Dự đoán suy tim bằng Học máy

   

Nhiều vấn đề sức khỏe liên quan đến chất lỏng dư thừa trong phổi. Một thuật toán mới có thể phát hiện mức độ nghiêm trọng của dấu hiệu này chỉ bằng một ảnh chụp X quang.

Chân dung Thủ khoa HVMM _ Chu Hoàng Phương (2).jpg

Cứ tám trường hợp tử vong ở Mỹ thì một trường hợp có nguyên nhân liên quan đến suy tim. Một trong những dấu hiệu cảnh báo phổ biến nhất của suy tim cấp là chất lỏng dư thừa trong phổi - tình trạng này được gọi là “phù phổi”.

Mức độ chất lỏng dư thừa trong phổi của bệnh nhân có ý nghĩa quyết định đối với quá trình điều trị, nhưng không dễ xác định mức độ chất lỏng dư thừa. Công việc này đòi hỏi bác sĩ lâm sàng phải dựa vào các đặc điểm tinh vi trong ảnh X quang, đôi khi dẫn đến các chẩn đoán và kế hoạch điều trị không nhất quán.Mới đây, một nhóm do các nhà nghiên cứu ở Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo của MIT (CSAIL) dẫn đầu đã phát triển một mô hình học máy có thể nhìn vào ảnh X quang để xác định mức độ nghiêm trọng của tình trạng phù nề phổi. Sau đó, mô hình sẽ đánh giá trên thang điểm từ 0 (tốt) đến 3 (rất, rất xấu). Trong thử nghiệm, hệ thống đã xác định đúng cấp độ của hơn một nửa số trường hợp và chẩn đoán chính xác 90% các trường hợp cấp độ 3.

Nhóm nghiên cứu nói rằng chẩn đoán phù nề phổi chính xác hơn sẽ giúp các bác sĩ kiểm soát các vấn đề cấp tính về tim và cả các tình trạng khác liên quan chặt chẽ đến phù nề như nhiễm trùng huyết và suy thận.

Mô hình sử dụng cả hình ảnh và văn bản

Một khía cạnh quan trọng của hệ thống này là nó không chỉ được đào tạo trên hơn 300.000 hình ảnh X quang mà còn dựa trên văn bản báo cáo tương ứng của mỗi ảnh do các bác sĩ X quang viết.

Những nỗ lực của nhóm tập trung vào việc giúp hệ thống hiểu nội dung của báo cáo, thường chỉ dài một hoặc hai câu. Các nhà nghiên cứu X quang khác nhau có các cách diễn đạt khác nhau và sử dụng một loạt thuật ngữ chuyên ngành, vì vậy nhóm nghiên cứu phải phát triển một bộ quy tắc ngôn ngữ để đảm bảo sự thống nhất về dữ liệu giữa các báo cáo. Ngoài ra, nhóm nghiên cứu còn gặp thách thức trong việc thiết kế một mô hình có thể được đào tạo cùng lúc dựa trên hình ảnh và văn bản.

“Mô hình của chúng tôi có thể biến cả hình ảnh và văn bản thành một con số đại diện nhỏ gọn (từ 0 đến 3)," Chauhan cho biết. Hơn nữa, hệ thống của nhóm cũng có thể lý giải cho kết quả mà nó đưa ra, bằng cách hiển thị phần nào của báo cáo văn bản và phần nào của hình ảnh tương ứng với kết quả.

Dự kiến kết quả nghiên cứu sẽ được trình bày vào ngày 5/10 tại Hội nghị Quốc tế về Tính toán hình ảnh y tế và Các biện pháp bổ trợ sử dụng máy tính (MICCAI).

Nhóm nghiên cứu cũng có kế hoạch tích hợp mô hình này vào quy trình làm việc tại phòng cấp cứu của Trung tâm y tế Beth Israel Deaconess (BIDMC) vào mùa thu tới.

Hoàng Nam dịch - Nguồn MIT