Bài báo khoa học Tập 63 Số 6 (2022) 09/11/2022

TẦM SOÁT BỆNH GLÔCÔM BẰNG CHỤP ẢNH MÀU GAI THỊ VỚI ỨNG DỤNG PHẦN MỀM TRÍ TUỆ NHÂN TẠO EYEDR

Phạm Thị Thủy Tiên1,2, Hồ Phương Thanh Tài1,2, Đỗ Quốc Hiệp1,2, Nguyễn Trọng Lộc1,2, Nguyễn Minh Sơn3,4
1 Ho Chi Minh City Eye Hospital
2 Bệnh viện Mắt TPHCM
3 University of Information Technology, Vietnam National University
4 Đại học Công nghệ thông tin - Đại học Quốc Gia TPHCM
Tác giả liên hệ: taiho@bvmat.com
DOI: 10.52163/yhc.v63i6.465
21 Lượt xem
0 Lượt tải xuống
Từ khóa
Glôcôm, gai thị, trí tuệ nhân tạo.
Tóm tắt

Ứng dụng công nghệ mạng nơ-ron tích chập Darknet YOLO phát triển hệ thống trí tuệ nhân tạo
EYEDR có thể tầm soát glôcôm bằng hình ảnh đĩa thị tự động.
Mục tiêu: Xác định tính giá trị và tin cậy của thuật toán trí tuệ nhân tạo EYEDR trong tầm soát bệnh
glôcôm ở người trưởng thành bằng hình ảnh màu đĩa thị.
Phương pháp: Nghiên cứu cắt ngang. Chọn lọc 2470 ảnh màu đĩa thị để huấn luyện cho máy học
bằng mạng nơ-ron tích chập Darknet YOLO nhằm xác định hình dạng optic disc và optic cup của đĩa
thị, từ đó xây dựng thuật toán trí tuệ nhân tạo để phát hiện đĩa thi có glaucoma và non-glaucoma. Sử
dụng bộ test gồm 1028 ảnh dùng để đánh giá giá trị của phần mềm AI này dựa vào độ nhạy, độ đặc
hiệu, diện tích dưới đường cong ROC (AUC), tính khả dĩ đương, tính chính xác và chỉ số đồng thuận
Kappa của máy học và bác sĩ đọc kết quả.
Kết quả: Diện tích dưới đường cong ROC (AUC) là 0,93 ± 0,01 (0,92 -0,95; CI 95%), với độ nhạy
90,3%, độ đặc hiệu 95,06%, tỉ số tiên đoán dương 90,80%, độ chính xác 86,80% và chỉ số đồng thuận
Kappa là 0,86.
Kết luận: Phần mềm trí tuệ nhân tạo EYEDR ứng dụng công nghệ CNN Darknet YOLO version 3
có độ nhạy cao giúp phát hiện tầm soát glôcôm bằng ảnh màu gai thị trong cộng đồng.

Tài liệu tham khảo
[1]
Ahn JM, Kim S, Ahn KS et al., “A deep learning Google Scholar
[2]
model for the detection of both advanced and Google Scholar
[3]
early glaucoma using fundus photography” PLOS Google Scholar
[4]
ONE, 1-8, 2018. Google Scholar
[5]
Chakrabarty L, Gopal DJGD, Arunava CA et Google Scholar
[6]
al., Automated Detection of Glaucoma From Google Scholar
[7]
Topographic Features of the Optic Nerve Head Google Scholar
[8]
in Color Fundus Photographs. J Glaucoma. Google Scholar
[9]
(7):590-597, 2016.151 Google Scholar
[10]
Chen X, Xu Y, Wong KW et al., “Glaucoma Google Scholar
[11]
detection based on deep convolutional neural Google Scholar
[12]
network”. IEEE Eng Med Biol Soc, pp. 715 – Google Scholar
[13]
, Annual Conf, 2015. Google Scholar
[14]
Fingeret M, Medeiros FA, Susanna R et al., Five Google Scholar
[15]
rules to evaluate the optic disc and retinal nerve Google Scholar
[16]
fiber layer for Glaucoma. Optometry.;76:661-8, Google Scholar
[17]
Kauppi T, Kalesnykiene V, Kamarainen JK et Google Scholar
[18]
al., “DIARETDB1 diabetic retinopathy database Google Scholar
[19]
and evaluation protocol”. In: Medical image Google Scholar
[20]
understanding and analysis, processdings of 11th Google Scholar
[21]
conference; 2007. Google Scholar
[22]
Li Z, He Y, Keel S et al., “Efficacy of a Deep Google Scholar
[23]
Learning System for Detecting Glaucomatous Google Scholar
[24]
Optic Neuropathy Based on Color Fundus Google Scholar
[25]
Photographs” American academy of Google Scholar
[26]
Ophthalmology, vol. 125, pp. 1199 – 1206, 2018. Google Scholar
[27]
Liu H, Li L, Wormstone IM et al., “Development Google Scholar
[28]
and Validation of a Deep Learning System to Google Scholar
[29]
Detect Glaucomatous Optic Neuropathy using Google Scholar
[30]
Fundus Photographs” JAMA Ophthalmol. E1- Google Scholar
[31]
E8, 2019. Google Scholar
[32]
Phene S, Dunn RC, Hammel N et al., “Deep Google Scholar
[33]
learning and Glaucoma specialists: The relative Google Scholar
[34]
importance of optic disc features to predict Google Scholar
[35]
Glaucoma referral in fundus photographs”. Google Scholar
[36]
Ophthalmology. 2019;1-13. Google Scholar
[37]
Qaisar A, “Glaucoma-Deep: Detection of Google Scholar
[38]
Glaucoma Eye Disease on Retinal Fundus Images Google Scholar
[39]
using Deep Learning” International Journal of Google Scholar
[40]
Advanced Computer Science and Applications, Google Scholar
[41]
(6): 41-45, 2017. Google Scholar
[42]
Redmon J, Divvala S, Girshick R et al., “You Google Scholar
[43]
Only Look Once: Unified, Real-time Object Google Scholar
[44]
Detection,” in Computer vision and Pattern Google Scholar
[45]
Recognition 2016, 2016. Google Scholar
[46]
Redmon J, Farhadi A, “Yolov3: An incremental Google Scholar
[47]
improvement”. arXiv Operational, 2018. Google Scholar
[48]
Thanh THP, Thuy TPT, Hieu TN et al., “A RealTime Classification Of Glaucoma from Retinal Google Scholar
[49]
Fundus Images Using AI Technology,” 2020 Google Scholar
[50]
International Conference on Advanced Computing Google Scholar
[51]
and Applications (ACOMP), 2020, pp. 114-121, Google Scholar
[52]
doi: 10.1109/ACOMP50827.2020.00024. Google Scholar
[53]
Ting DSW, Pasquale LR, Peng L et al., “Artificial Google Scholar
[54]
intelligence and deep learning in ophthalmology”. Google Scholar
[55]
Br J Ophthalmol;103:167–175, 2019. Google Scholar