Một loại vắc-xin mới đột phá đã cho thấy hứa hẹn trong việc điều trị các tổn thương tiền ung thư cổ tử cung, có khả năng làm giảm nguy cơ phát triển ung thư cổ tử cung gây chết người ở phụ nữ Mỹ. Vắc-xin, được gọi là Vvax001, nhắm mục tiêu cụ thể vào chủng HPV16, có liên quan đến phần lớn các trường hợp ung thư cổ tử cung. Các nhà khoa học Hà Lan phát hiện ra rằng việc tiêm vắc-xin cho phụ nữ có tế bào tiền ung thư có nguy cơ cao sẽ ngăn chặn sự tiến triển của bệnh.

Kết quả đầy hứa hẹn từ nghiên cứu Vvax001

Tiến sĩ Refika Yigit của Trung tâm Y tế Đại học Groningen đã dẫn đầu nghiên cứu, đánh giá 18 bệnh nhân có các trường hợp nghiêm trọng của tế bào cổ tử cung tiền ung thư, được gọi là CIN3. Nếu không được điều trị, một phần ba các trường hợp CIN3 phát triển thành ung thư trong vòng 10 năm và lên đến 50% trong vòng 30 năm. Các nhà nghiên cứu đã tiêm ba liều vắc-xin, cách nhau ba tuần, cho những người tham gia.

Sau 19 tuần, 9 trong số 18 phụ nữ chứng kiến các tế bào CIN3 của họ bị thu hẹp, với ba người bị phá hủy hoàn toàn các tế bào tiền ung thư. Chín người tham gia còn lại đã trải qua thủ thuật rạch vòng tiêu chuẩn, nhưng trong bốn trường hợp, không tìm thấy bệnh còn sót lại, cho thấy vắc-xin cũng có hiệu quả đối với họ. Không có bệnh nhân nào tái phát sau hai năm.

Giải pháp thay thế tiềm năng cho phương pháp điều trị truyền thống

Tiến sĩ Yigit nhấn mạnh tầm quan trọng của những phát hiện này, nói rằng Vvax001 là một trong những phương pháp điều trị hiệu quả nhất cho đến nay cho các tổn thương tiền ung thư cổ tử cung. Cô lưu ý rằng vắc-xin có thể cung cấp một giải pháp thay thế tiềm năng cho quy trình rạch vòng tiêu chuẩn, liên quan đến việc cạo cổ tử cung và thường liên quan đến các biến chứng như chảy máu và nhiễm trùng.

“Gần như tất cả các tổn thương cổ tử cung tiền ung thư và ung thư cổ tử cung đều do nhiễm HPV gây ra, với HPV16 liên quan đến phần lớn các trường hợp”, Tiến sĩ Yigit nói. “Nếu được xác nhận trong một thử nghiệm lớn hơn, kết quả của chúng tôi có thể có nghĩa là ít nhất một nửa số bệnh nhân mắc CIN3 có thể bỏ qua phẫu thuật và tránh tất cả các tác dụng phụ và biến chứng có thể xảy ra.”

Tỷ lệ bao phủ vắc-xin HPV hiện tại và các tác động trong tương lai

Vắc-xin hiện tại của Hoa Kỳ, Gardasil 9, nhắm mục tiêu vào chín chủng virus, bao gồm HPV16. Tuy nhiên, chỉ có 16% người Mỹ trưởng thành từ 27 đến 45 tuổi đã nhận được nó, khiến nhiều người Mỹ gặp nguy hiểm. Sự ra đời của Vvax001 có thể cải thiện các lựa chọn phòng ngừa và điều trị cho những người có tổn thương tiền ung thư có nguy cơ cao.

Mặc dù Gardasil đã được khuyến cáo từ năm 2006, HPV vẫn phổ biến ở người Mỹ ở mọi lứa tuổi. Sự phát triển của Vvax001 mang lại hy vọng về việc quản lý hiệu quả hơn virus và các rủi ro liên quan của nó.

Khi nghiên cứu tiếp tục, tiềm năng để Vvax001 trở thành một phương pháp điều trị được áp dụng rộng rãi cho các tổn thương tiền ung thư cổ tử cung là rất đáng kể. Kết quả đầy hứa hẹn từ nghiên cứu ban đầu cho thấy vắc-xin có thể đóng một vai trò quan trọng trong việc giảm tỷ lệ mắc ung thư cổ tử cung và cải thiện sức khỏe tổng thể của phụ nữ trên toàn thế giới.

Phương pháp học tập tổng hợp sâu để phân loại tế bào vảy trong ung thư cổ tử cung

