TẠP CHÍ NGHIÊN CỨU Y HỌC TCNCYH 130 (6) - 2020 - Full 10 điểm

TẠP CHÍ NGHIÊN CỨU Y HỌC TCN CYH 130 (6) - 2020 101 KẾT QUẢ BƯỚC ĐẦU CỦA ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG PHÁT HIỆN POLYP ĐẠI TRÀNG TẠI VIỆT NAM Đào Việt Hằng 1,2,3,  , Lê Quang Hưng², Nguyễn Phúc Bình¹, Nguyễn Mạnh Hùng¹ Lâm Ngọc Hoa¹, Đào Văn Long 1,2,3 , Nguyễn Thị Thủy⁴, Đinh Viết Sang⁵, Vũ Hải⁶ 1 Viện Nghiên cứu và Đào tạo Tiêu hóa, Gan mật ²Bộ môn Nội tổng hợp,Trường Đại học Y Hà Nội ³Trung tâm Nội soi, Bệnh viện Đại học Y Hà Nội ⁴Học viện Nông nghiệp Việt Nam ⁵Trường Đại học Bách khoa Hà Nội ⁶Công ty cổ phần công nghệ VDSense Từ 11/2019 đến 06/2020, nhóm tác giả thu thập 8 190 ảnh nội soi đại tràng (NSĐT) có polyp và 4 000 ảnh NSĐT không polyp, chia thành tập huấn luyện và tập kiểm chứng nhằm xây dựng mô hình AI Mô hình học sâu đề xuất được xây dựng theo kiến trúc U-Net với nhánh EfficientNet, huấn luyện trong 150 bước với thuật toán SGD và đánh giá bởi chỉ số F1, giá trị dự đoán dương tính (PPV), độ nhạy (Se), độ đặc hiệu (Sp) Kết quả trên tập kiểm chứng cho thấy chỉ số F1 trên 2 tập ảnh khi hội tụ đạt > 95 % Kết quả kiểm định thuật toán trên tập thực nghiệm (1 321 ảnh với 1 543 polyp) là PPV (94,60%), Se (96,39%) và Sp (99,84%) Trong tổng số 1543 polyp, 63,58% có kích thước < 5 mm và 81,14% thuộc nhóm Is (Phân loại Paris) 52 vùng bị khoanh sai do ảnh có bọt, vùng lóa hoặc dịch nhầy Các vùng bị nhầm chủ yếu là nếp niêm mạc (44,23%) và dịch nhầy (13,46%) Nghiên cứu cho thấy thuật toán xây dựng trong phát hiện polyp đại tràng có PPV, Se, Sp cao và có tính khả thi I ĐẶT VẤN ĐỀ Từ khóa: Nội soi đại tràng, polyp đại tràng, phát hiện polyp, trí tuệ nhân tạo, học sâu Polyp đại trực tràng (ĐTT) là một mô phát triển đẩy lồi niêm mạc ĐTT Trong đó, polyp u tuyến có nguy cơ cao trở thành ung thư Khoảng 85% ung thư đại trực tràng phát triển từ một polyp u tuyến (adenoma) ¹ Việc phát hiện polyp ĐTT, đặc biệt là adenoma để cắt qua nội soi đóng vai trò quan trọng trong phòng ngừa ung thư ĐTT Theo các nghiên cứu, tỷ lệ bỏ sót polyp đại tràng (polyp miss rate - PMR) đặc biệt là các adenoma (adenoma miss rate – AMR) tương đối cao, có thể dao động từ 20 – 47% 2-4 Trong khi đó, một nghiên cứu theo dõi trên 314872 ca nội soi đại tràng toàn bộ ghi nhận mỗi 1% tỷ lệ phát hiện adenoma (adenoma detection rate – ADR) tăng làm giảm được 3% nguy cơ tiến triển thành ung thư ĐTT ⁵ Hiện tại, có nhiều kỹ thuật mới đã được áp dụng với mong muốn cải thiện tỷ lệ ADR: sử dụng các công nghệ nội soi tăng cường hình ảnh, dây soi với góc mở vi trường rộng hoặc các thiết bị như Endocuff để quan sát được phía sau các nếp niêm mạc v v Ứng dụng công nghệ thông tin đặc biệt là xây dựng các thuật toán trí tuệ nhân tạo trong hỗ trợ phát hiện polyp đại trực tràng để đưa ra Tác giả liên hệ: Đào Việt Hằng, Trường Đại học Y Hà Nội Email: daoviethang@hmu edu vn Ngày nhận: 17/07/2020 Ngày được chấp nhận: 13/08/2020 TẠP CHÍ NGHIÊN CỨU Y HỌC TCNCYH 130 (6) - 2020 102 dự đoán cũng là một hướng đi mới được tập trung phát triển trong những năm gần đây trên thế giới Một số nghiên cứu hồi cứu đã ghi nhận tiềm năng hứa hẹn của AI trong việc hỗ trợ phát hiện polyp đại trực tràng với tỷ lệ dự đoán chính xác có thể lên đến 94 – 96% 6-8 Tại Việt Nam, theo GLOBOCAN 2018, ung thư ĐTT có tỷ lệ mắc đứng hàng thứ 5 và tỷ lệ tử vong đứng hàng thứ 6 trong số các bệnh lý ác tính ⁹ Theo hướng dẫn của Hội Ung thư Hoa kỳ cũng như Bộ Y tế Việt Nam năm 2018, polyp ĐTT được coi là yếu tố nguy cơ của ung thư ĐTT và cần có tầm soát bằng nội soi đại tràng toàn bộ trên nhóm đối tượng có nguy cơ 10,11 Điều này đặt ra nhu cầu cần tìm các giải pháp và xây dựng chương trình sàng lọc để phát hiện được sớm ung thư đại trực tràng, trong đó, phát hiện các tổn thương polyp trên nội soi chính là một khâu đóng vai trò quan trọng để tầm soát Tại Việt Nam, đã có một số công trình nghiên cứu phát triển các thuật toán trí tuệ nhân tạo trong phân tích hình ảnh X-quang tim phổi, chụp cộng hưởng từ gan 12-14 Tuy nhiên hiện chưa có nghiên cứu về ứng dụng trí tuệ nhân tạo đặc biệt xây dựng các thuật toán học máy trong nội soi đường tiêu hóa dưới để đánh giá tiềm năng cũng như tính khả thi trong hoàn cảnh thực tế của nước ta Vì vậy, nhóm nghiên cứu chúng tôi tiến hành nghiên cứu này với 2 mục tiêu chính: (1) xây dựng thuật toán học máy phát hiện polyp trên ảnh nội soi đại tràng toàn bộ và (2) bước đầu đánh giá độ chính xác của thuật toán II ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP 1 Đối tượng Hình ảnh nội soi đại tràng toàn bộ được thu thập bằng hệ thống nội soi độ phân giải cao của Fujifilm (600, 7000 và LASEREO) ở các chế độ ánh sáng trắng (WLI) và chế độ phổ màu đa băng tần (FICE) Tiêu chuẩn lựa chọn : Các hình ảnh thu thập phải đảm bảo đã được xóa toàn bộ thông tin định danh người bệnh, chất lượng hình ảnh rõ nét, không bị tối, mờ và mức độ sạch theo thang điểm Boston ≥ 2 Tiêu chuẩn loại trừ : hình ảnh nội soi đại tràng có các tổn thương phối hợp khác như ung thư đại trực tràng, Crohn, viêm loét đại tràng chảy máu, có tổn thương loét hoặc có chứa dụng cụ nội soi 2 Phương pháp Thời gian nghiên cứu: Từ tháng 11/2019 đến tháng 06/2020 Địa điểm nghiên cứu : Nghiên cứu được tiến hành tại Viện Nghiên cứu và Đào tạo Tiêu hóa, Gan mật Quá trình thu thập hình ảnh nội soi Hình ảnh nội soi đại tràng sẽ được các chuyên gia là các bác sĩ nội soi > 5 năm kinh nghiệm chuẩn hóa, gán nhãn có polyp hay không và gán nhãn chế độ ánh sáng Các chuyên gia cũng sẽ khoanh vùng polyp trên ảnh nội soi Hình 1 Minh họa hình ảnh nội soi polyp đại tràng được bác sĩ khoanh vùng TẠP CHÍ NGHIÊN CỨU Y HỌC TCN CYH 130 (6) - 2020 103 Ảnh sau khi được gán nhãn và đánh dấu sẽ được chuyển vào tập huấn luyện; trong