Bài 2 - Tìm kiếm và đánh giá thông tin học thuật

Ứng dụng Học sâu trong phát hiện sớm ung thư qua hình ảnh y khoa đa phương thức.

Báo cáo bài tập kỹ năng tìm kiếm thông tin

Chủ đề: Ứng dụng của Học sâu (Deep Learning) trong phát hiện sớm ung thư qua hình ảnh y khoa đa phương thức

Họ và tên sinh viên: Nguyễn Hoàng Minh Khôi
Mã sinh viên: 25022907
Ngành học: Trí tuệ nhân tạo (AI3)

I. Xác định phạm vi và phương pháp tìm kiếm

1. Lý do chọn và phạm vi chủ đề:
Trí tuệ nhân tạo, đặc biệt là Học sâu (Deep Learning - DL), đang tạo ra nhiều thay đổi trong y tế. Báo cáo này tập trung đánh giá các tài liệu nghiên cứu giai đoạn 2023-2025 về ứng dụng CNN, LLMs và Transformer trong phân tích hình ảnh đa phương thức như MRI, CT, X-quang để phát hiện sớm ung thư vú, dạ dày và đại trực tràng. Nội dung cũng làm rõ thách thức về tính giải thích (Explainable AI) khi đưa mô hình vào thực tế lâm sàng.

Hình ảnh y khoa là nguồn dữ liệu trung tâm trong các nghiên cứu phát hiện sớm ung thư.

2. Phương pháp và công cụ tìm kiếm:

  • Từ khóa: Deep Learning, Cancer Early Detection, Medical Imaging, Explainable AI, Multimodal.
  • Cú pháp Boolean: ("Deep Learning" OR "Neural Networks") AND "Cancer Early Detection" AND ("Medical Imaging" OR "Radiomics")
  • Nguồn dữ liệu: PubMed, PubMed Central, Elsevier, Frontiers, MIT Press, arXiv và WHO.
Quy trình tìm kiếm dùng từ khóa, cú pháp Boolean và nhiều cơ sở dữ liệu học thuật.

II. Tóm tắt nội dung nghiên cứu

Qua quá trình tổng hợp 12 nguồn tài liệu, báo cáo cho thấy Deep Learning có khả năng trích xuất đặc trưng mạnh từ dữ liệu y khoa phi cấu trúc. Các nghiên cứu gần đây ghi nhận AI có thể hỗ trợ bác sĩ phát hiện sớm một số loại ung thư, đặc biệt trong những tác vụ hẹp có dữ liệu huấn luyện và quy trình đánh giá rõ ràng.

Mô hình học sâu hỗ trợ nhận diện đặc trưng từ dữ liệu y khoa phức tạp.

Một xu hướng nổi bật là chuyển từ tiếp cận đơn phương thức sang đa phương thức. Việc kết hợp hình ảnh y khoa với dữ liệu hệ gen, dữ liệu lâm sàng hoặc mô hình ngôn ngữ lớn giúp tăng độ nhạy trong chẩn đoán và mở ra hướng cá nhân hóa điều trị.

Tiếp cận đa phương thức kết hợp hình ảnh, dữ liệu lâm sàng và dữ liệu sinh học.

Tuy nhiên, rào cản lớn nhất để đưa AI vào bệnh viện là vấn đề hộp đen. Bác sĩ cần hiểu vì sao mô hình đưa ra kết luận, không chỉ nhận một kết quả phân loại. Vì vậy, Explainable AI trở thành hướng nghiên cứu quan trọng, đặc biệt với các bài toán liên quan đến khối u não, ung thư dạ dày và chẩn đoán hình ảnh.

Explainable AI giúp bác sĩ hiểu cơ sở dự đoán thay vì chỉ nhận kết quả từ mô hình.

