SEAS
Quay về chương trình

SEAS 2026

DỰ ĐOÁN KHẢ NĂNG SỐNG SÓT CỦA BỆNH NHÂN UNG THƯ

Phân tích ảnh giải phẫu bệnh toàn bộ tiêu bản (WSI) là bước then chốt để tiên lượng ung thư, nhưng kích thước ảnh đạt tới hàng tỷ pixel khiến việc đánh giá thủ công gặp rất nhiều khó khăn, chưa kể nguồn dữ liệu y khoa chuẩn hóa còn hạn chế.

Đến với SEAS, nhóm đã xây dựng mô hình Deep Learning tự động phân tích ảnh WSI nhằm dự đoán mức độ nguy cơ tương đối và khả năng sống sót của bệnh nhân ung thư. Hệ thống sử dụng mô hình nền tảng UNI2-h để trích xuất đặc trưng từ các mảnh ảnh nhỏ của tế bào.

Nhờ kết hợp kỹ thuật Attention-based Multiple Instance Learning (MIL), mô hình có thể tự động "săn tìm" và tập trung vào các vùng mô tế bào ác tính mà không cần con người dán nhãn thủ công từng pixel. Nhóm sử dụng hàm mất mát Cox Partial Likelihood Loss để đánh giá và cập nhật trọng số, mang lại độ chính xác cao trong dự đoán.

Dự án mang tính ứng dụng thực tiễn lớn khi cung cấp điểm rủi ro khách quan, hỗ trợ bác sĩ cá nhân hóa phác đồ điều trị phù hợp cho từng bệnh nhân. Đồng thời, hệ thống trực quan hóa kết quả bằng bản đồ nhiệt, khoanh vùng chính xác các khu vực tổn thương để bác sĩ chẩn đoán nhanh chóng hơn.

Bối cảnh

  • Phân tích ảnh WSI là một trong những bước quan trọng để tiên lượng ung thư. Tuy nhiên, kích thước ảnh gigapixel khiến việc đánh giá thủ công rất khó khăn.
  • Các nguồn dữ liệu về y khoa còn hạn chế.

Giải pháp

  • Sử dụng các mô hình UNI2-h để trích xuất vector đặc trưng từ các patches của tế bào.
  • Dùng Attention-based MIL giúp mô hình tự động tìm ra và tập trung vào các vùng mô tế bào ác tính mà không cần con người phải dán nhãn chi tiết từng pixel.
  • Sử dụng hàm mất mát Cox Partial Likelihood Loss để đánh giá và cập nhật trọng số mạng nơ-ron thông qua thuật toán lan truyền ngược.

Mục tiêu

  • Xây dựng một mô hình Deep Learning có khả năng tự động phân tích ảnh WSI để dự đoán chính xác mức độ nguy cơ tương đối giữa các bệnh nhân ung thư.
  • Trực quan hóa được ảnh WSI của bệnh nhân lên bản đồ nhiệt.

Ứng dụng

  • Cung cấp điểm rủi ro khách quan, hỗ trợ các bác sĩ thiết kế phác đồ điều trị cá nhân hóa, mạnh tay hơn với các ca có nguy cơ cao và giảm thiểu tác dụng phụ cho các ca rủi ro thấp.
  • Trực quan hóa kết quả bằng bản đồ nhiệt, làm nổi bật và khoanh vùng chính xác các khu vực tế bào ác tính trên tiêu bản WSI, giúp bác sĩ quan sát và chẩn đoán nhanh chóng, chính xác hơn.

Thành viên

Giảng viên hướng dẫn: Nguyễn Cảnh Hoàng, Nguyễn Phương Trang, Nguyễn Vũ Ánh Ngọc

Thành viên nhóm: Nguyễn Thanh Minh, Trần Thanh Hảo, Nguyễn Thức Công Thành, Trần Xuân Phú, Nguyễn Đức Quý

Phỏng vấn thành viên dự án

Nguyễn Thanh Minh

Học viên SEAS 2026

Nguyễn Thanh Minh

Quá trình hoàn thiện dự án của nhóm bạn diễn ra như thế nào? Có kỉ niệm nào đáng nhớ không?

