Từ hơn 10 năm trước, TS. Phạm Thị Thu Hiền khoa Kỹ thuật y sinh, Đại học Quốc tế, Đại học Quốc gia TP HCM đã bắt đầu quan tâm đến đến những kỹ thuật hỗ trợ chẩn đoán ung thư bán tự động và tự động từ. Năm 2011 khi còn đang theo học Tiến sĩ tại Đài Loan, chị đã thiết kế một hệ thống thực hiện các thí nghiệm đo lường (mẫu tiểu đường, collagen, mô da), có khả năng phát hiện ung thư da bằng phương pháp phân cực ánh sáng. Cụ thể hệ thống có thể tính toán các tính chất quang học của các mẫu y sinh bằng phương trình toán học ma trận. Nhờ những tính năng đột phá, hệ thống của TS. Hiền đã được đăng ký bản quyền phát minh khoa học tại Đài Loan năm 2011 và tại Mỹ năm 2012.

Chân dung TS. Phạm Thị Thu Hiền

Khi trở về Việt Nam, TS. Hiền nhận thấy sự bùng nổ về khả năng ứng dụng của AI trong nước, chị 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.

TS. Thu Hiền chia sẻ: "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"

Nhận biết được tầm quan trọng của dữ liệu trong việc đảm bảo tính chính xác của mô hình AI, TS. Hiền và cộng sự đã thiết lập ngân hàng dữ liệu bao gồm các mẫu sinh học và hình ảnh của mẫu ngay từ những giai đoạn đầu nghiên cứu. Nhóm tiến hành thu thập mô bệnh tại một số bệnh viện thành phố Hồ Chí Minh và cất trữ trong tủ đông -80 độ C.

Theo chia sẻ từ TS. Thu Hiền 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 thay vì sử dụng hình ảnh kính hiển vi. Điều này 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.

TS Hiền và cộng sự xây dựng mô hình học máy nhờ mạng neural tích chập (CNN) để xử lý hình ảnh. Bằng cách 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.

Chị cho biết: " 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”. 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.

"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 chia sẻ thêm.

 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.

Qua quá trình 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%.

Để nâng cao độ nhạy và chính xác của mô hình, TS. Hiền và cộng sự 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.

Hiện nay, ngoài hỗ trợ chẩn đoán ung thư da, nhóm nghiên cứu đang 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. Nhóm cũng đang lên kế hoạch hợp tác với các cơ sở y tế để thử nghiệm trên mẫu mô người.