Trừu tượng

Ung thư cổ tử cung, phát sinh từ các tế bào của cổ tử cung, phần dưới của tử cung nối với âm đạo – gây ra mối đe dọa sức khỏe đáng kể. Việc kiểm tra bằng kính hiển vi các tế bào cổ tử cung bằng kỹ thuật phết tế bào cổ tử cung đóng một vai trò quan trọng trong việc xác định các thay đổi ung thư tiềm ẩn. Trong khi các quốc gia phát triển chứng minh hiệu quả đáng khen ngợi trong việc lấy Pap smear, quá trình này vẫn tốn nhiều công sức và thời gian. Ngược lại, ở các khu vực kém phát triển, nhu cầu cấp bách về các phương pháp hợp lý, có sự hỗ trợ của máy tính để phân tích trước và điều trị ung thư cổ tử cung. Nghiên cứu này tập trung vào việc phân loại các tế bào vảy thành năm lớp riêng biệt, cung cấp đánh giá sắc thái về mức độ nghiêm trọng của ung thư cổ tử cung. Sử dụng bộ dữ liệu bao gồm hơn 4096 hình ảnh từ SimpakMed, có sẵn trên Kaggle, chúng tôi đã sử dụng kỹ thuật tổng hợp bao gồm Mạng nơ-ron tích chập (CNN), AlexNet và SqueezeNet để phân loại hình ảnh, đạt được độ chính xác lần lượt là 90,8%, 92% và 91%. Đặc biệt đáng chú ý là kỹ thuật tổng hợp được đề xuất, vượt qua các hiệu suất của từng mô hình, đạt được độ chính xác ấn tượng là 94%. Cách tiếp cận tổng hợp này nhấn mạnh hiệu quả của phương pháp của chúng tôi trong việc phân loại tế bào vảy chính xác và do đó, trong việc đo lường mức độ nghiêm trọng của ung thư cổ tử cung. Kết quả thể hiện một tiến bộ đầy hứa hẹn trong việc phát triển các công cụ chẩn đoán ung thư cổ tử cung hiệu quả hơn trong các môi trường hạn chế về nguồn lực.

Giới thiệu

Ung thư cổ tử cung là một mối quan tâm về sức khỏe toàn cầu ảnh hưởng không cân xứng đến phụ nữ trên toàn thế giới. Bằng cách tự động hóa việc giải thích hình ảnh Pap smear, chúng tôi có thể giảm thiểu khối lượng công việc của các nhà nghiên cứu bệnh học và phát hiện sớm hơn các bất thường tiền ung thư và ung thư. Điều này có thể dẫn đến sự can thiệp kịp thời, có thể cứu sống. Sàng lọc phết tế bào cổ tử cung là một cuộc kiểm tra bằng kính hiển vi các tế bào cổ tử cung để phát hiện bất kỳ bất thường^{nào 1}. Phương pháp này tuy hiệu quả nhưng tốn thời gian và đòi hỏi nhân viên chuyên môn. Nó rất hữu ích trong việc phát hiện các thay đổi do vắc-xin u nhú ở người (HPV) tạo ra, nếu không được điều trị, có thể dẫn đến ung thư cổ tử cung, cho phép xác định các tế bào tiền ung thư hoặc ung thư, cũng như các bệnh không ác tính như nhiễm trùng hoặc viêm². Đây là lợi ích của việc tiêm vắc-xin HPV ở những phụ nữ đã cắt bỏ tử cung cho tiền ung thư cổ tử cung cấp độ cao hoặc ung thư cổ tử cung giai đoạn đầu. Các nhà nghiên cứu đã xem xét hồ sơ y tế của 77 bệnh nhân mắc chứng loạn sản đường sinh dục dưới sau phẫu thuật. Họ phát hiện ra rằng vắc-xin HPV có thể tránh được một số lượng đáng kể các trường hợp này³. Tuy nhiên, nó cung cấp sự bảo vệ tối thiểu cho những người đã bị ảnh hưởng. Để khắc phục những hạn chế của các phương pháp tiếp cận thủ công, các hệ thống chẩn đoán có sự hỗ trợ của máy tính (CAD) đã nổi lên như một công cụ sàng lọc ung thư cổ tử cung đầy hứa hẹn ^4,5,6.

Ở Ấn Độ, ung thư cổ tử cung là một mối quan tâm đặc biệt đáng kể, với một mối quan tâm đáng kinh ngạc. Cứ năm bệnh nhân trên toàn thế giới thì có một người đến từ quốc gia này. Tác động kinh tế của cả chi phí y tế và phi y tế, cũng như mất năng suất, nhấn mạnh sự cần thiết phải có các biện pháp phòng ngừa và sàng lọc hiệu quả⁷. Ung thư cổ tử cung là bệnh ác tính phổ biến nhất ở phụ nữ Ấn Độ, chiếm 72.825 ca tử vong mỗi năm và chiếm 26,7% tổng số ca toàn cầu. Tỷ lệ mắc mới được điều chỉnh theo độ tuổi dao động từ 8,8 đến 10,1 trên 100.000. Các quốc gia có thu nhập thấp và trung bình phải đối mặt với những thách thức trong việc thực hiện các chương trình sàng lọc toàn diện do thiếu nhân viên y tế có trình độ và nguồn lực hạn chế^6,8.

Các hệ thống này sử dụng phương pháp xử lý hình ảnh và máy học để kiểm tra hình ảnh kỹ thuật số của tế bào cổ tử cung. Trong những năm gần đây, học sâu, một loại máy học, đã chứng minh hiệu quả phi thường trong nhiều nhiệm vụ phân tích hình ảnh y tế, bao gồm phát hiện ung thư cổ tử cung ^7,9,10. Các thuật toán học sâu, chẳng hạn như Mạng nơ-ron tích chập (CNN), có thể tự động học các tính năng phân cấp từ hình ảnh, cho phép phân loại chính xác các bất thường của tế bào cổ tử cung. Ung thư cổ tử cung là một mối quan tâm lớn về sức khỏe toàn cầu, đặc biệt là ở các nước đang phát triển. Phát hiện sớm là rất quan trọng để điều trị thành công và kết quả tốt hơn cho bệnh nhân. Các phương pháp sàng lọc truyền thống, chẳng hạn như phết tế bào cổ tử cung, phụ thuộc nhiều vào chuyên môn của các nhà công nghệ tế bào hoặc nhà nghiên cứu bệnh học, có thể mang tính chủ quan và dễ xảy ra lỗi của con người. Nghiên cứu này sử dụng học sâu và hình ảnh Pap smear để phân loại ung thư cổ tử cung. Chúng tôi sử dụng CNN, SqueezeNet và AlexNet để phân loại các tế bào ung thư cổ tử cung thành năm loại riêng biệt: “rối loạn giác mạc”, “tế bào koilocytotic”, “metaplastic”, “parabaseal” và “bề mặt-trung gian”. Ngoài ra, kỹ thuật học tập tổng hợp kết hợp các dự đoán mô hình riêng lẻ để cải thiện độ chính xác tổng thể.

