Giới thiệu

Ung thư phụ khoa hiện nay đang là một thách thức lớn đối với sức khỏe toàn cầu. Năm 2020, ung thư cổ tử cung (UTCTC) ảnh hưởng đến 604.127 phụ nữ trên toàn thế giới, dẫn đến 341.831 ca tử vong. Ung thư nội mạc tử cung (UTNMTC) chiếm 2,1% số ca ung thư mới và 1,0% số ca tử vong do ung thư, trong khi ung thư buồng trứng (UTBT) chiếm 1,6% số ca mới và 2,1% số ca tử vong trên toàn thế giới [1]. Những số liệu thống kê này nhấn mạnh sự cần thiết phải cải thiện các chiến lược phòng ngừa, phát hiện sớm và điều trị ung thư phụ khoa để cho kết quả điều trị tốt hơn. Tuy nhiên, các phương pháp chẩn đoán truyền thống như xét nghiệm Pap và sinh thiết phụ thuộc nhiều vào kinh nghiệm của bác sĩ, thời gian phân tích và chất lượng mẫu bệnh phẩm, từ đó có thể ảnh hưởng đến độ chính xác và khả năng phát hiện sớm bệnh. Ngoài ra, các liệu pháp điều trị mới, đặc biệt là liệu pháp miễn dịch, đang đặt ra nhiều thách thức ngay cả đối với các bác sĩ giàu kinh nghiệm. Sự xuất hiện của các tác dụng phụ phức tạp liên quan đến thuốc liên hợp kháng thể, các liệu pháp miễn dịch và sự phối hợp giữa hóa trị truyền thống với các tác nhân mới đòi hỏi quá trình theo dõi và quản lý bệnh nhân (BN) chặt chẽ hơn [2].

Chính vì vậy, ứng dụng trí tuệ nhân tạo (Artificial intelligence-AI) đã nổi lên như một công cụ mang tính đột phá, giúp tăng cường độ chính xác và hiệu quả trong nhiều khía cạnh của ung thư phụ khoa, bao gồm sàng lọc, chẩn đoán và điều trị. AI giúp sàng lọc bằng cách xác định những BN có nguy cơ cao và hỗ trợ các bác sĩ lâm sàng đưa ra quyết định nhanh chóng. Việc tích hợp AI vào thực tiễn lâm sàng là rất quan trọng để cải thiện chăm sóc ung thư phụ khoa trên toàn thế giới.

Vai trò của AI trong sàng lọc và phát hiện sớm ung thư phụ khoa

AI đang tạo ra những thay đổi quan trọng trong lĩnh vực ung thư phụ khoa nhờ khả năng nâng cao độ chính xác chẩn đoán và hỗ trợ ra quyết định lâm sàng vượt trội so với các phương pháp truyền thống. Các ứng dụng AI hiện không chỉ được sử dụng trong sàng lọc và theo dõi đáp ứng mà còn góp phần cải thiện kết quả điều trị cho BN. Một nghiên cứu phân tích  các trung tâm thử nghiệm lâm sàng ung thư phụ khoa cho thấy: 13% trung tâm đã tích hợp AI vào quy trình sàng lọc, 60% trung tâm theo dõi dữ liệu sàng lọc một cách có hệ thống để đánh giá tính khả thi và cải thiện việc điều trị cho BN [3]. Hơn nữa, việc tích hợp hồ sơ sức khỏe điện tử (Electronic health records-EHR) được hỗ trợ bởi AI càng tạo điều kiện thuận lợi cho việc sàng lọc đủ điều kiện tự động, giảm đáng kể khối lượng công việc thủ công [3].

