Nghiên cứu ứng dụng trí tuệ nhân tạo hỗ trợ đánh giá sự bộc lộ của các dấu ấn miễn dịch PDL1 và Ki67 trong một số bệnh ung thư

K
Biểu B1-2a-TMĐTCN
08/2017/TT-BKHCN
THUYẾT MINH
ĐỀ TÀI NGHIÊN CỨU ỨNG DỤNG
VÀ PHÁT TRIỂN CÔNG NGHỆ CẤP QUỐC GIA1

I. THÔNG TIN CHUNG VỀ ĐỀ TÀI
1

Tên đề tài:

1a Mã số:

Nghiên cứu ứng dụng trí tuệ nhân tạo hỗ trợ đánh giá
sự bộc lộ của các dấu ấn miễn dịch PD-L1 và Ki-67
trong một số bệnh ung thư
2

4

Thời gian thực hiện: 36 tháng

3

Cấp quản lý

(Từ tháng 01/2022 đến tháng 12/2024)

Quốc gia

Tổng kinh phí thực hiện: 9.406,75 triệu đồng, trong đó:
Nguồn

Kinh phí (triệu đồng)

- Từ Ngân sách nhà nước

9.406,75

- Từ nguồn ngoài ngân sách nhà nước
5

Đề nghị phương thức khoán chi:
Khoán đến sản phẩm cuối cùng

Khoán từng phần, trong đó:
- Kinh phí khốn: 7.350,38 triệu đồng
- Kinh phí khơng khốn: 2.056,37 triệu đồng

6

Thuộc Chương trình (Ghi rõ tên chương trình, nếu có): Chương trình trọng điểm cấp
quốc gia giai đoạn đến năm 2025 “hỗ trợ nghiên cứu, phát triển và ứng dụng công nghệ của
công nghiệp 4.0” Mã số: KC - 4.0/19-25.
Thuộc dự án KH&CN
Độc lập
Khác

7

Lĩnh vực khoa học
Tự nhiên;

Nông nghiệp;

1

Bản Thuyết minh đề tài này dùng cho hoạt động nghiên cứu ứng dụng và phát triển công nghệ thuộc 4
lĩnh vực khoa học nêu tại mục 7 của Thuyết minh. Thuyết minh được trình bày và in trên khổ A4

1


Kỹ thuật và công nghệ;
8

Y, dược.

Chủ nhiệm đề tài
Họ và tên:

Tạ Việt Hưng

Ngày, tháng, năm sinh: 07/06/1968

Giới tính: Nam/ nữ: Nam

Học hàm, học vị/ Trình độ chun mơn: Tiến sĩ, Bác sĩ
Chức danh khoa học:
Chức vụ: Giám đốc trung tâm Huyết học-Truyền máu, Học Viện Quân y, Bộ Quốc Phòng

Tên tổ chức đang công tác: Học Viện Quân y, Bộ Quốc phòng
Địa chỉ tổ chức: Số 160, đường Phùng Hưng, Phường Phúc La, Quận Hà Đông, Hà Nội .
Điện thoại: 069566100
Fax: 04.36884779

E-mail:

Địa chỉ nhà riêng:
Mobile:
9

Thư ký khoa học của đề tài
Họ và tên:

Trần Ngọc Dũng

Ngày, tháng, năm sinh: 14/10/1968

Giới tính: Nam/ nữ: Nam

Học hàm, học vị/ Trình độ chun mơn: Tiến sĩ
Chức danh khoa học: Nghiên cứu viên chính
Chức vụ: Chủ nhiệm Bộ môn kiêm Chủ nhiệm Khoa Giải phẫu bệnh lý, Bệnh viện Quân y
103, Học viện Quân y
Tên tổ chức đang công tác: Học Viện Quân y, Bộ Quốc Phòng.
Địa chỉ tổ chức: Số 160, đường Phùng hưng, Phường Phúc la, Quận Hà đông, Hà nội
Điện thoại: 069566100
Fax: 04.36884779

E-mail:

Địa chỉ nhà riêng:
Mobile: 0982943898
10 Tổ chức chủ trì đề tài
Tên tổ chức chủ trì đề tài: Học Viện Quân y - Bộ Quốc Phòng.
Điện thoại: 069566100

Fax : 04.36884779

Website: vmmu.edu.vn
Địa chỉ: Số 160, đường Phùng Hưng, Phường Phúc La, Quận Hà đông, Hà Nội .
Họ và tên thủ trưởng tổ chức: Trung tướng, GS.TS. Đỗ Quyết.
Số tài khoản: 3713.0.9053336.00000
Mã ĐVQHNS: 9053336
2


Mã Kho bạc: 0026
Tại Kho bạc Nhà nước Hà Đông, Hà Nội
Tên cơ quan chủ quản đề tài: Bộ Khoa học và Cơng nghệ
11 Các tổ chức phối hợp chính thực hiện đề tài (nếu có)
1. Tổ chức 1: Bệnh viện Bạch Mai
Tên cơ quan chủ quản: Bộ y tế
Điện thoại:

844 3869 3731

Fax: +84438691607

Địa chỉ: số 78 đường Giải Phóng, phường Phương Mai, quận Đống Đa, thành phố Hà Nội

Họ và tên thủ trưởng tổ chức: GS. TS. Nguyễn Quang Tuấn
Số tài khoản: 05411.0106.5007
Ngân hàng: Ngân hàng TMCP Quân đội Hà Nội chi nhánh Thăng Long.
2. Tổ chức 2: Trường Đại học y Hà Nội
Tên cơ quan chủ quản: Bộ y tế
Điện thoại: +84 02438.523.798

Fax: +84 02438.525.115

Địa chỉ: Số 1, Tôn Thất Tùng, Đống Đa, Hà Nội.
Họ và tên thủ trưởng tổ chức: GS.TS. Tạ Thành Văn
Số tài khoản: 3713.0.1057280
Ngân hàng: Kho bạc nhà nước Hà Nội
3. Tổ chức 3: Bệnh viện Quân y 175
Tên cơ quan chủ quản: Bộ Quốc Phòng
Điện thoại: 069.641125

Fax: 069.641382

Địa chỉ: 786 Nguyễn Kiệm, Phường 3, Quận Gị Vấp, Thành phố Hồ Chí Minh
Họ và tên thủ trưởng tổ chức: Thiếu tướng PGS.TS.Nguyễn Hồng Sơn
Số tài khoản: 371309061377
Ngân hàng: Kho bạc Nhà nước thành phố Hồ Chí Minh
4. Tổ chức 4: Bệnh viện Hữu Nghị Việt Đức
Tên cơ quan chủ quản: Bộ y tế
Điện thoại: (84- 24) 38.253.531

