Tại Việt Nam, nghiên cứu phát triển các mô hình học sâu trong phân tích ảnh y tế đã được khá nhiều nhóm nghiên cứu quan tâm Một số các nghiên cứu xây dựng các mô hình học sâu áp dụng để phân tích ảnh y tế đến từ các trường đại học như Đại học Bách khoa Hà Nội, Đại học Quốc gia Hà Nội, Đại học Quốc gia Thành phố Hồ Chí Minh, các trung tâm nghiên cứu phát triển thuộc các tập đoàn FPT, Viettel … đã được công bố trên các kỷ yếu hội thảo và tạp chí chuyên ngành Các công trình nghiên cứu mới nhất theo hướng này có thể kể đến như sau:
- Nhóm Thanh Hai Nguyen, Edi Prifti, Nataliya Sokolovska và Jean- Daniel Zucker, đã nghiên cứu một số kiến trúc mạng CNN dùng để phân tích các ảnh tổng hợp biểu diễn dữ liệu về Gen người từ đó dự đoán bệnh liên quan đến gen của con người [51]
- Nhóm Huynh Hieu Trung, and Vo Nguyen Nhat Anh, thuộc khoa Khoa học máy tính trường đại học Việt-Đức, thành phố Bình Dương, đề xuất mô hình học sâu dùng để phân vùng ảnh phổi ở trên ảnh chụp X quang để hỗ trợ các bác sỹ trong chuẩn đoán các bệnh về phổi [28]
- Nhóm Anh-Cang PHAN, Thi-My-Nga NGUYEN và Thuong-Cang
PHAN thuộc khoa CNTT trường Đại học Công nghệ Vĩnh Long, sử dụng mạng CNN để phân tích ảnh chụp cộng hưởng từ (CT Scan) não và kết hợp với thông tin về độ hấp thụ tia X được đo trên CT scan bằng đơn vị Hounsfield để phát hiện và phân loại bệnh xuất huyết não [4]
- Viện nghiên cứu VinBigData thuộc tập đoàn VinGroup đang phát triển ứng dụng VinDr được kỳ vọng là một giải pháp phân tích hình ảnh y tế toàn diện ứng dụng trí tuệ nhân tạo [83] Được công bố thử nghiệm từ giữa 2020, với mô-đun chẩn đoán X-quang phổi VinDr có khả năng phát hiện 22 loại tổn thương khác như tràn dịch, tràn khí, nốt khối, đông đặc, thâm nhiễm ; độ chính xác hơn 90% giúp chẩn đoán hầu hết những bệnh lý nguy hiểm nhất liên quan tới phổi
Sử dụng học sâu để phân tích ảnh y tế là hướng nghiên cứu đang được quan tâm rộng rãi trong nước Tuy nhiên nghiên cứu xây dựng các giải thuật học sâu áp dụng cho phân tích ảnh nội soi tiêu hóa còn hạn chế
- Tại hội nghị khoa học "Một số kỹ thuật chẩn đoán và điều trị mới ứng dụng trong tiêu hóa", nhóm nghiên cứu của Viện Nghiên cứu và Đào tạo tiêu hóa, gan mật kết hợp với trường đại học Bách khoa Hà nội đã trình bày “Báo cáo kết quả đầu bước đầu xây dựng phần mềm ứng dụng ứng dụng trí tuệ nhân tạo trong nội soi phát hiện polyp đại tràng tại Việt Nam” [72] Mục tiêu của nghiên cứu này là xây dựng thuật toán học máy hiệu quả cho phát hiện, khoanh vùng polyp đại tràng qua hình ảnh nội soi; bước đầu đánh giá độ chính xác của thuật toán phát hiện, khoanh vùng polyp đại tràng Cụ thể, nhóm nghiên cứu đã thu thập một bộ dữ liệu hình ảnh từ hệ thống nội soi có độ phân giải cao như dây soi 600, dây LASEREO, dây 7000 của hãng Fujifilm ở các chế độ WLI và FICE Số lượng ảnh này được tiến hành xử lý và đưa vào chạy thuật toán Kết quả bước đầu cho thấy đã huấn luyện thành công thuật toán với độ chính xác và độ nhạy rất cao (lên tới hơn 95%) Bên cạnh đó, nhóm đã tiến hành thử nghiệm trên hình ảnh tĩnh và video nội soi, kết quả cho thấy giá trị dự đoán dương tính lên tới hơn 94,6%, độ nhạy (khả năng của thuật toán để xác định ảnh chứa polyp) là 96,39% và độ đặc hiệu (khả năng của thuật toán để xác định ảnh không chứa polyp) lên tới 99,84% Nhóm nghiên cứu kỳ vọng phát triển phần mềm giúp phát hiện đúng, đủ tổn thương, rút ngắn thời gian tiến triển thành ung thư cho người bệnh cũng như đưa ra lộ trình sàng lọc hợp lý cho người bệnh
- Nhóm Hung Nguyen Ba, Duc Nguyen Thanh, Chien Thai Van, Sang Dinh Viet thuộc trường Đại học Bách khoa Hà nội đã sử dụng mạng
ResUNet++ kết hợp với kỹ thuật Attention và cơ chế deep supervision để huấn luyện mạng [5] Kết quả đạt được cao nhất với cùng bộ dữ liệu huấn luyện và kiểm thử là 94,23% điểm số Dice Tuy nhiên, trong công bố này, các tác giả mới chỉ thử nghiệm huấn luyện và đánh giá mô hình trên hai bộ dữ liệu chuẩn Kvarsir-Seg và CVC-ClinicDB Hơn nữa mô hình chưa được đánh giá trên bộ dữ liệu kiểm thử độc lập với bộ dữ liệu huấn luyện để đánh giá được tính tổng quát của mô hình