Các lớp của mạng nơron nhân tạo và vai trò trong hỗ trợ quyết định lâm sàng

Bài viết của Thạc sĩ, Bác sĩ Mai Viễn Phương - Bác sĩ nội soi tiêu hóa - Khoa Khám bệnh & Nội khoa - Bệnh viện Đa khoa Quốc tế Vinmec Central Park.

Tích lũy bằng chứng cho thấy ứng dụng mạng nơron nhân tạo có thể giúp khắc phục những hạn chế trong điều trị gây ra bởi sự khác biệt riêng lẻ và dữ liệu hàng loạt. Do đó, đánh giá độ nhạy hóa trị liệu với các mô hình mạng nơron nhân tạo là một chủ đề nóng.

Khái niệm mạng neuron nhân tạo lần đầu tiên được đề xuất vào năm 1943. Sự phát triển của các mô hình mạng nơ-ron nhân tạo đã tiếp cận một cách phức tạp kể từ đó. Trong những năm 1980, sự tiến bộ nhanh chóng của các thuật toán mạng nơron nhân tạo đã thúc đẩy một cuộc cách mạng hiện đại. Thiết kế của mạng nơron nhân tạo dựa trên mạng lưới thần kinh của não người, chủ yếu bao gồm nhiều tế bào thần kinh. Luồng dữ liệu (tức là tín hiệu) được truyền và lập trình qua các nút thần kinh. Các tế bào thần kinh ở các lớp khác nhau có nhiệm vụ riêng để giải quyết các vấn đề, có thể tương tự như các dây chuyền sản xuất của nhà máy. Việc giải cấu trúc các nhiệm vụ để phân tích dữ liệu cung cấp khả năng tìm ra giải pháp tối ưu trong thời gian ngắn nhất.

Là một loại hệ thống phân phối song song được điều khiển bởi dữ liệu khối lượng lớn, mạng nơron nhân tạo không phải tuân theo các yêu cầu của các liên kết logic hoặc toán học đã biết trước.

Mạng nơron nhân tạo đơn giản nhất là mạng một lớp (tức là mạng nơron perceptron) và có một lớp đầu vào, một lớp đầu ra và một lớp ẩn. Mạng một lớp chỉ có thể được sử dụng để mô tả một sự phân đôi dựa trên một yếu tố duy nhất, do đó làm cho hầu hết các vấn đề nằm ngoài khả năng của nó. Khuếch đại độ sâu mạng nơron nhân tạo có thể tăng cường khả năng lắp các tính năng phức tạp về mặt hình học. Các nhà nghiên cứu bắt đầu tạo ra các mô hình mạng nơron nhân tạo với nhiều lớp. Thậm chí vào năm 2016, He và cộng sự đã báo cáo một mô hình mạng nơ-ron nhân tạo với hơn 1000 lớp. Tuy nhiên, độ sâu mạng nơron nhân tạo quá mức có thể dẫn đến sự không ổn định của hệ thống và mất khả năng học tập hời hợt.

3. Phân loại mạng nơron nhân tạo

Mạng nơron nhân tạo có thể được chia thành hai loại chính dựa trên hướng của luồng tín hiệu giữa các lớp ẩn.

Có nhiều điểm khác biệt giữa hai loại mạng nơ-ron nhân tạo. Trong mạng nơron truyền thẳng (FNN), luồng dữ liệu là một chiều từ cấp trên xuống cấp dưới mà không có phản hồi; không có kết nối nào tồn tại giữa các nơron trong bất kỳ lớp nhất định nào. Về phương diện học tập hệ thống, FNN thuận tiện cho việc lập trình lại và có thể xử lý các câu hỏi phi tuyến tính. Cái còn lại là mạng nơron phản hồi. Một nơron trong mạng nơron phản hồi có thể truyền dữ liệu đầu ra của nó cho các nơron khác trong cùng hoặc các lớp trên. Các thuật toán sẽ được điều chỉnh đồng thời bởi các tín hiệu từ các nơron khác dựa trên tập dữ liệu tiền tri thức. Việc hiệu chuẩn lặp đi lặp lại góp phần vào độ mạnh và độ chính xác tuyệt vời của mạng nơron nhân tạo. Mạng nơron phản hồi thường được sử dụng để phân tích hình ảnh, chẩn đoán và dự đoán kết quả.

Bên cạnh đó, mối quan hệ “một-nhiều” giữa các nơron đảm bảo hiệu quả học tập của mạng nơ-ron nhân tạo.

Một lớp nơron có thể đồng thời truyền tín hiệu cho nhiều hơn một nơron. Điều quan trọng là luồng tín hiệu được phân bổ không đều cho mỗi nơron trong lớp tiếp theo. Sự bất bình đẳng về dòng chảy làm cho mạng nơron nhân tạo có thể điều chỉnh theo môi trường bên ngoài. Trước khi tính toán các chức năng kích hoạt, dữ liệu sẽ được điều chỉnh theo các yếu tố trọng số, mỗi yếu tố có mối quan hệ tương ứng với một nơron cụ thể.