Fax: (84-24) 38.248.308

Địa chỉ: 40 Tràng Thi, Hoàn Kiếm, Hà Nội

Họ và tên thủ trưởng tổ chức: GS. TS. Trần Bình Giang
5. Tổ chức 5: Bệnh viện Trung ương Huế
Tên cơ quan chủ quản: Bộ y tế
Điện thoại:

+84 - 234 - 3822325

Fax:

Địa chỉ: 16 Lê Lợi, Vĩnh Ninh, Thành phố Huế, Thừa Thiên Huế
Họ và tên thủ trưởng tổ chức: GS.TS.BS Phạm Như Hiệp
3


6. Tổ chức 6: Bệnh viện Ung bướu Hà Nội
Tên cơ quan chủ quản: Sở Y tế Hà Nội
Điện thoại:

091 554 6116

Fax:

Địa chỉ: 42A Thanh Nhàn, Hai Bà Trưng, Hà Nội
Họ và tên thủ trưởng tổ chức: TS. BS Bùi Vinh Quang
Số tài khoản: 22210001686668
Ngân hàng: Ngân Hàng BIDV chi nhánh Thanh Xuân
7. Tổ chức 7: Viện công nghệ thông tin, Đại học Quốc Gia Hà Nội
Tên cơ quan chủ quản: Đại học Quốc Gia Hà nội
Điện thoại:

(024) 37547347

Fax:

Địa chỉ: E3, số 144 Xuân Thủy, Cầu Giấy, Hà Nội
Họ và tên thủ trưởng tổ chức: PGS.TS. Trần Xuân Tú
Số tài khoản: 22010000675377
Ngân hàng: BIDV chi nhánh Thăng Long
8. Tổ chức 8: Học Viện Kỹ thuật Quân sự
Tên cơ quan chủ quản : Bộ Quốc Phòng
Điện thoại: 069515200

Fax:

Địa chỉ: Số 236 Hoàng Quốc Việt, Bắc Từ Liêm, Hà Nội
Họ và tên thủ trưởng tổ chức: Trung tướng Nguyễn Công Định
Số tài khoản: 05611.0004.9009
9. Tổ chức 9: Trường Đại học Công nghiệp Hà Nội
Tên cơ quan chủ quản: Bộ công thương
Điện thoại:

+84 243 765 5121

Fax:

Địa chỉ: Số 298 Đường Cầu Diễn, Minh Khai, Bắc Từ Liêm, Hà Nội
Họ và tên thủ trưởng tổ chức: PGS.TS. Trần Đức Quý
12

Cán bộ thực hiện đề tài

(Ghi những người có đóng góp khoa học và thực hiện những nội dung chính thuộc tổ chức chủ trì
và tổ chức phối hợp tham gia thực hiện đề tài. Kỹ thuật viên, nhân viên hỗ trợ lập danh sách theo mẫu
này có xác nhận của tổ chức chủ trì và gửi kèm theo hồ sơ khi đăng ký)
TT
1

Họ và tên,

Chức danh
2

học hàm học vị

thực hiện đề tài

TS. Tạ Việt Hưng

Chủ nhiệm đề tài

2

Tổ chức công tác
Học Viện Quân y

Theo quy định tại bảng 1 Điểm b Khoản 1 Điều 7 thông tư liên tịch số 55/2015/TTLT-BTC-BKHCN
ngày 22/4/2015 hướng dẫn định mức xây dựng, phân bổ dự toán và quyết tốn kinh phí đối với nhiệm vụ
KH&CN có sử dụng ngân sách nhà nước.

4

2

TS. Trần Ngọc Dũng

Thư ký đề tài

Học Viện Quân y

3

PGS.TS Phạm Quang Vinh

Thành viên chính

Học Viện Quân y

4

BSNT. CK1. Nguyễn Khắc Tuyến

Thành viên chính

Bệnh viện Quân y 175

5

BS. Khuất Duy Hịa

Thành viên chính

Học Viện Qn y

6

PGS.TS. Vũ Việt Vũ

Thành viên chính

7

TS. Bùi Văn Định

Thành viên chính

8

TS. Vũ Việt Thắng

Thành viên chính

Khoa CNTT, Trường Đại học
Cơng nghiệp Hà Nội

9

PGS.TS. Phạm Cẩm Phương

Thành viên chính

Bệnh viện Bạch Mai

10

TS. Trần Ngọc Minh

Thành viên chính

Trường Đại học y Hà Nội

11

ThS. Nguyễn Sỹ Lánh

Thành viên chính

Bệnh viện Hữu Nghị Việt Đức

12

TS. Phạm Nguyên Cường

Thành viên chính

Bệnh viện Trung ương Huế

13

TS. Dương Hồng Hảo

Thành viên chính

Bệnh viện Ung bướu Hà Nội

14

ThS. Tống Đức Minh

Thành viên chính

Học Viện Quân y

15

BSNT.CK1. Lê Trọng Dũng

Thành viên chính

Học Viện Quân y

16

ThS. Nguyễn Thùy Linh

Thành viên chính

Học Viện Quân y

17

BSNT.CK1. Đặng Thái Trà

Thành viên chính

Học Viện Quân y

18

BS. Nguyễn Trung Kiên

Thành viên chính

Học Viện Qn y

Viện cơng nghệ thơng tin,
Đại học Quốc gia Hà Nội
Khoa CNTT, Học Viện
Kỹ thuật Quân sự

II. MỤC TIÊU, NỘI DUNG KH&CN VÀ PHƯƠNG ÁN
TỔ CHỨC THỰC HIỆN ĐỀ TÀI
13

Mục tiêu của đề tài (Bám sát và cụ thể hoá định hướng mục tiêu theo đặt hàng)