  1. Ung thư cổ tử cung
  • AI trong sàng lọc UTCTC

UTCTC là loại ung thư phổ biến thứ tư và cũng là nguyên nhân tử vong do ung thư đứng hàng thứ tư ở phụ nữ trên toàn thế giới [1]. Đây là bệnh lý có thể phòng ngừa và điều trị hiệu quả nếu được phát hiện ở giai đoạn sớm. Nhờ cải tiến các kỹ thuật sàng lọc, tỷ lệ phát hiện UTCTC đã tăng lên và tỷ lệ tử vong giảm đáng kể. Tuy nhiên, phần lớn các ca tử vong vẫn tập trung ở các quốc gia có thu nhập thấp và trung bình do hạn chế về cơ sở y tế hạ tầng và khả năng tiếp cận chương trình sàng lọc. Bên cạnh đó, các phương pháp sàng lọc thủ công hiện nay vẫn chưa đạt độ chính xác tuyệt đối.

Sàng lọc UTCTC rất quan trọng để phát hiện sớm, và việc tích hợp AI đã cải thiện đáng kể quy trình này. Các công cụ dựa trên AI, chẳng hạn như phân tích phết tế bào Pap tự động và soi cổ tử cung tiên tiến, đã cải thiện đáng kể độ chính xác chẩn đoán, giảm thiểu sai sót của con người và tăng tính nhất quán. Tích hợp AI giúp nâng cao hơn nữa khả năng phân biệt giữa kết quả phết Pap smear bình thường và ung thư, với độ chính xác khoảng 70%–100% [4].

AI cũng cho thấy tiềm năng trong việc phát hiện các loại HPV (Human Papilloma Virus) và các dấu ấn phân tử liên quan. Vì các loại HPV khác nhau có liên quan đến các tổn thương cụ thể, việc xác định chính xác giúp nâng cao khả năng phân loại và quản lý HPV. Wong và cộng sự đã chứng minh rằng việc bổ sung phân tích kiểu gen của các loại HPV nguy cơ cao khác vào các bộ phân loại kết quả đã cải thiện độ đặc hiệu trong việc xác định loạn sản biểu mô cổ tử cung (cervical intraepithelial neoplasia - CIN) mức độ trung bình và nặng lên 94,32%, cung cấp một công cụ ra quyết định chính xác hơn cho điều trị [5].

  • Phân tích tế bào cổ tử cung tự động

Các mô hình AI đã cải thiện đáng kể khả năng phát hiện UTCTC với độ chính xác vượt trội so với các phương pháp truyền thống. Mô hình U-Net cho hiệu quả cao trong phân đoạn ảnh Pap smear, với hệ số Dice đạt 0,894 ± 0,022, ngay cả khi có nhiễu Poisson [6]. Ngoài ra, mô hình AlexNet, khi được kết hợp trích xuất vùng quan tâm (Region of Interest – ROI), đạt độ chính xác 95,78% và độ đặc hiệu 94,82% trong việc nhận diện nhân tế bào trên ảnh Pap smear.

Trong sàng lọc UTCTC quy mô lớn, các mô hình AI cũng ứng dụng hiệu quả. Một nghiên cứu trên 703.103 BN, hệ thống tế bào học kết hợp AI đã cho tỷ lệ trùng khớp là 94,7% với phương pháp tế bào học thủ công và tăng độ nhạy trong phát hiện CIN2 dương tính lên 5,8% [7]. Ngoài ra, Hou và cộng sự báo cáo rằng hệ thống AI đạt tỷ lệ phát hiện 92,6% đối với CIN2 dương tính và 96,1% đối với CIN3 dương tính, vượt trội hơn so với phương pháp tế bào học thủ công về độ nhạy và hiệu quả [8].