đó, 20% số ảnh được đưa vào tập kiểm chứng Dựa trên dữ liệu ban đầu này, một mô hình mạng học sâu sẽ được xây dựng Xây dựng thuật toán phát hiện polyp đại tràng Chúng tôi sử dụng mạng nơ-ron nhiều lớp dựa theo kiến trúc U-Net 15 gồm hai phần: nhánh mã hóa (encoder) và nhánh giải mã (decoder) Nhánh mã hóa được thiết kế theo kiến trúc tích chập EfficientNet 16 có nhiệm vụ trích xuất đặc trưng đa mức từ ảnh đầu vào Kết quả của nhánh mã hóa được đưa vào nhánh giải mã để tiếp tục trích xuất đặc trưng ở mức cao hơn, đồng thời tăng dần độ phân giải về kích thước ảnh gốc ban đầu để sinh ra ảnh đánh dấu polyp (xem Hình 2) Hình 2 Minh họa kết quả dự đoán polyp và khoanh vùng của thuật toán Đầu ra các lớp của nhánh mã hóa là các đặc trưng mức thấp được chuyển trực tiếp sang lớp tương ứng của nhánh giải mã qua các kết nối tắt Nhờ vậy, thông tin giàu ngữ cảnh ở nhánh giải mã sẽ được kết hợp với các thông tin chi tiết ở mức thấp để hiệu chỉnh chính xác đường biên khoanh vùng polyp Hàm mục tiêu được sử dụng là Tversky tiêu điểm 17 Mô hình được huấn luyện trong 150 bước (epoch) bằng thuật toán SGD với tốc độ học là 0 001 và hệ số quán tính 0 9 Đánh giá độ chính xác của thuật toán Đầu tiên, chúng tôi đánh giá độ chính xác của thuật toán ở mức từng điểm ảnh trên tập huấn luyện và tập kiểm chứng Thuật toán sẽ phải dự đoán từng điểm ảnh có thuộc vùng polyp hay không Do sự mất cân bằng giữa số điểm ảnh polyp và số điểm ảnh không thuộc polyp nên chúng tôi sử dụng chỉ số F1 là bình quân điều hòa của giá trị dự báo dương tính (PPV) và độ nhạy (Se) để đánh giá hiệu năng của thuật toán Chỉ số F1 có giá trị cao nhất là 1, khi và chỉ khi PPV và Se là tuyệt đối Tiếp theo, chúng tôi sử dụng tập ảnh thực nghiệm khác để xác định độ chính xác của thuật toán ở mức phát hiện polyp khi so sánh với ý kiến chuyên gia (Bảng 1) Các chỉ số ghi nhận trong nghiên cứu bao gồm chế độ ảnh (WLI, FICE), số lượng polyp trên ảnh, kích thước polyp và đặc điểm hình thái học polyp theo phân loại Paris (Bảng 2) TẠP CHÍ NGHIÊN CỨU Y HỌC TCNCYH 130 (6) - 2020 104 Bảng 1 Các độ đo đánh giá độ chính xác của thuật toán Chỉ số Công thức Đánh giá câu hỏi Độ nhạy (Se) A/(A+C) Khả năng của thuật toán để xác định ảnh chứa polyp Độ đặc hiệu (Sp) D/(B+D) Khả năng của thuật toán để xác định ảnh không chứa polyp Giá trị dự đoán dương tính (PPV) A/(A+B) Xác suất một ảnh chứa polyp khi thuật toán dương tính Giá trị dự đoán âm tính (NPV) D/(C+D) Xác suất một ảnh không chứa polyp khi thuật toán âm tính Chỉ số F1 2*Se*PPV/ (Se+PPV) Chỉ số kết quả chính xác của thuật toán ở mức điểm ảnh *A: Số trường hợp dương tính thật; B: Số trường hợp dương tính giả; C: Số trường hợp âm tính giả; D: Số trường hợp âm tính thật Bảng 2 Phân loại Paris Type I: Các tổn thương lồi Ip (pedunculated): tổn thương có cuống Is (sessile): tổn thương không có cuống (nhô lên > 2,5 mm so với bề mặt) Type II: Các tổn thương dạng phẳng IIa (slightly elevated): nhô lên < 2,5 mm IIb (true flat lesion): tổn thương phẳng IIc (mildly depressed lesion): tổn thương lõm nhẹ trên bề mặt Type III: Các tổn thương loét III KẾT QUẢ Từ tháng 11/2019 đến tháng 06/2020, nghiên cứu thu thập được 8 190 hình ảnh nội soi đại tràng có polyp và 4 000 hình ảnh nội soi đại tràng không có polyp Dữ liệu hình ảnh đã gán nhãn được chia làm hai bộ dữ liệu theo tỉ lệ 80% cho huấn luyện mạng và 20% cho quá trình kiểm chứng Hình 2 minh họa kết quả dự đoán polyp và khoanh vùng của thuật toán Hình 3 mô tả độ chính xác của thuật toán tính theo chỉ số F1 trên bộ dữ liệu huấn luyện và bộ dữ liệu kiểm chứng Trục ngang của Hình 3 thể hiện số bước huấn luyện (epoch) Có thể thấy chỉ số F1 tăng dần theo thời gian và hội tụ ổn định khi số bước đạt 70 Chỉ số F1 đối với tập huấn luyện và tập kiểm chứng khi hội tụ đều đạt trên 95% và chênh lệch nhau không đáng kể Điều này chứng tỏ mô hình được huấn luyện hiệu quả, không bị hiện tượng học quá khớp (overfitting) TẠP CHÍ NGHIÊN CỨU Y HỌC TCN CYH 130 (6) - 2020 105 Hình 3 Độ chính xác tính theo chỉ số F1 trên tập huấn luyện và tập kiểm chứng tại từng thời điểm khác nhau (epoch) trong quá trình huấn luyện Tập ảnh thực nghiệm bao gồm 1 321 ảnh với 1 543 polyp trong đó 76% số ảnh trong tập này ở chế độ WLI Các đặc điểm chi tiết về số lượng, kích thước polyp và hình thái theo phân loại Paris được mô tả chi tiết trong Bảng 3 Bảng 3 Đặc điểm tập ảnh đánh giá thực nghiệm của mô hình Tần số (n) Tỉ lệ (%) Tần số (n) Tỉ lệ (%) Chế độ ảnh Số lượng polyp trong mỗi ảnh WLI 1004 76 1 polyp 1204 91,14 FICE 317 24 Nhiều polyp 117 8,86 Tổng cộng 1 321 100 Tổng cộng 1 321 100 Kích thước polyp Phân loại Paris < 5mm 981 63,58 Ip 127 8,23 5 - 10 mm 460 29,81 Is 1252 81,14 > 10 mm 102 6,61 IIa 164 10,63 Tổng cộng 1 543 100 IIb 0 0 Tổng cộng 1 543 100 TẠP CHÍ NGHIÊN CỨU Y HỌC TCNCYH 130 (6) - 2020 106 PPV, Se và Sp của mô hình AI trong tập ảnh thực nghiệm lần lượt là 94,60%, 96,39% và 99,84% Khi so sánh với ý kiến chuyên gia, có 38 ảnh khoanh thừa 52 tổn thương, 67 ảnh phát hiện đúng tổn thương nhưng khoanh viền chưa chính xác và 14 ảnh khoanh thiếu 37 tổn thương với các đặc điểm được mô tả chi tiết trong Bảng 4 Trong đó tất cả polyp bị bỏ sót đều có kích thước < 0,5cm và phân loại Paris Is Bảng 4 Mô tả đặc điểm các ảnh khoanh thừa và ảnh khoanh sót tổn thương Lỗi đánh dấu khoanh thừa Số vùng đánh dấu sai (n) Tỉ lệ (%) Lỗi bỏ sót Số polyp (n) Tỉ lệ (%) Bọt 7 13,46 Bỏ sót polyp nhỏ 31 83,8 Cuống polyp 5 9,62 Bỏ sót polyp ở xa 3 8,1 Dịch nhầy 7 13,46 Bỏ sót polyp trên nếp niêm mạc 3 8,1 Nếp niêm mạc 23 44,23 Tổng cộng 37 100 Niêm mạc 8 15,38 Vùng lóa 2 3,85 Tổng cộng 52 100 IV BÀN LUẬN Theo các nghiên cứu, tình trạng bỏ sót polyp hay adenoma đại tràng liên quan đến nhiều yếu tố bao gồm chất lượng hệ thống trang