Tổng quan nghiên cứu ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư vú bằng ảnh giải phẫu bệnh kỹ thuật số

Chỉ số đề mục

Lĩnh vực nghiên cứu

Ung thư học và phát sinh ung thư

Dạng tài liệu

Tác giả

Đào Văn Tú, Nguyễn Khắc Dũng, Bùi Thị Oanh⁽¹⁾, Nguyễn Lê Hiệp, Vũ Đức Hoàn, Đặng Hữu Dũng, Nguyễn Văn Chủ⁽²⁾, Bùi Văn Giang, Tạ Văn Tờ

Nhan đề

Tổng quan nghiên cứu ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư vú bằng ảnh giải phẫu bệnh kỹ thuật số

Nhan đề tiếng anh

Nguồn trích

Tạp chí Y học Việt Nam (Tổng hội Y học Việt Nam)

Năm xuất bản

2021

Số

1

Trang

68-72

ISSN

1859-1868

Từ khóa

Ung thư vú, Trí tuệ nhân tạo, Ảnh kỹ thuật số, Giải phẫu bệnh

Từ khóa tiếng anh

Tóm tắt

Ung thư vú là bệnh ung thư phổ biến nhất trên nữ giới và là nguyên nhân gây tử vong hàng đầu do ung thư trên toàn thế giới. Cơ sở chính để điều trị ung thư vú là chẩn đoán mô bệnh học, việc chẩn đoán này quyết định hướng điều trị và tiên lượng bệnh. Những tiến bộ trong trí tuệ nhân tạo (AI) cùng với việc vận dụng giải phẫu bệnh kỹ thuật số đã đưa ra một cách tiếp cận đầy hứa hẹn trong việc chẩn đoán, phân loạiung thư vú, đáp ứng được nhu cầu trong thực tế lâm sàng. Trong bài viết này, chúng tôi tổng quan về ứng dụng AI trong chẩn đoán ung thư vú dựa trên ảnh kỹ thuật số hóa giải phẫu bệnh, đồng thời phác thảo những tiềm năng ứng dụngtại Việt Nam.

Tóm tắt tiếng anh

Kí hiệu kho

TTKHCNQG, CVv 46

File toàn văn

Xem toàn văn

Tài liệu tham khảo

[1] Veta M., Kornegoor R., Huisman A. (2012), Prognostic value of automatically extracted nuclear morphometric features in whole slide images of male breast cancer,Mod Pathol Off J U S Can Acad Pathol Inc, 25(12), 1559–1565.
[2] Veta M.; Heng Y.J.; Stathonikos N. (2019), Predicting breast tumor proliferation f-rom whole-slide images: The TUPAC16 challenge,Med Image Anal, 54, 111–121.
[3] Ehteshami Bejnordi B.; Veta M.; Johannes van Diest P. (2017), Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer,JAMA, 318(22), 2199–2210.
[4] Han Z.; Wei B.; Zheng Y. (2017), Breast Cancer Multi-classification f-rom Histopathological Images with Structured Deep Learning Model,Sci Rep, 7(1), 1–10
[5] Cruz-Roa A.; Gilmore H.;Basavanhally A. (2017), Accurate and reproducible invasive breast cancer detection in whole-slide images: A Deep Learning approach for quantifying tumor extent,Sci Rep, 7, 46450
[6] Ozkan T.A.; Eruyar A.T.; Cebeci O.O. (2016), Interobserver variability in Gleason histological grading of prostate cancer,Scand J Urol, 50(6), 420–424.
[7] Williams B.J.; DaCosta P.; Goacher E. (2017), A Systematic Analysis of Discordant Diagnoses in Digital Pathology Compared With Light Microscopy,Arch Pathol Lab Med, 141(12), 1712–1718
[8] Mukhopadhyay S.; Feldman M.D.; Abels E. (2018), Whole Slide Imaging Versus Microscopy for Primary Diagnosis in Surgical Pathology: A Multicenter Blinded Randomized Noninferiority Study of 1992 Cases (Pivotal Study),Am J Surg Pathol, 42(1), 39–52
[9] Prewitt J.M.; Mendelsohn M.L. (1966), The analysis of cell images,Ann N Y Acad Sci, 128(3), 1035–1053