Tự động xác định tuổi xương
TS Nguyễn Hồng Quang (ĐH Bách khoa Hà Nội) và cộng sự vừa phát triển được một mô hình đánh giá tuổi xương có độ chính xác cao thông qua phương pháp học chuyển tiếp (transfer learning) - một nhánh của AI.
Là một chỉ số quan trọng để đo lường mức độ trưởng thành về mặt sinh học của trẻ em, tuổi xương có thể nhiều hoặc ít hơn một vài tuổi so với tuổi thật của một đứa trẻ.
“Khi nhìn bằng mắt thường, bố mẹ có thể nhận thấy con mình thấp bé hơn các bạn nhưng không có cách nào để kiểm tra”, TS Nguyễn Hồng Quang, Trưởng nhóm nghiên cứu Tin học y sinh (Trung tâm Nghiên cứu Quốc tế về Trí tuệ nhân tạo BK.AI, Trường Đại học Bách khoa Hà Nội) cho biết.
Các bệnh viện sẽ chụp ảnh X-quang xương (thường là xương bàn tay trái) của trẻ để xác định tuổi xương, từ đó đưa ra những chỉ định phù hợp giúp trẻ không bị chậm phát triển.
Khó khăn ở chỗ, chụp ảnh thì nhanh, nhưng hội chẩn lại rất lâu và làm hoàn toàn thủ công. Bác sĩ sẽ so sánh ảnh X-quang xương (hoặc từng phần xương cụ thể) với bộ hình chuẩn trong Atlas tuổi xương, rồi từ đó tính toán và đưa ra kết luận.
Nhóm của TS Quang phát triển một phương pháp có khả năng tự động xác định tuổi xương dựa trên mạng nơ-ron tích chập (convolutional neural network).
TS Quang và đồng nghiệp đã sử dụng một bộ dữ liệu gồm 12,611 ảnh chụp xương bàn tay trái của trẻ từ lúc mới sinh đến khi 19 tuổi, do Hiệp hội X-quang Bắc Mỹ công bố năm 2016 để huấn luyện cho hệ thống (do Việt Nam chưa có bộ dữ liệu như vậy).
Mỗi ảnh trong bộ dữ liệu này có thông tin mô tả về tuổi xương (theo tháng) và giới tính của trẻ.
Nhóm đã huấn luyện mô hình mạng nơ-ron có tên là U-Net để phát hiện được vùng bàn tay ở trong ảnh, sau đó xác định ba điểm mốc ở đầu ngón tay cái, đầu ngón tay giữa, và điểm giữa xương cổ tay để chuẩn hóa ảnh thông qua phép quay hình học.
Nhóm giả định rằng, các bé gái thường dậy thì sớm hơn bé trai, từ đó xây dựng ba mô hình: Mô hình tuổi xương chỉ được huấn luyện trên ảnh của bé trai, mô hình chỉ sử dụng ảnh của bé gái, và mô hình sử dụng dữ liệu của cả hai giới tính.
Chính xác hơn, đo được cho nhiều người cùng lúc
Để kiểm tra xem yếu tố này thực sự ảnh hưởng như thế nào đến việc dự đoán tuổi xương, nhóm nghiên cứu cũng tiến hành ba thử nghiệm. Trong thử nghiệm đầu tiên, họ sử dụng mô hình hỗn hợp để xác định tuổi xương mà không phân biệt giới tính. Với thử nghiệm thứ hai, ảnh X-quang sẽ được “ẩn” thông tin về nam/nữ để cho mô hình giới tính tự dự đoán.
Nếu kết quả chỉ rõ sự khác biệt và xác định được giới tính, ảnh sẽ được đưa vào mô hình tuổi xương của giới tính đó; ngược lại, ảnh sẽ được chuyển đến mô hình hỗn hợp. Và với thử nghiệm thứ ba, ảnh của mỗi giới tính (không bị ẩn đi như thử nghiệm thứ hai) sẽ được đưa với phân tích theo mô hình tuổi xương của giới tính đó.
Kết quả không nằm ngoài dự đoán của nhóm: Thử nghiệm thứ hai và ba cho ra kết quả tuổi xương chính xác hơn. Khi so sánh với các mô hình tuổi xương của các nhóm nghiên cứu trước đây - vốn không tích hợp giới tính, mô hình của nhóm TS Quang có độ sai số thấp hơn, chỉ khoảng 0,39 hoặc 0,44 năm (các mô hình được so sánh có độ sai số khoảng 0,50 - 0,79).
Theo nhóm nghiên cứu, nếu được áp dụng vào thực tế trong tương lai, mô hình sẽ giúp ích được rất nhiều cho các bác sĩ. Với hệ thống tự động, bác sĩ không chỉ rút ngắn được thời gian chẩn đoán, mà thậm chí có thể mở rộng ra tầm soát sức khỏe cho cả một địa phương nào đó.
Điểm hạn chế là hiện mô hình của nhóm được huấn luyện dựa trên tập dữ liệu ảnh của người Mỹ - vốn có sự khác biệt không nhỏ về thể chất so với người Việt. Nhóm sẽ tiếp tục huấn luyện mô hình để đảm bảo độ chính xác.
Với kỹ thuật học chuyển tiếp, sau khi mô hình đã được huấn luyện trên 12.000 ảnh của người Mỹ rồi thì chỉ cần khoảng 2.000 – 3.000 ảnh của người Việt là đã có thể cập nhật được hệ thống với độ tin cậy tương ứng. Đó cũng sẽ là tiền đề để nhóm tiếp tục chỉnh sửa và hoàn thiện mô hình hơn nữa.