  • Nâng cao độ chính xác trong soi cổ tử cung

Để cải thiện phân tích hình ảnh, việc ứng dụng mạng nơ-ron tích chập (Convolutional neural networks -CNN) trong soi cổ tử cung đã chứng minh hiệu suất vượt trội, với một nghiên cứu báo cáo độ chính xác khi có sự hỗ trợ AI là 94,1%, độ nhạy 95,6% và độ đặc hiệu 83,3% trong việc phát hiện các tổn thương biểu mô vảy nội mạc mức độ cao  [9]. Ngoài ra, thuật toán C-RCNN của Yue và cộng sự đã cho thấy hiệu quả trong chẩn đoán các cấp độ CIN, đạt độ chính xác 96,13%, độ đặc hiệu 98,22% và độ nhạy 95,09%. Như vậy, có thể thấy tiềm năng chuyển đổi của AI trong sàng lọc UTCTC, cải thiện cả độ chính xác và hiệu quả [10].

  1. Ung thư buồng trứng

UTBT có tỷ lệ mắc đứng thứ ba và tỷ lệ tử vong cao nhất trong hệ thống sinh sản nữ. Phẫu thuật không cần thiết dẫn đến giảm khả năng sinh sản, do đó, việc đánh giá chính xác nguy cơ ác tính trước phẫu thuật có thể giúp các bác sĩ cung cấp phương pháp điều trị chính xác, bảo tồn khả năng sinh sản cho BN. Hiện nay, việc chẩn đoán UTBT chủ yếu dựa vào xét nghiệm bệnh lý và các kỹ thuật hình ảnh y tế. Tuy nhiên, do tính chất âm thầm của UTBT, việc bác sĩ kiểm tra hình ảnh bằng mắt có thể bị sai lệch về kết quả. AI có thể tự động nhận dạng các mẫu phức tạp trong dữ liệu hình ảnh, trích xuất thông tin quan trọng từ hình ảnh và cung cấp đánh giá định lượng về các đặc điểm X quang, mang lại hiệu quả cao trong chẩn đoán [11].

  • Ứng dụng AI trong chẩn đoán UTBT dựa trên hình ảnh

AI đã cải thiện đáng kể độ chính xác của chẩn đoán UTBT, đặc biệt là siêu âm, chụp cộng hưởng từ (Magnetic resonance imaging-MRI) và chụp cắt lớp vi tính (Computed tomography-CT). Các mô hình AI dựa trên siêu âm cho thấy hiệu suất chẩn đoán cao, với AUC là 0,94 (khoảng tin cậy 95% [CI] 0,88–1,00). Các mô hình dựa trên MRI và CT cũng hoạt động tốt, với AUC là 0,82 (MRI: 95% CI 0,71–0,93; CT: 95% CI 0,78–0,86), nhưng cần chuẩn hóa do giữa các nghiên cứu không có tính đồng nhất (giá trị I 2 >90%) [11].

Một số nghiên cứu cũng chứng minh việc tăng độ nhạy và độ đặc hiệu khi ứng dụng AI vào phân tích hình ảnh siêu âm, như báo cáo của Xu và cộng sự nghiên cứu mô hình AI đạt độ nhạy 88% và độ đặc hiệu 85%, với AUC là 0,93, cho thấy hiệu quả vượt trội so với phương pháp chẩn đoán thông thường. Những kết quả này nhấn mạnh vai trò của AI trong nâng cao độ chính xác, giảm sai sót và hỗ trợ phát hiện sớm UTBT theo hướng không xâm lấn [12]. Tuy nhiên vẫn cần nghiên cứu thêm để chuẩn hóa các kỹ thuật AI và hiệu quả của chúng trên các nhóm dân số khác nhau.

  • Vai trò của AI trong tăng cường phát hiện và chẩn đoán dấu ấn sinh học UTBT

Hiện nay, CA-125 thường được sử dụng như dấu ấn sinh học để chẩn đoán UTBT, tuy nhiên độ nhạy và độ đặc hiệu thấp trong việc phát hiện ở giai đoạn sớm, dẫn đến trường hợp âm tính giả và sai lệch chẩn đoán. Kawakami và cộng sự đã chứng minh các thuật toán phân loại rừng ngẫu nhiên có thể phân biệt ung thư biểu mô buồng trứng và khối u lành tính với độ chính xác 92,4% (AUC = 0,968) bằng cách phân tích 32 dấu ấn sinh học từ các xét nghiệm máu ngoại vi [13]. Nghiên cứu này mở ra hướng đi mới cho chẩn đoán không xâm lấn giúp chẩn đoán sớm hơn và theo dõi hiệu quả sự tiến triển của bệnh.