Mục tiêu nghiên cứu có thể được tóm tắt như sau:

• Nghiên cứu nhằm mục đích thiết kế một hệ thống có thể tự động phân loại các tế bào vảy từ phết tế bào Pap thành các lớp khác nhau đại diện cho mức độ nghiêm trọng của ung thư cổ tử cung.
• Bằng cách sử dụng các kỹ thuật học sâu như CNN, AlexNet và SqueezeNet, mục tiêu là đạt được sự phân loại chính xác hơn các tế bào vảy so với phân tích thủ công.
• Nghiên cứu đã khám phá việc kết hợp điểm mạnh của nhiều mô hình học sâu bằng kỹ thuật tổng hợp để đạt được độ chính xác tổng thể cao hơn trong việc phân loại các tế bào vảy.

Bài báo có cấu trúc như sau: Phần 2 cung cấp tổng quan về các tài liệu về ung thư cổ tử cung. Phần 3 phác thảo phương pháp được đề xuất, sử dụng các kỹ thuật học tập tổng hợp kết hợp CNN, AlexNet và SqueezeNet. Phần 4 trình bày bộ dữ liệu, các thông số đánh giá và kết quả, Phần 5 thảo luận về hạn chế của phương pháp Ensemble, Cuối cùng, Phần 6 đưa ra nhận xét kết luận.

Đánh giá tài liệu

Đánh giá tài liệu cung cấp một cái nhìn tổng quan sâu rộng về các kỹ thuật và mô hình khác nhau được sử dụng để phân loại và phát hiện ung thư cổ tử cung. Rõ ràng là một loạt các phương pháp tiếp cận sử dụng các thuật toán dựa trên máy tính, học sâu và học tập tổng hợp đã được khám phá trong lĩnh vực này. Mỗi nghiên cứu tận dụng các phương pháp, bộ dữ liệu và mô hình khác nhau để đạt được kết quả chính xác.