13.1 Mục tiêu chung
1. Xây dựng được bộ cơ sở dữ liệu (CSDL) về tình trạng bộc lộ dấu ấn hóa mô miễn dịch
PD-L1 trong ung thư phổi không tế bào nhỏ và ung thư biểu mô đường niệu;
2. Xây dựng được bộ CSDL về tình trạng bộc lộ dấu ấn hóa mơ miễn dịch Ki-67 trong ung

thư biểu mơ tuyến vú;
3. Phát triển được phần mềm ứng dụng trí tuệ nhân tạo hỗ trợ xác định sự bộc lộ của dấu ấn
PD-L1 và Ki-67
4. Thử nghiệm, đánh giá hiệu quả phần mềm xác định tỷ lệ bộc lộ hai dấu ấn hóa mơ miễn
dịch PD-L1 và Ki-67 đối với các loại ung thư tương ứng nói trên tại một số cơ sở y tế.
13.2 Mục tiêu cụ thể
1. Bộ CSDL có gán nhãn của tối thiểu 40.000 mẫu ảnh mỗi loại về tình trạng bộc lộ dấu ấn
5


hóa mơ miễn dịch PD-L1 trong ung thư phổi khơng tế bào nhỏ và ung thư biểu mô đường niệu.
2. Bộ CSDL có gán nhãn của tối thiểu 20.000 mẫu ảnh về tình trạng bộc lộ dấu ấn hóa mơ
miễn dịch Ki-67 trong ung thư biểu mô tuyến vú.
02 bộ CSDL này đáp ứng yêu cầu:
- Chuẩn DICOM;
- Sử dụng được trong đào tạo, giảng dạy đại học, sau đại học;
- Sử dụng được mẫu hóa mơ miễn dịch trong lĩnh vực giải phẫu bệnh, miễn dịch học, ung
thư học cũng như các chuyên ngành khác.
3. Phần mềm ứng dụng trí tuệ nhân tạo hỗ trợ xác định sự bộc lộ của dấu ấn hóa mơ miễn
dịch PD-L1 và Ki-67 có độ chính xác tối thiểu 90% cho pha phân lớp các tế bào, bào gồm các
chức năng:
- Đánh giá được tình trạng bộc lộ dấu ấn hóa mơ miễn dịch PD-L1 trong ung thư phổi không
tế bào nhỏ.
- Đánh giá được tình trạng bộc lộ dấu ấn hóa mơ miễn dịch PD-L1 trong ung thư biểu mô
đường niệu.
- Đánh giá được tình trạng bộc lộ dấu ấn hóa mơ miễn dịch Ki-67 trong ung thư biểu mô
tuyến vú.
4. Quy trình áp dụng phần mềm ứng dụng trí tuệ nhân tạo hỗ trợ xác định sự bộc lộ của dấu
ấn PD-L1 và Ki-67.
5. Triển khai ứng dụng và báo cáo hiệu quả phần mềm xác định tỷ lệ bộc lộ của 2 dấu ấn

hóa mơ miễn dịch PD-L1 và Ki-67 đối với các loại ung thư tương ứng nói trên ít nhất hai bệnh
viện tuyến tỉnh trở lên
6. Bộ tài liệu thiết kế và thu thập CSDL tình trạng bộc lộ dấu ấn hóa mơ miễn dịch PD-L1
và Ki-67.
7. Bộ tài liệu phân tích, thiết kế, hướng dẫn sử dụng phần mềm ứng dụng trí tuệ nhân tạo hỗ
trợ xác định sự bộc lộ của dấu ấn PD-L1 và Ki-67.
8. Sản phẩm khác:
- Có 03 bài báo trong đó có 01 bài báo quốc tế thuộc tạp chí ISI/scopus, 02 bài bào được
đăng trên tạp chí chuyên ngành trong nước,
- Tham gia đào tạo 01 tiến sỹ và 02 thạc sỹ.
14

Tình trạng đề tài
Mới

Kế tiếp hướng nghiên cứu của chính nhóm tác giả
Kế tiếp nghiên cứu của người khác

15

Tổng quan tình hình nghiên cứu, luận giải về mục tiêu và những nội dung nghiên cứu
của đề tài

15.1 Đánh giá tổng quan tình hình nghiên cứu thuộc lĩnh vực của đề tài
Ngồi nước (Phân tích đánh giá được những cơng trình nghiên cứu có liên quan và những kết quả
nghiên cứu mới nhất trong lĩnh vực nghiên cứu của đề tài; nêu được những bước tiến về trình độ
6


KH&CN của những kết quả nghiên cứu đó)

Tình hình nghiên cứu về dấu ấn PD-L1 và Ki-67 trên thế giới
Ung thư là nguyên nhân gây tử vong đứng hàng thứ hai trên toàn cầu, sau các bệnh tim
mạch, cứ 6 người mắc bệnh thì có 1 người tử vong . Liệu pháp miễn dịch, một cách tiếp cận sử
dụng các loại thuốc tăng cường hệ thống miễn dịch tự nhiên của cơ thể để chống lại khối u, đã góp
phần đáng kể vào việc điều trị ung thư trong những năm gần đây .Trong số các loại liệu pháp miễn
dịch khác nhau, các chất ức chế điểm kiểm soát miễn dịch nhắm vào kháng nguyên tế bào lympho
T-4 (CTLA-4) và protein PD-1 được quan tâm đặc biệt và đóng một vai trò quan trọng trong
tương lai của liệu pháp miễn dịch .
Vào những năm cuối của thế kỷ XX, tiếp sau nghiên cứu của James P. Allison (Hoa kỳ) về
một loại Protein (CTLA-4) có vai trị kiểm sốt hệ miễn dịch, Tasuku Honjo (Nhật Bản) đã tìm ra
được Protein (PD-1) với vai trò tương tự nhưng với cơ chế khác. Từ đó Tasuku Honjo  phát triển
thành một liệu pháp mới để điều trị hiệu quả một số ung thư cho bệnh nhân. Hiện nay, liệu pháp
dựa trên phát hiện của Tasuku Honjo đã được áp dụng trong lâm sàng và trở thành đột phá trong
cuộc chiến chống lại ung thư . Nhờ thành tựu nghiên cứu này, năm 2018, hai nhà khoa học James
P.Allison và Tasuku Honjo đã vinh dự nhận Giải Nobel Y học và Sinh lý học với “Phương pháp
điều trị ung thư bằng cơ chế ức chế điều hịa miễn dịch âm tính”.
Sự phát triển các chất ức chế điểm kiểm soát miễn dịch và các xét nghiệm liên quan đến PDL1 ngày càng tăng. Từ năm 1980 đến năm 1990 khởi đầu của sự phát hiện điểm kiểm soát miễn
dịch trong điều trị ung thư. Sự phát triển của chẩn đốn đồng hành với nó là sự ra đời của thuốc
trastuzumab, vemurafenib: Năm 2011 là Ipilimumab cho u hắc tố ác tính; Năm 2014 là
Pembrolizumab và Nivolumab cho u hắc tố ác tính . Năm 2015, Pembrolizumab được ứng dụng
cho điều trị ung thư phổi không tế bào nhỏ, Nivolumab được điều trị cho ung thư phổi không tế
bào nhỏ, ung thư biểu mô tế bào thận và Ipilimumab cho u hắc tố ác tính . Năm 2016 Nivolumab
điều trị cho u lympho không Hodgkin kinh điển và ung thư biểu mô vảy đầu cổ, Atezolizumab cho
ung thư biểu mô đường niệu di căn và ung thư phổi không tế bào nhỏ, Pembrolizumab cho ung thư
biểu mô vảy đầu cổ. Nivolumab được chấp thuận cho điều trị u hắc tố ác tính. Năm 2017,
Duvalumab điều trị cho ung thư biểu mô đường niệu di căn, vi vệ tinh mất ổn định cao và thiếu
hụt sửa chữa ghép đôi không cân xứng của ung thư đại trực tràng (MSI-H hoặc DMMR CRC) và
ung thư biểu mô tế bào gan. Pembrolizumab cho u lympho không Hodgkin kinh điển, ung thư biểu
mô đường niệu di căn, sự mất ổn định vi vệ tinh hoặc thiếu hụt sửa chữa ghép cặp không cân xứng
của các u đặc, với PTX (pemetred), carboplatin (CBP) cho điều trị bước 1, và cho ung thư thực