  1. Ung thư nội mạc tử cung

UTNMTC là loại ung thư phổ biến thứ sáu ở phụ nữ và mặc dù tỷ lệ tử vong đã giảm trong vài thập kỷ qua, nhưng tỷ lệ mắc đang tăng lên trên toàn thế giới. Các phương pháp điều trị UTNMTC liên quan đến các yếu tố tiên lượng đã được biết đến, nằm trong các nhóm nguy cơ được xác định bởi hội nghị đồng thuận ESMO-ESGO-ESTRO (Hiệp hội Ung thư Y học Châu Âu - Hiệp hội Ung thư Phụ khoa Châu Âu - Hiệp hội Xạ trị và Ung thư Châu Âu) cùng với phân loại sinh học phân tử. Tuy nhiên, các yếu tố tiên lượng này không đủ để dự đoán nguy cơ tái phát ở BN mắc bệnh ở giai đoạn sớm.

  • Ứng dụng AI trong dự đoán rủi ro, nguy cơ tái phát và các chiến lược can thiệp sớm

AI có khả năng xây dựng các mô hình dự đoán nguy cơ ung thư nội mạc tử cung dựa trên dữ liệu đa yếu tố như tuổi, BMI, tình trạng mãn kinh, bệnh lý chuyển hóa và đặc điểm hình ảnh học. Một mô hình học máy sử dụng các đặc điểm lâm sàng đạt độ chính xác 94% và AUC 0,938 trong dự đoán tân sinh nội biểu mô nội mạc tử cung và ung thư nội mạc tử cung, góp phần phân tầng nguy cơ và hỗ trợ tối ưu hóa chiến lược sàng lọc [14].

Dự đoán khả năng tái phát xa của UTNMTC là rất quan trọng đối với điều trị cá nhân hóa. Tiêu chuẩn vàng hiện nay là kết hợp phân tích mô bệnh học và phân tử, nhưng lại tốn kém, gây khó khăn cho việc triển khai. Mô hình HECTOR được phát triển bằng học sâu trên dữ liệu từ 2.072 BN, đạt chỉ số C lên đến 0,828. Mô hình này phân loại BN hiệu quả thành các nhóm nguy cơ tái phát thấp, trung bình và cao, với xác suất không tái phát xa trong 10 năm nằm trong khoảng 58,1%-97,0%. HECTOR cũng xác định được nhóm BN hóa trị hiệu quả, vượt trội so với các phương pháp hiện tại trong việc hướng dẫn điều trị cá nhân hóa [15].

AI đã cho thấy tiềm năng to lớn trong việc chẩn đoán UTNMTC, đặc biệt là ở phụ nữ mãn kinh có các triệu chứng như chảy máu âm đạo và độ dày nội mạc tử cung ≥5 mm. Một nghiên cứu đối chứng so sánh các mô hình chẩn đoán, cho thấy phương pháp ứng dụng mạng thần kinh nhân tạo (Artificial Neural Network-ANN) cho kết quả chính xác nhất, với độ nhạy 86,8%, độ đặc hiệu 83,3% và AUC 85,4%, vượt trội hơn các phương pháp khác [16]. Như vậy, AI có thể trở thành công cụ sàng lọc không xâm lấn, hỗ trợ các bác sĩ lâm sàng trong tư vấn, điều trị và xây dựng các chiến lược phòng ngừa cho BN.