Mango et ^al.11đã giới thiệu một giải pháp để phát hiện tế bào ung thư trong mẫu cổ tử cung, tích hợp xét nghiệm Pap smear thông thường với mô hình mạng nơ-ron nhân tạo (ANN). Sukumar và Gnanamurthy (2016)¹²đã trình bày một phương pháp chẩn đoán tự động dựa trên quét chụp cộng hưởng từ. Bộ phân loại lai của họ, kết hợp SVM và công nghệ giao diện mờ thần kinh thích ứng, đạt được độ chính xác đáng kể. Bora et al. (2016)¹³đã sử dụng mạng nơ-ron tích chập sâu để nhận dạng hình ảnh, nâng cao độ chính xác thông qua các nhiệm vụ lựa chọn tính năng. Nghiên cứu so sánh của họ về bộ phân loại hồi quy LSSVM và SoftMax đã nêu bật những cải tiến đáng kể về tỷ lệ phân loại. Hyeon et al. (2017)¹⁴đã sử dụng CNN và các mô hình dựa trên bộ phân loại máy học để phân loại MRI cổ tử cung, thể hiện hiệu quả của việc trích xuất đặc điểm bằng thuật toán VGG16. Promworn et al. (2019)¹⁵đã tiến hành phân tích so sánh học sâu về hình ảnh tế bào cổ tử cung, với DenseNet161 nổi lên như một mô hình chính xác nhất trong số năm phương pháp học sâu. ColpoNet lấy cảm hứng từ DenseNet cho khuôn khổ hiệu quả tính toán^{của nó 16}. Parikshit Sanyal và cộng ^sự17đã phát triển một CNN để phát hiện các ổ bất thường trong phết cổ tử cung truyền thống, đạt được độ chính xác chẩn đoán cao. Karunakaran và cộng sự (2020) đã đề xuất tán xạ Raman tăng cường bề mặt siêu nhạy (SERS) để dự đoán bệnh lý của mẫu tế bào cổ tử cung với độ chính xác đáng khen ngợi¹⁷. Taha et al. (2017) nhấn mạnh lợi ích của việc sử dụng các kiến trúc CNN được đào tạo trước, chẳng hạn như AlexNet, cho các nhiệm vụ phân loại¹⁸. Kudva et al. (2020) đã giới thiệu một hệ thống học chuyển giao lai, sử dụng các tính năng AlexNet và VGG-16 để cải thiện nhận dạng hình ảnh cổ tử cung. Kết quả của họ đã chứng minh những lợi ích đáng kể về độ chính xác của phân loại¹⁹. Xue et al. (2020) đã sử dụng Ensemble Transfer Learning (ETL) để phân loại hình hình mô bệnh học cổ tử cung, đạt được điểm chính xác ấn tượng²⁰. Chen et al. (2020) đã khám phá tiềm năng của CNN và học chuyển giao trong phân tích hình ảnh mô bệnh học, mang lại độ chính xác phân loại cao²¹. Ghoneim et al. (2020) đã chứng minh hiệu quả của các phương pháp tiếp cận dựa trên CNN để phát hiện và phân loại các tế bào ung thư cổ tử cung. Việc sử dụng các mô hình CNN song song với các bộ phân loại ELM đã cho thấy kết quả đầy hứa hẹn trên cơ sở dữ liệu Herlev²². Arifianto et ^al.23 đã áp dụng các phương pháp học sâu của CNN vào một bộ dữ liệu đa dạng, đạt được độ chính xác đáng chú ý trong việc xác định tổn thương cổ tử cung. Hussain et ^al.24 đã đề xuất một số mô hình dựa trên mạng nơ-ron tích chập sâu, báo cáo điểm chính xác ấn tượng trên các bộ dữ liệu khác nhau. Kang et ^al.25 đã khám phá việc sử dụng quang phổ Raman và mạng nơ-ron phân cấp mới (H-CNN) để xác định chính xác các giai đoạn khác nhau của ung thư cổ tử cung trong các mẫu mô. H-CNN vượt trội hơn các phương pháp truyền thống về độ chính xác, độ ổn định và độ nhạy, đạt độ chính xác hơn 94% trong việc phân loại mô. Điều này cho thấy H-CNN có thể là một công cụ đầy hứa hẹn để chẩn đoán ung thư cổ tử cung sớm và chính xác, có khả năng cải thiện kết quả của bệnh nhân. Youneszade et ^al.26 nhấn mạnh sự gia tăngVai trò của học sâu trong việc giải quyết gánh nặng của ung thư cổ tử cung, đặc biệt là trong các lĩnh vực hạn chế về nguồn lực. Nó chỉ ra một cách hiệu quả những hạn chế của các phương pháp sàng lọc truyền thống và cách chẩn đoán có sự hỗ trợ của máy tính dựa trên DL mang lại lời hứa về độ chính xác được cải thiện và phát hiện sớm. Bằng cách xem xét các kỹ thuật, kiến trúc và phương pháp phân đoạn có liên quan, nó cung cấp một cái nhìn tổng quan có giá trị về hiện đại hiện tại đối với DL trong sàng lọc ung thư cổ tử cung. Cuối cùng, nó nhấn mạnh sự cần thiết phải nghiên cứu sâu hơn và cung cấp các con đường cho việc khám phá trong tương lai trong lĩnh vực quan trọng này. Nhìn chung, đây là một bản tóm tắt ngắn gọn và nhiều thông tin nắm bắt được bản chất của bài đánh giá. Pacal et ^al.27 tận dụng các mô hình học sâu dựa trên ViT và CNN mạnh mẽ với các kỹ thuật tổng hợp và tăng cường dữ liệu để đạt được độ chính xác phân loại ung thư cổ tử cung phá kỷ lục trên một bộ dữ liệu khổng lồ. Bước đột phá này mở đường cho chẩn đoán sớm và chính xác, có khả năng giảm tỷ lệ tử vong và cách mạng hóa việc thực hiện lâm sàng. Pramanik et ^al.28 đề xuất một cách tiếp cận sáng tạo để tăng cường phát hiện ung thư cổ tử cung trong hình ảnh Pap smear. Nó giới thiệu một phương pháp tổng hợp dựa trên khoảng cách mờ, kết hợp các mô hình học chuyển giao như Inception V3, MobileNet V2 và Inception ResNet V2. Các lớp bổ sung được thêm vào để học các tính năng cụ thể và một kỹ thuật tổng hợp độc đáo được sử dụng để giảm thiểu lỗi. Phương pháp này sử dụng ba thước đo khoảng cách và “defuzzification” cho các dự đoán cuối cùng. Bằng cách kết hợp logic mờ và học chuyển giao, phương pháp tiếp cận này nhằm mục đích cải thiện độ chính xác và hiệu quả trong việc phát hiện ung thư cổ tử cung, có khả năng nâng cao kết quả sàng lọc. Mặc dù cần nghiên cứu thêm, nhưng kết quả ban đầu rất hứa hẹn.

Ensemble Learning, một sự tích hợp mạnh mẽ của các mô hình cơ sở, đã chứng minh hứa hẹn đáng kể trong việc giảm quá khớp và cải thiện độ chính xác của phân loại. Nó đã thể hiện sự vượt trội so với các mô hình đơn lẻ trong các lĩnh vực khác nhau²⁹. Tuy nhiên, tiềm năng cho những tiến bộ hơn nữa trong các mô hình học sâu để phân loại hình ảnh ung thư cổ tử cung chính xác vẫn còn đáng kể và đảm bảo tiếp tục nghiên cứu và phát triển. Bảng 1 tóm tắt đánh giá tài liệu dựa trên phương pháp được đề xuất, bộ dữ liệu được sử dụng và kết quả đạt được.Bảng 1 Tóm tắt tài liệu phát hiện ung thư cổ tử cung.

Bảng kích thước đầy đủ

Phương pháp đề xuất

Phần này phác thảo phương pháp luận được đề xuất cho nghiên cứu này, chủ yếu tập trung vào việc tạo ra một khuôn khổ tổng hợp để phát hiện ung thư cổ tử cung. Cách tiếp cận được đề xuất bao gồm nhiều quy trình phụ, bao gồm chuẩn hóa hình ảnh, trích xuất tính năng và phát triển mô hình. Là người học cơ bản, CNN, AlexNet và SqueezeNet được tuyển dụng. Kỹ thuật học tập tổng hợp hợp nhất các dự đoán bắt nguồn từ những người học cơ bản này. Hình 1 hiển thị kiến trúc của phương pháp luận được đề xuất.

