thương sâu răng giai đoạn sớm chủ yếu tập trung ở mặt ngoài và mặt nhai của răng Do đó, trong nghiên cứu này luận án sẽ tiến hành phân tích kết quả chẩn đoán của phương pháp khám trực tiếp, laser huỳnh quang, khám qua ảnh, phương pháp học máy (YOLOv3, Faster R-CNN, RetinaNet, SSD) trên mặt ngoài và mặt nhai của răng Theo bảng 3.10 tại vị trí mặt ngoài của răng, tỷ lệ sâu răng giai đoạn sớm được phát hiện ở phương pháp khám qua ảnh là cao nhất với 23,2%; tiếp theo là phương pháp khám trực tiếp (20,7%) và thấp nhất là phương pháp laser huỳnh quang chỉ với 3,8% Tỷ lệ sâu răng giai đoạn muộn ở cả ba phương pháp gần bằng nhau với phương pháp khám trực tiếp là 23,4%; phương pháp laser huỳnh quang là23,5% và phương pháp khám qua ảnh là 25,3% Kết quả bảng 3.10 cho thấy một số lượng lớn tổn thương sâu răng giai đoạn sớm được phát hiện ở phương pháp khám trực tiếp và khám qua ảnh lại không được phát hiện ra ở phương pháp laser huỳnh quang Các tổn thương này được phương pháp laser huỳnh quang chẩn đoán là không sâu răng Nghiên cứu của luận án tương đồng với kết quả nghiên cứu năm 2021 của tác giả Monica Monea 129 khi đánh giá hiệu quả phương pháp laser huỳnh quang trên lâm sàng cho thấy có rất nhiều trường hợp trên lâm sàng bác sĩ chẩn đoán sâu răng giai đoạn sớm nhưng thiết bị laser huỳnh quang cho chẩn đoán là không sâu răng cho nên độ nhạy của thiết bị laser huỳnh quang trong chẩn đoán sâu răng giai đoạn sớm chỉ là 46,7% Nghiên cứu của tác giả Achilleos và cộng sự 130 cho thấy phương pháp laser huỳnh quang có độ nhạy là 61% và độ đặc hiệu là 51% đối với tổn thương sâu răng giai đoạn sớm trên răng vĩnh viễn Theo nghiên cứu của tác giả J Gomez 131 cho thấy phương pháp laser huỳnh quang có hiệu quả chẩn đoán sâu răng giai đoạn sớm trên răng sữa thấp hơn răng vĩnh viễn và khi sử dụng thiết bị laser huỳnh quang trên lâm sàng có nhiều yếu tố nhiễu gây sai số nên dc khuyến cáo thận trọng khi sử dụng Hiệu quả chẩn đoán trên lâm sàng của phương pháp laser huỳnh quang đối với tổn thương sâu răng giai đoạn sớm thấp có thể giải thích do phương pháp sử dụng laser huỳnh quang phát hiện các tổn thương sâu răng thông qua việc đo các porphyrin do vi khuẩn sâu răng tiết ra và phát hiện sự phát quang sinh học trên bề mặt răng Đối với tổn thương sâu răng giai đoạn sớm khi nồng độ porphyrin quá thấp thì thiết bị laser huỳnh quang sẽ đo được giá trị trong ngưỡng chưa có tổn thương sâu răng (0-13) Theo bảng 3.12 tại vị trí mặt nhai của răng, tỷ lệ sâu răng giai đoạn sớm được phát hiện ở phương pháp khám trực tiếp cũng cao nhất với 6,9% và thấp nhất là phương pháp laser huỳnh quang với 3,5% Điều này có nghĩa là trên lâm sàng phương pháp khám trực tiếp và khám qua ảnh phát hiện được nhiều tổn thương sâu răng giai đoạn sớm hơn phương pháp khám sử dụng laser huỳnh quang.

Trong nghiên cứu của luận án có bốn mô hình học máy được áp dụng làYOLOv3, Faster R-CNN, RetinaNet và SSD Theo bảng 3.11 tại mặt ngoài của răng mô hình YOLOv3 có tỷ lệ phát hiện tổn thương sâu răng giai đoạn sớm và sâu răng giai đoạn muộn cao nhất tương ứng lần lượt với 19,6% và