Ứng dụng AI trong chẩn đoán hình ảnh

  1. Phân tích hình ảnh phóng xạ và đặc điểm khối u

Radiomics[T3]  là một công nghệ AI cho phép trích xuất dữ liệu định lượng từ hình ảnh nhằm hỗ trợ chẩn đoán, tiên lượng và cá thể hóa điều trị. Trong UTCTC, radiomics từ MRI và siêu âm có khả năng dự đoán di căn hạch bạch huyết, biểu hiện yếu tố tăng trưởng nội mô mạch máu và xâm lấn khoang mạch bạch huyết. Đối với UTBT, các mô hình radiomics dựa trên CT có thể phân tích đặc điểm khối u, từ đó tiên lượng bệnh UTBT. Ngoài ra, radiomics cung cấp đánh giá khối u ba chiều không xâm lấn, góp phần giảm phụ thuộc vào sinh thiết và hỗ trợ xây dựng chiến lược điều trị cá thể hóa [17]. Các kỹ thuật hình ảnh mới như 68Ga-FAPI-PET/CT còn giúp tăng độ tương phản tổn thương, đặc biệt trong phát hiện di căn hạch, gan và xương, qua đó nâng cao hiệu quả đánh giá khối u trong ung thư phụ khoa [18].

  1. Chụp MRI và CT ứng dụng AI

AI, đặc biệt là mô hình học sâu cho phép phân đoạn tự động các khối u trong UTCTC và UTNMTC với độ chính xác tương đương với bác sĩ chẩn đoán hình ảnh. Các mô hình học sâu, đặc biệt là CNN, cho phép phân đoạn tự động khối u trên hình ảnh y khoa với hiệu suất cao (hệ số Dice thường >0,90), góp phần nâng cao độ chính xác của lập kế hoạch điều trị. Bên cạnh đó, AI kết hợp với PET/CT giúp cải thiện phát hiện tổn thương, xác định thể tích đích và hỗ trợ tối ưu hóa lập kế hoạch xạ trị [17]. Bên cạnh đó, radiomics kết hợp AI giúp đặc trưng hóa khối u, dự đoán đáp ứng điều trị và tiên lượng bệnh. Các mô hình radiomics trên CT và MRI đạt AUC từ 0,91–1,00 trong phân loại các tổn thương buồng trứng và hỗ trợ dự đoán khả năng đáp ứng hóa trị của BN [19]. Từ đó, AI góp phần nâng cao độ chính xác chẩn đoán, hỗ trợ điều trị và cải thiện kết quả điều trị trong ung thư phụ khoa.

AI trong điều trị cá thể hóa

  1. Lập kế và định hướng trước phẫu thuật

AI góp phần nâng cao độ chính xác và an toàn trong phẫu thuật ung thư phụ khoa, đặc biệt thông qua các hệ thống robot như da Vinci. Các hệ thống này hỗ trợ kiểm soát chuyển động, giảm sai sót và cải thiện hiệu quả trong các thủ thuật như cắt tử cung [20]. AI còn cho phép xử lý dữ liệu thời gian thực để dự đoán tương tác mô và hỗ trợ tự động hóa phẫu thuật, giúp tăng khả năng cắt bỏ triệt để khối u và giảm nguy cơ tái phát. Ngoài ra, các kỹ thuật như chụp cắt lớp quang học tích hợp AI hỗ trợ đánh giá ranh giới khối u ngay trong phẫu thuật với độ chính xác cao, góp phần tối ưu hóa kết quả điều trị và giảm biến chứng.

  • Xạ trị

AI cải thiện hiệu quả xạ trị thông qua lập kế hoạch điều trị và giảm độc tính lên mô lành. Ứng dụng xạ trị điều biến cường độ và xạ trị định vị toàn thân cho phép phân phối liều bức xạ chính xác hơn đến khối u và hạn chế tổn thương bàng quang, ruột [21]. AI còn hỗ trợ xạ trị thích ứng thông qua điều chỉnh kế hoạch điều trị theo thời gian thực dựa trên thay đổi hình ảnh trong quá trình điều trị, giúp nâng cao tỷ lệ kiểm soát tại chỗ và rút ngắn thời gian điều trị. Ngoài ra, AI còn tối ưu hóa quản lý nguồn lực và quy trình làm việc tại các trung tâm xạ trị.