Tiền xử lý

Trong giai đoạn đầu, độ sáng hình ảnh đầu vào được điều chỉnh thành một phạm vi từ không đến một. Thông qua việc chuẩn hóa độ sáng và thay đổi kích thước hình ảnh, tập dữ liệu được chuẩn bị cho các phân tích thêm, chẳng hạn như trích xuất tính năng hoặc thuật toán phân loại. Các bước tiền xử lý này góp phần đáng kể vào độ tin cậy và độ chính xác tổng thể của các giai đoạn tiếp theo trong nghiên cứu, cuối cùng cho phép rút ra những hiểu biết và kết luận có ý nghĩa từ Bộ dữ liệu ung thư cổ tử cung được đề xuất. Chúng tôi đã thay đổi kích thước tất cả các hình ảnh thành 64×64.

Trích xuất tính năng

Trích xuất tính năng là một giai đoạn quan trọng trong các ứng dụng mạng nơ-ron, đóng một vai trò quan trọng trong việc nâng cao khả năng phân biệt các mẫu và thông tin nổi bật từ dữ liệu thô. Về bản chất, nó đòi hỏi quá trình chuyển đổi dữ liệu đầu vào thành một đại diện nhỏ gọn và nhiều thông tin hơn, trong khi vẫn giữ lại các thuộc tính thích hợp nhất cho nhiệm vụ hiện tại. Điều này đặc biệt quan trọng trong các tác vụ xử lý hình ảnh, vì nó cho phép mạng tập trung vào các đặc điểm liên quan, chẳng hạn như cạnh, kết cấu và hình dạng, đồng thời loại bỏ thông tin dư thừa hoặc ít phân biệt hơn.

Trong bối cảnh nghiên cứu được đề xuất, bộ dữ liệu được xử lý trước trải qua một giai đoạn trích xuất đặc điểm quan trọng. Ở đây, các mô hình deep learning đã được thiết lập bao gồm CNN, AlexNet và SqueezeNet truyền thống được sử dụng. Các mô hình này đã nhận được sự hoan nghênh về hiệu quả của chúng trong các nhiệm vụ liên quan đến phân loại hình ảnh. Bằng cách tận dụng kiến trúc phân cấp của chúng, các mô hình này có thể tự động học và trích xuất các tính năng phức tạp từ các hình ảnh đầu vào, trao quyền cho các giai đoạn tiếp theo của nghiên cứu với một biểu diễn dữ liệu tinh tế và có ý nghĩa hơn. Đổi lại, điều này tăng cường hiệu suất tổng thể và độ chính xác của mạng nơ-ron trong việc giải quyết những thách thức cụ thể do phát hiện ung thư cổ tử cung gây ra.

Người học cơ bản

Phần này mô tả kiến trúc chi tiết của các mô hình learer cơ sở.

Mạng nơ-ron tích chập

CNN có tầm quan trọng tối quan trọng trong các nhiệm vụ phân loại hình ảnh do kiến trúc chuyên biệt của chúng được điều chỉnh để trích xuất các tính năng phân cấp phức tạp từ dữ liệu trực quan. Kiến trúc riêng biệt này bao gồm nhiều lớp thực hiện các hoạt động đa dạng trên dữ liệu đầu vào²⁹. Trong bối cảnh nghiên cứu này, dữ liệu đầu vào có kích thước (64, 64, 3), biểu thị 64 pixel ở cả chiều cao và chiều rộng, với 3 kênh màu tương ứng với Đỏ, Xanh lá cây và Xanh lam (RGB).

Bắt đầu với một lớp tích chập 16 bộ lọc sử dụng hạt nhân (3,3) và sử dụng chức năng kích hoạt Đơn vị tuyến tính chỉnh lưu (ReLU), mô hình bắt đầu quá trình trích xuất tính năng của nó. Sau đó, hai lớp tích chập bổ sung được giới thiệu, mỗi lớp có số lượng bộ lọc tăng dần (lần lượt là 32 và 64) và sử dụng cùng kích thước hạt nhân như lớp ban đầu. Theo sau mỗi lớp tích chập, các lớp MaxPooling2D được tích hợp để lấy mẫu các bản đồ tính năng được trích xuất, nâng cao hiệu quả tính toán và giảm dư thừa. Để chống lại quá khớp, một lớp Dropout với tỷ lệ 25% được giới thiệu. Đầu ra của lớp Dropout này trải qua quá trình làm phẳng, tiếp theo là xử lý thông qua một lớp Dense được kết nối hoàn toàn bao gồm 64 đơn vị và sử dụng chức năng kích hoạt ReLU. Tiếp theo lớp này, một lớp Dropout bổ sung được áp dụng để giảm thiểu hơn nữa rủi ro quá khớp. Lớp cuối cùng của CNN bao gồm 5 đơn vị, sử dụng các hàm kích hoạt sigmoid để tạo ra phân phối xác suất trên 5 lớp tiềm năng. Để tối ưu hóa, trình tối ưu hóa Adam được sử dụng cùng với tổn thất entropy chéo phân loại, trong khi độ chính xác đóng vai trò là thước đo đánh giá. Kiến trúc và phương pháp toàn diện này được điều chỉnh để giải quyết hiệu quả các sắc thái của các nhiệm vụ phân loại hình ảnh, thể hiện tiềm năng và tính linh hoạt của CNN trong lĩnh vực này. Kiến trúc chi tiết của mô hình CNN được nêu trong Bảng 4.Bảng 2 Kiến trúc mô hình CNN.

