Mục tiêu: Các công nghệ trí tuệ nhân tạo (AI: artificial intelligence) đã cho phép chúng ta tự động phân tích, xử lý và đưa ra quyết định dựa trên dữ liệu y tế khổng lồ. Nhờ đó, việc chẩn đoán bệnh đã trở nên chính xác hơn và nhanh chóng hơn, giúp tiết kiệm thời gian và tăng cường khả năng chữa trị. Trên cơ sở đó, chúng tôi tiến hành nghiên cứu ứng dụng máy học trong nhận dạng hình ảnh kết quả khoanh giấy khuếch tán Kirby- Bauer nhằm đặt tiền đề cho các nghiên cứu chuyên sâu hơn về sau trong ứng dụng trí tuệ nhân tạo hỗ trợ cán bộ y tế trong khám, chẩn đoán, hỗ trợ ra quyết định trong ngành y tế.

Đối tượng và phương pháp: sử dụng 200 hình ảnh kết quả kháng sinh đồ bằng kỹ thuật khoanh giấy khuếch tán Kirby-Bauer có số lượng khoanh giấy kháng sinh ≤ 6. Hình ảnh kết quả sẽ được gán nhãn nhằm phân biệt vùng ức chế và khoanh giấy kháng sinh. Sử dụng phương pháp SSD (Single-shot detection) MobileNet nhằm mục đích cân bằng về tốc độ, khả năng cài đặt triển khai và sự chính xác, thuận tiện khi xây dựng trên các thiết bị có sức mạnh tính toán hạn chế. Kết quả thu được từ mô hình nhận diện vị trí nhãn khoanh giấy kháng sinh được sử dụng làm đầu vào cho thuật toán nhận diện kết quả.

Kết quả và bàn luận: 160 (80%) ảnh nhận dạng đủ thông tin số khoanh giấy kháng sinh, trong 40 ảnh thất bại thì có 30 (15%) ảnh không nhận dạng đủ số vòng tròn vô khuẩn và số khoanh giấy kháng sinh, 10 (5%) ảnh không thể nhận dạng. Ứng dụng có thể nhận diện và phân lớp các vị trí khoanh giấy kháng sinh và vòng vô khuẩn một cách chính xác với các ảnh có độ sáng, tương phản phù hợp. Kết luận: Chúng tôi đã xây dựng thành công bước đầu công cụ và thuật toán dựa trên mô hình máy học để xác định nhanh và chính xác các thông tin cần có của một kết quả kháng sinh đồ phương pháp đĩa thạch khuếch tán Kirby-Bauer gồm số lượng khoanh giấy kháng sinh, vòng tròn vô khuẩn, đường kính vòng tròn vô khuẩn… với tỉ lệ chính xác đạt 80%.

Objectives: AI (artificial intelligence) technologies have allowed us to automate the analysis, processing, and decision-making based on vast amounts of medical data. As a result, disease diagnosis has become more accurate and faster, saving time and enhancing treatment capabilities. Building upon this, we conducted a study on the application of machine learning in image recognition of Kirby-Bauer diffusion antibiotic susceptibility test results to lay the foundation for further research in the use of artificial intelligence to support healthcare professionals in examination, diagnosis, and decision-making in the medical field.

Material and methods: We utilized 200 images of antibiotic susceptibility test results obtained through Kirby-Bauer diffusion technique, with the number of antibiotic zones ≤ 6. The images were labeled to distinguish the inhibition zone and antibiotic zones. We employed the Single-shot Detection (SSD) MobileNet method to achieve a balance between speed, ease of deployment, and accuracy, especially when working with devices with limited computational power. The results obtained from the model’s detection of antibiotic zone labels were used as input for the result recognition algorithm.

Results and discussion: Out of the 200 images, 160 (80%) were successfully identified with sufficient information regarding the number of antibiotic zones. Among the 40 failed images, 30 (15%) lacked sufficient recognition of both the bacterial inhibition zones and the number of antibiotic zones, while 10 (5%) images were unrecognizable. The application demonstrated accurate identification and classification of antibiotic zone positions and bacterial inhibition circles in images with appropriate brightness and contrast. Conclusion: We have successfully developed an initial tool and algorithm based on a machine learning model to quickly and accurately determine the necessary information of a Kirby-Bauer antibiotic susceptibility test result, including the number of antibiotic zones, bacterial inhibition circles, and diameter of inhibition circles, achieving an accuracy rate of 80%.