thiết bị, quy trình nội soi (chuẩn bị đại tràng, thời gian rút dây), môi trường làm việc và kinh nghiệm của bác sĩ 2-4 Chính vì vậy việc áp dụng công nghệ mới như các kĩ thuật nội soi tăng cường hình ảnh hay AI được kì vọng có thể giúp giảm tỷ lệ bỏ sót tổn thương Khuyến cáo mới đây của Hội Nội soi tiêu hóa châu Âu trong phát hiện và phân loại tổn thương ác tính của đại tràng cũng đã đề cập đến việc có thể kết hợp các phương thức hỗ trợ của máy tính trong phát hiện, xác định đặc điểm tổn thương trong nội soi đại tràng 18 Một số nghiên cứu hồi cứu đã ghi nhận tiềm năng hứa hẹn của AI trong việc hỗ trợ phát hiện polyp đại trực tràng 6-8 Nghiên cứu của Urban và cộng sự huấn luyện trên 8641 ảnh nội soi được gán nhãn bởi chuyên gia thu thập từ 2000 bệnh nhân và kiểm định trên 20 video nội soi cho thấy tỷ lệ dự đoán chính xác của thuật toán là 96,4% Kĩ thuật mạng neuron tích chập (Convolutional Neural Network – CNN) phát triển trong nghiên cứu này còn có ưu điểm là có khả năng chạy trên hệ thống máy tính thông thường với tốc độ xử lý nhanh Tác giả Wang và cộng sự cũng đã xây dựng mô hình phát hiện polyp với PPV là 94,3% và Sp là 95,9% trong đó hệ thống có tốc độ xử lý hình ảnh video là 25 ảnh/s do vậy độ trễ khi phân tích video nội soi đồng thời rất khó nhận biết được, kể cả bởi chuyên gia 19 Điểm chung của thuật toán do chúng tôi và các nhóm tác giả trên thế giới xây dựng là đều dựa trên các tập ảnh tĩnh đã được bác sĩ gán nhãn, khoanh vùng Một điểm hạn chế là không có nhiều tập ảnh dữ liệu công bố trong lĩnh vực này Tập dữ liệu công bố lớn nhất là tập Kvasir bao gồm 1000 ảnh có polyp, 1000 ảnh polyp được tiêm phồng và 1000 ảnh chân vết cắt polyp sau can thiệp thủ thuật Nghiên cứu nền trên tập ảnh Kvasir được thực hiện bởi Pogorelov và cộng sự ghi TẠP CHÍ NGHIÊN CỨU Y HỌC TCN CYH 130 (6) - 2020 107 nhận Sp và PPV lần lượt là 95,8% và 92,7% 20 Đồng thời, nghiên cứu phân tích gộp thực hiện bởi Lui và cộng sự cho thấy các thuật toán AI trong nội soi đại tràng ghi nhận PPV, Se lần lượt là 96% và 92,3% 21 Khi so sánh với nghiên cứu của các tác giả trên thế giới, thuật toán chúng tôi đang xây dựng có PPV, Se và Sp gần tương đương Có thể thấy, nhóm nghiên cứu đã bước đầu thành công trong việc xây dựng dữ liệu hình ảnh nội soi Đồng thời, dữ liệu cũng vẫn đang được thu nhận thêm, đặc biệt là dữ liệu dạng video nhằm kiểm định độ chính xác cũng như thời gian phân tích xử lý ảnh Tại Việt Nam, hiện chưa có nhiều nghiên cứu về ứng dụng trí tuệ nhân tạo trong nội soi đường tiêu hóa để đánh giá tiềm năng cũng như tính khả thi trong hoàn cảnh thực tế của nước ta Năm 2019, nhóm nghiên cứu của chúng tôi đã tiến hành một nghiên cứu bước đầu đánh giá việc ứng dụng AI trong xác định 7 vị trí giải phẫu của dạ dày với PPV trung bình là 92,48% Ngoài ra, kết quả nghiên cứu cũng cho thấy khả năng ứng dụng trong thực tế dựa trên phân tích thời gian bác sĩ nội soi phân loại ảnh theo vị trí giải phẫu theo cách thông thường và khi có sự hỗ trợ của phần mềm Trung vị thời gian phân loại của ba chuyên gia nội soi khi sử dụng phần mềm (3,86 phút) ngắn hơn một cách có ý nghĩa thống kê so với cách phân loại truyền thống (12,82 phút) 22 Trên cơ sở đó, nhóm nghiên cứu chúng tôi tiến hành xây dựng thuật toán đối với phát hiện tổn thương polyp của đường tiêu hóa dưới Năm 2019, nhóm nghiên cứu của Đại học quốc gia Thành phố Hồ Chí Minh đã tiến hành đánh nhãn trên tập dữ liệu KVASIR để phát hiện các tổn thương của đường tiêu hóa cả trên và dưới bao gồm viêm thực quản, polyp đại tràng và các dụng cụ can thiệp Kết quả ghi nhận chỉ số F1 của các thuật toán học sâu xây dựng được dao động từ 83 - 94% trên 2 tập dữ liệu Medico và BioMedia, tuy nhiên nhóm tác giả cũng nhận thấy thuật toán chưa đủ mạnh trong việc phát hiện tổn thương các polyp đại tràng đặc biệt ở nhóm được tiêm phồng trước thủ thuật Nhóm tác giả đã đánh dấu vùng phát hiện polyp cho 3 088 ảnh và dụng cụ cho 1 886 ảnh để xây dựng bộ dữ liệu chuẩn cho các nghiên cứu tiếp theo Tuy nhiên, mô hình Faster R-CNN sử dụng trong nghiên cứu này là kiến trúc hai giai đoạn (two-stage) dựa trên mạng xương sống ResNet10 có kích thước rất lớn và sâu nên tốc độ xử lý chậm và khó ứng dụng cho bước tiếp theo là chạy trên video hoặc xử lý thời gian thực 23 Nghiên cứu của chúng tôi sử dụng tập ảnh huấn luyện được gán nhãn với 8 190 hình ảnh nội soi đại tràng có polyp và 4 000 hình ảnh nội soi đại tràng không có polyp trong đó số ảnh được khoanh vùng là 6 234 ảnh Đây là tập dữ liệu đầu tiên được xây dựng tại Việt Nam, bao gồm 76% ảnh chế độ WLI và 23% chế độ FICE với kích thước, hình thái polyp đa dạng cũng là một điểm mạnh giúp đánh giá ưu nhược điểm của thuật toán Khi kiểm định trên tập thực nghiệm, PPV và Se thu nhận được tương tự như của các nhóm tác giả trên thế giới lần lượt là 94,6% và 96,39% Các trường hợp bị sót tổn thương đều là polyp bé dưới 5 mm và hình thái Paris là Is Nguyên nhân có thể là do kích thước polyp quá nhỏ hoặc nằm trong vùng tối của ảnh nên phần mềm khó xác định ranh giới rõ ràng của polyp với niêm mạc xung quanh dẫn đến bỏ sót Những trường hợp bị nhận nhầm polyp thường là do chất lượng ảnh (bọt, có lóa, dịch nhầy) hoặc nhận nhầm với nếp niêm mạc Chất lượng ảnh kém có khả năng đã tạo nên các đường ranh giới mờ xung quanh các vùng có bọt, lóa và dịch nhầy khiến cho thuật toán xác định nhầm là ranh giới của polyp Đối với các trường hợp nhận nhầm nếp niêm mạc, các nếp có thể đã tạo nên hình ảnh cấu trúc lồi trên bề TẠP CHÍ NGHIÊN CỨU Y HỌC TCNCYH 130 (6) - 2020 108 mặt niêm mạc gần giống với polyp Is theo phân loại Paris khiến phần mềm xác định nhầm Các trường hợp bỏ sót và nhận nhầm được mô tả ở trên cũng là những đặc điểm được báo cáo trong một số nghiên cứu của các