Bảng kích thước đầy đủ

Mạng AlexNet

AlexNet, một kiến trúc quan trọng trong lĩnh vực học sâu, đã đóng vai trò then chốt trong việc cách mạng hóa các nhiệm vụ phân loại hình ảnh. Bao gồm tám lớp, nó có sự sắp xếp tinh vi của năm lớp tích chập xen kẽ với ba lớp được kết nối hoàn toàn. Dữ liệu đầu vào của mô hình được cấu trúc theo kích thước (64, 64, 3), cho biết chiều cao và chiều rộng là 64 pixel, với 3 kênh màu (RGB). Bắt đầu với lớp tích chập đầu tiên chứa 96 bộ lọc có kích thước 11×11 và sải chân 4, chức năng kích hoạt được sử dụng là Đơn vị tuyến tính chỉnh lưu (ReLU), trong khi đệm được đặt thành ‘hợp lệ’. Sau đó, một lớp gộp tối đa với kích thước hồ bơi là 2×2 và sải chân là 2 được kết hợp. Lớp tích chập thứ hai bao gồm 256 bộ lọc với kích thước hạt nhân là 3×3 và đệm được đặt thành ‘giống nhau’, tiếp theo là một lớp gộp tối đa khác có cùng thông số kỹ thuật như lớp trước. Tiếp tục đến các lớp tích chập thứ ba đến thứ năm, 384 bộ lọc với kích thước hạt nhân là 3×3 và đệm được đặt thành ‘giống nhau’ được sử dụng. Tất cả các lớp này đều sử dụng các chức năng kích hoạt ReLU. Chuyển sang lớp thứ sáu đến lớp tám, kiến trúc chuyển sang các lớp được kết nối hoàn toàn. Lớp thứ sáu tự hào có 4096 tế bào thần kinh, mỗi tế bào sử dụng các chức năng kích hoạt ReLU, tiếp theo là một lớp bỏ học với tỷ lệ 0,5 để chính quy hóa. Lớp thứ bảy phản ánh cấu trúc của lớp thứ sáu. Trong lớp thứ tám, số lượng tế bào thần kinh đầu ra giảm xuống còn 5, sử dụng các chức năng kích hoạt softmax để tạo điều kiện phân loại đa lớp. Mô hình được xây dựng bằng cách sử dụng trình tối ưu hóa Adam với tốc độ học là 0,0001. Entropy chéo phân loại đóng vai trò là hàm tổn thất, trong khi độ chính xác được sử dụng làm thước đo đánh giá. Kiến trúc chi tiết của mô hình AlexNet được nêu trong Bảng 3.Bảng 3 Kiến trúc mô hình AlexNet.

Bảng kích thước đầy đủ

Bóp mạng

SqueezeNet là một kiến trúc mạng nơ-ron tích chập sâu chuyên dụng, được xây dựng có mục đích để suy luận hiệu quả và năng lượng thấp. Nó được thiết kế để đạt được độ chính xác cao trong các nhiệm vụ phân loại hình ảnh đồng thời giảm thiểu tài nguyên tính toán và kích thước mô hình. Kiến trúc bắt đầu với một tensor đầu vào có hình dạng (64, 64, 3), đại diện cho một hình ảnh có chiều cao và chiều rộng là 64 pixel và ba kênh màu (Đỏ, Xanh lá cây và Xanh lam).Bảng 4 Kiến trúc mô hình SqueezeNet.

Bảng kích thước đầy đủ

Sau đó, nó tiến triển qua một chuỗi các lớp, bao gồm các phép toán tích chập và gộp. Đáng chú ý, SqueezeNet kết hợp các thành phần đặc biệt được gọi là “mô-đun lửa”. Các mô-đun này bao gồm các tích chập song song 1×1 và 3×3, được thiết kế chiến lược để cân bằng chi phí tính toán và khả năng biểu đạt của mô hình. Sau các mô-đun lửa, mạng tích hợp các lớp tích chập bổ sung, một lớp bỏ học để chính quy hóa, một lớp tích chập 1×1 để tinh chỉnh hơn nữa các tính năng và một lớp gộp trung bình toàn cầu để giảm kích thước. Kiến trúc đạt đến đỉnh điểm trong một lớp đầu ra dày đặc với chức năng kích hoạt softmax, tạo điều kiện phân loại đa lớp. Để đào tạo mô hình, nó được biên dịch bằng cách sử dụng trình tối ưu hóa Adam, được chọn vì khả năng thích ứng và hiệu quả của nó trong việc giảm thiểu chức năng mất mát. Entropy chéo phân loại được sử dụng làm hàm tổn thất, rất phù hợp cho các nhiệm vụ phân loại đa lớp. Hiệu suất của mô hình được đánh giá dựa trên độ chính xác, cung cấp một số liệu để đánh giá hiệu quả của nó trong việc phân loại hình ảnh một cách chính xác. SqueezeNet nổi bật với khả năng đạt được độ chính xác cao trong các nhiệm vụ phân loại hình ảnh trong khi lưu ý đến tài nguyên tính toán, khiến nó đặc biệt có giá trị đối với các tình huống mà hiệu quả và suy luận công suất thấp là tối quan trọng. Kiến trúc chi tiết của mô hình SqueezeNet được phác thảo trong Bảng 4.

Kiến trúc quần thể được đề xuất

Học tập tổng hợp là một kỹ thuật học máy mạnh mẽ kết hợp nhiều mô hình riêng lẻ (người học cơ sở) để đưa ra dự đoán với độ bền và độ chính xác cao hơn so với bất kỳ mô hình đơn lẻ nào. Kỹ thuật này tận dụng sự đa dạng vốn có trong các mô hình này, có thể sử dụng các thuật toán riêng biệt hoặc được đào tạo trên các tập dữ liệu khác nhau, cho phép chúng cùng nhau đưa ra quyết định sáng suốt như được hiển thị trong thuật toán 1. Tầm quan trọng của học tập tổng hợp nằm ở khả năng giảm bớt những hạn chế của các mô hình riêng lẻ. Bằng cách hợp nhất các dự đoán từ nhiều mô hình, các phương pháp tổng hợp thường tạo ra kết quả đáng tin cậy và chính xác hơn, dẫn đến nâng cao khái quát hóa và hiệu suất vượt trội trên dữ liệu chưa từng thấy trước đây.