28,8% Mô hình SSD có tỷ lệ phát hiện tổn thương sâu răng thấp nhất, chỉ với 6,8% sâu giai đoạn muộn và không phát hiện được tổn thương giai đoạn sớm. Theo bảng 3.13 trên mặt nhai của răng mô hình SSD có tỷ lệ phát hiện tổn thương sâu răng thấp nhất Tuy nhiên, tại vị trí mặt nhai mô hình RetinaNet có tỷ lệ phát hiện tổn thương sâu răng giai đoạn sớm là cao nhất với 0,9%; sau đó đến mô hình Faster R-CNN với 0,3%; mô hình YOLOv3 chỉ với 0,2%. Bên cạnh đó bảng 3.10, 3.11, 3.12, 3.13 cũng cho thấy đối với tổn thương sâu răng giai đoạn sớm phương pháp học máy gồm bốn mô hình YOLOv3, Faster R-CNN, RetinaNet, SSD có tỷ lệ phát hiện tổn thương sâu răng giai đoạn sớm thấp hơn phương pháp khám trực tiếp, laser huỳnh quang và phương pháp khám qua ảnh Tỷ lệ sâu răng giai đoạn sớm thấp hơn so với các phương pháp chuẩn đoán khác do đây là phương pháp duy nhất tự động chẩn đoán mà không có sự hỗ trợ của bác sĩ tham gia trực tiếp vào nhận định kết quả của quá trình phát hiện tổn thương sâu răng Tuy nhiên, tỷ lệ sâu răng giai đoạn muộn của phương pháp học máy như YOLOV3, Faster R-CNN, RetinaNet chênh lệch ít với các phương pháp khám trực tiếp, laser huỳnh quang và khám qua ảnh Hiện tại trong phạm vi kiến thức hạn hẹp của tôi chưa thấy có nghiên cứu nào được thực hiện để phát hiện tổn thương sâu giai đoạn muộn trên cả bốn phương pháp khám trực tiếp trên lâm sàng, phương pháp sử dụng laser huỳnh quang, phương pháp khám qua ảnh chụp và phương pháp học máy. Trong y văn có khá nhiều các nghiên cứu so sánh từng cặp các phương pháp chẩn đoán với nhau như nghiên cứu năm 2018 của Kohana 61 so sánh phương pháp khám qua ảnh và khám trực tiếp cho thấy tổn thương giai đoạn có lỗ sâu trung bình đạt độ nhạy từ 38,3% đến 67,5% Năm 2017 nghiên cứu của Nogueia 132 so sánh giữa phương pháp khám qua ảnh và phương pháp khám trực tiếp Gần đây, năm 2021 có nghiên cứu của tác giả Dương Đức Long 106 so sánh phương pháp học máy với phương pháp khám qua ảnh chụp Kết quả của các nghiên cứu đều cho thấy hiệu quả tốt của các phương pháp khi phát hiện tổn thương sâu giai đoạn muộn đã hình thành lỗ sâu Điều này được giải thích do tổn thương sâu răng giai đoạn muộn đã hình thành lỗ sâu có đặc điểm tổn thương đã rõ ràng nên dễ được phát hiện ở tất cả các phương pháp chẩn đoán.

4.3.2 Bàn luận độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài răng bằng phương pháp học máy

4.3.2.1 Độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp.

Trong y văn, tiêu chuẩn tham chiếu có giá trị chính xác nhất để chẩn đoán sâu răng là tiêu chuẩn mô học Tuy nhiên, tiêu chuẩn này chỉ có thể áp dụng với các nghiên cứu trong phòng thí nghiệm Đối với các nghiên cứu được tiến hành trên lâm sàng, tiêu chuẩn tham chiếu khám trực tiếp được áp dụng vì có độ chính xác cao và đảm bảo đạo đức trong nghiên cứu y học. Trong mục này, luận án so sánh hiệu quả chẩn đoán của các phương pháp với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp với hai mục đích Mục đích thứ nhất là đánh giá hiệu quả của phương pháp học máy với phương pháp khám trực tiếp Mục đích thứ hai là tìm ra trên lâm sàng phương pháp khám qua ảnh và laser huỳnh quang phương pháp nào có hiệu quả cao hơn trong chẩn đoán sâu răng giai đoạn sớm.