quản, dạ dày. Cũng trong 2 năm này, Ventana PD-L1 (SP142) được chấp thuận chẩn đoán bổ sung
cho atezolizumab trong ung thư biểu mô đường niệu di căn và ung thư phổi không tế bào nhỏ năm
2016; Ventana (SP263) được chấp thuận cho chẩn đoán bổ sung Durvalumab trong ung thư biểu
mô đường niệu di căn, Nivolumab trong ung thư phổi không tế bào nhỏ, Pembrolizumab cho ung
thư phổi không tế bào nhỏ năm 2017. Tương lai nhiều điều trị bổ sung và kết hợp cùng phát triển
thử nghiệm PD-L1 đang được tiếp tục .
Bên cạnh đó, trong một số bệnh ung thư nói chung và ung thư biểu mơ biểu mơ tuyến vú nói
riêng, việc đánh giá mức độ tăng sinh tế bào có ý nghĩa lớn trong xác định chẩn đoán cũng như
tiên lượng và liên quan đến lựa chọn phác đồ điều trị. Sự tăng sinh tế bào được đánh giá chủ yếu
bằng phương pháp nhuộm hóa mơ miễn dịch. Dấu ấn Ki67 được coi là dấu ấn miễn dịch được ưa
chuộng nhât hiện nay trong đánh giá sự tăng sinh tế bào với sự bộc lộ ở nhân tế bào và được sử
dụng rộng rãi trong chuyên ngành giải phẫu bệnh. Một vài nghiên cứu chỉ ra rằng PD-L1 bộc lộ
với tỷ lệ cao trong ung thư liên quan đến tiên lượng xấu tương tự như Ki67 và có mối tương quan
7


thuận giữa hai dấu ấn này.
Trên thế giới, để hỗ trợ cho các nhà giải phẫu bệnh, OptraScan (Hoa kỳ) đã phát triển phần
mềm OptraSCAN’s Immuno Oncology Biomarker Analysis & PD-L1 Biomarker Analysis đồng
thời một số phần mềm như ImmunoRatio – JPEG 2000 Virtual Slide microscope để tính tỷ lệ bộc
lộ Ki67 trong ung thư biểu mô tuyến vú đã bắt đầu được nghiên cứu, ứng dụng tại một số cơ sở y
tế và tiến tới triển khai ở các loại ung thư khác.
Tình hình nghiên cứu về trí tuệ nhân tạo trên thế giới và áp dụng cho lĩnh vực y tế
Trí tuệ nhân tạo (Artificial Intelligence – AI) là lĩnh vực nghiên cứu nhằm xây dựng những
hệ thống giải quyết vấn đề giống như cách thức hoạt động của con người . Với mục tiêu như vậy,
đối tượng nghiên cứu của AI sẽ là tất cả mọi lĩnh vực vì trên thực tế lĩnh vực nào cũng xuất hiện
các bài toán cần giải quyết. Lịch sử phát triển của AI xuất hiện từ những năm 60 của thể kỉ XX khi
mà các hệ thống máy tính bắt đầu phổ biến ở các quốc gia. Tại thời kỳ này, một số quốc gia phát
triển đã có những nghiên cứu về Trí tuệ nhân tạo ứng dụng trong Y tế, trong công nghiệp như tại
Mỹ và Nhật. Nghiên cứu về AI thực sự nở rộ mạnh mẽ từ những năm 2000 trở lại đây khi mà các

máy tính đã đạt những tốc độ tính tốn mạnh mẽ kết hợp với các công nghệ của Kỹ thuật điện tử
và đặc biệt các nghiên cứu cơ bản về AI cũng đã có những bước đột phá thì lĩnh vực AI đã thực sự
có một vị thế vơ cùng quan trọng. Trí tuệ nhân tạo (AI) có thể diễn giải như sau:
AI = Tri thức + Suy diễn
Các hệ thống AI sẽ gồm có Tri thức là các kiến thức liên quan đến lĩnh vực đang nghiên cứu
được biểu diễn trong máy tính (ảnh, ngơn ngữ tự nhiên, tiếng nói,…) và Suy diễn chính là bộ óc
của hệ thống AI được tạo lên bởi các thuật tốn học máy được mã hóa bởi các ngơn ngữ lập trình.

Hiện nay ứng dụng của AI đã đi vào thực tiễn và dần quen thuộc với tất cả chúng ta, chúng tơi có
thể liệt kê một số ứng dụng như sau:

o Lĩnh vực công nghiệp: Rô bốt, người máy, các hệ thống điều khiển tự động ứng dụng trên
máy bay, tàu điện, ô tô, dây chuyền sản xuất công nghiệp
o Lĩnh vực Y tế: Các hệ thống hỗ trợ xử lý và chẩn đoán bệnh qua hình ảnh, qua văn bản,
quan bệnh án điện tử, rơ bốt hỗ trợ phẫu thuật… Trong lĩnh vực Y tế trên thế giới có lẽ nổi
bật là hệ thống ứng dụng CNTT vào lĩnh vực Y tế IBM Watson Health (IBM WH); trong
hệ thống IBM WH hỗ trợ chẩn đoán hình ảnh, hỗ trợ quyết định dựa trên thơng tin bệnh án,
phân tích dữ liệu lâm sàng,… Các hãng sản xuất thiết bị phần cứng phục vụ trong Y tế như
Phillips gần đây cũng đang nghiên cứu tích hợp thêm các hệ thống phần mềm hỗ trợ q
trình chẩn đốn qua hình ảnh.
o Lĩnh vực giáo dục: Hệ thống hỗ trợ học tiếng Anh thông minh, hệ thống hỗ trợ giải bài tập,
hệ thống hỗ trợ nhận dạng và điểm danh học sinh,…
o Lĩnh vực thương mại điện tử: các hệ thống hỗ trợ phân tích nhu cầu khách hàng, hệ gợi ý,
hệ thống dự đoán nhu cầu mua, hỗ trợ quản cáo,…

