Ứng dụng trí tuệ nhân tạo trong phân loại nguy cơ ung thư dựa trên hình ảnh X-quang tuyến vú
,
,
,
,
và
Article Sidebar
Full Text: 
PDF
Abstract
In Vietnam, as in most other nations in the world, breast cancer is a frequent type of cancer that affects women. Treatment decisions and patient survival are significantly influenced by early detection and precise diagnosis. When it comes to breast cancer screening and early diagnosis, mammography is a crucial tool. Based on 2051 images as the data source was collected in Can Tho Oncology Hospital, the deep learning network AlexNet in this study was used to categorize cancer risk based on mammography images into groups called Birads2, Birads3, Birads4, and Birads5. This model can accurately classify cancer risk with 86.84% using deep learning approaches. This result contributes to supporting diagnostic work for specialized doctors and creates conditions for artificial intelligence application image detection in medicine.
Tóm tắt
Ung thư vú ở phụ nữ là loại ung thư phổ biến ở hầu hết các nước trên thế giới trong đó có Việt Nam. Sớm phát hiện và chẩn đoán chính xác là yếu tố quyết định quan trọng trong việc điều trị và cải thiện tỷ lệ sống còn của bệnh nhân. Chụp X-quang tuyến vú là kỹ thuật không thể bỏ qua trong nội dung sàng lọc và chẩn đoán sớm ung thư vú. Nghiên cứu được thực hiện nhằm ứng dụng mạng học sâu AlexNet để phân loại nguy cơ ung thư dựa trên hình ảnh X-quang tuyến vú theo các nhóm Birads2, Birads3, Birads4 và Birads 5. Nguồn dữ liệu được sử dụng là 2051 hình ảnh X-quang tuyến vú được thu thập từ Bệnh viện Ung bướu thành phố Cần Thơ. Bằng cách sử dụng kỹ thuật học sâu, mô hình có thể phân loại nguy cơ ung thư với độ chính xác 86,84%. Kết quả này góp phần hỗ trợ công tác chẩn đoán cho bác sĩ chuyên môn và tạo điều kiện cho nội dung ứng dụng trí tuệ nhân tạo để nhận dạng hình ảnh trong
y tế.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Mai, T. (2019). Mammography detects early breast cancer, and vacuum suction completely removes breast lesions (in Vietnamese).
https://bachmai.gov.vn/tin-chi-tiet/-/bai-viet/chup-xquang-tuyen-vu-phat-hien-ung-thu-vu-som-va-ky-thuat-hut-chan-khong-loai-bo-hoan-toan-ton-thuong-vu-208.html
Thai, B. (2022). Every year, Vietnam records nearly 22,000 new cases of breast cancer (in Vietnamese). Health and Lifestyle Magazine. https://suckhoedoisong.vn/moi-nam-viet-nam-ghi-nhan-gan-22000-ca-mac-moi-ung-thu-vu-169220812195828899.htm
Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R. L., Torre, L. A., & Jemal, A. (2018). Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 68(6), 394–424. https://doi.org/10.3322/caac.21492
Dhungel, N., Carneiro, G., & Bradley, A. P. (2017). Fully automated classification of mammograms using deep residual neural networks. Proceedings - International Symposium on Biomedical Imaging (pp. 310–314). https://doi.org/10.1109/ISBI.2017.7950526
D’Orsi CJ, Sickles EA, Mendelson EB, & Morris EA. (2013). American College of Radiology BI-RADS® Atlas, Breast Imaging Reporting and Data System. Reston, VA, American College of Radiology.
Duffy, S. W., Tabár, L., Yen, A. M. F., Dean, P. B., Smith, R. A., Jonsson, H., Törnberg, S., Chen, S. L. S., Chiu, S. Y. H., & Fann, J. C. Y. (2020). Mammography screening reduces rates of advanced and fatal breast cancers: Results in 549,091 women. Cancer, 126(13), 2971–2979. https://doi.org/10.1002/cncr.32859
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791
Llamas, J., Lerones, P. M., Medina, R., Zalama, E., & Gómez-García-Bermejo, J. (2017). Classification of architectural heritage images using deep learning techniques. Applied Sciences (Switzerland), 7(10), 992. https://doi.org/10.3390/app7100992
McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., Back, T., Chesus, M., Corrado, G. C., Darzi, A., Etemadi, M., Garcia-Vicente, F., & Gilbert, F. J. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89–94.
https://doi.org/10.1038/s41586-019-1799-6
Pei, Q., Luo, Y., Chen, Y., Li, J., Xie, D., & Ye, T. (2022). Artificial intelligence in clinical applications for lung cancer: diagnosis, treatment and prognosis. In Clinical Chemistry and Laboratory Medicine, 60(12), 1974–1983. https://doi.org/10.1515/cclm-2022-0291
Samala, R. K., Chan, H. P., Hadjiiski, L. M., Helvie, M. A., Cha, K. H., & Richter, C. D. (2017). Multi-task transfer learning deep convolutional neural network: Application to computer-aided diagnosis of breast cancer on mammograms. Physics in Medicine and Biology, 62(23), 88–94. https://doi.org/10.1088/1361-6560/aa93d4
Tran, V. D., Luu, H. L, & Nguyen, D. T. (2021). Direct cost of HER2-positive breast cancer treatment at K hospital 2020. Vietnam Medical Journal, 509(2), 266-269 (in Vietnamese). DOI: https://doi.org/10.51298/vmj.v509i2.1844.
Vrdoljak, J., Krešo, A., Kumrić, M., Martinović, D., Cvitković, I., Grahovac, M., Vickov, J., Bukić, J., & Božic, J. (2023). The Role of AI in Breast Cancer Lymph Node Classification: A Comprehensive Review. In Cancers, 15(8), 2400.
https://doi.org/10.3390/cancers15082400