  • Hóa trị liệu

AI giúp dự đoán đáp ứng hóa trị và cá thể hóa điều trị thông qua phân tích dữ liệu gene, mô bệnh học và dấu ấn sinh học. Trong UTBT, các mô hình đa gene có thể phân biệt BN đáp ứng và không đáp ứng hóa trị, từ đó liên quan trực tiếp đến tiên lượng sống còn. Các mô hình học sâu cũng cho thấy khả năng dự đoán đáp ứng điều trị với độ chính xác cao thông qua phân tích hình ảnh mô học. Ngoài ra, AI còn hỗ trợ dự đoán kháng carboplatin thông qua các gene như AKT1, TP53 và VEGFB, giúp lựa chọn phác đồ điều trị phù hợp hơn [22].

Thách thức và vấn đề đạo đức trong việc ứng dụng AI trong ung thư phụ khoa

Việc ứng dụng AI trong ung thư phụ khoa đặt ra nhiều thách thức về đạo đức và pháp lý, đặc biệt liên quan đến quyền riêng tư dữ liệu, sai lệch thuật toán và quyền tự chủ của BN. Do các hệ thống AI phụ thuộc vào lượng lớn dữ liệu y khoa, việc bảo mật thông tin, ẩn danh dữ liệu và có sự đồng ý của BN là yêu cầu bắt buộc nhằm đảm bảo tính an toàn và riêng tư [23]. Một thách thức quan trọng khác là sai lệch thuật toán. Nếu dữ liệu huấn luyện không đa dạng, các mô hình AI có thể tạo ra kết quả thiếu chính xác, đặc biệt đối với các nhóm dân số ít được đại diện. Vì vậy, các hệ thống AI cần được xây dựng trên các tập dữ liệu đa sắc tộc, được kiểm định thường xuyên và tuân thủ các quy định bảo mật dữ liệu.

Kết luận

Trí tuệ nhân tạo đang mở ra nhiều triển vọng trong lĩnh vực ung thư phụ khoa, với vai trò ngày càng quan trọng trong sàng lọc, chẩn đoán, tiên lượng và điều trị cá thể hóa. Công nghệ AI cho thấy khả năng nâng cao độ chính xác trong phát hiện tổn thương, dự đoán đáp ứng điều trị và hỗ trợ ra quyết định lâm sàng. AI cũng góp phần tối ưu hóa phẫu thuật, xạ trị và hóa trị, từ đó cải thiện hiệu quả điều trị. Tuy nhiên, việc ứng dụng AI hiện nay vẫn còn đối mặt với nhiều thách thức liên quan đến bảo mật dữ liệu, sai lệch thuật toán, tính minh bạch và các vấn đề đạo đức. Do đó, cần có các nghiên cứu quy mô lớn, dữ liệu đa dạng và các quy định pháp lý phù hợp nhằm đảm bảo việc triển khai AI một cách an toàn, công bằng và hiệu quả trong thực hành lâm sàng.

Tài liệu tham khảo

1.         Bray, F., Laversanne, M., Sung, H., Ferlay, J., Siegel, R. L., Soerjomataram, I., & Jemal, A. (2024). Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 74(3), 229–263. https://doi.org/10.3322/caac.21834

2.         Tan, A. C., Bagley, S. J., Wen, P. Y., Lim, M., Platten, M., Colman, H., Ashley, D. M., Wick, W., Chang, S. M., Galanis, E., Mansouri, A., Khagi, S., Mehta, M. P., Heimberger, A. B., Puduvalli, V. K., Reardon, D. A., Sahebjam, S., Simes, J., Antonia, S. J., … Khasraw, M. (2021). Systematic review of combinations of targeted or immunotherapy in advanced solid tumors. Journal for Immunotherapy of Cancer, 9(7), e002459. https://doi.org/10.1136/jitc-2021-002459

