TS Phạm Thị Thu Hiền (41 tuổi), khoa Kỹ thuật y sinh, Đại học Quốc tế, Đại học Quốc gia TP HCM quan tâm đến những kỹ thuật hỗ trợ chẩn đoán ung thư bán tự động và tự động từ hơn 10 năm trước. Khi còn học Tiến sĩ tại Đài Loan năm 2011, TS Hiền đã thiết kế một hệ thống thực hiện các thí nghiệm đo lường (mẫu tiểu đường, collagen, mô da) giúp phát hiện ung thư da bằng phương pháp phân cực ánh sáng, cụ thể là tính toán các tính chất quang học của các mẫu y sinh bằng phương trình toán học ma trận.
Nhờ tính mới, hệ thống của TS Hiền được đăng ký bản quyền phát minh khoa học tại Đài Loan năm 2011 và Mỹ năm 2012. Dù vậy, chị luôn muốn mở rộng và phát triển phần kỹ thuật để tăng tính ứng dụng trên các mẫu bệnh.
TS Phạm Thị Thu Hiền, khoa Kỹ thuật y sinh, Đại học Quốc tế, Đại học Quốc gia TP HCM. Ảnh: NVCC.
Trở về Việt Nam, nhận thấy sự bùng nổ về khả năng ứng dụng của AI trong nước, TS Hiền và cộng sự dựa trên kết quả nghiên cứu trước để ứng dụng của mạng neural học sâu trong xử lý hình ảnh hỗ trợ chẩn đoán và phân loại ung thư da.
"Mục tiêu của nhóm nghiên cứu là phát triển kỹ thuật mới phân loại và chẩn đoán ung thư tự động để hạn chế quá trình sinh thiết xâm lấn (thủ thuật hút lấy mẫu bệnh trong cơ thể) khi xét nghiệm lâm sàng thông thường, mà vẫn duy trì độ chính xác, và AI có thể làm được điều đó", chị nói.
Dữ liệu là phần quan trọng để nâng cao khả năng chính xác của mô hình AI, nên ngay từ công đoạn đầu tiên của nghiên cứu, TS Hiền và cộng sự đã thiết lập ngân hàng dữ liệu bao gồm các mẫu sinh học và hình ảnh của mẫu. Mô bệnh được nhóm thu thập tại một số bệnh viện thành phố Hồ Chí Minh và cất trữ trong tủ đông -80 độ C.
Thay vì sử dụng hình ảnh kính hiển vi, nhóm dùng hình ảnh phân cực các thành phần mô (glucose, protein, khối u) trên sự lan truyền của ánh sáng phân cực trong môi trường tán xạ nhân. Theo TS Hiền, hình ảnh phân cực các mô bệnh lý có thể hạn chế việc cắt, nhuộm mẫu mô ung thư trên mô người, tránh những ảnh hưởng đến sức khỏe sau khi xét nghiệm.
Để xử lý hình ảnh, TS Hiền và cộng sự xây dựng mô hình học máy nhờ mạng neural tích chập (CNN). Từ việc lập trình thuật toán, mô hình có thể phân tích các đặc tính phân cực để phân biệt mẫu mô thường và mô ung thư. Các đặc tính này bao gồm hiện tượng lưỡng chiết và lưỡng sắc tròn của mô.
"Cụ thể, hiện tượng lưỡng chiết giúp phân loại các protein khác nhau, trong khi các phép đo lưỡng sắc tròn hỗ trợ chẩn đoán đặc điểm của khối u", chị nói và cho biết kết quả mô hình này kết hợp với đầu ra hệ thống quang học đưa ra quyết định cuối cùng về loại ung thư người bệnh mắc.
Về mặt sinh học, tế bào ung thư bắt nguồn từ tế bào bình thường và trải qua quá trình biến đổi trước khi tăng sinh để hình thành khối u ác tính (mô ung thư). Do đó, việc phát hiện sớm sự chuyển đổi của các tế bào và mô sinh lý là tiềm năng cho các can thiệp y tế để ngăn chặn hình thành khối u.
"Mô hình học sâu dựa trên thuật toán mạng CNN được nhóm phát triển giúp phân loại ung thư từ các hình ảnh mô bệnh học, từ đó chẩn đoán nhanh và ít gặp lỗi", TS Hiền nói.
Thực hiện chẩn đoán trên mô hình ung thư da của chuột, độ chính xác của mô hình AI do nhóm nghiên cứu đạt độ chính xác 92%. TS Hiền cho biết, để nâng cao độ nhạy và chính xác của mô hình, nhóm tiếp tục xây dựng bộ dữ liệu, tiến dần áp dụng đo da không xâm lấn. Tuy vậy, việc xây dựng ngân hàng dữ liệu có thể gặp hạn chế bởi theo chị, các khối u ung thư có thể đa dạng về chủng loại và cấp độ, trong khi nguồn cung cấp hữu hạn.
Ngoài hỗ trợ chẩn đoán ung thư da, nhóm nghiên cứu lên kế hoạch hợp tác với khoa Y dược (Đại học Y dược) để xây dựng mô hình phát hiện ung thư vú, ung thư máu bước đầu trên chuột. Đồng thời hợp tác với các cơ sở y tế để thử nghiệm trên mẫu mô người.