Trí tuệ nhân tạo AI cho vấn đề chẩn đoán polyp và ung thư đại tràng

Bài viết được viết bởi ThS, BS. Mai Viễn Phương, Khoa Khám bệnh & Nội khoa - Bệnh viện Đa khoa Quốc tế Vinmec Central Park

Trí tuệ nhân tạo AI giúp chẩn đoán có sự hỗ trợ của máy tính cho nội soi đường tiêu hóa trên ngày càng được chú ý để xác định tự động và chính xác chứng loạn sản trong thực quản Barrett, cũng như để phát hiện ung thư dạ dày sớm (GCs), do đó ngăn ngừa các khối u ác tính ở thực quản và dạ dày.

Trí tuệ nhân tạo (AI) cho phép máy móc cung cấp giá trị đột phá trong một số ngành và ứng dụng. Các ứng dụng của kỹ thuật AI, đặc biệt là học máy (machine learning) và gần đây là học sâu (deep learning), đang phát triển trong khoa tiêu hóa. Chẩn đoán có sự hỗ trợ của máy tính cho nội soi đường tiêu hóa trên ngày càng được chú ý để xác định tự động và chính xác chứng loạn sản trong thực quản Barrett, cũng như để phát hiện ung thư dạ dày sớm (GCs), do đó ngăn ngừa các khối u ác tính ở thực quản và dạ dày. Bên cạnh đó, công nghệ mạng lưới thần kinh phức tạp có thể đánh giá chính xác tình trạng nhiễm vi khuẩn Helicobacter pylori (H. pylori) trong quá trình nội soi tiêu chuẩn mà không cần sinh thiết, do đó, giảm nguy cơ ung thư dạ dày. Trí tuệ nhân tạo có khả năng được áp dụng trong quá trình nội soi đại tràng để tự động phát hiện ra các polyp đại trực tràng và phân biệt giữa polyp ung thư và không phải ung thư, với khả năng cải thiện tỷ lệ phát hiện u tuyến, tỷ lệ này thay đổi rộng giữa các bác sĩ nội soi khi thực hiện kiểm tra nội soi đại tràng. Ngoài ra, AI cho phép thiết lập tính khả thi của thủ thuật cắt bỏ polyp qua nội soi các tổn thương polyp đại tràng có kích thước lớn dựa trên các đặc điểm bề mặt và thay đổi vi mạch máu

Trí tuệ nhân tạo (AI) dựa trên các yếu tố thông minh nhân tạo thực hiện các chức năng liên quan đến tâm trí con người, chẳng hạn như học tập và giải quyết vấn đề. Trong nội soi, AI đã bắt đầu hỗ trợ cải thiện tỷ lệ phát hiện polyp đại tràng và phát hiện u tuyến (ADR), để phân biệt giữa các tổn thương lành tính và tiền ung thư dựa trên việc giải thích các mô hình bề mặt của chúng.

Học máy (ML) và học sâu (DL) có thể được coi là các lĩnh vực con của trí tuệ nhân tạo. ML là một dạng trí tuệ nhân tạo có thể hỗ trợ quá trình ra quyết định, cho phép cải tiến các thuật toán được áp dụng mà không cần lập trình, bao gồm cả kiểm tra dữ liệu và triển khai các mô hình mô tả và dự đoán.

Thuật toán học máy (Machine learning – ML) được phân biệt thành các phương pháp có giám sát và không được giám sát. Một ví dụ của công nghệ học máy được giám sát, mạng nơ-ron nhân tạo (ANN), phản ánh chức năng sơ đồ của não. Mỗi nơron là một đơn vị tính toán và tất cả các nơron được kết nối để tạo ra một mạng. Các thuật toán học máy và mạng nơ-ron phức tạp (CNN) đã được tạo ra để huấn luyện phần mềm phân biệt vùng bình thường với vùng bất thường trong lòng ruột. Để phát hiện polyp, công nghệ học máy sử dụng một số đặc điểm cố định, chẳng hạn như kích thước, hình dạng và các kiểu niêm mạc của polyp.

Ung thư đại trực tràng (CRC) là bệnh ác tính thường gặp thứ ba ở nam và thứ hai ở nữ, và là nguyên nhân phổ biến thứ tư của tử vong do ung thư . Nghiên cứu Quốc gia về Polyp đã đăng ký rằng 70% -90% CRC có thể được ngăn ngừa bằng cách theo dõi nội soi thường quy và cắt bỏ polyp, nhưng 7% -9% CRC có thể xảy ra bất chấp các biện pháp này.