Trong lĩnh vực học sâu, các kỹ thuật tổng hợp có thể tăng đáng kể hiệu suất của mô hình. Các mô hình học sâu, mặc dù mạnh mẽ, nhưng có thể gặp phải những thách thức như quá khớp hoặc khó nắm bắt các mẫu phức tạp trong dữ liệu. Các phương pháp tổng hợp giải quyết những vấn đề này bằng cách kết hợp các mô hình học sâu đa dạng, có khả năng có các kiến trúc hoặc chiến lược đào tạo riêng biệt. Cách tiếp cận này hỗ trợ nắm bắt nhiều đặc điểm và mẫu hơn trong dữ liệu, dẫn đến các dự đoán mạnh mẽ và chính xác hơn. Trong nghiên cứu hiện tại, một phương pháp học tập tổng hợp được sử dụng để hợp nhất các tính năng được trích xuất từ CNN, AlexNet và SqueezeNet cổ điển. Tận dụng phương pháp trung bình, một kỹ thuật đơn giản nhưng hiệu quả cao, phương pháp tổng hợp này tổng hợp các dự đoán từ từng mô hình riêng lẻ để tạo ra dự đoán cuối cùng. Bằng cách khai thác sức mạnh tập thể của các mô hình đa dạng này, cách tiếp cận tổng hợp nhằm mục đích tăng cường hiệu suất dự đoán tổng thể, mang lại kết quả đáng tin cậy và chính xác hơn cho nhiệm vụ nhất định.

Sự thảo luận

Nghiên cứu trình bày một cách tiếp cận mạnh mẽ để phân loại ung thư cổ tử cung bằng cách sử dụng các kỹ thuật học sâu. Việc tích hợp nhiều kiến trúc CNN thông qua học tập hợp cải thiện đáng kể độ chính xác của phân loại, chứng minh tiềm năng chẩn đoán chính xác và đáng tin cậy hơn. Các mô hình riêng lẻ (CNN, AlexNet và SqueezeNet) và mô hình tổng hợp đạt được tỷ lệ chính xác cao, cho thấy hiệu quả của cách tiếp cận được đề xuất. Nghiên cứu tập trung vào việc phân loại các tế bào vảy thành các lớp riêng biệt cung cấp một công cụ có giá trị cho các bác sĩ lâm sàng để đánh giá mức độ nghiêm trọng của bệnh và hướng dẫn các quyết định điều trị. Bộ dữ liệu được sử dụng trong nghiên cứu, mặc dù toàn diện, nhưng có thể không nắm bắt đầy đủ sự đa dạng của các trường hợp ung thư cổ tử cung trong thế giới thực. Một bộ dữ liệu lớn hơn và đa dạng hơn sẽ có lợi cho việc đào tạo các mô hình mạnh mẽ hơn. Nghiên cứu chủ yếu tập trung vào các khía cạnh kỹ thuật của mô hình. Cần xác nhận thêm trong môi trường lâm sàng để đánh giá tác động thực tế của mô hình đối với kết quả của bệnh nhân. Mặc dù deep learning là một công cụ mạnh mẽ, nhưng nó có thể tốn kém về mặt tính toán và yêu cầu phần cứng chuyên dụng. Khám phá các mô hình đơn giản hơn, hiệu quả hơn có thể cần thiết cho các cài đặt hạn chế tài nguyên. Bằng cách giải quyết những hạn chế này và xây dựng dựa trên thế mạnh của nghiên cứu này, nghiên cứu trong tương lai có thể thúc đẩy hơn nữa lĩnh vực chẩn đoán ung thư cổ tử cung có sự hỗ trợ của máy tính.

Kết thúc

Kết hợp các mô hình CNN, AlexNet và SqueezeNet cổ điển thông qua học tập tổng hợp thể hiện hiệu quả mạnh mẽ trong việc phát hiện các tế bào vảy và đánh giá mức độ nghiêm trọng của ung thư cổ tử cung. Riêng lẻ, AlexNet đạt được độ chính xác cao nhất ở mức 92%, với tất cả các mô hình đều hoạt động đáng khen ngợi. Tuy nhiên, tích hợp tổng hợp giúp tăng độ chính xác lên 94% ấn tượng. Cách tiếp cận này giải quyết nhu cầu phát hiện ung thư cổ tử cung hiệu quả hơn, đặc biệt là ở các khu vực kém phát triển. Phân loại các tế bào vảy thành các nhóm riêng biệt hỗ trợ rất nhiều trong việc đánh giá trọng lực ung thư để điều trị nhắm mục tiêu, hứa hẹn cải thiện kết quả bệnh nhân. Mặc dù quan trọng, nhưng vẫn có chỗ để tinh chỉnh. Công việc trong tương lai có thể tập trung vào việc nâng cao độ chính xác của mô hình và khám phá các thuật toán học sâu bổ sung. Các bộ dữ liệu công khai hạn chế hiện đang hạn chế độ chính xác, nhưng việc tích lũy một bộ dữ liệu ung thư cổ tử cung chuyên dụng và phát triển một mô hình học sâu mới hứa hẹn cho tiến bộ đáng kể trong xử lý hình ảnh y tế và tăng cường phát hiện và điều trị ung thư cổ tử cung.