tác giả trên thế giới và gợi ý một số định hướng giúp nhóm nghiên cứu cải thiện thêm thuật toán Nghiên cứu này của chúng tôi còn một số hạn chế như là nghiên cứu đơn trung tâm, tập dữ liệu là ảnh tĩnh và chỉ mới thu nhận trên 2 chế độ ánh sáng là WLI và FICE của hệ thống máy Fujifilm Trong tương lai, sẽ cần triển khai nghiên cứu đa trung tâm trên nhiều hệ thống máy và chế độ ánh sáng để đảm bảo cơ sở dữ liệu đầu vào phong phú V KẾT LUẬN Nghiên cứu được tiến hành nhằm phát triển hệ thống ứng dụng thuật toán AI để phát hiện polyp đại tràng thông qua xây dựng tập dữ liệu ảnh nội soi của bệnh nhân Việt Nam (với 8 190 ảnh có polyp và 4 000 ảnh không polyp), đồng thời tiến hành đánh giá bước đầu độ chính xác của thuật toán Trong quá trình xây dựng mô hình, kết quả thử nghiệm cho thấy mô hình có chỉ số F1 cao, trên 95% Kết quả kiểm định trên tập 1 321 ảnh với 1 543 tổn thương ghi nhận PPV, Se và Sp của mô hình lần lượt là 94,6%, 96,39% và 99,84% với 52 vùng khoanh thừa và 37 tổn thương bỏ sót đều có kích thước < 5 mm và hình thái Is theo phân loại Paris Kết quả ghi nhận bước đầu cho thấy hướng nghiên cứu này có tính khả thi ở nước ta và là một hướng đi mới cần tiếp tục đi sâu phát triển TÀI LIỆU THAM KHẢO 1 Giacosa A, Frascio F, Munizzi F Epidemiology of colorectal polyps Tech Coloproctol 2004; 8 Suppl 2: s243-247 2 Moriyama T, Uraoka T, Esaki M, Matsumoto T Advanced technology for the improvement of adenoma and polyp detection during colonoscopy Dig Endosc 2015; 27 Suppl 1: 40 - 44 3 Zhao S, Wang S, Pan P, et al Magnitude, Risk Factors, and Factors Associated With Adenoma Miss Rate of Tandem Colonoscopy: A Systematic Review and Meta-analysis Gastroenterology 2019; 156(6): 1661 - 1674 e1611 4 Shin JG, Kim HW, Park SB, et al Polyp missing rate and its associated risk factors of referring hospitals for endoscopic resection of advanced colorectal neoplasia Medicine (Baltimore) 2017; 96(19): e6742 5 Corley DA, Jensen CD, Marks AR, et al Adenoma detection rate and risk of colorectal cancer and death N Engl J Med 2014; 370(14): 1298 - 1306 6 Karkanis SA, Iakovidis DK, Maroulis DE, Karras DA, Tzivras M Computer-aided tumor detection in endoscopic video using color wavelet features IEEE Transactions on Information Technology in Biomedicine 2003; 7(3): 141 - 152 7 Urban G, Tripathi P, Alkayali T, et al Deep Learning Localizes and Identifies Polyps in Real Time With 96% Accuracy in Screening Colonoscopy Gastroenterology 2018; 155(4): 1069 - 1078 e1068 8 Viscaino M, Cheein FA Machine learning for computer-aided polyp detection using wavelets and content-based image Paper presented at: 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) ; 23 - 27 July 2019, 2019 9 Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries CA Cancer J Clin 2018; 68(6): 394 TẠP CHÍ NGHIÊN CỨU Y HỌC TCN CYH 130 (6) - 2020 109 - 424 10 Wolf AMD, Fontham ETH, Church TR, et al Colorectal cancer screening for average- risk adults: 2018 guideline update from the American Cancer Society CA Cancer J Clin 2018; 68(4): 250-281 11 Bộ Y tế Quyết định 2549/QĐ-BYT 2018 ban hành Tài liệu Hướng dẫn chẩn đoán và điều trị ung thư đại - trực tràng In: 2018 12 Huynh HT, Anh VNN A Deep Learning Method for Lung Segmentation on Large Size Chest X-Ray Image Paper presented at: 2019 IEEE-RIVF International Conference on Computing and Communication Technologies (RIVF) ; 20-22 March 2019, 2019 13 Ngoc LT, Huynh KD, Bao PT, Hieu HT Liver intensity determination in the 3D abdominal MR image using neural network Vietnam Journal of Science and Technology 2016; 3A(54) 14 Le TN, Bao PT, Huynh HT Liver Tumor Segmentation from MR Images Using 3D Fast Marching Algorithm and Single Hidden Layer Feedforward Neural Network BioMed Research International 2016; 2016: 3219068 15 Ronneberger O, Fischer P, Brox T U-Net: Convolutional Networks for Biomedical Image Segmentation Vol 93512015 16 Tan M, Le Q EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks 2019 17 Abraham N, Khan NM A Novel Focal Tversky Loss Function With Improved Attention U-Net for Lesion Segmentation P aper presented at: 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019) ; 8 - 11 April 2019, 2019 18 Bisschops R, East JE, Hassan C, et al Advanced imaging for detection and differentiation of colorectal neoplasia: European Society of Gastrointestinal Endoscopy (ESGE) Guideline - Update 2019 Endoscopy 2019; 51(12): 1155 - 1179 19 Wang P, Xiao X, Glissen Brown JR, et al Development and validation of a deep-learning algorithm for the detection of polyps during colonoscopy Nature Biomedical Engineering 2018; 2(10): 741 - 748 20 Pogorelov K, Randel KR, Griwodz C, et al KVASIR: A Multi-Class Image Dataset for Computer Aided Gastrointestinal Disease Detection 2017 21 Lui TKL, Guo CG, Leung WK Accuracy of artificial intelligence on histology prediction and detection of colorectal polyps: a systematic review and meta-analysis Gastrointestinal Endoscopy 2020; 92(1): 11-22 e16 22 Đào Việt Hằng, Nguyễn Phúc Bình, Vũ Hải, et al Xác định vị trí giải phẫu của dạ dày qua nội soi đường tiêu hóa trên sử dụng mạng noron tích chập Tạp chí Y học thực hành 2019; 1120(12): 10 - 12 23 Hoang TH, Nguyen HD, Nguyen VA, Nguyen TA, Nguyen VT, Tran MT Enhancing Endoscopic Image Classification with Symptom Localization and Data Augmentation 2019 TẠP CHÍ NGHIÊN CỨU Y HỌC TCNCYH 130 (6) - 2020 110 Summary PRELIMINARY RESULTS OF ARTIFICIAL INTELLIGENT APPLICATION IN COLONOSCOPIC POLYPS DETECTION IN VIETNAM This study intention is to build a deep learning model for polyps detection in colonoscopy images, conducted from November 2019 to June 2020 We collected a dataset of 8190 colonoscopy images with at least one polyp