Bài báo khoa học Tập 67 Số CĐ13-HNKH Bệnh viện 19-8 10/09/2026

ĐÁNH GIÁ HIỆU QUẢ ỨNG DỤNG ĐỒ THỊ TRI THỨC Y KHOA KẾT HỢP TRÍ TUỆ NHÂN TẠO ĐA PHƯƠNG THỨC HỖ TRỢ CHẨN ĐOÁN SỚM UNG THƯ VÒM MŨI HỌNG TẠI VIỆT NAM

Đào Phạm Thị Bích, Trang Nguyễn Thị Quỳnh, Nam Phan Xuân, Trường Hoàng Hữu, Anh Đinh Tuấn, Yến Trần Hải, Anh Nguyễn Thị Ngọc, Cương Hoàng Minh, Đăng Nguyễn Văn, Hương Nguyễn Thị Thanh, Thủy Nguyễn Thanh, Tuyến Bùi Quang, Hòa Nguyễn Xuân, Đào Nguyễn Thị Anh, Thủy Phạm Thị Bích, Tần Phạm Huy, Đông Khổng Văn, Tâm Trần Văn, Lưu Đoàn Tiến, Chung Lê Duy, Đạt Lê Minh, Mai Bùi Thị, My Nguyễn Diệu, Hằng Nguyễn Thị, Thắng Tống Xuân, Anh Phạm Trần, Hạnh Phạm Thị Phương
DOI: 10.52163/yhc.v67iCD13.6408
0 Lượt xem
0 Lượt tải xuống
Từ khóa
ung thư vòm mũi họng; trí tuệ nhân tạo; Đồ thị tri thức y khoa; chẩn đoán sớm; đa phương thức
Tóm tắt

Mục tiêu: Đánh giá hiệu quả chẩn đoán sớm của hệ thống trí tuệ nhân tạo tích hợp Đồ thị tri thức y khoa phát hiện ung thư vòm mũi họng. Đối tượng và phương pháp: Nghiên cứu đa trung tâm, thực hiện trên 1.200 trường hợp (600 ung thư vòm mũi họng, 600 đối chứng). Hệ thống trí tuệ nhân tạo được xây dựng tích hợp đa phương thức: dữ liệu hình ảnh, lâm sàng, có tập kiểm tra độc lập, và có logic đánh giá mô hình. Kết quả: Tỷ lệ nam/nữ ở nhóm bệnh là 2,5/1, cao hơn so với 1,2/1 ở nhóm đối chứng (p < 0,05). Trên tập kiểm tra độc lập gồm 180 trường hợp, hệ thống đạt độ chính xác 94,5% (KTC 95%: 92,1–96,8), độ nhạy 96,2%, độ đặc hiệu 92,8% và AUC 0,97. Tỷ lệ phát hiện đúng ung thư vòm mũi họng giai đoạn sớm tăng từ 60,0% lên 85,0%, trong khi tỷ lệ bỏ sót tổn thương nhỏ dưới 1 cm giảm từ 42,0% xuống 12,0%. So với mô hình chỉ sử dụng hình ảnh, mô hình tích hợp đa phương thức kết hợp Đồ thị tri thức y khoa giúp tăng độ chính xác từ 82,4% lên 94,5%. Kết luận: Hệ thống trí tuệ nhân tạo tích hợp Đồ thị tri thức y khoa phát hiện sớm và giảm bỏ sót tổn thương nhỏ, đồng thời nâng cao độ chính xác.

Tài liệu tham khảo
[1]
1. International Agency for Research on Cancer. Viet Nam fact sheet. GLOBOCAN 2022, version 1.1; 2024. Google Scholar
[2]
2. Jiang W, Zheng B, Wei H. Recent advances in early detection of nasopharyngeal carcinoma. Discov Oncol. 2024;15:365. doi:10.1007/s12672-024-01242-3. Google Scholar
[3]
3. Yuan Y, Ye F, Wu JH, et al. Early screening of nasopharyngeal carcinoma. Head Neck. 2023;45(10):2700-2709. doi:10.1002/hed.27466. Google Scholar
[4]
4. Wang KH, Austin SA, Chen SH, Sonne DC, Gurushanthaiah D. Nasopharyngeal carcinoma diagnostic challenge in a nonendemic setting: our experience with 101 patients. Perm J. 2017;21:16-180. doi:10.7812/TPP/16-180. Google Scholar
[5]
5. Chen JW, Lin ST, Lin YC, Wang BS, Chien YN, Chiou HY. Early detection of nasopharyngeal carcinoma through machine-learning-driven prediction model in a population-based healthcare record database. Cancer Med. 2024;13(7):e7144. doi:10.1002/cam4.7144. Google Scholar
[6]
6. Xu J, Wang J, Bian X, Zhu JQ, Tie CW, Liu X, et al. Deep learning for nasopharyngeal carcinoma identification using both white light and narrow-band imaging endoscopy. Laryngoscope. 2022;132(5):999-1007. doi:10.1002/lary.29894. Google Scholar
[7]
7. Wang SX, et al. The detection of nasopharyngeal carcinomas using a deep convolutional neural network-based artificial intelligence system. Laryngoscope. 2024;134(1):127-135. doi:10.1002/lary.30781. Google Scholar
[8]
8. He Z, Zhang K, Zhao N, et al. Deep learning for real-time detection of nasopharyngeal carcinoma during nasopharyngeal endoscopy. iScience. 2023;26:107463. doi:10.1016/j.isci.2023.107463. Google Scholar
[9]
9. Yue Y, Zeng X, Lin H, et al. A deep learning based smartphone application for early detection of nasopharyngeal carcinoma using endoscopic images. npj Digit Med. 2024;7:384. doi:10.1038/s41746-024-01403-2. Google Scholar
[10]
10. Shi Y, et al. Artificial intelligence-assisted detection of nasopharyngeal carcinoma on endoscopic images: a national, multicentre, model development and validation study. Lancet Digit Health. 2025;7(6):100869. doi:10.1016/j.landig.2025.03.001. Google Scholar
[11]
11. Zhou HY, Yu Y, Wang C, et al. A transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics. Nat Biomed Eng. 2023;7:743-755. doi:10.1038/s41551-023-01045-x. Google Scholar
[12]
12. Wang S, Lin M, Ghosal T, Ding Y, Peng Y. Knowledge graph applications in medical imaging analysis: a scoping review. Health Data Sci. 2022;2022:9841548. doi:10.34133/2022/9841548. Google Scholar
[13]
13. Huang Q, et al. Knowledge graph based reasoning in medical image analysis: a scoping review. Comput Biol Med. 2024;182:109100. doi:10.1016/j.compbiomed.2024.109100. Google Scholar
[14]
14. Sadeghi Z, Alizadehsani R, Cifci MA, et al. A review of explainable artificial intelligence in healthcare. Comput Electr Eng. 2024;122:109370. doi:10.1016/j.compeleceng.2024.109370. Google Scholar