1. GIỚI THIỆU

Trong những năm gần đây, tình hình mắc bệnh ung thư có xu hướng gia tăng và diễn biến ngày càng phức tạp tại Việt Nam cũng như trên phạm vi toàn cầu. Trong số các loại ung thư thường gặp, ung thư vú là bệnh lý phổ biến nhất ở nữ giới và có tỷ lệ tử vong cao nếu không được phát hiện ở giai đoạn sớm. Theo thống kê của Tổ chức Nghiên cứu Ung thư Quốc tế (IARC), mỗi năm trên thế giới có hơn 2,3 triệu ca ung thư vú mới được phát hiện, chiếm khoảng 11,7% tổng số ca ung thư. Tại Việt Nam, ung thư vú đứng trong nhóm các loại ung thư có tỷ lệ mắc cao nhất ở phụ nữ.

Các nghiên cứu y học đã chỉ ra rằng ung thư vú có khả năng điều trị hiệu quả với tỷ lệ sống còn rất cao nếu được phát hiện sớm và áp dụng phác đồ điều trị phù hợp. Tuy nhiên, thực tế cho thấy công tác chẩn đoán sớm ung thư vú tại Việt Nam vẫn còn gặp nhiều khó khăn do hạn chế về nguồn nhân lực y tế, cơ sở hạ tầng, cũng như sự chênh lệch giữa số lượng bác sĩ chẩn đoán hình ảnh và khối lượng dữ liệu hình ảnh ngày càng gia tăng.

Chụp X-quang tuyến vú (mammography) là phương pháp chẩn đoán hình ảnh sử dụng tia X năng lượng thấp nhằm ghi nhận cấu trúc mô tuyến vú, cho phép phát hiện sớm các tổn thương và khối u ngay cả khi chưa có biểu hiện lâm sàng rõ rệt. Đây là kỹ thuật không thể thiếu trong các chương trình sàng lọc ung thư vú tại nhiều quốc gia trên thế giới.

Tuy nhiên, việc đọc và đánh giá hình ảnh X-quang tuyến vú đòi hỏi trình độ chuyên môn cao, kinh nghiệm thực tiễn và sự tập trung liên tục của bác sĩ. Trong bối cảnh số lượng ảnh X-quang ngày càng lớn, nguy cơ bỏ sót hoặc đánh giá sai các tổn thương tiềm ẩn là khó tránh khỏi. Do đó, việc ứng dụng trí tuệ nhân tạo (AI), đặc biệt là các mô hình học sâu, nhằm hỗ trợ bác sĩ trong quá trình phân tích và phân loại hình ảnh y tế là hướng đi tất yếu.

Xuất phát từ thực tiễn trên, nghiên cứu này đề xuất ứng dụng mạng học sâu AlexNet để phân loại mức độ nguy cơ ung thư vú dựa trên hình ảnh X-quang tuyến vú theo tiêu chuẩn Birads, góp phần hỗ trợ công tác chẩn đoán và nâng cao chất lượng chăm sóc sức khỏe.

2. PHƯƠNG PHÁP NGHIÊN CỨU

2.1. Mạng học sâu AlexNet

AlexNet là một trong những mô hình học sâu mang tính đột phá trong lĩnh vực thị giác máy tính, được giới thiệu lần đầu tiên tại cuộc thi ImageNet năm 2012. Mô hình sử dụng kiến trúc mạng nơ-ron tích chập (Convolutional Neural Network – CNN) với độ sâu lớn, bao gồm 5 lớp tích chập và 3 lớp kết nối đầy đủ (fully connected).

Một trong những ưu điểm nổi bật của AlexNet là việc sử dụng hàm kích hoạt ReLU (Rectified Linear Unit) giúp tăng tốc độ huấn luyện và hạn chế hiện tượng bão hòa gradient. Bên cạnh đó, kỹ thuật Dropout được tích hợp nhằm giảm thiểu hiện tượng quá khớp (overfitting), từ đó nâng cao khả năng tổng quát hóa của mô hình.

Nhờ khả năng trích xuất đặc trưng tự động và hiệu quả từ dữ liệu hình ảnh, AlexNet được lựa chọn làm mô hình nền tảng trong nghiên cứu này để phân loại nguy cơ ung thư vú.

2.2. Dữ liệu ảnh X-quang tuyến vú

Dữ liệu sử dụng trong nghiên cứu bao gồm 2.051 ảnh X-quang tuyến vú được thu thập tại Bệnh viện Ung bướu thành phố Cần Thơ. Mỗi bệnh nhân thường có bốn ảnh X-quang tương ứng với các tư thế chụp CC (thẳng đứng) và MLO (chéo trong – ngoài) cho cả hai bên vú.

Toàn bộ dữ liệu được phân loại theo tiêu chuẩn Birads dựa trên hồ sơ bệnh án, bao gồm bốn nhóm: Birads 2, Birads 3, Birads 4 và Birads 5. Dữ liệu được chia thành ba tập: tập huấn luyện, tập hiệu chỉnh và tập kiểm tra nhằm đảm bảo tính khách quan trong đánh giá mô hình.

2.3. Thiết kế mô hình phân loại nguy cơ ung thư vú

Quy trình xây dựng mô hình bao gồm các bước chính: thu thập dữ liệu, tiền xử lý ảnh (chuẩn hóa kích thước, loại bỏ thông tin cá nhân), tăng cường dữ liệu (augmentation), huấn luyện mô hình AlexNet và đánh giá hiệu suất bằng các chỉ số thống kê. Mô hình sau huấn luyện được sử dụng để dự đoán mức độ nguy cơ ung thư vú trên tập dữ liệu kiểm tra độc lập.

3. KẾT QUẢ VÀ THẢO LUẬN

Quá trình huấn luyện mô hình được thực hiện trên môi trường Matlab với cấu hình máy tính phổ thông. Sau 30 epoch huấn luyện, mô hình đạt độ chính xác xác thực (Validation Accuracy) 86,84%, cho thấy khả năng học và hội tụ ổn định.

Kết quả đánh giá trên tập kiểm tra cho thấy mô hình đạt hiệu suất cao trên tất cả các nhóm Birads, đặc biệt là Birads 4 và Birads 5 – các nhóm có ý nghĩa quan trọng trong phát hiện ung thư vú. Các chỉ số Precision, Recall và F1-score đều đạt giá trị cao, chứng tỏ mô hình có độ tin cậy tốt và ít xảy ra sai lệch trong phân loại.

4. KẾT LUẬN

Nghiên cứu đã chứng minh khả năng ứng dụng hiệu quả của mô hình học sâu AlexNet trong việc phân loại nguy cơ ung thư vú dựa trên hình ảnh X-quang tuyến vú. Với độ chính xác đạt 86,84%, mô hình cho thấy tiềm năng lớn trong việc hỗ trợ bác sĩ chẩn đoán hình ảnh, góp phần nâng cao hiệu quả sàng lọc và phát hiện sớm ung thư vú.

Trong tương lai, nghiên cứu sẽ tập trung mở rộng tập dữ liệu, tối ưu hóa mô hình và phát triển các hướng ứng dụng nâng cao như xác định vị trí, kích thước tổn thương và phân loại chi tiết hơn các phân nhóm Birads, nhằm tiến tới triển khai thực tế trong môi trường lâm sàng.