and 4000 colonoscopy images without polyp 80% of the dataset was used for training and 20% was used for testing in which images with polyps were labeled and annotated by experts The proposed model was built based on the U-Net architecture with an Efficient Net encoder and was trained in 150 epochs before testing on the experimental dataset (1321 colonoscopy images with 1543 polyps) The model’s accuracy was then evaluated using the F1 score, the PPV index, the Se index, and the Sp index Preliminary assessment of the proposed model showed that the F1 scores of both the training set and the testing set are over 95% The AI model was then tested on the experimental dataset, which recorded the PPV, Se and Sp indexes of 94 60%, 96 39% and 99 84%, respectively Furthermore, 37 polyps were missed, 63 58% of which were less than 5mm in diameter, and 81 14% were categorized as Is according to Paris classification 52 areas incorrectly marked as polyp were foam, optical flare, or mucus in the images Most of the false-positive areas were mucosal folds (44 23%) and mucus (13 46%) This preliminary study showed that the proposed deep learning model yielded good precision and recall Application of AI in colonoscopic polyps’ detection is then feasible and requires further investigation in Vietnam Key words: Artificial intelligent, colonoscopy, colonoscopic polyps, deep learning, polyp detection

TẠP CHÍ NGHIÊN CỨU Y HỌC KẾT QUẢ BƯỚC ĐẦU CỦA ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG PHÁT HIỆN POLYP ĐẠI TRÀNG TẠI VIỆT NAM Đào Việt Hằng1,2,3,, Lê Quang Hưng², Nguyễn Phúc Bình¹, Nguyễn Mạnh Hùng¹ Lâm Ngọc Hoa¹, Đào Văn Long1,2,3, Nguyễn Thị Thủy⁴, Đinh Viết Sang⁵, Vũ Hải⁶ 1Viện Nghiên cứu Đào tạo Tiêu hóa, Gan mật ²Bộ môn Nội tổng hợp,Trường Đại học Y Hà Nội ³Trung tâm Nội soi, Bệnh viện Đại học Y Hà Nội ⁴Học viện Nông nghiệp Việt Nam ⁵Trường Đại học Bách khoa Hà Nội ⁶Công ty cổ phần công nghệ VDSense Từ 11/2019 đến 06/2020, nhóm tác giả thu thập 8.190 ảnh nội soi đại tràng (NSĐT) có polyp 4.000 ảnh NSĐT không polyp, chia thành tập huấn luyện tập kiểm chứng nhằm xây dựng mô hình AI Mơ hình học sâu đề xuất xây dựng theo kiến trúc U-Net với nhánh EfficientNet, huấn luyện 150 bước với thuật toán SGD đánh giá số F1, giá trị dự đốn dương tính (PPV), độ nhạy (Se), độ đặc hiệu (Sp) Kết tập kiểm chứng cho thấy số F1 tập ảnh hội tụ đạt > 95 % Kết kiểm định thuật toán tập thực nghiệm (1.321 ảnh với 1.543 polyp) PPV (94,60%), Se (96,39%) Sp (99,84%) Trong tổng số 1543 polyp, 63,58% có kích thước < mm 81,14% thuộc nhóm Is (Phân loại Paris) 52 vùng bị khoanh sai ảnh có bọt, vùng lóa dịch nhầy Các vùng bị nhầm chủ yếu nếp niêm mạc (44,23%) dịch nhầy (13,46%) Nghiên cứu cho thấy thuật toán xây dựng phát polyp đại tràng có PPV, Se, Sp cao có tính khả thi Từ khóa: Nội soi đại tràng, polyp đại tràng, phát polyp, trí tuệ nhân tạo, học sâu I ĐẶT VẤN ĐỀ adenoma (adenoma miss rate – AMR) tương đối cao, dao động từ 20 – 47%.2-4 Trong Polyp đại trực tràng (ĐTT) mơ phát đó, nghiên cứu theo dõi 314872 triển đẩy lồi niêm mạc ĐTT Trong đó, polyp u ca nội soi đại tràng toàn ghi nhận 1% tuyến có nguy cao trở thành ung thư Khoảng tỷ lệ phát adenoma (adenoma detection 85% ung thư đại trực tràng phát triển từ rate – ADR) tăng làm giảm 3% nguy polyp u tuyến (adenoma).¹ Việc phát polyp tiến triển thành ung thư ĐTT.⁵ Hiện tại, có nhiều ĐTT, đặc biệt adenoma để cắt qua nội soi kỹ thuật áp dụng với mong muốn đóng vai trò quan trọng phòng ngừa ung cải thiện tỷ lệ ADR: sử dụng công nghệ nội thư ĐTT Theo nghiên cứu, tỷ lệ bỏ sót polyp soi tăng cường hình ảnh, dây soi với góc mở đại tràng (polyp miss rate - PMR) đặc biệt vi trường rộng thiết bị Endocuff để quan sát phía sau nếp niêm mạc Tác giả liên hệ: Đào Việt Hằng, v.v Ứng dụng công nghệ thông tin đặc biệt Trường Đại học Y Hà Nội xây dựng thuật tốn trí tuệ nhân tạo Email: daoviethang@hmu.edu.vn hỗ trợ phát polyp đại trực tràng để đưa Ngày nhận: 17/07/2020 Ngày chấp nhận: 13/08/2020 TCNCYH 130 (6) - 2020 101 TẠP CHÍ NGHIÊN CỨU Y HỌC đánh giá độ xác thuật tốn dự đốn hướng tập II ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP trung phát triển năm gần giới Một số nghiên cứu hồi cứu ghi nhận Đối tượng tiềm hứa hẹn AI việc hỗ trợ phát polyp đại trực tràng với tỷ lệ dự đốn Hình ảnh nội soi đại tràng tồn thu xác lên đến 94 – 96%.6-8 thập hệ thống nội soi độ phân giải cao Fujifilm (600, 7000 LASEREO) chế độ Tại Việt Nam, theo GLOBOCAN 2018, ung ánh sáng trắng (WLI) chế độ phổ màu đa thư ĐTT có tỷ lệ mắc đứng hàng thứ tỷ lệ băng tần (FICE) tử vong đứng hàng thứ số bệnh lý ác tính.⁹ Theo hướng dẫn Hội Ung thư Hoa Tiêu chuẩn lựa chọn: Các hình ảnh thu thập kỳ Bộ Y tế Việt Nam năm 2018, polyp phải đảm bảo xóa tồn thơng tin ĐTT coi yếu tố nguy ung thư định danh người bệnh, chất lượng hình ảnh ĐTT cần có tầm sốt nội soi đại tràng rõ nét, không bị tối, mờ mức độ theo tồn nhóm đối tượng có nguy cơ.10,11 thang điểm Boston ≥ Điều đặt nhu cầu cần tìm giải pháp xây dựng chương trình sàng lọc để phát Tiêu chuẩn loại trừ: hình ảnh nội soi đại tràng sớm ung thư đại trực tràng, có tổn thương phối hợp khác ung thư đó, phát tổn thương polyp nội đại trực tràng, Crohn, viêm loét đại tràng chảy soi khâu đóng vai trị quan trọng máu, có tổn thương loét có chứa dụng cụ để tầm sốt Tại Việt Nam, có số cơng nội soi trình nghiên cứu phát triển thuật tốn trí tuệ nhân tạo phân tích hình ảnh X-quang tim Phương pháp phổi, chụp cộng hưởng từ gan.12-14 Tuy nhiên chưa có nghiên cứu ứng dụng trí tuệ Thời gian nghiên cứu: Từ tháng 11/2019 đến nhân tạo đặc biệt xây dựng thuật toán học tháng 06/2020 máy nội soi đường tiêu hóa để đánh giá tiềm tính khả thi hồn Địa điểm nghiên cứu: Nghiên cứu tiến cảnh thực tế nước ta hành