8


o Lĩnh vực an ninh: camera thông minh hỗ trợ giám sát, phân tích dữ liệu, phân tích ảnh,
phát hiện bất thường,…

Việc ứng dụng AI trong Y tế như một lẽ tự nhiên và đang thu hút rất nhiều nhà nghiên cứu
trong và ngồi nước vì quy trình khám chữa bệnh trong Y tế tạo ra rất nhiều dữ liệu như dự liệu
hình ảnh, dữ liệu hồ sơ khám chữa bệnh, dữ liệu lâm sàng… Trí tuệ nhân tạo (Artificial
Intelligence - AI) đang dẫn đầu xu thế ứng dụng công nghệ trong lĩnh vực y tế. Phát triển và ứng
dụng trí tuệ nhân tạo trong y tế đã và đang trở thành xu thế tất yếu của thời đại. Trên thế giới, việc
ứng dụng trí tuệ nhân tạo để xây dựng các hệ thống hỗ trợ ra quyết định lâm sàng (clinical decision
support system) được nhiều nhà khoa học quan tâm nghiên cứu.. Các hệ thống hỗ trợ ra quyết định
lâm sàng có nhiệm vụ hỗ trợ các bác sĩ hoặc nhân viên y tế trong việc ra quyết định lâm sàng. Các
hệ thống này có thể nâng cao chất lượng cơng tác chăm sóc sức khỏe bằng việc đưa ra các thông
tin tham khảo cho bác sĩ dựa trên những tri thức được học từ chuyên gia hoặc dựa trên các dữ liệu
trong quá khứ. Trên thế giới, các hệ thống hỗ trợ ra quyết định lâm sàng đã được nghiên cứu phát
triển từ những năm 1970, ví dụ như các hệ thống MYCIN, INTERNIST-1 và CASNET. Các hệ
thống hỗ trợ ra quyết định đã được phát triển và ứng dụng vào thực tiễn trong nhiều lĩnh vực của y
tế như chẩn đoán bệnh, xây dựng phác đồ điều trị, chế tạo thuốc, theo dõi và chăm sóc bệnh nhân,
… Các hệ thống này đã được áp dụng trên nhiều cơ sở trên thế giới. Các thuật tốn trí tuệ nhân tạo
trong y tế được nhiều công ty đầu tư phát triển, trong đó có những cơng ty lớn như IBM,
Microsoft, Google, Intel, Facebook và cả những công ty khởi nghiệp. Trong những năm gần đây,
việc phát triển, ứng dụng các hệ thống hỗ trợ ra quyết định lâm sàng ngày càng được đẩy mạnh.
Có nhiều nguyên nhân dẫn đến sự phát triển này, đó là sự phát triển của phần cứng dẫn tới khả
năng tính tốn tăng lên, rút ngắn thời gian thu thập và xử lý dữ liệu; khối lượng dữ liệu liên quan
đến y tế thu thập từ các thiết bị y tế và thiết bị cá nhân ngày càng tăng; sự phát triển của các cơ sở
dữ liệu gen; các hệ thống quản lý hồ sơ bệnh án điện tử ngày càng phổ biến; sự phát triển của các
kĩ thuật trí tuệ nhân tạo tiên tiến có độ chính xác cao (như các phương pháp học sâu) trong các lĩnh
vực thị giác máy tính và xử lý ngôn ngữ tự nhiên giúp nâng cao độ chính xác của các hệ thống trí
tuệ nhân tạo.
Những lợi thế của AI đã được thảo luận rộng rãi trong các tài liệu y khoa , , , nó đã được
ứng dụng rộng rãi trong nhiều lĩnh vực y khoa , . Sức mạnh của AI nằm ở khả năng sử dụng các
thuật toán tinh vi để “học” các đặc trưng từ một khối lượng lớn dữ liệu chăm sóc sức khỏe, và sau
đó sử dụng những hiểu biết thu được để hỗ trợ thực hành lâm sàng. Nó có khả năng học và tự sửa

lỗi để cải thiện độ chính xác dựa trên phản hồi. Một hệ thống AI có thể hỗ trợ các bác sĩ bằng việc
đưa ra các thông tin tham khảo cho bác sĩ dựa trên những tri thức được học từ chuyên gia hoặc dựa
trên các dữ liệu thực tế. Ngoài ra, một hệ thống AI có thể giúp giảm các lỗi của con người trong
chẩn đốn và điều trị khơng thể tránh khỏi trong thực hành lâm sàng , , , . Hơn nữa, một hệ thống
AI trích xuất thơng tin hữu ích từ một lượng lớn dữ liệu bệnh nhân để hỗ trợ đưa ra cảnh báo rủi ro
sức khỏe . Với AI, việc thu nhận nhanh chóng tồn bộ bệnh sử của bệnh nhân và khả năng bao phủ
và phân tích nhiều bộ dữ liệu cùng lúc giúp phát hiện ra các bất thường trong các ca bệnh. Đây là
một bước tiến lớn trong việc điều trị các bệnh lý với tỷ lệ sống cao hơn khi phát hiện bệnh sớm
hơn, như ung thư. AI cịn giúp các hệ thống chăm sóc sức khỏe dễ dàng chuyển trọng tâm và
9


nguồn lực từ chữa bệnh sang phòng bệnh. Nhất là các bệnh không lây nhiễm như bệnh tim mạch
và tiểu đường, vốn là mối đe dọa ngày càng tăng. AI có thể được áp dụng cho các loại dữ liệu
chăm sóc sức khỏe khác nhau (có cấu trúc và khơng cấu trúc). Các kỹ thuật AI phổ biến bao gồm
các phương pháp học máy cho dữ liệu có cấu trúc, như Support Vector Machine (SVM) và mạng
nơron, các kỹ thuật học sâu hiện đại cho dữ liệu phi cấu trúc (dữ liệu ảnh, ngôn ngữ tự nhiên). Một
số lĩnh vực bệnh chính đã được nghiên cứu và ứng dụng cơng nghệ AI như: ung thư, thần kinh và
tim mạch. Trong lĩnh vực thần kinh: Bouton và cộng sự đã phát triển một hệ thống AI để khơi
phục sự kiểm sốt chuyển động ở bệnh nhân bị liệt tứ chi . Farina và cộng sự đã thử nghiệm sức
mạnh của giao diện người/máy ngoại tuyến, sử dụng thời gian phóng điện của các tế bào thần kinh
vận động cột sống để kiểm soát các bộ phận giả trên chi . Trong chẩn đoán bệnh liên quan đến tim
mạch: Dilsizian và Siegel đã thảo luận về ứng dụng tiềm năng của hệ thống AI để chẩn đốn bệnh
tim thơng qua hình ảnh tim . Arterys gần đây đã nhận được thông qua từ Cục Quản lý Thực phẩm
và Dược phẩm Hoa Kỳ (FDA) để tiếp thị ứng dụng Arterys Cardio DL, sử dụng AI để cung cấp
phân đoạn tâm thất tự động, có thể chỉnh sửa dựa trên hình ảnh MRI tim thông thường. AI cũng
được áp dụng trong các bệnh khác như ví dụ gần đây nhà khoa học Long và các cộng sự đã phân
tích dữ liệu hình ảnh mắt để chẩn đoán bệnh đục thủy tinh thể bẩm sinh , Gulshan và các cộng sự
đã áp dụng thuật toán học sâu để phát hiện tự động bệnh võng mạc tiểu đường và phù hồng điểm
tiểu đường trong các hình ảnh đáy võng mạc .