Trong nghiên cứu của luận án hiệu quả của phương pháp học máy được đánh giá qua bốn mô hình học máy mới và hiệu quả nhất hiện nay cho nhận dạng đối tượng: YOLOv3, 93 Faster R-CNN, 88 RetinaNet 91 , SSD 89 Ở tổn thương sâu răng giai đoạn sớm độ nhạy của mô hình YOLOv3 là cao nhất với 32,5% (bảng 3.14), sau đó đến mô hình RetinaNet với 21,3% (bảng 3.16) và mô hình Faster R-CNN là 20,1% (bảng 3.15) Mô hình SSD có độ nhạy là 0%(bảng 3.17) Giá trị về độ nhạy cho thấy mô hình SSD không phát hiện được tổn thương nhỏ như sâu răng giai đoạn sớm trên mặt ngoài của răng Độ chính xác của các mô hình học máy trong chẩn đoán sâu răng giai đoạn sớm ở mức độ trung bình từ 56,5% đến 71,7% Trong nghiên cứu của luận án độ chính xác của các mô hình học máy trong chẩn đoán sâu răng giai đoạn sớm chưa cao có thể do 2 nguyên nhân: Thứ nhất là trong lĩnh vực CNTT vấn đề về số lượng mẫu nhỏ hoặc dữ liệu không cân bằng đã làm ảnh hưởng đến hiệu quả của quá trình học máy, thứ hai là trên ảnh chụp sự khác biệt về màu sắc không thực sự đủ để phân biệt sâu răng giai đoạn sớm và không sâu răng. Kết quả trong chẩn đoán của các mô hình học máy này có thể được giải thích rằng sâu răng giai đoạn sớm với những thay đổi không rõ rệt, chỉ có thể ghi nhận bằng khám trực tiếp bằng mắt thường sau khi làm khô bề mặt của răng Do đó, hầu hết các trường hợp đưa ra kết quả chẩn đoán sai của các mô hình học máy đều thuộc phân loại sâu răng giai đoạn sớm với không sâu răng.

Mặc dù phương pháp học máy với bốn mô hình học máy mới và hiệu quả nhất hiện nay cho nhận dạng đối tượng YOLOv3, Faster R-CNN, RetinaNet, SSD đã đủ để mã hóa thông tin phân biệt đối với hầu hết các hình ảnh, nhưng nó không thể tạo ra hiệu quả tốt trong các trường hợp mặt ngoài răng có các yếu tố gây nhiễu như mảng bám răng, vết ố, hiệu ứng bóng sáng Mặc dù,luận án đã tăng số lượng hình ảnh để tạo thành bộ dữ liệu lớn hơn cho việc đào tạo mô hình, luận án vẫn chưa thể giải quyết được vấn đề bộ dữ liệu còn nhỏ và dữ liệu không cân bằng giữa các giai đoạn sâu răng, đặc biệt là sâu răng giai đoạn sớm Để khắc phục vấn đề này, cần có thêm ảnh sâu răng giai đoạn sớm để đưa vào phục vụ quá trình học máy Do đó, nghiên cứu trên lâm sàng với các mô hình học máy chẩn đoán tự động qua ảnh chụp có thể bị ảnh hưởng bởi nhiều yếu tố như sự thay đổi góc, hướng từ máy ảnh điện thoại thông minh đến bề mặt răng dẫn đến sự không đồng nhất trong quá trình thu thập dữ liệu. Đối với tổn thương sâu răng giai đoạn có lỗ trên mặt ngoài của răng bảng 3.21 cho thấy mô hình SSD có độ nhạy thấp nhất với 24,3% sau đó đến mô hình RetinaNet với 59% (bảng 3.20) Độ nhạy của mô hình YOLOv3 cao nhất với 68,6% (bảng 3.18) và đứng thứ hai là mô hình Faster R-CNN với độ nhạy là 64,6% (bảng 3.19) Độ đặc hiệu của các mô hình học máy ở mức cao từ 83,4% đến 98,6% Độ chuẩn xác của cả bốn mô hình cũng ở mức cao từ 80% đến 83,5% Kết quả cho thấy, tổn thương sâu răng giai đoạn có lỗ trên mặt ngoài của răng có hiệu quả chẩn đoán của các mô hình học máy cao hơn so với tổn thương sâu răng giai đoạn sớm.

Hiệu quả chẩn đoán của phương pháp khám qua ảnh và phương pháp laser huỳnh quang với tiêu chuẩn tham chiếu là phương pháp khám trực tiếp trên mặt ngoài của răng được thể hiện qua bảng 3.22- bảng 3.25 Đối với tổn thương sâu răng giai đoạn sớm trên mặt ngoài của răng phương pháp khám qua ảnh có độ nhạy là 47%, độ đặc hiệu là 71,9% và độ chuẩn xác là 65,1% (bảng 3.24) Phương pháp laser huỳnh quang trên mặt ngoài của răng có độ nhạy thấp hơn chỉ với 4,3%; độ đặc hiệu là 88,4%; độ chuẩn xác là 65,6% (Bảng 3.22) Kết quả này cho thấy phương pháp khám qua ảnh có khả năng phát hiện tổn thương sâu răng giai đoạn sớm tốt hơn phương pháp sử dụng laser huỳnh quang Trong các nghiên cứu đã được báo cáo trước đây 133, 130,

