Kỹ thuật học sâu vượt qua AI trong phát hiện bệnh glôcôm

(24/07/2018)
Theo một nghiên cứu mới, phương pháp học sâu có thể phát hiện ra những thay đổi trong mắt của bệnh nhân Glôcôm.

Glôcôm là một nhóm bệnh làm tổn thương dây thần kinh thị giác của mắt và có thể gây suy giảm thị lực hay mù lòa. Mặc dù chưa có phương pháp chữa trị nhưng phát hiện và điều trị sớm có thể trì hoãn sự tiến triển của bệnh. Sự tiến triển của bệnh này được đánh dấu bằng những thay đổi cấu trúc trong các mô đầu thần kinh thị giác như làm mỏng các lớp sợi thần kinh võng mạc và mở rộng niêm mạc.


Ảnh minh họa


Các phương pháp học sâu hiện tại áp dụng cho chụp cắt lớp quang học, sử dụng ánh sáng để chụp hình ảnh cắt ngang, có thể phát hiện những thay đổi này một cách tự động nhưng các phương pháp hiện này đòi hỏi một thuật toán biệt hóa mô để kiểm tra mỗi loại mô. Do vậy, rất tốn kém và có thể gây lỗi.

Các nhà nghiên cứu từ ĐH Quốc gia Singapo và một số nơi khác đã tạo ra một phương pháp học sâu mới có khả năng tùy chỉnh với một thuật toán tự động phân đoạn và đưa ra 6 thông số cấu trúc khác nhau của đầu thần kinh thị giác tại cùng một thời điểm.

Phương pháp này được gọi là Dilated-Residual U-Net, hoặc DRUNET, được lấy cảm hứng từ U-Net, một mạng lưới trung lập phức tạp được phát triển cho phân đoạn hình ảnh y sinh học.

Các tác giả nghiên cứu đã tuyển chọn 100 đối tượng tại Trung tâm Mắt Quốc gia Singapore bao gồm 40 người đối chứng khỏe mạnh, 41 người bị glôcôm góc mở nguyên phát và 19 người bị glôcôm góc đóng nguyên phát. Các nhà nghiên cứu đã sử dụng phân đoạn thủ công để huấn luyện thuật toán xác định và cô lập các mô đầu thần kinh thị giác và sử dụng một số dữ liệu tăng cường, vì chúng có một bộ quét dữ liệu tương đối nhỏ. Các bản quét được chia thành các tập dữ liệu đào tạo và thử nghiệm.

Kết quả cho thấy DRUNET cũng ít tốn kém và nhanh hơn vì nó cần ít thông số đào tạo hơn. Toàn bộ mạng DRUNET bao gồm 40.000 thông số có thể đào tạo. Ngược lại, phương pháp học sâu mà các nhà nghiên cứu đã sử dụng trước đây (một phương pháp dựa trên bản vá) đòi hỏi 140.000 tham số có thể đào tạo được.

Các tác giả nghiên cứu đã thừa nhận một số hạn chế đối với nghiên cứu. Ví dụ: độ chính xác của thuật toán đã được xác thực dựa trên phân đoạn thủ công do chỉ một chuyên gia cung cấp. Thuật toán cũng được đào tạo với hình ảnh chỉ từ một máy; người ta không biết liệu nó sẽ thực hiện theo cùng một cách cho nhiều thiết bị chụp cắt lớp quang học hay không.

Các nhà nghiên cứu hy vọng sẽ mở rộng việc sử dụng DRUNET sang phân đoạn 3D.

Hà Hiền

Theo Healthdatamanagement


Tin khác