Bên cạnh những lĩnh vực bệnh nêu trên, trong chẩn đoán ung thư: Somashekhar và cộng sự
đã chứng minh rằng hệ thống IBM Watson về ung thư sẽ là một hệ thống AI đáng tin cậy để hỗ trợ
chẩn đốn ung thư thơng qua một nghiên cứu xác nhận mù đôi . Esteva và cộng sự đã phân tích
hình ảnh lâm sàng để xác định các phân nhóm ung thư da .
Trong đó dữ liệu ảnh có lẽ là một trong những loại dữ liệu quan trọng nhất, nhiều và đa
dạng nhất phục vụ cho việc hỗ trợ chẩn đoán rất nhiều các loại bệnh, đặc biệt là những bệnh khó
và phức tạp như ung thư. Các vấn đề chẩn đốn sử dụng hình ảnh như đã nói ở trên có tính quyết
định quan trọng trong việc chẩn đốn, định lượng và tìm ra phác đồ điều trị phù hợp. Nói chung
với các loại ảnh như đã trình bày trên các bài tốn có thể áp dụng các kỹ thuật AI là: phân loại ảnh,
nhận dạng đối tượng trong ảnh, phân đoạn ảnh để tìm ra vùng cần đánh giá, định lượng các thông
số thông qua phát hiện các vùng ảnh, phát hiện ảnh hoặc vùng ảnh dị thường (có các dấu hiệu bất
thường trong ảnh), khôi phục ảnh, dựng lại ảnh,…

10


Hình 1.1. Các kỹ thuật học máy áp dụng cho nghiên cứu về dữ liệu ảnh trong Y tế

Hình 1.1 trình bày các kỹ thuật học máy áp dụng cho các bài tốn khai phá dữ liệu ảnh Y tế;
có thể thấy rằng mặc dù là một chủ đề nghiên cứu sôi động trong khoảng 10 năm trở lại đây tuy
nhiên kỹ thuật học sâu (deep learning) đóng vai trị quan trọng cho việc khai phá tri thức đối với
ảnh Y tế .

11


Thu thập dữ liệu ảnh

Tiền xử lý dữ liệu

Khai phá dữ liệu

Đánh giá và diễn giải kết quả

Tri thức

Hình 1.2. Các bước của quá trình khai phá tri thức từ dữ liệu ảnh

Hình 1.2 trình bày các bước của quá trình khai phá tri thức từ dữ liệu ảnh, các diễn giải tiếp
theo sẽ nằm trong khung cảnh của bài tốn học có giám sát (supervised learning). Trong đó gồm
các bước cơ bản như thu thập dữ liệu nhằm thu thập đủ về số lượng các dữ liệu cũng như đa dạng
các chủng loại cần thiết, pha tiền xử lý dữ liệu sẽ gồm làm sạch dữ liệu, gán nhãn dữ liệu bởi các
chuyên gia, có thể biến đổi dữ liệu, tăng cường dữ liệu,… Pha khai phá dữ liệu nhằm xây dựng mơ
hình học sử dụng tập dữ liệu huấn luyện để từ đó sử dụng mơ hình cho tập dữ liệu kiểm thử . Mô

12


hình học sẽ sử dụng các thuật tốn học máy như học sâu, support vector machine, decision tree,…
như là lõi của hệ thống suy diễn. Pha đánh giá và diễn giải kết quả có thể bao gồm các sơ đồ, biểu
đồ, các tổng kết, các báo cáo về kết quả suy diễn của hệ thống chúng có thể là kết quả phân loại
hình ảnh cho bài tốn phân loại ảnh, vùng chấn thương trong ảnh/vùng bất thường trong ảnh cho
bài tốn phát hiện dị thường.
Sau đây chúng tơi trình bày một số cơng trình nghiên cứu trong thời gian gần đây đối với bài
toán khai phá tri thức từ dữ liệu ảnh trong lĩnh vực Y tế, tổng kết được trình bày trong bảng 1.1.
Bảng 1.1. Một số cơng trình nghiên cứu đối với bài toán khai
phá tri thức từ dữ liệu ảnh trong lĩnh vực Y tế
STT

Tác giả

Mục tiêu

Phương pháp

1

Năm đề
xuất
2021

Qian Yu et al.

Phân đoạn ảnh y tế lọa Mạng học sâu sử dụng các
MR và X-quang
đặc trưng được học theo các
hướng ngang và dọc để bổ
sung vào quá trình huấn
luyện.

Zhu Y et al.

Đánh giá dấu ấn bộc lộ Sử
dụng
mạng
3D .
PD-L1 cho dữ liệu ảnh DenseNet làm mơ hình huấn
2020
CT. 
luyện kết hợp với transfer

learning để tăng tốc độ huấn
luyệ

2

3
Shouvik
Chakraborty
al.

Phân đoạn ảnh X-quang Sử dụng phương
et hỗ trợ chẩn đoán COVID

pháp
phân
cụm mờ
kiểu 2
dựa trên
siêu
điểm.
2021

4
Majid Kamal A. Hỗ trợ phát hiện các Sử

13

dụng

Nour et al.

trường hợp dương tính
với COVID-19 sử dụng
ảnh X-quang.

mạng
CNN
với các
tham số
được tối
ưu theo
phương
pháp
Bayes;
các đặc
trưng
thu
được sẽ
được
phân
loại sử
dụng
phương
pháp
SVM
2020
2020

5

Z
Swiderska- Phát hiện các bộc lộ cho Mạng CNN nhiều lớp.
Chadaj et al.
Ki-67

6

2021
Rokshana
Tính tốn chỉ số tăng
Stephny Geread sinh tế bào (Proliferation
et al.
Index Calculator) cho Ki67

Sử dụng học sâu và thực hiện
hai bước: bước phát hiện
vùng tế bào và bước phân
loại tế bào.