129 xác nhận rằng phương pháp laser huỳnh quang không cải thiện độ chính xác trong chẩn đoán của sâu răng giai đoạn sớm và do đó kiểm tra trực quan dựa trên tiêu chí ICDAS-II là một công cụ chẩn đoán hữu ích Vì vậy trong nghiên cứu của luận án, trên lâm sàng để đánh giá hiệu quả chẩn đoán sàng lọc sâu răng giai đoạn sớm của các mô hình học máy luận án sẽ sử dụng phương pháp khám trực tiếp và phương pháp khám qua ảnh làm tiêu chuẩn tham chiếu Cách sử dụng tiêu chuẩn tham chiếu trong nghiên cứu của luận án tương đồng với nghiên cứu của Baichen Ding, 9 nghiên cứu của tác giả Dương

106 và nghiên cứu tổng quan của tác giả Maria Prados

Từ bảng 3.18 đến bảng 3.25 cho thấy với tổn thương sâu răng giai đoạn muộn phương pháp laser huỳnh quang và phương pháp khám qua ảnh có độ chuẩn xác cao hơn phương pháp học máy Tuy nhiên, giá trị độ chuẩn xác của bốn mô hình học máy đều lớn hơn 80% cho thấy cả bốn mô hình này đều phù hợp để áp dụng trong thực tế lâm sàng để phát hiện tổn thương sâu răng giai đoạn muộn Trong đó mô hình YOLOv3, Faster R-CNN, RetinaNet có độ nhạy cao hơn mô hình SSD nên có ưu tiên hơn trong ứng dụng vào thực tiễn. Đối với tổn thương sâu răng giai đoạn sớm độ nhạy của các mô hình học máy còn thấp và độ chuẩn xác mới đạt mức trung bình nên cần có các nghiên cứu sâu hơn để cải thiện hiệu quả chẩn đoán trước khi áp dụng vào thực tiễn lâm sàng.

4.3.2.2 Độ nhạy và độ đặc hiệu của chẩn đoán sâu răng giai đoạn sớm trên mặt ngoài với tiêu chuẩn tham chiếu là phương pháp khám qua ảnh.

Trong nội dung mục này, luận án tiến hành so sánh hiệu quả của phương pháp học máy với tiêu chuẩn tham chiếu là phương pháp khám qua ảnh theo góc nhìn của lĩnh vực CNTT là do có sự tương đồng về loại dữ liệu được sử dụng để chẩn đoán Cả hai phương pháp học máy và khám qua ảnh cùng sử dụng bộ ảnh với 750 ảnh của 250 đối tượng nghiên cứu để đưa ra chẩn đoán tổn thương sâu răng giai đoạn sớm, giai đoạn muộn trên 4995 răng Mặc dù ảnh chụp trong miệng bằng điện thoại thông minh ít được sử dụng để chẩn đoán sâu răng trên lâm sàng nhưng một số nghiên cứu đã cho thấy độ chính xác mức độ tốt của việc khám qua ảnh để phát hiện sâu răng 104

134 Kinh nghiệm của bác sĩ cũng là một yếu tố quan trọng trong việc chẩn đoán sâu răng 31 Trong bảng 3.26 đến bảng 3.33, tiêu chuẩn tham chiếu để đánh giá hiệu quả các mô hình học máy là chẩn đoán của bác sĩ khám qua ảnh chụp trên điện thoại thông minh.

Tổn thương sâu răng giai đoạn có lỗ trên bề mặt răng là một dấu hiệu rõ ràng của bệnh lý sâu răng Việc phân biệt các tổn thương có lỗ trên bề mặt răng với không sâu răng trên hình ảnh điện thoại thông minh là khả thi và chính xác 61 Trong nghiên cứu của luận án, độ nhạy và độ đặc hiệu để phát hiện sâu răng giai đoạn muộn trên mặt ngoài răng của mô hình YOLOv3 và

Faster R-CNN lần lượt là trong khoảng 71,2% đến 92,9% (bảng 3.30 và 3.31).