Viện Nghiên cứu Đào tạo Tiêu hóa, Gan mật Vì vậy, nhóm nghiên cứu chúng tơi tiến hành nghiên cứu với mục tiêu chính: (1) xây Quá trình thu thập hình ảnh nội soi dựng thuật tốn học máy phát polyp Hình ảnh nội soi đại tràng ảnh nội soi đại tràng toàn (2) bước đầu chuyên gia bác sĩ nội soi > năm kinh nghiệm chuẩn hóa, gán nhãn có polyp hay không gán nhãn chế độ ánh sáng Các chuyên gia khoanh vùng polyp ảnh nội soi Hình Minh họa hình ảnh nội soi polyp đại tràng bác sĩ khoanh vùng 102 TCNCYH 130 (6) - 2020 Ảnh sau gán nhãn đánh dấu TẠP CHÍ NGHIÊN CỨU Y HỌC chuyển vào tập huấn luyện; đó, 20% số ảnh đưa vào tập kiểm chứng mã hóa (encoder) nhánh giải mã (decoder) Dựa liệu ban đầu này, mơ hình Nhánh mã hóa thiết kế theo kiến trúc tích mạng học sâu xây dựng chập EfficientNet16 có nhiệm vụ trích xuất đặc trưng đa mức từ ảnh đầu vào Kết Xây dựng thuật toán phát polyp đại nhánh mã hóa đưa vào nhánh giải mã tràng để tiếp tục trích xuất đặc trưng mức cao hơn, đồng thời tăng dần độ phân giải kích thước Chúng tơi sử dụng mạng nơ-ron nhiều lớp ảnh gốc ban đầu để sinh ảnh đánh dấu polyp dựa theo kiến trúc U-Net15 gồm hai phần: nhánh (xem Hình 2) Hình Minh họa kết dự đoán polyp khoanh vùng thuật toán Đầu lớp nhánh mã hóa đặc polyp hay không Do cân số trưng mức thấp chuyển trực tiếp sang lớp điểm ảnh polyp số điểm ảnh không thuộc tương ứng nhánh giải mã qua kết nối polyp nên sử dụng số F1 bình tắt Nhờ vậy, thơng tin giàu ngữ cảnh nhánh quân điều hòa giá trị dự báo dương tính giải mã kết hợp với thông tin chi (PPV) độ nhạy (Se) để đánh giá hiệu tiết mức thấp để hiệu chỉnh xác đường thuật tốn Chỉ số F1 có giá trị cao biên khoanh vùng polyp Hàm mục tiêu 1, PPV Se tuyệt đối sử dụng Tversky tiêu điểm.17 Mơ hình huấn luyện 150 bước (epoch) thuật Tiếp theo, sử dụng tập ảnh thực toán SGD với tốc độ học 0.001 hệ số quán nghiệm khác để xác định độ xác tính 0.9 thuật toán mức phát polyp so sánh với ý kiến chuyên gia (Bảng 1) Đánh giá độ xác thuật tốn Đầu tiên, chúng tơi đánh giá độ xác Các số ghi nhận nghiên cứu bao thuật toán mức điểm ảnh tập gồm chế độ ảnh (WLI, FICE), số lượng polyp huấn luyện tập kiểm chứng Thuật tốn ảnh, kích thước polyp đặc điểm hình phải dự đốn điểm ảnh có thuộc vùng thái học polyp theo phân loại Paris (Bảng 2) TCNCYH 130 (6) - 2020 103 TẠP CHÍ NGHIÊN CỨU Y HỌC Bảng Các độ đo đánh giá độ xác thuật toán Chỉ số Công thức Đánh giá câu hỏi Độ nhạy (Se) A/(A+C) Khả thuật toán để xác định ảnh chứa polyp Độ đặc hiệu (Sp) D/(B+D) Khả thuật toán để xác định ảnh khơng chứa polyp Giá trị dự đốn dương A/(A+B) Xác suất ảnh chứa polyp thuật tính (PPV) tốn dương tính Giá trị dự đốn âm tính (NPV) D/(C+D) Xác suất ảnh không chứa polyp thuật toán âm tính Chỉ số F1 2*Se*PPV/ Chỉ số kết xác thuật toán (Se+PPV) mức điểm ảnh *A: Số trường hợp dương tính thật; B: Số trường hợp dương tính giả; C: Số trường hợp âm tính giả; D: Số trường hợp âm tính thật Bảng Phân loại Paris Type I: Các tổn thương lồi Ip (pedunculated): tổn thương có cuống Is (sessile): tổn thương khơng có cuống Type II: Các tổn thương dạng (nhô lên > 2,5 mm so với bề mặt) phẳng IIa (slightly elevated): nhô lên < 2,5 mm Type III: Các tổn thương loét IIb (true flat lesion): tổn thương phẳng IIc (mildly depressed lesion): tổn thương lõm nhẹ bề mặt III KẾT QUẢ tính theo số F1 liệu huấn luyện liệu kiểm chứng Trục ngang Hình Từ tháng 11/2019 đến tháng 06/2020, thể số bước huấn luyện (epoch) Có thể nghiên cứu thu thập 8.190 hình ảnh nội thấy số F1 tăng dần theo thời gian hội tụ soi đại tràng có polyp 4.000 hình ảnh nội soi ổn định số bước đạt 70 Chỉ số F1 đại tràng khơng có polyp Dữ liệu hình ảnh tập huấn luyện tập kiểm chứng hội tụ gán nhãn chia làm hai liệu theo tỉ đạt 95% chênh lệch không đáng lệ 80% cho huấn luyện mạng 20% cho kể Điều chứng tỏ mô hình huấn trình kiểm chứng Hình minh họa kết dự luyện hiệu quả, không bị tượng học đoán polyp khoanh vùng thuật tốn khớp (overfitting) Hình mơ tả độ xác thuật tốn 104 TCNCYH 130 (6) - 2020 TẠP CHÍ NGHIÊN CỨU Y HỌC Hình Độ xác tính theo số F1 tập huấn luyện tập kiểm chứng thời điểm khác (epoch) trình huấn luyện Tập ảnh thực nghiệm bao gồm 1.321 ảnh với 1.543 polyp 76% số ảnh tập chế độ WLI Các đặc điểm chi tiết số lượng, kích thước polyp hình thái theo phân loại Paris mơ tả chi tiết Bảng Bảng Đặc điểm tập ảnh đánh giá thực nghiệm mơ hình Tần số (n) Tỉ lệ (%) Tần số (n) Tỉ lệ (%) Chế độ ảnh 1004 76 Số lượng polyp ảnh WLI 317 24 91,14 FICE 1.321 100 polyp 1204 8,86 Tổng cộng 100 Kích thước polyp 981 63,58 Nhiều polyp 117 < 5mm 460 29,81 8,23 - 10 mm 102 6,61 Tổng cộng 1.321 81,14 > 10 mm 1.543 100 10,63 Tổng cộng Phân loại Paris Ip 127 100 Is 1252 IIa 164 IIb Tổng cộng 1.543 TCNCYH 130 (6) - 2020 105 TẠP CHÍ NGHIÊN CỨU Y HỌC PPV, Se Sp mơ hình AI tập ảnh thực nghiệm 94,60%, 96,39% 99,84% Khi so sánh với ý kiến chuyên gia, có 38 ảnh khoanh thừa 52 tổn thương, 67 ảnh phát tổn thương khoanh viền chưa xác 14 ảnh khoanh thiếu 37 tổn thương với đặc điểm mơ tả chi tiết Bảng Trong tất polyp bị bỏ sót có kích thước < 0,5cm phân loại Paris Is Bảng Mô tả đặc điểm ảnh khoanh thừa ảnh khoanh sót tổn thương Lỗi đánh dấu Số vùng đánh Tỉ lệ Lỗi bỏ sót Số polyp Tỉ lệ khoanh thừa dấu sai (n) (%) (n) (%) Bỏ sót polyp nhỏ 31 83,8 Bọt 13,46 Bỏ sót polyp xa 8,1 Cuống polyp 9,62 Bỏ sót polyp nếp niêm mạc 8,1 Dịch nhầy 13,46 Tổng cộng 37 100 Nếp niêm mạc 23 44,23 Niêm mạc Vùng lóa 15,38 Tổng cộng 3,85 52 100 IV BÀN LUẬN soi cho thấy tỷ lệ dự đốn xác thuật toán 96,4% Kĩ thuật mạng neuron tích chập Theo nghiên cứu, tình trạng bỏ sót polyp (Convolutional Neural Network – CNN) phát hay adenoma đại tràng liên quan đến nhiều yếu triển nghiên cứu cịn có ưu điểm tố bao gồm chất lượng hệ thống trang thiết bị, có khả chạy hệ thống máy tính thơng