Yếu tố trọng số đóng vai trò là bộ điều khiển luồng dữ liệu. Các yếu tố trọng lượng lớn hơn có ảnh hưởng lớn hơn đến kết quả đầu ra. Ngược lại, đặt hệ số trọng số bằng 0 có thể thay thế các chức năng của nơron tương ứng.

4. Mạng nơron nhân tạo và vai trò trong hỗ trợ quyết định lâm sàng

Ra quyết định lâm sàng đóng một vai trò kết luận trong quá trình. Nhiều bác sĩ và nhà khoa học đã và đang cố gắng thúc đẩy điều trị được tiêu chuẩn hóa, chính xác và cá nhân hóa. Là phác đồ bổ trợ chính của ung thư tiêu hoá, hóa trị cần xem xét nhiều yếu tố, chẳng hạn như khả năng chịu đựng của bệnh nhân, độ nhạy bệnh lý, liều lượng cụ thể và phác đồ.

Tích lũy bằng chứng cho thấy ứng dụng mạng nơron nhân tạo có thể giúp khắc phục những hạn chế trong điều trị gây ra bởi sự khác biệt riêng lẻ và dữ liệu hàng loạt. Đánh giá độ nhạy hóa trị liệu với các mô hình mạng nơron nhân tạo là một chủ đề nóng. Để thiết lập các hệ thống dự đoán đáng tin cậy cho ung thư đại trực tràng tiên tiến và di căn cục bộ, một số mô hình mạng nơron nhân tạo đã được sử dụng để tích hợp các chỉ số lâm sàng. Độ chính xác của họ tốt hơn đáng kể so với độ chính xác của bác sĩ lâm sàng.

Hơn nữa, học sâu về hình ảnh X quang cho thấy giá trị tiềm năng của nó trong việc đánh giá hóa trị. Ví dụ, một hệ thống CNN đã được đào tạo sử dụng 202 trường hợp có di căn gan do ung thư đại trực tràng và đã được xác nhận là có độ chính xác tốt để dự đoán đáp ứng với FOLFOX kết hợp với phác đồ bevacizumab dựa trên thông tin CT. Tính khả thi của xạ trị, liệu pháp chống tích phân, y học cổ truyền Trung Quốc và liệu pháp miễn dịch cũng có thể được cải thiện với sự hỗ trợ của mạng nơron nhân tạo.

5. Mạng nơron nhân tạo giúp nhận biết giai đoạn và kiểm soát chất lượng cuộc phẫu thuật

Việc kiểm soát chất lượng hướng dẫn và giám sát phẫu thuật phụ thuộc nhiều vào kỹ năng của bác sĩ lâm sàng. Rất khó để đào tạo các bác sĩ được đào tạo bình thường và đảm bảo các quy trình phẫu thuật không bị can thiệp bởi các yếu tố không chắc chắn. Kitaguchi và cộng sự đã tạo ra một phương pháp học sâu mới dựa trên CNN được cung cấp bởi các video trong ca phẫu thuật. Nó có thể tự động nhận biết giai đoạn phẫu thuật và hành động với độ chính xác cao lần lượt là 81% và 83,2%. Những thành tựu này sẽ khởi đầu một lĩnh vực ứng dụng mạng nơron nhân tạo mới. Các bác sĩ lâm sàng, đặc biệt là các bác sĩ phẫu thuật trẻ, sẽ gặt hái được nhiều lợi ích từ những đổi mới công nghệ này. Rất tiếc, một số nghiên cứu đã được báo cáo do hạn chế về đạo đức và các tình huống phẫu thuật phức tạp. Cần quan tâm và đầu tư nhiều hơn để phát triển các hệ thống hướng dẫn hiệu quả, phù hợp chính xác với kỹ năng và tập quán của bác sĩ phẫu thuật.

Tài liệu tham khảo:

Cao B, Zhang KC, Wei B, Chen L. Status quo and future prospects of artificial neural network from the perspective of gastroenterologists. World J Gastroenterol 2021; 27(21): 2681-2709 [DOI: 10.3748/wjg.v27.i21.2681]

Mungle T , Tewary S, Das DK, Arun I, Basak B, Agarwal S, Ahmed R, Chatterjee S, Chakraborty C. MRF-ANN: một phương pháp học máy để chấm điểm ER tự động trên các hình ảnh hóa mô miễn dịch ung thư vú. J Microsc . Năm 2017; 267 : 117-129. [ PubMed ] [ DOI ] [ Trích dẫn trong bài viết này: 1 ]