Khoảng 85% “ung thư bị bỏ sót” là do các polyp bị bỏ sót hoặc cắt bỏ không đầy đủ các polyp. U tuyến là tổn thương tiền ung thư phổ biến nhất trên khắp đại tràng. ADR đo khả năng của bác sĩ nội soi để xác định các u tuyến. ADR dao động từ 7% –53% trong số các bác sĩ nội soi thực hiện tùy thuộc vào đào tạo của họ, kỹ thuật cắt bỏ nội soi, thời gian rút, chất lượng chuẩn bị ruột và các yếu tố quyết định phụ thuộc vào quy trình khác.

Một số cải tiến nội soi đã được thúc đẩy để tăng ADR. Một đánh giá bao gồm 5 nghiên cứu về ảnh hưởng của ống soi đại tràng độ phân giải cao đối với ADR cho thấy các kết quả trái ngược nhau; một nghiên cứu kết luận rằng ADR được nâng lên dành riêng cho các bác sĩ nội soi với ADR thấp hơn 20%.

Phân tích hệ thống chẩn đoán có sự hỗ trợ của máy tính (CAD) có khả năng hỗ trợ phát hiện thêm u tuyến.
Urban và cộng sự, đã sử dụng một bộ 8641 hình ảnh được dán nhãn bằng tay khác nhau và đại diện từ các ống soi sàng lọc được xử lý trên 2000 bệnh nhân. Họ đã thử nghiệm các mô hình trên 20 video nội soi với thời lượng toàn bộ là 5 giờ. Các chuyên gia nội soi đại tràng được yêu cầu xác định tất cả các polyp trong 9 video nội soi đại tràng không xác định, được chọn từ các nghiên cứu video được lưu trữ, có / không có lợi ích của lớp phủ CNN. Phát hiện của họ tương quan với kết quả của CNN bằng cách sử dụng đánh giá chuyên gia có sự hỗ trợ của CNN làm tài liệu tham khảo. CNN đã xác định các polyp với AUC là 0,99 và độ chính xác là 96,4%. Thật vậy, trong phân tích video nội soi đại tràng liên quan đến việc loại bỏ 28 polyp, 4 chuyên gia đánh giá đã xác định thêm 8 polyp (bỏ sót) mà không cần sự hỗ trợ của CNN và nhận ra thêm 17 polyp với sự hỗ trợ của CNN. CNN đã phát hiện ra tất cả các polyp được cắt bỏ và được công nhận bởi đánh giá của chuyên gia, tỷ lệ dương tính giả là 7%. Chiến lược này có thể cải thiện ADR và ​​giảm ung thư khoảng thời gian nhưng nó đòi hỏi các nghiên cứu sâu hơn để được thực hiện đầy đủ. AI có thể được sử dụng trong quá trình đánh giá nội soi để tự động nhận ra các polyp đại trực tràng và phân biệt giữa các tổn thương ác tính và không ác tính. CAD dựa trên thời gian trễ từ khi thu nhận hình ảnh đến khi xử lý nó để có hình ảnh cuối cùng trên màn hình. Mô hình này có thể phát hiện các polyp với độ nhạy 96,5% . Một RCT gần đây đã ước tính tác động của hệ thống phát hiện polyp tự động dựa trên thuật toán học sâu trong quá trình nội soi thời gian thực. Nghiên cứu thu nhận 1058 bệnh nhân này đã chứng minh rằng hệ thống AI tăng cường ADR lên gần 10%.

Một nghiên cứu tiền cứu trên 55 bệnh nhân đã sử dụng nguyên mẫu của một phần mềm phát hiện polyp tự động mới (APDS) để phát hiện polyp dựa trên hình ảnh tự động và với tỷ lệ phát hiện polyp tổng thể trong thời gian thực là 75%. Kích thước polyp nhỏ hơn và hình thái polyp phẳng có liên quan đến việc APDS không phát hiện đủ polyp.