3.         Castellano, T., Lara, O. D., McCormick, C., Chase, D., BaeJump, V., Jackson, A. L., Peppin, J. T., Ghamande, S., Moore, K. N., Pothuri, B., Herzog, T. J., & Myers, T. (2025). Clinical trial screening in gynecologic oncology: Defining the need and identifying best practices. Gynecologic Oncology, 192, 111–119. https://doi.org/10.1016/j.ygyno.2024.11.009

4.         Allahqoli, L., Laganà, A. S., Mazidimoradi, A., Salehiniya, H., Günther, V., Chiantera, V., Karimi Goghari, S., Ghiasvand, M. M., Rahmani, A., Momenimovahed, Z., & Alkatout, I. (2022). Diagnosis of Cervical Cancer and Pre-Cancerous Lesions by Artificial Intelligence: A Systematic Review. Diagnostics, 12(11), 2771. https://doi.org/10.3390/diagnostics12112771

5.         Machine Learning Interpretation of Extended Human Papillomavirus Genotyping by Onclarity in an Asian Cervical Cancer Screening Population | Journal of Clinical Microbiology. (không ngày). Truy vấn 7 Tháng Năm 2026, từ https://journals.asm.org/doi/10.1128/jcm.00997-19

6.         A Robust Deep Learning Approach for Accurate Segmentation of Cytoplasm and Nucleus in Noisy Pap Smear Images. (không ngày). Truy vấn 7 Tháng Năm 2026, từ https://www.mdpi.com/2079-3197/11/10/195

7.         Bao, H., Sun, X., Zhang, Y., Pang, B., Li, H., Zhou, L., Wu, F., Cao, D., Wang, J., Turic, B., & Wang, L. (2020). The artificial intelligence‐assisted cytology diagnostic system in large‐scale cervical cancer screening: A population‐based cohort study of 0.7 million women. Cancer Medicine, 9(18), 6896–6906. https://doi.org/10.1002/cam4.3296

8.         Hou, X., Shen, G., Zhou, L., Li, Y., Wang, T., & Ma, X. (2022). Artificial Intelligence in Cervical Cancer Screening and Diagnosis. Frontiers in Oncology, 12, 851367. https://doi.org/10.3389/fonc.2022.851367

9.         Takahashi, T., Kobayashi, Y., Sakurai, R., Matsuoka, K., Akatsuka, J., Kisu, I., Iwata, T., Takayama, J., Matsuzaki, M., Yamagami, W., Banno, K., Yamamoto, Y., Matsuoka, H., & Tamiya, G. (2025). A Systematic Review of the Application of Artificial Intelligence in Colposcopy: Diagnostic Accuracy for Cervical Intraepithelial Neoplasia and Cervical Cancer. Clinical Medicine Insights. Oncology, 19, 11795549251374908. https://doi.org/10.1177/11795549251374908

10.       Miyagi, Y., Takehara, K., & Miyake, T. (2019). Application of deep learning to the classification of uterine cervical squamous epithelial lesion from colposcopy images. Molecular and Clinical Oncology, 11(6), 583–589. https://doi.org/10.3892/mco.2019.1932

11.       Ma, L., Huang, L., Chen, Y., Zhang, L., Nie, D., He, W., & Qi, X. (2023). AI diagnostic performance based on multiple imaging modalities for ovarian tumor: A systematic review and meta-analysis. Frontiers in Oncology, 13, 1133491. https://doi.org/10.3389/fonc.2023.1133491