Kết quả này là tốt hơn mô hình RetinaNet với 63,2% và mô hình SSD với

Hạn chế nghiên cứu

4.4.1 Hạn chế nghiên cứu trong xác định độ nhạy, độ đặc hiệu của một số phương pháp chẩn đoán sâu răng giai đoạn sớm bằng phương pháp meta analysis

Một số hạn chế còn tồn tại trong nghiên cứu phân tích gộp meta- analysis của chúng tôi Hạn chế thứ nhất chính là số lượng nghiên cứu về hiệu quả chẩn đoán của các phương pháp khám trực tiếp, laser huỳnh quang và khám qua ảnh tại ngưỡng tổn thương sâu răng giai đoạn sớm so với không sâu răng còn thấp Nguyên nhân có thể do thời điểm nghiên cứu của luận án là từ năm 2009 đến năm 2019, tổn thương sâu răng giai đoạn sớm là tổn thương khó phát hiện trên lâm sàng và mới được đưa vào tiêu chí chẩn đoán thông qua khám và quan sát bằng mắt thường theo ICDAS 27 vào năm 2007 nên số lượng nghiên cứu về sâu răng giai đoạn sớm tại thời điểm nghiên cứu của chúng tôi còn thấp Hạn chế thứ hai, số lượng nghiên cứu được thực hiện trên lâm sàng còn ít nên chỉ trích xuất được 10/30 bộ số liệu nghiên cứu trên lâm sàng, bộ dữ liệu trong phòng thí nghiệm là 20/30 bộ dữ liệu (bảng 3.1) Hiệu quả chẩn đoán của các phương pháp huỳnh quang và khám qua ảnh trong phòng thí nghiệm cao hơn trên lâm sàng (hình 3.11, 3.12) Vì vậy, khi phân tích gộp tất cả các nghiên cứu (hình 3.3, 3.4) sẽ khiến cho độ nhạy và độ đặc hiệu chung của phương pháp huỳnh quang và phương pháp khám qua ảnh sẽ cao hơn hiệu quả thực tế khám trên lâm sàng tương ứng với phương pháp huỳnh quang có độ nhạy 80%; độ đặc hiệu 80% và phương pháp khám qua ảnh có độ nhạy 0,67%; độ đặc hiệu 79% Hạn chế thứ ba, tại thời điểm nghiên cứu từ năm 2009 đến năm 2019 phương pháp chẩn đoán sâu răng giai đoạn sớm qua ảnh chụp là phương pháp mới, số lượng nghiên cứu rất ít chỉ có 3 nghiên cứu (hình 3.1), kỹ thuật chụp ảnh và thiết bị chụp có hiệu quả chưa cao Do đó, hiệu quả chẩn đoán của phương pháp khám qua ảnh trên lâm sàng cần được nghiên cứu thêm Hạn chế thứ tư, đối với phương pháp huỳnh quang, trong nghiên cứu của luận án có rất nhiều thiết bị như FC, LF, LF pen và được tiến hành trên cả răng sữa và răng vĩnh viễn Hiệu quả chẩn đoán của phương pháp huỳnh quang trên lâm sàng thấp hơn trong phòng thí nghiệm. Đối với từng loại răng sữa hoặc răng vĩnh viễn phương pháp huỳnh quang lại có độ chính xác trong chẩn đoán khác nhau Nghiên cứu năm 2015 của tác giả

J Gomez 131 cho thấy hiệu quả chẩn đoán sâu răng giai đoạn sớm trên răng sữa thấp hơn răng vĩnh viễn và trên lâm sàng có nhiều yếu tố nhiễu gây sai số. Trong nghiên cứu phân tích gộp của luận án vì không đủ nghiên cứu để phân tích riêng từng thiết bị với từng loại răng sữa hoặc răng vĩnh viễn trên từng môi trường trong phòng thí nghiệm hoặc lâm sàng nên kết quả của nghiên cứu còn hạn chế, chưa trả lời được chính xác hiệu quả của từng thiết bị huỳnh quang trên lâm sàng như thế nào Vì vậy, cần có nghiên cứu thêm về chẩn đoán sâu răng giai đoạn sớm khi sử dụng từng thiết bị riêng lẻ như FC hoặc

LF hoặc LF pen để đánh giá hiệu quả chẩn đoán sâu răng giai đoạn sớm trên lâm sàng.