7

2021
Majid
et al.

Ghasemi Phân loại ảnh y tế.

14

Sử dụng phương pháp mã

hóa thưa kết hợp với học dựa
trên từ điển mờ.


8
Vivek
Kumar Phân đoạn khối u vú
Singh et al.

Sử dụng mạng Nơ ron GAN
có điều kiện.

9

2020

2020
Monjoy Saha et Phát hiện và phân loại tế Sự dụng kết hợp giữa mạng
al.
bào và nhân có màng nơ ron sâu CNN và LSTM
nhầy trong đánh giá ung
thư vú

10
Lipi B. Mahanta Phân đoạn nhân tế bào và vú
tăng
et al.
phân lớp cho bài toán Mạng học sâu lai kết hợp với chất
tính điểm Allred trong phân loại của ba kỹ thuật lượng
bệnh v

phân lớp khác nhau nhằ
hệ thống
2021
11

2020
Elima Hussain et Phân đoạn và phân lớp Sử dụng mạng U-net và một
al.
nhân tế bào cho ảnh số cải tiến
PAM smear

12
Fatih Demir

Phát hiện bệnh COVID- Để xuất mạng DeepCoroNet STM.
19 từ ảnh chụp X-quang dựa trên mạng
2021
ngực

13
Saban Öztürk et Nghiên cứu thực nghiệm
al.
kỹ thuật AI dựa trên
thuật toán đàn ong cho
bài toán phân cụm, phân
lớp, phân đoạn ảnh y tế

15

Các kỹ thuật tối dựa trên đàn

ong ưu ứng dụng cho các lớp
bài toán được thống kê và
thực hiện thực nghiệ

2020


14

2020
Feixiao Long

15
M. Saha et al.

Phân đoạn ảnh hạt nhân Sử dụng mạng mạng U-net
tế bào
cải tiến

Sử dụng mơ hình học sâu kết
hợp với mơ hình xác suất và
Phát hiện dấu ấn hóa mơ học bán giám sát
miễn dịch Ki-67

16

2017

2021
Cheng Xue et al.

Phân đoạn ảnh siêu âm thương tổ
phát hiện
trong ung thư vú
Mạng học sâu CNN cải tiến

17

2020
Qinghua Huang Phân đoạn ảnh siêu âm Sử dụng kết hợp các kỹ thuật
et al.
vú theo phân lớp ngữ phân cụm, mạng nơ ron và
nghĩa và các siêu điểm
phương pháp k-láng giềng
gần nhất

18

2020
Lituan Wang

et al.
Mạng học sâu cùng với cơ
Tự động chẩn đoán bệnh chế chú ý.
u tuyến giáp cho ảnh siêu
âm

19

Phát hiện tế bào bằng

phương pháp Gaussian, tiếp
Barbara
Rita Phát hiện tế bào Ki-67 và theo sử dụng phân lớp Bayes
Barricelli et al.
ước lượng
trong pha phân loại tế bào.

2019

20

Sử dụng mạng CNN kết hợp
với Resnet-18

2019

Lingdao Sha et Đánh giá tình trạng bộc
al.
lộ trên ảnh PD-L1

16


21

2019
Khan et al.

Phân loại ảnh ung thư vú

Mạng học sâu CNN và
transfer learning

22

2018
Xie et al.

Phát hiện và tính tốn số

23
Ansh Kapil et al.

lượng tế bào trên ảnh soi tế
bào trên kính hiể
vi
Mạng học sâu hồi quy
Sử dụng mạng học sâu GAN

Tính tốn tỷ lệ % bộc lộ
tế bào u của ảnh hóa mơ
miễn dịch PD-L1

24

2018
Hamad et al.

25

2018

Song et al.

Phát hiện và phân loại bệnh học (ảnh nhuộm
nhân tế bào trong ảnh mô bản H&E)
Sử dụng tổ hợp hai
mạng nơ ron hồi quy
chập và mạng nơ ron
chập

tiêu
loại
tích
tích

Phân đoạn ảnh ung thư
cổ tử cung và tế bào
Sử dụng mạng nơ ron tích
(nhuộm H&E)
chấp đa tỷ lệ kết hợp với kỹ
thuật phân nhóm trên đồ thị.

2016

Ngoài các nghiên cứu vừa nêu trong bảng 1.1, chúng tôi cũng liệt kê ra đây những kiến trúc
học sâu hiệu quả với kích thước mạng lớn áp dụng cho bài toán phân loại ảnh như: AlexNet ,
GoogLeNet , ResNet , DenseNet , Inception ; các kỹ thuật áp dụng cho bài toán phát hiện đối
tượng trong ảnh như Mask R-CNN và U-net . Trong quá trình phát triển các hệ thống xử lý ảnh
trong Y tế, các kỹ thuật trên hồn tồn có thể áp dụng cho dữ liệu là ảnh Y tế.

Sau đây chúng tơi trình bày chi tiết hơn một số cơng trình nghiên cứu cho việc đánh giá sự
bộc lộ của các dấu ấn miễn dịch PD-L1. Với dữ liệu ảnh đầu vào là những ảnh nhuộm hóa mơ
miễn dịch việc xác định các tình trạng bộc lộ của các dấu ấn miễn dịch PD-L1 sẽ theo cơng thức
đã trình bày ở trên; việc tính giá trị bộc lộ sẽ phải đi đếm xem có bao nhiêu tế bào/nhân tế bao
dương trên tổng số tế bào trong vùng ảnh đang xét. Thông qua các nghiên cứu thì đây là vấn đề
khó vì việc đếm các tế bào rất dễ gây nhầm lẫn khi mà các tế bào có thể rất gần nhau, kích thước
17


khác nhau, biểu hiện bộc lộ khác nhau, và tồn tại cả trong các mô bào và tế bào chết,… Trong , L.
Sha và các tác giả đã nghiên cứu về sự đánh giá sự bộ lộ dấu ấn PD-L1 cho dữ liệu ảnh của các
bệnh nhân ung thư phổi không tế bào nhỏ. Kiến trúc hệ thống tổng thể được trình bày trong hình
1.3. Pha huấn luyện sự dụng một mạng học sâu nhiều lớp ResNet để thực hiện huấn luyện. Pha dự
đoán cho một ảnh sẽ gồm quá trình chia nhỏ ảnh thành các phần nhỏ hơn để phù hợp với đầu vào
của mơ hình, sau đó phân loại và ghép lại để cho kết quả đánh giá cuối cùng. Độ chính xác của mơ
hình đạt được theo độ đo AUC là 0.85.