III. Bảng tổng hợp và đánh giá độ tin cậy của tài liệu

STT Tên tài liệu và tác giả Loại nguồn Đánh giá độ tin cậy Ưu / nhược điểm
1Early cancer detection using deep learning... (Ahmad & Alqurashi, 2024)Tạp chí khoa họcElsevier, cập nhật 2024, tổng quan hệ thống.Nguồn PubMed uy tín, bao quát rộng; ít chi tiết kỹ thuật code.
2Deep Learning based colorectal cancer detection... (2025)Tạp chí khoa họcElsevier, cập nhật 2025, phân tích benchmark.Số liệu đối chiếu rõ; phạm vi chủ yếu ở ung thư đại trực tràng.
3Deep Learning for Medical Image-Based Cancer Diagnosis (2024)PubMed CentralNguồn y khoa kiểm duyệt, dữ liệu chuẩn hóa.Có nền tảng học thuật tốt; số liệu dừng ở giai đoạn trước 2024.
4Application of artificial intelligence in medical imaging... (2025)PubMed CentralCập nhật 2025, liên quan trực tiếp chẩn đoán và điều trị u.Tính thời sự cao; cần đọc kỹ bối cảnh nghiên cứu.
5Interpretable deep learning for gastric cancer detection... (2025)FrontiersTạp chí Q1, tập trung Explainable AI.Phù hợp phần tính giải thích; hơi chuyên sâu về miễn dịch học.
6Deep Learning for Cancer Detection Based on Genomic and Imaging Data (2025)Dove Medical PressNguồn cập nhật, hướng tiếp cận đa phương thức.Rất hiện đại; cần nền tảng sinh học phân tử để hiểu sâu.
7Deep Learning-Based Computer Vision Models... (2025)arXivPreprint mới, đề xuất mô hình thị giác.Cập nhật nhanh; chưa peer-review chính thức.
8Explainable Deep Learning in Medical Imaging... (2025)arXivTập trung XAI cho khối u não và viêm phổi.Đi thẳng vào vấn đề hộp đen; cần kiểm chứng thực tế lâm sàng.
9Advanced Deep Learning and Large Language Models... (2025)arXivKết hợp Deep Learning và LLM.Ý tưởng mới; thiếu dữ liệu dài hạn để đánh giá độ ổn định.
10Deep Learning in Breast Cancer Imaging... (2023)arXivKhảo sát tiến triển trong một thập kỷ.Có góc nhìn lịch sử; một số mô hình đã cũ so với 2025.
11Deep Learning (Goodfellow, Bengio & Courville, 2016)Sách chuyên khảoMIT Press, tài liệu nền tảng về mạng nơ-ron.Chuẩn mực về lý thuyết; không cập nhật các mô hình mới nhất.
12Ethics and governance of AI for health (WHO, 2021)Báo cáo quốc tếWHO, khung đạo đức và quản trị AI y tế.Uy tín cao; không đi sâu kỹ thuật lập trình.
Bảng tổng hợp giúp so sánh độ tin cậy, ưu điểm và hạn chế của từng nguồn tài liệu.

IV. Danh mục tài liệu tham khảo

1. Advanced Deep Learning and Large Language Models: Comprehensive Insights for Cancer Detection (2025). arXiv.

2. Ahmad, I. và Alqurashi, F. (2024). Early cancer detection using deep learning and medical imaging: A survey. Critical Reviews in Oncology/Hematology.

3. Application of artificial intelligence in medical imaging for tumor diagnosis and treatment: a comprehensive approach (2025). PubMed Central.

4. Deep learning based colorectal cancer detection in medical images (2025). Elsevier.

5. Deep Learning for Cancer Detection Based on Genomic and Imaging Data (2025). Dove Medical Press.

6. Deep Learning for Medical Image-Based Cancer Diagnosis (2024). PubMed Central.

7. Deep Learning in Breast Cancer Imaging: A Decade of Progress and Future Directions (2023). arXiv.

8. Deep Learning-Based Computer Vision Models for Early Cancer Detection (2025). arXiv.

9. Explainable Deep Learning in Medical Imaging (2025). arXiv.

10. Goodfellow, I., Bengio, Y. và Courville, A. (2016). Deep Learning. MIT Press.

11. Interpretable deep learning for gastric cancer detection (2025). Frontiers in Immunology.

12. World Health Organization (2021). Ethics and governance of artificial intelligence for health. Geneva: WHO.