4.4.2 Hạn chế trong xây dựng hệ dữ liệu chuẩn hỗ trợ máy học để chẩn đoán sàng lọc sâu răng giai đoạn sớm

Trong quá trình xây dựng hệ dữ liệu, nghiên cứu của luận án có một số hạn chế cần được cải thiện trong các nghiên cứu sâu hơn Đầu tiên, ảnh đầu vào cần được cải thiện để có được chất lượng ảnh tốt hơn Mặc dù iPhone 7 được lựa chọn do tính phổ biến và giá cả phải chăng tại thời điểm nghiên cứu của luận án, nhưng camera sau lại không thể cung cấp những bức ảnh có chất lượng đủ tốt Các ảnh được sử dụng để đào tạo mô hình học máy trong nghiên cứu của luận án có thể không thể hiện đầy đủ tính đa dạng và không đồng nhất của các tổn thương sâu răng giai đoạn sớm trên mặt ngoài và mặt nhai của răng Thiết bị chụp ảnh iPhone 7 trong nghiên cứu của luận án có cấu hình camera sau chỉ với 12 megapixel Hiện nay, thiết bị smartphone trên thị trường như iPhone 14 Pro đã đạt đến cấu hình camera sau với độ phân giải lên tới 48 megapixel ở camera chính và 2 camera phụ 12 megapixel Như vậy, thiết bị iPhone 14 Pro có độ phân giải tăng gấp 6 lần so với thiết bị iPhone 7 trong nghiên cứu của luận án Bên cạnh đó, thiết bị mới như iPhone 14 Pro cập nhật tính năng chống rung và chụp ảnh trong nơi thiếu sáng tốt hơn với chất lượng sắc nét, độ chi tiết cao và chân thực Một nghiên cứu gần đây của tác giả Baichen Ding 9 cho thấy việc tăng cường các bức ảnh đầu vào cho quá trình học máy có thể cải thiện đáng kể hiệu suất của mô hình Trong nghiên cứu năm 2018 của tác giả Kohana 61 sử dụng thiết bị chụp ảnh là iPhone 5 với camera 8 megapixcel cho thấy phương pháp khám qua ảnh chụp có độ nhạy là 33,6% tại ngưỡng tổn thương sâu răng giai đoạn sớm Kết quả nghiên cứu này thấp hơn so với nghiên cứu của luận án khi sử dụng thiết bị chụp ảnh là iPhone 7 với camera 12 megapixcel có độ nhạy là 47% tại ngưỡng sâu răng giai đoạn sớm Đối với các mô hình học máy, chất lượng bộ dữ liệu ảnh trong nghiên cứu là một trong các yếu tố rất quan trọng quyết định hiệu suất của các mô hình học máy Theo sự phát triển của công nghệ bên cạnh những cải tiến về mô hình học máy, thiết bị chụp ảnh để thu thập bộ dữ liệu cũng liên tục được đổi mới để nâng cao chất lượng dữ liệu ảnh Năm 2020 tác giả Zhang 12 sử dụng thiết bị chụp ảnh là iPhone 7, iPhone 8, Samsung Galaxy S8 Năm

2021 tác giả Baichen Ding 9 sử dụng thiết bị chụp ảnh trong miệng là iPhone

12 cho thấy hiệu quả chẩn đoán sâu răng giai đoạn sớm có độ chính xác trung bình (của 3 lần thử nghiệm) với thuật toán YOLOv3 là 56,20% Do đó, với sự phổ biến và hiệu suất tăng nhanh, điện thoại thông minh nên được sử dụng với phiên bản tốt hơn trong các nghiên cứu tương lai để chụp ảnh làm dữ liệu cho học máy.

Thứ hai, số lượng hình ảnh cho đào tạo học máy cần phải tăng lên Theo nghiên cứu của tác giả Lemaitre G và cộng sự 128 cho thấy vấn đề số lượng cỡ mẫu nhỏ hoặc dữ liệu không cân bằng đã làm giảm đáng kể chất lượng quá trình học máy Trong nghiên cứu của chúng tôi đã xây dựng kho dữ liệu giai đoạn 1 với 1424 ảnh trong đó có 532 tổn thương sâu giai đoạn sớm (độ 1),

1598 tổn thương giai đoạn giữa (độ 2) và 2127 tổn thương sâu răng giai đoạn muộn (độ 3) Mặc dù số lượng ảnh đã tương đối lớn so với các nghiên cứu cùng thời điểm như nghiên cứu của tác giả K Moutselos 126 năm 2019 với 88 ảnh, nghiên cứu của tác giả Geetha 146 năm 2020 với 105 ảnh nhưng luận án vẫn tiếp tục bổ sung dữ liệu giai đoạn 2 gồm 478 ảnh để nâng tổng số ảnh trong kho dữ liệu lên 1902 ảnh trong đó có 1902 tổn thương sâu răng giai đoạn sớm, 1598 tổn thương sâu răng giai đoạn giữa và 2127 tổn thương sâu răng giai đoạn muộn Tuy nhiên, trong phạm vi nghiên cứu của luận án bước đầu mới xây dựng được kho dữ liệu sâu răng đại diện cho người Việt Nam trên lâm sàng Kho dữ liệu vẫn chưa đạt đến số lượng ảnh kỳ vọng của nhóm nghiên cứu với dữ liệu cân bằng giữa các mức độ tổn thương sâu răng Trong cùng thời điểm nghiên cứu của luận án, tác giả Dương 106 cũng tiến hành xây dựng kho dữ liệu và phát triển mô hình học máy để chẩn đoán sâu răng giai đoạn sớm trong phòng thí nghiệm với 620 ảnh từ 620 răng hàm gồm 72 ảnh không sâu, 232 ảnh sâu răng giai đoạn sớm và 313 ảnh sâu răng giai đoạn có lỗ sâu Đây cũng là một kho dữ liệu không cân bằng giữa các mức độ tổn thương sâu răng Vì vậy, hạn chế trong phạm vi nghiên cứu này của luận án rất cần được bổ sung thêm dữ liệu sâu răng giai đoạn sớm vào kho dữ liệu trong các nghiên cứu tiếp theo để đạt được kho dữ liệu đủ lớn và cân bằng dữ liệu.