quy trình nội soi (chuẩn bị đại tràng, thời gian thường với tốc độ xử lý nhanh Tác giả Wang rút dây), môi trường làm việc kinh nghiệm cộng xây dựng mơ hình phát bác sĩ.2-4 Chính việc áp dụng cơng polyp với PPV 94,3% Sp 95,9% nghệ kĩ thuật nội soi tăng cường hệ thống có tốc độ xử lý hình ảnh hình ảnh hay AI kì vọng giúp giảm video 25 ảnh/s độ trễ phân tích tỷ lệ bỏ sót tổn thương Khuyến cáo video nội soi đồng thời khó nhận biết được, Hội Nội soi tiêu hóa châu Âu phát kể chuyên gia.19 Điểm chung thuật phân loại tổn thương ác tính đại tốn chúng tơi nhóm tác giả tràng đề cập đến việc kết hợp giới xây dựng dựa tập ảnh tĩnh phương thức hỗ trợ máy tính bác sĩ gán nhãn, khoanh vùng phát hiện, xác định đặc điểm tổn thương nội soi đại tràng.18 Một điểm hạn chế khơng có nhiều tập ảnh liệu công bố lĩnh vực Tập liệu Một số nghiên cứu hồi cứu ghi nhận tiềm công bố lớn tập Kvasir bao gồm 1000 hứa hẹn AI việc hỗ trợ phát ảnh có polyp, 1000 ảnh polyp tiêm phồng polyp đại trực tràng.6-8 Nghiên cứu Urban 1000 ảnh chân vết cắt polyp sau can thiệp cộng huấn luyện 8641 ảnh nội soi thủ thuật Nghiên cứu tập ảnh Kvasir gán nhãn chuyên gia thu thập từ thực Pogorelov cộng ghi 2000 bệnh nhân kiểm định 20 video nội 106 TCNCYH 130 (6) - 2020 nhận Sp PPV 95,8% 92,7%.20 TẠP CHÍ NGHIÊN CỨU Y HỌC Đồng thời, nghiên cứu phân tích gộp thực Lui cộng cho thấy thuật toán AI liệu Medico BioMedia, nhiên nhóm tác nội soi đại tràng ghi nhận PPV, Se giả nhận thấy thuật toán chưa đủ mạnh 96% 92,3%.21 Khi so sánh với nghiên cứu việc phát tổn thương polyp đại tác giả giới, thuật toán chúng tràng đặc biệt nhóm tiêm phồng trước tơi xây dựng có PPV, Se Sp gần tương thủ thuật Nhóm tác giả đánh dấu vùng phát đương Có thể thấy, nhóm nghiên cứu bước polyp cho 3.088 ảnh dụng cụ cho 1.886 đầu thành công việc xây dựng liệu ảnh để xây dựng liệu chuẩn cho hình ảnh nội soi Đồng thời, liệu nghiên cứu Tuy nhiên, mơ hình Faster thu nhận thêm, đặc biệt liệu R-CNN sử dụng nghiên cứu kiến dạng video nhằm kiểm định độ xác trúc hai giai đoạn (two-stage) dựa mạng thời gian phân tích xử lý ảnh xương sống ResNet10 có kích thước lớn sâu nên tốc độ xử lý chậm khó ứng dụng Tại Việt Nam, chưa có nhiều nghiên cho bước chạy video xử cứu ứng dụng trí tuệ nhân tạo nội soi lý thời gian thực.23 Nghiên cứu chúng tơi đường tiêu hóa để đánh giá tiềm sử dụng tập ảnh huấn luyện gán nhãn tính khả thi hồn cảnh thực tế với 8.190 hình ảnh nội soi đại tràng có polyp nước ta Năm 2019, nhóm nghiên cứu 4.000 hình ảnh nội soi đại tràng khơng có chúng tơi tiến hành nghiên cứu bước polyp số ảnh khoanh vùng đầu đánh giá việc ứng dụng AI xác định 6.234 ảnh Đây tập liệu xây vị trí giải phẫu dày với PPV trung bình dựng Việt Nam, bao gồm 76% ảnh chế độ 92,48% Ngoài ra, kết nghiên cứu cho WLI 23% chế độ FICE với kích thước, hình thấy khả ứng dụng thực tế dựa thái polyp đa dạng điểm mạnh giúp phân tích thời gian bác sĩ nội soi phân loại ảnh đánh giá ưu nhược điểm thuật toán theo vị trí giải phẫu theo cách thơng thường có hỗ trợ phần mềm Trung vị Khi kiểm định tập thực nghiệm, PPV thời gian phân loại ba chuyên gia nội soi Se thu nhận tương tự sử dụng phần mềm (3,86 phút) ngắn nhóm tác giả giới 94,6% cách có ý nghĩa thống kê so với cách phân 96,39% Các trường hợp bị sót tổn thương loại truyền thống (12,82 phút).22 Trên sở đó, polyp bé mm hình thái Paris nhóm nghiên cứu chúng tơi tiến hành xây dựng Is Nguyên nhân kích thước polyp thuật tốn phát tổn thương polyp nhỏ nằm vùng tối ảnh nên đường tiêu hóa phần mềm khó xác định ranh giới rõ ràng polyp với niêm mạc xung quanh dẫn đến bỏ Năm 2019, nhóm nghiên cứu Đại học sót Những trường hợp bị nhận nhầm polyp quốc gia Thành phố Hồ Chí Minh tiến hành thường chất lượng ảnh (bọt, có lóa, dịch đánh nhãn tập liệu KVASIR để phát nhầy) nhận nhầm với nếp niêm mạc Chất tổn thương đường tiêu hóa lượng ảnh có khả tạo nên bao gồm viêm thực quản, polyp đường ranh giới mờ xung quanh vùng có đại tràng dụng cụ can thiệp Kết ghi bọt, lóa dịch nhầy khiến cho thuật toán xác nhận số F1 thuật toán học sâu xây định nhầm ranh giới polyp Đối với dựng dao động từ 83 - 94% tập trường hợp nhận nhầm nếp niêm mạc, nếp tạo nên hình ảnh cấu trúc lồi bề TCNCYH 130 (6) - 2020 107 TẠP CHÍ NGHIÊN CỨU Y HỌC improvement of adenoma and polyp detection during colonoscopy Dig Endosc 2015; 27 mặt niêm mạc gần giống với polyp Is theo phân Suppl 1: 40 - 44 loại Paris khiến phần mềm xác định nhầm Các trường hợp bỏ sót nhận nhầm mơ tả Zhao S, Wang S, Pan P, et al Magnitude, đặc điểm báo cáo Risk Factors, and Factors Associated With số nghiên cứu tác giả Adenoma Miss Rate of Tandem Colonoscopy: giới gợi ý số định hướng giúp nhóm A Systematic Review and Meta-analysis nghiên cứu cải thiện thêm thuật toán Nghiên Gastroenterology 2019; 156(6): 1661 - 1674 cứu chúng tơi cịn số hạn chế e1611 nghiên cứu đơn trung tâm, tập liệu ảnh tĩnh thu nhận chế độ ánh Shin JG, Kim HW, Park SB, et al Polyp sáng WLI FICE hệ thống máy Fujifilm missing rate and its associated risk factors of Trong tương lai, cần triển khai nghiên cứu referring hospitals for endoscopic resection đa trung tâm nhiều hệ thống máy chế of advanced colorectal neoplasia Medicine độ ánh sáng để đảm bảo sở liệu đầu vào (Baltimore) 2017; 96(19): e6742 phong phú Corley DA, Jensen CD, Marks AR, et al V KẾT LUẬN Adenoma detection rate and risk of colorectal cancer and death N Engl J Med 2014; 370(14): Nghiên cứu tiến hành nhằm phát triển 1298 - 1306 hệ thống ứng dụng thuật toán AI để phát polyp đại tràng thông qua xây dựng tập liệu Karkanis SA, Iakovidis DK, Maroulis ảnh nội soi bệnh nhân Việt Nam (với 8.190 DE, Karras DA, Tzivras M Computer-aided ảnh có polyp 4.000 ảnh khơng polyp), đồng tumor detection in endoscopic video using thời tiến hành