Bỏ lỡ vắc-xin HPV? Đây là kế hoạch được bác sĩ phê duyệt để ngăn ngừa ung thư cổ tử cung

Khám sàng lọc thường xuyên là điều cần thiết, nhưng phụ nữ cũng nên cảnh giác với những thay đổi về sức khỏe của họ.

Ung thư cổ tử cung vẫn là một trong những nguyên nhân gây tử vong hàng đầu ở phụ nữ. Với sự ra đời của vắc-xin HPV, nhận thức đã tăng lên đáng kể, khuyến khích nhiều phụ nữ thực hiện các bước phòng ngừa. Mặc dù vắc-xin đã có sẵn hơn một thập kỷ, nhưng nhiều người vẫn có thắc mắc, đặc biệt là về lợi ích của nó đối với phụ nữ lớn tuổi.

Tin tốt là ngay cả khi bạn bỏ lỡ thời gian tiêm chủng lý tưởng, vẫn có những bước hiệu quả bạn có thể thực hiện để bảo vệ mình chống lại ung thư cổ tử cung, Tiến sĩ Hemanandini Jayaraman, Chuyên gia tư vấn – Sản phụ khoa, Bệnh viện Manipal Old Airport Road nói với Financial Express.com.

Tầm quan trọng của vắc-xin HPV

Vắc-xin HPV đã được chứng minh là có hiệu quả trong việc ngăn ngừa nhiễm trùng do các loại virus u nhú ở người (HPV) có nguy cơ cao, có liên quan chặt chẽ đến ung thư cổ tử cung. Thời điểm tốt nhất để tiêm vắc-xin là trước khi tiếp xúc tình dục, thường là từ 11 đến 25 tuổi. Tuy nhiên, vắc-xin vẫn được khuyến cáo cho phụ nữ đến 45 tuổi. Sau độ tuổi này, mặc dù vắc-xin có thể không phải là một lựa chọn, nhưng việc kiểm tra và kiểm tra thường xuyên vẫn cần thiết.

Khám sức khỏe toàn diện cho phụ nữ trên 45 tuổi

Đối với phụ nữ trên 45 tuổi chưa được tiêm chủng, việc duy trì đánh giá sức khỏe thường xuyên là rất quan trọng. Một chương trình y tế toàn diện nên bao gồm:

• Pap smear: Pap smear liên quan đến việc thu thập các tế bào từ cổ tử cung để phát hiện các bất thường. Sàng lọc đơn giản nhưng quan trọng này có thể tiết lộ sự hiện diện của các tế bào tiền ung thư hoặc ung thư. Nếu phát hiện thấy bất kỳ bất thường nào, có thể cần các xét nghiệm thêm như sinh thiết có hướng dẫn nội soi cổ tử cung.
• Sinh thiết có hướng dẫn nội soi cổ tràng: Nếu phết tế bào cổ tử cung cho thấy các tế bào nghi ngờ, nội soi cổ tử cung được thực hiện. Điều này cho phép kiểm tra kỹ lưỡng hơn và lấy mẫu mô chính xác từ bất kỳ khu vực nghi ngờ nào. Sinh thiết sau đó được phân tích bởi một nhà nghiên cứu bệnh học được đào tạo để xác định các bước tiếp theo để điều trị.
• Xét nghiệm HPV: Ngoài phết tế bào cổ tử cung, xét nghiệm HPV có thể được tiến hành để kiểm tra các chủng vi rút có nguy cơ cao có thể dẫn đến ung thư. Phụ nữ có bạn tình mới hoặc nhiều bạn tình nên cân nhắc xét nghiệm HPV định kỳ, ngay cả khi kết quả ban đầu là âm tính.

Các dấu hiệu và triệu chứng cần theo dõi

Khám sàng lọc thường xuyên là điều cần thiết, nhưng phụ nữ cũng nên cảnh giác với những thay đổi về sức khỏe của họ. Một số dấu hiệu cần theo dõi bao gồm:

• Tiết dịch âm đạo bất thường hoặc quá nhiều
• Đau hoặc khó chịu khi giao hợp
• Chảy máu bất thường, đặc biệt là sau khi giao hợp hoặc giữa các kỳ kinh nguyệt
• Đây có thể là những dấu hiệu sớm của ung thư cổ tử cung và cần được báo cáo cho bác sĩ của bạn ngay lập tức.

Phòng ngừa liên tục và thực hành an toàn

Ngay cả khi bạn đã trải qua phẫu thuật kế hoạch hóa gia đình hoặc đang ở trong một mối quan hệ ổn định, việc sử dụng các rào cản như bao cao su trong khi hoạt động tình dục có thể ngăn ngừa nhiễm trùng lây truyền giữa các bạn tình. Điều này làm giảm nguy cơ nhiễm HPV và các bệnh lây truyền qua đường tình dục khác.

“Mặc dù độ tuổi lý tưởng để tiêm vắc-xin HPV là trước 25 tuổi, nhưng không bao giờ là quá muộn để thực hiện các bước chủ động chống lại ung thư cổ tử cung. Phụ nữ trên 45 tuổi có thể được hưởng lợi từ việc phết tế bào cổ tử cung thường xuyên, xét nghiệm HPV và đánh giá nội soi cổ tử cung để theo dõi và quản lý sức khỏe cổ tử cung của họ một cách hiệu quả. Thông qua việc sàng lọc thường xuyên và duy trì lối sống lành mạnh, ung thư cổ tử cung có thể được phát hiện sớm, đảm bảo điều trị kịp thời và đầy đủ”, bác sĩ Jayaraman nói.