Thứ ba, tập dữ liệu của chúng tôi tương đối hạn chế vì việc thu thập và khoanh vùng hình ảnh tổn thương của các mức độ tổn thương sâu răng trên từng mặt răng đòi hỏi nguồn kinh phí và cần nhiều thời gian của bác sĩ Do đó giải pháp chia sẻ dữ liệu và hợp tác giữa nhiều trung tâm nha khoa, bệnh viện là rất quan trọng để hỗ trợ và tạo điều kiện thuận lợi cho quá trình đào tạo mô hình học máy Trong nghiên cứu của luận án không thể thu thập hình ảnh về tất cả các mặt của răng do đặc điểm chụp ảnh trong miệng Để giải quyết vấn đề này có thể xem xét dựa trên tốc độ chẩn đoán nhanh của các mô hình như của mô hình YOLOv3, từ đó nhận dạng tổn thương sâu răng qua hình ảnh trên video của điện thoại thông minh đối với các răng trong miệng sẽ thu được nhiều dữ liệu ảnh răng hơn và tăng số lượng các tổn thương sâu răng được phát hiện Chúng tôi hy vọng rằng với các video hình ảnh răng sẽ thu được lượng dữ liệu ảnh lớn hơn, thấy được tổn thương sâu răng trên các mặt của răng và giảm bớt khó khăn trong quá trình thu thập dữ liệu.

Thứ tư, đối với lĩnh vực công nghệ thông tin luận án còn tồn tại hạn chế liên quan đến một số yếu tố ảnh hưởng đến kết quả mô hình học máy trong chẩn đoán các giai đoạn sâu răng như chưa có các dữ liệu phụ trợ khác cho ảnh phục vụ quá trình đưa ra chẩn đoán của các mô hình học máy Triệu chứng lâm sàng và tiền sử bệnh mới chỉ được khai khác để phục vụ bác sĩ trong quá trình khám trực tiếp trên lâm sàng mà chưa được mã hóa đào tạo các mô hình học máy Do đó kết quả chẩn đoán của mô hình học máy tại thời điểm nghiên cứu của luận án là thấp hơn so với kết quả chẩn đoán khám trực tiếp của bác sĩ đối với tổn thương sâu răng.

Thứ năm, trong nghiên cứu của luận án đã cập nhật các mô hình học máy mới nhất như mô hình Faster R-CNN 88 được xây dựng và công bố năm 2015, mô hình SSD 89 năm 2016, mô hình RetinaNet 91 năm 2017 và gần đây nhất là mô hình YOLOv3 93 được công bố năm 2018 là phù hợp nhất để chẩn đoán tổn thương nhỏ và đa dạng như sâu răng giai đoạn sớm Với kho dữ liệu hiện tại trong nghiên cứu của luận án rất mong có các mô hình tiềm năng hơn sẽ được phát triển với mục đích ra tăng khả năng phát hiện tổn thương nhỏ và đa dạng như tổn thương sâu răng giai đoạn sớm Có thể còn một chặng đường dài cho đến khi có một mô hình học máy chính xác, nhanh chóng sử dụng các bức ảnh trong miệng không cần chuẩn hóa được chụp từ các thiết bị phổ thông để chẩn đoán các giai đoạn của sâu răng Nghiên cứu của luận án đã cung cấp cho các nhà nghiên cứu cái nhìn về hiệu suất của bốn mô hình học máy cập nhật nhất trong phạm vi thời điểm nghiên cứu để phát hiện các giai đoạn tổn thương sâu răng trên ảnh chụp và đặc biệt là tổn thương sâu răng giai đoạn sớm.

