📌 Chủ đề nghiên cứu
Ứng dụng của Machine Learning (Deep Learning) trong Chuẩn đoán Hình ảnh Y tế
Phạm vi tập trung: các mô hình CNN, U-Net; các nhiệm vụ classification / segmentation / reconstruction / registration; các thách thức hiện đại (fairness, explainability/XAI, active learning, uncertainty estimation); ứng dụng thực tế (ung thư, COVID-19).
🗂 Quy trình tìm kiếm
Cơ sở dữ liệu học thuật
- Google Scholar
- PubMed / PubMed Central (PMC)
- ScienceDirect & SpringerLink
- IEEE Xplore
Tạp chí khoa học tham khảo
- Medical Image Analysis (Elsevier)
- npj Digital Medicine (Springer Nature)
- Computational and Mathematical Methods in Medicine (Hindawi)
- CAAI Transactions on Intelligence Technology
Nguồn mở
- arXiv.org — preprint chưa peer-review
- PMC — open access peer-reviewed
Từ khóa tìm kiếm
"deep learning medical image analysis review"
"fairness in medical image analysis"
"active learning medical imaging"
"XAI medical image classification"
"machine learning medical imaging book"
📊 Bảng đánh giá 10 nguồn tin
# | Tác giả & Năm | Loại nguồn | Nơi xuất bản | Nhận xét | Xếp hạng |
1 | Xu, Z. et al. (2024) — Addressing fairness issues in deep learning-based medical image analysis | Bài báo (tạp chí) | npj Digital Medicine — Springer Nature | Systematic review chuẩn PRISMA, 4 database, 63 nghiên cứu. Trích dẫn: 42. Chi tiết fairness metrics & mitigation. Chưa có giải pháp thực tiễn rộng. | ✅ Cao |
2 | Sistaninejhad, B. et al. (2023) — A Review Paper about Deep Learning for Medical Image Analysis | Bài báo (tạp chí) | Computational and Mathematical Methods in Medicine — Hindawi | Survey CNN, pretrained models, GANs. Bảng so sánh performance rõ ràng. Tập trung hẹp vào COVID-19/bone age. | ✅ Cao |
3 | Wang, H. et al. (2024) — A comprehensive survey on deep active learning in medical image analysis | Bài báo (tạp chí) | Medical Image Analysis — Elsevier | Taxonomy DAL + semi/self-supervised, code GitHub công khai, review 164 works. Trích dẫn: 74. Chưa bao quát toàn bộ modality. | ✅ Cao |
4 | Chen, J. et al. (2025) — A survey on deep learning in medical image registration | Bài báo (tạp chí) | Medical Image Analysis — Elsevier | Survey network architecture, loss functions, uncertainty estimation. Bao quát uncertainty & metrics đánh giá. Tập trung hẹp vào registration. | ✅ Cao |
5 | Litjens, G. et al. (2017) — A survey on deep learning in medical image analysis | Bài báo (tạp chí) | Medical Image Analysis — Elsevier | Nền tảng kinh điển, review >300 công trình CNN. Trích dẫn: hàng nghìn. Cũ so với công nghệ 2024. | ✅ Cao |
6 | Zhou, S.K., Greenspan, H. & Shen, D. (2023) — Deep Learning for Medical Image Analysis (2nd ed.) | Sách | Elsevier | Textbook chuẩn MICCAI, bao quát rộng, có case study. Không phải nghiên cứu gốc. | ✅ Cao |
7 | Soufiene, B. & Chakraborty, S. (2023) — Machine Learning and Deep Learning Techniques for Medical Image Recognition | Sách | Routledge (Taylor & Francis) | Hướng dẫn thực hành ML/DL cho recognition. Ít kết quả experimental mới. | ✅ Cao |
8 | Patricio, C. et al. (2022) — Explainable Deep Learning Methods in Medical Image Classification | Nguồn mở | arXiv.org | Survey XAI visual/textual/concept-based. Chi tiết XAI cho MedIA. Chưa peer-review chính thức. | ⚠️ Trung bình |
9 | (2024) — Self-eXplainable AI for Medical Image Analysis: A Survey and New Outlooks | Nguồn mở | arXiv.org | Cập nhật nhất về self-explainable AI trên nhiều modality. Còn là preprint. | ⚠️ Trung bình |
10 | (2023) — A Framework for Interpretability in Machine Learning for Medical Imaging | Nguồn mở | arXiv.org | Framework interpretability cụ thể cho MedIA. Thực tiễn tốt. Còn là preprint. | ⚠️ Trung bình |
🏁 Nhận xét tổng hợp
7/10 nguồn đạt độ tin cậy Cao — đều được xuất bản trên tạp chí peer-reviewed uy tín (Elsevier, Springer Nature, Hindawi) hoặc là sách học thuật từ nhà xuất bản lớn.
3/10 nguồn xếp hạng Trung bình — là preprint trên arXiv, chưa qua peer-review chính thức nhưng có giá trị tham khảo do nội dung cập nhật và tác giả uy tín.
Bài học rút ra
- Ưu tiên tạp chí có impact factor cao (Elsevier, Springer Nature) khi cần nguồn tin đáng tin cậy nhất
- arXiv có thể dùng để cập nhật xu hướng mới nhất, nhưng cần xác minh thêm
- Số lượng trích dẫn là một chỉ số quan trọng để đánh giá tầm ảnh hưởng của tài liệu
Made with Bullet