12.       Xu, H.-L., Gong, T.-T., Liu, F.-H., Chen, H.-Y., Xiao, Q., Hou, Y., Huang, Y., Sun, H.-Z., Shi, Y., Gao, S., Lou, Y., Chang, Q., Zhao, Y.-H., Gao, Q.-L., & Wu, Q.-J. (2022). Artificial intelligence performance in image-based ovarian cancer identification: A systematic review and meta-analysis. eClinicalMedicine, 53, 101662. https://doi.org/10.1016/j.eclinm.2022.101662

13.       Mikdadi, D., O’Connell, K. A., Meacham, P. J., Dugan, M. A., Ojiere, M. O., Carlson, T. B., & Klenk, J. A. (không ngày). Applications of artificial intelligence (AI) in ovarian cancer, pancreatic cancer, and image biomarker discovery. Cancer Biomarkers: Section A of Disease Markers, 33(2), 173–184. https://doi.org/10.3233/CBM-210301

14.       Erdemoglu, E., Serel, T. A., Karacan, E., Köksal, O. K., Turan, İ., Öztürk, V., & Bozkurt, K. K. (2023). Artificial intelligence for prediction of endometrial intraepithelial neoplasia and endometrial cancer risks in pre- and postmenopausal women. AJOG Global Reports, 3(1), 100154. https://doi.org/10.1016/j.xagr.2022.100154

15.       Prediction of recurrence risk in endometrial cancer with multimodal deep learning—PMC. (không ngày). Truy vấn 8 Tháng Năm 2026, từ https://pmc.ncbi.nlm.nih.gov/articles/PMC11271412/

16.       The utility of artificial neural networks and classification and regression trees for the prediction of endometrial cancer in postmenopausal women. (2018). Public Health, 164, 1–6. https://doi.org/10.1016/j.puhe.2018.07.012

17.       Bai, G., Huo, S., Wang, G., & Tian, S. (2025). Artificial intelligence radiomics in the diagnosis, treatment, and prognosis of gynecological cancer: A literature review. Translational Cancer Research, 14(4), 2508–2532. https://doi.org/10.21037/tcr-2025-618

18.       Systematic Review on the Association of Radiomics with Tumor Biological Endpoints—PMC. (không ngày). Truy vấn 8 Tháng Năm 2026, từ https://pmc.ncbi.nlm.nih.gov/articles/PMC8234501/

19.       Zeng, S., Wang, X.-L., & Yang, H. (2024). Radiomics and radiogenomics: Extracting more information from medical images for the diagnosis and prognostic prediction of ovarian cancer. Military Medical Research, 11, 77. https://doi.org/10.1186/s40779-024-00580-1

20.       Maier-Hein, L., Vedula, S. S., Speidel, S., Navab, N., Kikinis, R., Park, A., Eisenmann, M., Feussner, H., Forestier, G., Giannarou, S., Hashizume, M., Katic, D., Kenngott, H., Kranzfelder, M., Malpani, A., März, K., Neumuth, T., Padoy, N., Pugh, C., … Jannin, P. (2017). Surgical data science for next-generation interventions. Nature Biomedical Engineering, 1(9), 691–696. https://doi.org/10.1038/s41551-017-0132-7

21.       Mendez, L. C., Leung, E., Cheung, P., & Barbera, L. (2017). The Role of Stereotactic Ablative Body Radiotherapy in Gynaecological Cancers: A Systematic Review. Clinical Oncology (Royal College of Radiologists (Great Britain)), 29(6), 378–384. https://doi.org/10.1016/j.clon.2017.01.009

22.       Mucaki, E. J., Zhao, J. Z. L., Lizotte, D. J., & Rogan, P. K. (2019). Predicting responses to platin chemotherapy agents with biochemically-inspired machine learning. Signal Transduction and Targeted Therapy, 4, 1. https://doi.org/10.1038/s41392-018-0034-5

23.       Akazawa, M., & Hashimoto, K. (2021). Artificial intelligence in gynecologic cancers: Current status and future challenges - A systematic review. Artificial Intelligence in Medicine, 120, 102164. https://doi.org/10.1016/j.artmed.2021.102164