Ngoài máy móc CADe, CADx còn được sử dụng để phân biệt giữa u tuyến và polyp tăng sản. Byrne và cộng sự đã đề xuất việc sử dụng phân tích hình ảnh trên máy tính để giảm bớt sự thay đổi trong phát hiện nội soi và dự đoán mô học. Mô hình AI này đã được đào tạo bằng cách sử dụng video nội soi và có thể phân biệt giữa các u tuyến nhỏ và polyp tăng sản với độ chính xác cao. Ngoài ra, nó dự đoán mô học với độ chính xác 94%, độ nhạy 98%, độ đặc hiệu 83%, giá trị dự đoán âm tính và dương tính lần lượt là 97% và 90%.

Hơn nữa, bộ phân loại hình ảnh có sự hỗ trợ của AI, dựa trên NBI nội soi phóng đại không quang học, đã được sử dụng để dự đoán mô học của các tổn thương đại tràng đơn độc, sau khi đánh giá 3509 tổn thương đại tràng. Các loại mô học phổ biến nhất là u tuyến ống (47,6%), ung thư biểu mô có xâm lấn sâu (15,9%), ung thư biểu mô xâm lấn bề mặt (7,9%), polyp tăng sản (14,3%), polyp răng cưa không cuống (7,9%) và u tuyến hình ống (6,6 %). Độ nhạy của polyp tăng sản và có răng cưa là 96,6%, mặc dù tỷ lệ này thấp hơn đối với u tuyến ống và ung thư. Khi chỉ điều tra các polyp đại tràng nhỏ, mối tương quan của khoảng thời gian nội soi đại tràng giám sát bằng cách sử dụng phân loại hình ảnh AI và mô học là 0,97. Hơn nữa, máy phân loại này cũng cho thấy độ chính xác cao (88,2%) trong việc dự đoán ung thư biểu mô xâm lấn sâu, không thể chữa được bằng nội soi, HNPV và độ chính xác đối với ung thư biểu mô xâm lấn sâu cũng cho thấy nó có thể hỗ trợ lựa chọn các tổn thương có thể điều trị được.

Tác giả cũng đã đánh giá việc sử dụng bộ phân loại hình ảnh có sự hỗ trợ của AI trong việc xác định tính khả thi của kỹ thuật cắt niêm mạc EMR của các tổn thương đại tràng lớn dựa trên hình ảnh không phóng đại. Bộ xét nghiệm độc lập bao gồm 76 tổn thương đại tràng đáp ứng chỉ định mổ nội soi dưới niêm mạc. Nhìn chung, bộ phân loại hình ảnh AI được đào tạo cho thấy độ nhạy 88,2% (KTC 95%: 84,7-91,1%) trong việc phân biệt các tổn thương có thể chữa khỏi nội soi và không thể chữa khỏi với độ đặc hiệu 77,9% (KTC 95%: 70,3-84,4%) và độ chính xác 85,5% (95 % CI: 82,4-88,3%). Nghiên cứu này xác định độ chính xác cao của bộ phân loại hình ảnh AI được đào tạo trong việc dự đoán tính khả thi của phương pháp điều trị cắt niêm mạc đối với các tổn thương đại tràng lớn. Mặc dù tiến bộ của AI sử dụng CNN là rất tốt cho việc nhận dạng các mẫu niêm mạc cụ thể và phân loại hình ảnh, trong tương lai tiếp theo, hiệu suất dự đoán có thể vượt trội so với một bác sĩ nội soi chuyên nghiệp.

Hotta và cộng sự nhằm xác nhận hiệu quả của hệ thống nội soi (EC) - CAD trong việc chẩn đoán tổn thương đại trực tràng ác tính hoặc không ác tính, bằng cách so sánh khả năng chẩn đoán giữa các nhà nội soi chuyên nghiệp và không chuyên gia, bằng cách sử dụng các xét nghiệm dựa trên web. Một xét nghiệm xác nhận đã được thực hiện bằng cách sử dụng hình ảnh nội soi của 100 tổn thương đại trực tràng nhỏ (<10 mm). Độ chính xác và độ nhạy chẩn đoán của EB-01 và không chuyên đối với hình ảnh nội soi nhuộm màu là 98,0% so với 69,0%, cho thấy độ chính xác và độ nhạy chẩn đoán cao hơn đáng kể đối với các bác sĩ nội soi không chuyên khi chẩn đoán các tổn thương đại trực tràng nhỏ.

