Medical Image Analysis

Phân tích hình ảnh y tế là việc sử dụng thị giác máy tính (CV) và trí tuệ nhân tạo (AI) để trích xuất thông tin hữu ích về lâm sàng từ hình ảnh y tế: phát hiện các dấu hiệu như nốt phổi hoặc gãy xương, xác định đường viền cơ quan và khối u, đo lường chúng theo thời gian và phân loại bệnh. Phương pháp này áp dụng cho X-quang, CT, MRI, siêu âm, PET, ảnh võng mạc, video nội soi và lam bệnh học được số hóa. Đây là bước diễn giải tiếp sau chẩn đoán hình ảnh y tế — tức các máy quét và phương pháp tái tạo tạo ra hình ảnh. Các công cụ phân tích lâm sàng được quản lý như thiết bị y tế, và danh sách công khai các thiết bị y tế ứng dụng AI của FDA có hơn một nghìn giấy phép, phần lớn thuộc lĩnh vực chẩn đoán hình ảnh.

Cách phân tích hình ảnh y tế hoạt động#

Hình ảnh y tế được cung cấp ở định dạng DICOM, lưu trữ dữ liệu pixel cùng metadata như mã định danh bệnh nhân, cài đặt máy quét và khoảng cách giữa các lát cắt. Tiền xử lý tùy thuộc vào phương thức chẩn đoán hình ảnh. Giá trị pixel CT được hiệu chuẩn theo đơn vị Hounsfield, vì vậy "window" phổi hoặc xương ánh xạ dải cường độ liên quan vào đầu vào của model, trong khi cường độ MRI không có thang đo cố định và được chuẩn hóa riêng cho từng lần quét. CT và MRI tạo ra các thể tích 3D gồm hàng trăm lát cắt, được model xử lý từng lát hoặc theo thể tích; lam bệnh học được số hóa có thể chứa hàng tỷ pixel, vì vậy chúng được chia thành các tile và xử lý bằng học nhiều instance khi chỉ có nhãn ở cấp độ toàn lam.

Các tác vụ cốt lõi là những tác vụ thị giác tiêu chuẩn được áp dụng cho giải phẫu:

• Phân loại hình ảnh: Gán nhãn cho toàn bộ hình ảnh, chẳng hạn xác định ảnh võng mạc có cho thấy bệnh võng mạc tiểu đường cần được chuyển khám hay không.
• Phát hiện đối tượng: Vẽ bounding box quanh các dấu hiệu như nốt, gãy xương hoặc polyp đại tràng để hướng sự chú ý của bác sĩ.
• Phân đoạn hình ảnh: Gán nhãn cho từng pixel hoặc voxel để xác định đường viền cơ quan và khối u phục vụ đo thể tích và lập kế hoạch xạ trị.
• Đăng ký hình ảnh: Căn chỉnh các lần quét của cùng một bệnh nhân được thực hiện vào những thời điểm khác nhau hoặc bằng các phương thức khác nhau, qua đó có thể đo lường thay đổi.

Kiến trúc U-Net được thiết kế cho phân đoạn ảnh y sinh vào năm 2015; nnU-Net tự động cấu hình pipeline U-Net cho các dataset mới; các framework mã nguồn mở như MONAI đóng gói những tác vụ này cùng data loader và transform chuyên biệt cho y tế.

Fine-tune bộ phát hiện trên các ảnh quét đã gán nhãn tuân theo workflow tương tự các lĩnh vực khác: dataset u não của Ultralytics ghép các lát cắt MRI với hộp khối u; huấn luyện Ultralytics YOLO26 trên dataset này tạo ra model đánh dấu vùng khối u trên các lát cắt mới:

from ultralytics import YOLO

# Fine-tune detector YOLO26 được pretrained trên COCO bằng các lát cắt MRI não đã gán nhãn
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# Phát hiện vùng khối u trên một lát cắt MRI mới
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# Lưu lát cắt cùng các bounding box dự đoán và điểm confidence
result.save(filename="brain_tumor_result.jpg")