Hình 1.3. Mơ hình phân lớp áp dụng cho ảnh xác định dấu ấn bộc lộ của PD-L1
Trong , Y. Kang và các cộng sự đã đề xuất phương pháp đánh giá sự bộc lộ dấu ấn PD-L1
qua hệ thống học gồm hai bước, đó là bước xác định vị trí tế bào và bước phân vùng ảnh. Với dữ
liệu trên 100 WSI (Whole Slide Image: WSI), kết quả thử nghiệm cho pha phát hiện và phân loại
vùng tính theo MAE (Mean Absolute Error) là 14.7. Trong , A. Kapil và các cộng sự đã đề xuất
phương pháp tính tốn TPS cho dữ liệu ung thư không tế bào nhỏ. Đầu tiên các vùng TC+ và TCđược phát hiện sử dụng mạng AC-GAN (xem hình 1.4), tiếp đó giá trị TPS được tính tốn dựa trên
các điểm tương ứng của các vùng đó. Kết quả thực nghiệm đạt được MAE là 15.

18


Hình 1.4. Kiến trúc hệ thống sử dụng mạng AC-GAN
Với các nghiên cứu về đánh giá tình trạng bộc lộ của Ki-67, trong những năm gần đây đã có

một số nghiên cứu chúng tôi sẽ liệt kê sau đây. Trong , Monjoy Saha và các cộng sự đã giới thiệu
nghiên cứu về phát hiện dấu ấn và đánh giá tỷ lệ tăng sinh dựa trên thuật toán học sâu áp dụng cho
dữ liệu ảnh ung thư vú (hình 1.5). Trước khi thực hiện phân loại, một thuật toán dựa trên EM được
sử dụng để phát hiện các nhân tế bào (hình 1.6). Kết quả thực nghiệm đạt được 0.91 theo độ đo F1.

Hình 1.5. Kiến trúc mạng học sâu cho phân loại nhân tế bào

Hình 1.6. Quá trình phát hiện các nhân tế bào
Trong , Jie Shu và các cộng sự giới thiệu phương pháp tính tốn tự động các nhân tế bào
gồm hai pha là pha phát hiện vùng nhân tế bào và pha đếm số lượng nhân tế bào. Vì các tế bào có
thể chồng lấp lên nhau nên thuật toán đề xuất pha xác định nhân tế bào dựa vào mức xám, kích
thước và hình dạng của chúng. Kết quả thực nghiệm đạt được F1 = 0.68 cho pha phát hiện nhân tế
bào. Trong , R. S. Geread trình bày phương pháp tính chỉ số tăng sinh cho Ki-67, phương pháp
mang tên PiNet dựa trên kiễn trúc U-Net. Kết quả thực nghiệm đạt được F1 = 0.86 cho pha phát
hiện nhân tế bào.

19


Hình 1.7. Kiến trúc phương pháp PiNet
Như vậy, trên thế giới đã có một số nghiên cứu bước đầu về ứng dụng trí tuệ nhân tạo trong
lĩnh vực y tế và đặc biệt là ứng dụng trí tuệ nhân tạo trong hỗ trợ đánh giá sự bộc lộ dấu ấn PD-L1
trong ung thư phổi không tế bào nhỏ và một số loại ung thư khác cũng như Ki-67 trong ung thư
biểu mơ tuyến vú.
Trong nước (Phân tích, đánh giá tình hình nghiên cứu trong nước thuộc lĩnh vực nghiên cứu của
đề tài, đặc biệt phải nêu cụ thể được những kết quả KH&CN liên quan đến đề tài mà các cán bộ
tham gia đề tài đã thực hiện. Nếu có các đề tài cùng bản chất đã và đang được thực hiện ở cấp
khác, nơi khác thì phải giải trình rõ các nội dung kỹ thuật liên quan đến đề tài này; Nếu phát hiện
có đề tài đang tiến hành mà đề tài này có thể phối hợp nghiên cứu được thì cần ghi rõ Tên đề tài,
Tên Chủ nhiệm đề tài và cơ quan chủ trì đề tài đó)

Tình hình nghiên cứu về dấu ấn PD-L1 và Ki-67 tại Việt Nam
Tại Việt Nam, từ cuối năm 2017, Bộ y tế đã chính thức cho lưu hành thuốc điều trị ung thư
theo liệu pháp miễn dịch như một trụ cột thứ 5 (cùng với phẫu thuật, hóa trị, xạ trị và điều trị trúng
đích) trong cuộc chiến chống lại ung thư. Hiện mới có thuốc điều trị miễn dịch đầu tiên
KEYTRUDA được Bộ y tế cấp phép, vậy nên chưa có nhiều đề tài nghiên cứu về sự bộc lộ PD-L1.
Tác giả Trần Thị Tuấn Anh và cộng sự nghiên cứu sự biểu hiện PD-L1 trên 102 đối tượng bệnh
nhân có ung thư biểu mơ tuyến tại bệnh viện Phổi trung ương tỷ lệ dương tính cao, dương tính
thấp và âm tính là 20,6%; 31,4% và 48% . Tác giả Đoàn Minh Khuy và cộng sự đã báo cáo 82
trường hợp ung thư biểu mô không tế bào nhỏ tại Bệnh viện Bạch Mai, tỷ lệ PD-L1 dương tính là
59,7%, PD-L1 dương tính ≥50% là 25,6% . Theo Trần Thị Tươi (2018), tỷ lệ này là 40,9% âm
tính, 40,0% dương tính < 50% và 19,1% dương tính ≥ 50% trên 110 bệnh nhân . Hiện chưa thấy
có cơng bố trong nước về nghiên cứu PD-L1 trong ung thư biểu mô đường niệu.
Bên cạnh đó, ở Việt Nam đã có một số nghiên cứu về giải phẫu bệnh ung thư vú và dấu ấn
Ki-67, đặc biệt là nghiên cứu về dấu ấn Ki-67 trong ung thư biểu mô tuyến vú cho thấy giá trị của
Ki-67 trong tiên lượng, phân nhóm phân tử và lựa chọn phương pháp điều trị ung thư vú , .
Tình hình nghiên cứu về trí tuệ nhân tạo tại Việt Nam và áp dụng trong lĩnh vực y tế
Như đã trình bày ở phần trên, lĩnh vực AI là một lĩnh vực liên ngành trong đó có nhiều lĩnh
20