đánh giá bước đầu độ xác color wavelet features IEEE Transactions on thuật toán Trong q trình xây dựng mơ Information Technology in Biomedicine 2003; hình, kết thử nghiệm cho thấy mơ hình có 7(3): 141 - 152 số F1 cao, 95% Kết kiểm định tập 1.321 ảnh với 1.543 tổn thương ghi nhận Urban G, Tripathi P, Alkayali T, et al PPV, Se Sp mơ hình 94,6%, Deep Learning Localizes and Identifies Polyps 96,39% 99,84% với 52 vùng khoanh thừa in Real Time With 96% Accuracy in Screening 37 tổn thương bỏ sót có kích thước < Colonoscopy Gastroenterology 2018; 155(4): mm hình thái Is theo phân loại Paris Kết 1069 - 1078 e1068 ghi nhận bước đầu cho thấy hướng nghiên cứu có tính khả thi nước ta hướng Viscaino M, Cheein FA Machine learning cần tiếp tục sâu phát triển for computer-aided polyp detection using wavelets and content-based image Paper TÀI LIỆU THAM KHẢO presented at: 2019 41st Annual International Conference of the IEEE Engineering in Giacosa A, Frascio F, Munizzi F Medicine and Biology Society (EMBC); 23 - 27 Epidemiology of colorectal polyps Tech July 2019, 2019 Coloproctol 2004; Suppl 2: s243-247 Bray F, Ferlay J, Soerjomataram I, Siegel Moriyama T, Uraoka T, Esaki M, RL, Torre LA, Jemal A Global cancer statistics Matsumoto T Advanced technology for the 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries CA Cancer J Clin 2018; 68(6): 394 108 TCNCYH 130 (6) - 2020 - 424 TẠP CHÍ NGHIÊN CỨU Y HỌC 10 Wolf AMD, Fontham ETH, Church TR, U-Net for Lesion Segmentation Paper et al Colorectal cancer screening for average- presented at: 2019 IEEE 16th International risk adults: 2018 guideline update from the Symposium on Biomedical Imaging (ISBI American Cancer Society CA Cancer J Clin 2019); - 11 April 2019, 2019 2018; 68(4): 250-281 18 Bisschops R, East JE, Hassan C, 11 Bộ Y tế Quyết định 2549/QĐ-BYT 2018 et al Advanced imaging for detection and ban hành Tài liệu Hướng dẫn chẩn đoán differentiation of colorectal neoplasia: European điều trị ung thư đại - trực tràng In: 2018 Society of Gastrointestinal Endoscopy (ESGE) Guideline - Update 2019 Endoscopy 2019; 12 Huynh HT, Anh VNN A Deep Learning 51(12): 1155 - 1179 Method for Lung Segmentation on Large Size Chest X-Ray Image Paper presented at: 19 Wang P, Xiao X, Glissen Brown JR, et al 2019 IEEE-RIVF International Conference on Development and validation of a deep-learning Computing and Communication Technologies algorithm for the detection of polyps during (RIVF); 20-22 March 2019, 2019 colonoscopy Nature Biomedical Engineering 2018; 2(10): 741 - 748 13 Ngoc LT, Huynh KD, Bao PT, Hieu HT Liver intensity determination in the 3D 20 Pogorelov K, Randel KR, Griwodz C, abdominal MR image using neural network et al KVASIR: A Multi-Class Image Dataset Vietnam Journal of Science and Technology for Computer Aided Gastrointestinal Disease 2016; 3A(54) Detection 2017 14 Le TN, Bao PT, Huynh HT Liver Tumor 21 Lui TKL, Guo CG, Leung WK Accuracy Segmentation from MR Images Using 3D of artificial intelligence on histology prediction Fast Marching Algorithm and Single Hidden and detection of colorectal polyps: a systematic Layer Feedforward Neural Network BioMed review and meta-analysis Gastrointestinal Research International 2016; 2016: 3219068 Endoscopy 2020; 92(1): 11-22.e16 15 Ronneberger O, Fischer P, Brox T 22 Đào Việt Hằng, Nguyễn Phúc Bình, Vũ U-Net: Convolutional Networks for Biomedical Hải, et al Xác định vị trí giải phẫu dày Image Segmentation Vol 93512015 qua nội soi đường tiêu hóa sử dụng mạng noron tích chập Tạp chí Y học thực hành 2019; 16 Tan M, Le Q EfficientNet: Rethinking 1120(12): 10 - 12 Model Scaling for Convolutional Neural Networks 2019 23 Hoang TH, Nguyen HD, Nguyen VA, Nguyen TA, Nguyen VT, Tran MT Enhancing 17 Abraham N, Khan NM A Novel Focal Endoscopic Image Classification with Symptom Tversky Loss Function With Improved Attention Localization and Data Augmentation 2019 TCNCYH 130 (6) - 2020 109 TẠP CHÍ NGHIÊN CỨU Y HỌC Summary PRELIMINARY RESULTS OF ARTIFICIAL INTELLIGENT APPLICATION IN COLONOSCOPIC POLYPS DETECTION IN VIETNAM This study intention is to build a deep learning model for polyps detection in colonoscopy images, conducted from November 2019 to June 2020 We collected a dataset of 8190 colonoscopy images with at least one polyp and 4000 colonoscopy images without polyp 80% of the dataset was used for training and 20% was used for testing in which images with polyps were labeled and annotated by experts The proposed model was built based on the U-Net architecture with an Efficient Net encoder and was trained in 150 epochs before testing on the experimental dataset (1321 colonoscopy images with 1543 polyps) The model’s accuracy was then evaluated using the F1 score, the PPV index, the Se index, and the Sp index Preliminary assessment of the proposed model showed that the F1 scores of both the training set and the testing set are over 95% The AI model was then tested on the experimental dataset, which recorded the PPV, Se and Sp indexes of 94.60%, 96.39% and 99.84%, respectively Furthermore, 37 polyps were missed, 63.58% of which were less than 5mm in diameter, and 81.14% were categorized as Is according to Paris classification 52 areas incorrectly marked as polyp were foam, optical flare, or mucus in the images Most of the false-positive areas were mucosal folds (44.23%) and mucus (13.46%) This preliminary study showed that the proposed deep learning model yielded good precision and recall Application of AI in colonoscopic polyps’ detection is then feasible and requires further investigation in Vietnam Key words: Artificial intelligent, colonoscopy, colonoscopic polyps, deep learning, polyp detection 110 TCNCYH 130 (6) - 2020