Nhìn chung, quá trình triển khai dự án của nhóm em diễn ra khá suôn sẻ. Trong những ngày đầu, chúng em tập trung xác định rõ định hướng và mục tiêu, đồng thời nghiên cứu các bài báo khoa học để củng cố nền tảng lý thuyết. Sau khi đã vững vàng, nhóm mới chính thức bước vào các giai đoạn cốt lõi: xây dựng, huấn luyện, đánh giá mô hình và cuối cùng là trực quan hóa kết quả trên bản đồ nhiệt. Đối với cá nhân em, mỗi phút giây được đồng hành cùng các thành viên và các anh chị mentor đều là những trải nghiệm vô cùng đáng nhớ vô cùng quý giá. Tuy nhiên, kỷ niệm để lại dấu ấn sâu đậm nhất chắc chắn là đêm trước ngày báo cáo. Tối hôm đó, nhóm may mắn nhận được những lời góp ý tâm huyết từ anh Cảnh Hoàng một trong những founder của SEAS. Nhờ những nhận xét ấy, chúng em nhanh chóng nhận ra các điểm yếu trong phần trình bày của mình. Dù 8h sáng hôm sau đã phải lên thuyết trình, nhưng cả nhóm vẫn đồng lòng thức đến tận 3h sáng để sửa chữa, rà soát lại từng chi tiết với mong muốn mang đến một sản phẩm hoàn thiện nhất.

Ý tưởng dự án xuất phát từ đâu, hoặc bài toán thực tế nào mà dự án muốn giải quyết?

Sau khi hoàn thành dự án này, bài học lớn nhất mà em nhận được không chỉ nằm ở việc thiết kế được một kiến trúc deep learning, mà còn là cách xử lý dữ liệu thực tế khi mà bọn phải đối mặt với 1 trong những thách thức lớn đó là ảnh WSI có kích thước rất lớn nên bọn em phải dùng các foundation model để có trích xuất ảnh WSI ra những vector đặc trưng. Ngoài ra em còn học hỏi được rất nhiều về cách làm việc, kiến thức, kinh nghiệm của các bạn cùng nhóm và các anh chị mentor. Trong tương lai nếu có khả năng về tiềm lực cũng như kiến thức thì bọn em muốn tích hợp thêm dữ liệu gen và hồ sơ lâm sàng của bệnh nhân vào các lớp đầu vào để AI có một góc nhìn toàn diện từ mức độ phân tử đến tổng thể, tiến gần hơn tới bức tranh y khoa chính xác và thay vì lớp đầu ra trả về chỉ số risk score và bản độ nhiệt, bọn em còn muốn tích hợp mô hình ngôn ngữ lớn dành riêng cho y khoa để bác sĩ có thể trực tiếp chat với hệ thống để biết vùng tế bào nào là vùng tế bào ác tính và những thắc mắc khác giúp bác sĩ có thể đem ra pháp đồ điều trị thật chính xác cho từng bệnh nhân.

Thách thức kỹ thuật lớn nhất mà nhóm gặp phải là gì và mọi người đã vượt qua nó ra sao?

Thách thức lớn nhất là WSI có kích thước rất lớn và chứa hàng chục nghìn vùng ảnh, nên không thể đưa trực tiếp toàn bộ ảnh vào một mô hình Deep Learning thông thường. Nhóm phải xử lý WSI thành các patch, trích xuất feature và tìm cách tổng hợp một lượng lớn instance thành một biểu diễn ở cấp độ bệnh nhân.

Để giải quyết vấn đề này, nhóm tìm hiểu và áp dụng Multiple Instance Learning, trong đó mỗi patch được xem như một instance và mô hình học cách xác định những vùng có mức độ quan trọng khác nhau đối với kết quả survival. Việc sử dụng foundation model cũng giúp tận dụng các đặc trưng hình ảnh đã được học trước thay vì phải huấn luyện một mô hình thị giác hoàn toàn từ đầu.

TA đã chuẩn bị những gì trước, và học viên đã tự thực hiện những phần việc nào?

TA chuẩn bị bài toán, dataset/pipeline ban đầu và định hướng kỹ thuật, đồng thời hướng dẫn học viên về các khái niệm cần thiết như Survival Analysis, WSI, Multiple Instance Learning và foundation models.

Phần học viên chủ động thực hiện bao gồm việc hiểu kiến trúc mô hình, xử lý dữ liệu, xây dựng và huấn luyện pipeline, đánh giá mô hình và trực quan hóa kết quả dựa trên codebase mà TA đã chuẩn bị. Qua đó, học viên không chỉ sử dụng mô hình có sẵn mà còn hiểu được cách xây dựng mô hình học sâu từ đầu tới cuối cho bài toán medical imaging.