Một nghiên cứu tiền cứu nhãn mở một nhóm đã đánh giá hiệu suất của EC-CAD thời gian thực trên 791 bệnh nhân liên tiếp trải qua nội soi đại tràng và 23 bác sĩ nội soi để phân biệt polyp tân sinh (u tuyến) yêu cầu cắt bỏ polyp không phải ung thư không cần điều trị, có khả năng giảm chi phí. Kết quả cho thấy giá trị dự đoán âm tính 96,4% của CAD với chế độ nhuộm màu trong trường hợp tốt nhất trong khi 93,7% trong trường hợp xấu nhất. Khéo léo bằng cách sử dụng NBI, 96,5% và 95,2% trong trường hợp tốt nhất và trường hợp xấu nhất.

Cuối cùng, trong một nghiên cứu bao gồm 117 bệnh nhân ung thư đại trực tràng giai đoạn IIA sau phẫu thuật triệt căn, hệ thống tính điểm dựa trên ANN, dựa trên các đặc điểm phân tử khối u, đã công nhận những người có xác suất sống sót cao, trung bình và thấp ở khoảng thời gian theo dõi 10 năm . Tỷ lệ sống chung 10 năm là 16,7%, 62,9% và 100% (P <0,001), trong khi tỷ lệ sống không bệnh 10 năm tương ứng là 16,7%, 61,8% và 98,8%. Nghiên cứu này tiết lộ rằng hệ thống tính điểm cho những cá nhân có nguy cơ cao ung thư đại trực tràng giai đoạn IIA cho một phương pháp điều trị tích cực hơn.

Thuật toán học sâu phân biệt những bệnh nhân có đáp ứng hoàn toàn với hóa trị liệu bổ trợ cho ung thư trực tràng tiến triển tại chỗ với độ chính xác 80%. Hỗ trợ công nghệ này có thể cho phép chọn những bệnh nhân đặc biệt có lợi cho điều trị bảo tồn hơn là phẫu thuật cắt bỏ hoàn toàn. Đây là nghiên cứu đầu tiên sử dụng Thuật toán học sâu để dự đoán đáp ứng bệnh lý toàn bộ sau khi hóa trị liệu bổ trợ trong ung thư trực tràng tiến triển tại chỗ.

9. Kết luận

Trí tuệ nhân tạo AI có thể đại diện cho một phương pháp chẩn đoán cần thiết cho các bác sĩ nội soi và bác sĩ tiêu hóa để điều trị bệnh nhân phù hợp và dự đoán kết quả lâm sàng của họ. Trí tuệ nhân tạo dường như đặc biệt có giá trị trong nội soi tiêu hóa, để cải thiện việc phát hiện các tổn thương tiền ác tính và ác tính, hoặc tổn thương viêm, xuất huyết tiêu hóa và các bệnh lý tuyến tụy. Tuy nhiên, những hạn chế hiện tại của Trí tuệ nhân tạo bao gồm thiếu bộ dữ liệu chất lượng cao để phát triển thuật toán học máy ML . Hơn nữa, một bằng chứng quan trọng được sử dụng để xây dựng các thuật toán thuật toán học máy chỉ đến từ các nghiên cứu tiền lâm sàng. Vì khoa học AI đang trong quá trình phát triển, những hạn chế hiện tại phải được coi là thách thức trong tương lai, vì vậy chúng thực sự được kế thừa trong các ứng dụng y học, bao gồm khả năng dự đoán khó đối với các tình huống có đặc điểm là không chắc chắn. Nhìn chung, AI đang cách mạng hóa công nghệ và tác động đến các khía cạnh đạo đức khác như thay thế công việc của con người bằng máy móc, nhưng đây luôn là một câu hỏi mở kể từ cuộc cách mạng công nghiệp. Điều có thể làm là thúc đẩy sự hợp tác lẫn nhau thông qua các ứng dụng nội soi tiêu hóa, để cùng hưởng lợi từ những thành tựu trong cả hai lĩnh vực khoa học.

Tài liệu tham khảo

1. Russell S, Norvig P. Artificial Intelligence: A Modern Approach, Global Edition. 3rd editon. London: Pearson, 2016.
2. Colom R, Karama S, Jung RE, Haier RJ. Human intelligence and brain networks. Dialogues Clin Neurosci. 2010;12:489-501. [PubMed]
3. Goodfellow I, Bengio Y, Courville A. Deep Learning. Cambridge: The MIT Press, 2016.