4.4.3 Hạn chế trong đánh giá độ nhạy, độ đặc hiệu của chẩn đoán sàng lọc sâu răng giai đoạn sớm bằng phương pháp học máy

Hạn chế thứ nhất trong đánh giá hiệu quả chẩn đoán sàng lọc sâu răng giai đoạn sớm bằng phương pháp học máy là trên lâm sàng tổn thương sâu răng được các bác sĩ đưa ra chẩn đoán dựa trên cả triệu chứng cơ năng, triệu chứng thực thể và một số thói quen sinh hoạt chưa tốt Trong nghiên cứu của luận án, các mô hình học máy được huấn luyện đào tạo và đánh giá hiệu quả chỉ trên ảnh chụp trong miệng Do đó phương pháp mã hóa các yếu tố cơ năng và kết hợp chúng vào mô hình học máy sẽ giúp cải thiện độ chính xác trong chẩn đoán của các mô hình.

Hạn chế thứ hai là để đánh giá hiệu quả chẩn đoán của bốn mô hình học máy YOLOv3, Fast R-CNN, RetinaNet, SSD trong chẩn đoán các giai đoạn tổn thương sâu răng và đặc biệt là sâu răng giai đoạn sớm chúng tôi đã tiến hành đánh giá trên số lượng lớn với 1250 ảnh của 250 đối tượng trực tiếp trên lâm sàng Thực tế trong quá trình đánh giá hiệu quả của các mô hình học máy, số lượng 1250 ảnh tương ứng với chẩn đoán mức độ tổn thương 4995 răng. Trong nghiên cứu trên lâm sàng để đánh giá hiệu quả mô hình học máy CNN trong chẩn đoán sâu răng tác giả Casalengo 105 năm 2019 xây dựng kho dữ liệu với 217 ảnh trong đó tác giả đã đào tạo mô hình với 185 ảnh và đánh giá hiệu quả mô hình trên 32 mẫu còn lại Nghiên cứu trong phòng thí nghiệm để chẩn đoán tự động sâu răng qua ảnh sử dụng mô hình học máy SVM, tác giả Dương 106 năm 2021 xây dựng kho dữ liệu với 620 ảnh trong đó dữ liệu để huấn luyện mô hình là 80% và dữ liệu để đánh giá hiệu quả mô hình học máy là 20% kho dữ liệu Trong nghiên cứu của luận án với mong muốn đánh giá được hiệu quả chẩn đoán trên nhiều đối tượng nghiên cứu nên chúng tôi đã đánh giá trên tất cả 250 đối tượng tương ứng với 1250 ảnh trong khi kho dữ liệu huấn luyện mô hình học máy của chúng tôi là 1902 ảnh Mặc dù, cả bốn mô hình chúng tôi huấn luyện là những mô hình cập nhật nhất và phù hợp với bài toán phát hiện tổn thương nhỏ và đa dạng như tổn thương sâu răng nhưng hiệu quả chẩn đoán của các mô hình vẫn chưa đạt được như nhóm nghiên cứu kỳ vọng Hiệu quả chẩn đoán của mô hình YOLOv3, Faster- RCNN và RetinaNet đối với ngưỡng tổn thương sâu răng giai đoạn có lỗ đạt độ chính xác trên 80% Tuy nhiên với tổn thương sâu răng giai đoạn sớm hiệu quả chẩn đoán của các mô hình học máy còn thấp, mô hình cho hiệu quả tốt nhất là mô hình YOLOv3 với độ nhạy 32,5%; độ đặc hiệu 65,4%; độ chính xác 56,5%.

Vì vậy, các nghiên cứu trong tương lai cần phân chia dữ liệu hợp lý để thực hiện quá trình huấn luyện đào tạo và quá trình đánh giá hiệu quả của các mô hình học máy trên nghiên cứu trong phòng thí nghiệm cũng như các nghiên cứu được tiến hành trên thực tế lâm sàng.

Điểm mới, tính giá trị và khả năng áp dụng của luận án

1) Phân tích tổng hợp hiệu quả chẩn đoán của phương pháp khám trực tiếp, khám qua ảnh và phương pháp khám sử dụng huỳnh quang để chẩn đoán sâu răng giai đoạn sớm.

2) Xây dựng được hệ dữ liệu hỗ trợ máy học để chẩn đoán sâu răng giai đoạn sớm.

3) Bước đầu đánh giá độ nhạy, độ đặc hiệu của của chẩn đoán sâu răng giai đoạn sớm tự động bằng phương pháp học máy.

4) Có thể bước đầu ứng dụng phương pháp học máy để chẩn đoán tự động tổn thương sâu răng qua ảnh chụp điện thoại từ xa giúp tiết kiệm thời gian, chi phí khám chữa bệnh.