Câu hỏi thường gặp

Ý tưởng của dự án xuất phát từ bài toán dự đoán khả năng sống sót của bệnh nhân ung thư. Trong thực tế, việc ước lượng nguy cơ tử vong và phân tầng bệnh nhân có thể hỗ trợ bác sĩ đưa ra phác đồ điều trị phù hợp và cá nhân hóa hơn.

Nhóm đặc biệt quan tâm đến việc khai thác ảnh tiêu bản (Whole-Slide Image), vì đây là nguồn dữ liệu chứa rất nhiều thông tin về đặc điểm mô học của khối u. Từ đó, nhóm muốn tìm hiểu cách các phương pháp Deep Learning hiện đại có thể được áp dụng để giải quyết bài toán trên.

Nguyễn Phương Trang – Trợ giảng

Về kiến thức, dự án tập trung vào Digital Pathology, Whole-Slide Image (WSI), Deep Learning và Multiple Instance Learning (MIL). Đặc biệt, nhóm tìm hiểu cách sử dụng foundation model (UNI) để trích xuất đặc trưng từ các vùng trên dữ liệu WSI, sau đó sử dụng MIL (attention-based MIL) để tổng hợp các đặc trưng này ở cấp độ toàn bộ bệnh nhân và dự đoán nguy cơ tử vong.

Nguyễn Phương Trang – Trợ giảng

Thách thức lớn nhất là WSI có kích thước rất lớn và chứa hàng chục nghìn vùng ảnh, nên không thể đưa trực tiếp toàn bộ ảnh vào một mô hình Deep Learning thông thường. Nhóm phải xử lý WSI thành các patch, trích xuất feature và tìm cách tổng hợp một lượng lớn instance thành một biểu diễn ở cấp độ bệnh nhân.

Để giải quyết vấn đề này, nhóm tìm hiểu và áp dụng Multiple Instance Learning, trong đó mỗi patch được xem như một instance và mô hình học cách xác định những vùng có mức độ quan trọng khác nhau đối với kết quả survival. Việc sử dụng foundation model cũng giúp tận dụng các đặc trưng hình ảnh đã được học trước thay vì phải huấn luyện một mô hình thị giác hoàn toàn từ đầu.

Nguyễn Phương Trang – Trợ giảng

Mô hình đã xây dựng được pipeline hoàn chỉnh từ dữ liệu WSI đến dự đoán survival và có thể ước lượng risk score ở cấp độ bệnh nhân, đồng thời trực quan hóa các vùng trên WSI có mức độ đóng góp cao vào dự đoán. Kết quả bước đầu cho thấy pipeline có khả năng khai thác đặc trưng mô học từ WSI cho bài toán survival prediction. Hiệu năng định lượng của mô hình được đánh giá thông qua các chỉ số phù hợp với bài toán survival analysis.

Nguyễn Phương Trang – Trợ giảng

TA chuẩn bị bài toán, dataset/pipeline ban đầu và định hướng kỹ thuật, đồng thời hướng dẫn học viên về các khái niệm cần thiết như Survival Analysis, WSI, Multiple Instance Learning và foundation models.

Phần học viên chủ động thực hiện bao gồm việc hiểu kiến trúc mô hình, xử lý dữ liệu, xây dựng và huấn luyện pipeline, đánh giá mô hình và trực quan hóa kết quả dựa trên codebase mà TA đã chuẩn bị. Qua đó, học viên không chỉ sử dụng mô hình có sẵn mà còn hiểu được cách xây dựng mô hình học sâu từ đầu tới cuối cho bài toán medical imaging.

Đây cũng phù hợp với learning outcomes của dự án, trong đó nhấn mạnh khả năng làm việc nhóm, hiểu WSI, MIL và cách foundation model được ứng dụng trong medical imaging.

Nguyễn Phương Trang – Trợ giảng

Mô hình đã xây dựng được pipeline hoàn chỉnh từ dữ liệu WSI đến dự đoán survival và có thể ước lượng risk score ở cấp độ bệnh nhân, đồng thời trực quan hóa các vùng trên WSI có mức độ đóng góp cao vào dự đoán. Kết quả bước đầu cho thấy pipeline có khả năng khai thác đặc trưng mô học từ WSI cho bài toán survival prediction. Hiệu năng định lượng của mô hình được đánh giá thông qua các chỉ số phù hợp với bài toán survival analysis.

Nguyễn Phương Trang – Trợ giảng

VIDEO THUYẾT TRÌNH DỰ ÁN

SLIDES DỰ ÁN

YouTube videoSlides PDF