Ứng dụng trong lĩnh vực y tế#

Một mô hình triển khai phổ biến là phân loại ưu tiên. Phần mềm đánh dấu trường hợp nghi xuất huyết não hoặc đột quỵ mạch máu lớn trên CT sẽ đưa ca chụp lên đầu danh sách công việc của bác sĩ chẩn đoán hình ảnh, và kết luận cuối cùng của bác sĩ đồng thời đóng vai trò kiểm tra model:

Các ứng dụng phổ biến khác bao gồm sàng lọc, lập kế hoạch điều trị và thủ thuật:

• Sàng lọc: Trong thử nghiệm ngẫu nhiên MASAI của Thụy Điển, sàng lọc nhũ ảnh có hỗ trợ AI phát hiện nhiều hơn 29% ca ung thư so với phương pháp đọc kép tiêu chuẩn mà không làm tăng số kết quả dương tính giả, đồng thời giảm 44% khối lượng công việc đọc ảnh sàng lọc của bác sĩ chẩn đoán hình ảnh. Năm 2018, IDx-DR trở thành thiết bị đầu tiên được FDA cấp phép đưa ra quyết định sàng lọc bệnh võng mạc tiểu đường mà không cần bác sĩ diễn giải hình ảnh.
• Ung bướu: Model phân đoạn xác định đường viền khối u và các cơ quan có nguy cơ để lập kế hoạch xạ trị, đồng thời đo kích thước khối u qua các lần chụp theo dõi.
• Bệnh học: Model quét ảnh toàn lam để tìm ung thư; năm 2021, Paige Prostate trở thành phần mềm AI đầu tiên được FDA cấp phép phát hiện ung thư trong lam sinh thiết tuyến tiền liệt.
• Nội soi: Detector thời gian thực làm nổi bật polyp trong quá trình nội soi đại tràng; năm 2021, GI Genius trở thành thiết bị AI đầu tiên thuộc loại này được FDA cấp phép.

Thách thức và lưu ý#

• Nhãn do chuyên gia gán: Việc gán nhãn cần có bác sĩ chẩn đoán hình ảnh hoặc bác sĩ giải phẫu bệnh, và các chuyên gia có thể bất đồng trong những ca khó, khiến dataset đã gán nhãn vừa nhỏ vừa tốn kém.
• Domain shift và học lối tắt: Máy quét, quy trình chụp và nhóm bệnh nhân khác nhau giữa các bệnh viện. Một nghiên cứu năm 2018 phát hiện bộ phân loại viêm phổi được training trên X-quang ngực có thể nhận biết ảnh đến từ bệnh viện nào và hoạt động kém hơn trên ảnh X-quang của các bệnh viện không có trong dữ liệu training.
• Thiên lệch trong AI: Model được training trên các nhóm bệnh nhân không đại diện hoạt động kém hơn đối với những nhóm ít được đại diện trong dữ liệu.
• Khả năng giải thích: Heatmap và các dạng giải thích khác giúp bác sĩ kiểm tra model dựa vào yếu tố nào trước khi tin tưởng kết quả.
• Quyền riêng tư và học liên kết: Dữ liệu bệnh nhân thuộc phạm vi điều chỉnh của HIPAA tại Mỹ và GDPR tại châu Âu; cần khử định danh các header DICOM và văn bản được chèn trực tiếp vào hình ảnh; học liên kết training model trên nhiều bệnh viện mà không tập trung dữ liệu bệnh nhân vào một nơi.
• Quy định và cập nhật: Những thay đổi đáng kể đối với model đã được cấp phép thường cần hồ sơ đệ trình quy định mới. Hướng dẫn cuối cùng của FDA ban hành tháng 12 năm 2024 về kế hoạch kiểm soát thay đổi được xác định trước cho phép nhà sản xuất nêu rõ các bản cập nhật model dự kiến và cách xác thực chúng trong hồ sơ đệ trình ban đầu.