AI trong chăm sóc sức khỏe: phân loại ung thư da và giải thích thông qua xác định vùng tổn thương

Abstract

Với tỷ lệ ung thư da ngày càng gia tăng, nghiên cứu này tập trung nâng cao hiệu quả và tính minh bạch trong chẩn đoán ung thư da tự động thông qua sự kết hợp hai yếu tố: phân loại tổn thương da (lành tính hay ác tính) và xác định vị trí tổn thương bằng khoanh vùng (bounding box) và phân đoạn (segmentation). Phân đoạn không chỉ xác định chính xác vùng da bị ảnh hưởng mà còn hỗ trợ giải thích lý do mô hình phân loại đưa ra kết luận, từ đó tăng độ tin cậy cho mô hình. Phương pháp sử dụng các mô hình học sâu tiên tiến như Segment Anything Model và YOLOv8 để phát hiện và phân đoạn tổn thương, kết hợp với các mạng CNN như MobileNetV3, VGG16, ResNet50 và DenseNet121 để phân loại. Các mô hình được huấn luyện trên tập dữ liệu da liễu công khai ISIC 2023. Kết quả thử nghiệm cho thấy DenseNet121 đạt độ chính xác 89 % và điểm F1 (F1-Score) 89 % trong phân loại, trong khi YOLOv8 đạt độ chính xác 92,25 % và điểm F1 91 %. Sự kết hợp giữa phân loại, khoanh vùng và phân đoạn không chỉ tạo ra một hệ thống AI giải thích được (Explainable AI) mà còn tăng cường độ tin cậy, hỗ trợ phát hiện sớm và đưa ra quyết định chính xác hơn trong chăm sóc sức khỏe da liễu.