Vai trò của trí tuệ nhân tạo trong thực quản của Barrett (Phần 2)

Bài viết bởi Bác sĩ Mai Viễn Phương - Khoa Khám bệnh & Nội khoa - Bệnh viện Đa khoa Quốc tế Vinmec Central Park

Gần đây đã có những tiến bộ trong việc phát triển và thử nghiệm AI và các thuật toán học máy (ML) khác nhau để cải thiện khả năng xác định niêm mạc loạn sản và ác tính.

Vai trò của trí tuệ nhân tạo trong thực quản của Barrett (Phần 1)

Trước đây, các thuật toán máy tính đã được đào tạo để phân loại khả năng mắc ung thư thực quản giai đoạn sớm của bệnh nhân dựa trên các triệu chứng hoặc so sánh vi mạch cDNA sinh thiết của bệnh nhân với các mẫu ung thư thực quản giai đoạn sớm đã biết.

Các phương pháp này đã giúp tiến gần hơn đến việc chẩn đoán chính xác chứng loạn sản và niêm mạc ác tính, nhưng độ nhạy / độ đặc hiệu của chúng không thể khớp với các thông số được nêu trong các tiêu chí Bảo quản và Kết hợp Nội soi Có giá trị của Hiệp hội Nội soi Tiêu hóa Hoa Kỳ (PIVI) cho các công nghệ mới. Tiêu chí PIVI khuyến nghị rằng độ nhạy ít nhất phải là 0,90, độ đặc hiệu ít nhất là 0,80 và giá trị dự đoán âm ít nhất là 0,98 để phát hiện HGD hoặc Barrett thực quản . AI sử dụng một số phương pháp của ML.

Một phương pháp thường được sử dụng là mạng nơ-ron nhận thức (CNN). Trong CNN, mỗi nút (hoặc "nơ-ron") được kết nối với các nút khác theo cách bắt chước mạng thần kinh thực của con người. Một số lớp tế bào thần kinh có thể tồn tại để đưa ra một quyết định gọi một nhóm các điểm ảnh trên hình ảnh là mô bình thường hoặc chứng loạn sản.

Nhiều nghiên cứu gần đây đã thử nghiệm các khả năng của chẩn đoán có sự hỗ trợ của máy tính (CAD) như vậy. Những lợi thế mà AI dường như mang lại cho mỗi lần nội soi là loại bỏ sự thay đổi giữa các quan sát viên hoặc nội quan sát viên trong việc xác định các tổn thương không bình thường, kết hợp với phân tích khách quan, nhanh chóng của tất cả các đầu vào trực quan theo cách nhất quán và không chịu mệt mỏi. CAD có thể cho phép các bác sĩ nội soi lấy sinh thiết có mục tiêu, năng suất cao trong thời gian thực. So với việc lấy sinh thiết ngẫu nhiên theo quy trình Seattle hoặc sử dụng hình ảnh nâng cao, CAD có thể tăng hiệu quả và độ chính xác để chẩn đoán bằng cách hạn chế nguy cơ bỏ sót niêm mạc ung thư. Hơn nữa, CAD có thể làm giảm rủi ro bằng cách giảm thời gian an thần thứ cấp do giảm thời gian thủ thuật.

Các nghiên cứu gần đây chỉ ra rằng CAD có thể thành công trong việc phát hiện các tổn thương ung thư ở bệnh nhân có Barrett thực quản. Von Der Sommen và cộng sự đã phát triển một thuật toán ML sử dụng CAD để phân tích kết cấu và màu sắc trong hình ảnh tĩnh nhằm phát hiện các tổn thương ung thư sớm trong Barrett thực quản .

Độ nhạy và độ đặc hiệu lần lượt nằm trong khoảng 0,90-1,00 và 0,65-0,91. Trong một nghiên cứu của Groof và cộng sự, sáu chuyên gia đã xác định các mô có khả năng ung thư trong cùng một hình ảnh và sử dụng các hình ảnh do chuyên gia mô tả này để huấn luyện thuật toán máy tính xác định Barrett thực quản tân sinh và Barrett thực quản không dị sản trong các trường hợp thử nghiệm. Kết quả độ nhạy và độ đặc hiệu của thuật toán máy tính lần lượt là 0,95 và 0,85. Swager và cộng sự đã sử dụng CAD trênhình ảnh VLE ex vivo để phát hiện hồi cứu Barrett thực quản và HGD không loạn sản hoặc ung thư biểu mô tuyến sớm. Họ có thể đạt được độ nhạy 0,90 và độ đặc hiệu 0,93 trong khi sử dụng VLE làm hình ảnh tham chiếu thay vì nội soi ánh sáng trắng độ nét cao.

Mặc dù dữ liệu đầy hứa hẹn nhưng gần như tất cả các nghiên cứu đều tập trung vào việc đào tạo một thuật toán trên một tập hợp các hình ảnh được thu thập hồi cứu. Những nghiên cứu này không may là đối tượng sai lệch về lựa chọn mẫu vì hình ảnh thường được chọn lọc để có độ nét cao và thường là từ một trung tâm nội soi duy nhất.

Do đó, các thuật toán thường bị huấn luyện quá mức trên một tập mẫu tương đối nhỏ và không thể tổng quát hóa cho các hình ảnh khác có chất lượng kém hơn hoặc một quần thể có tỷ lệ mắc và / hoặc tỷ lệ mắc Barrett thực quản khác nhau. Hiện đang tồn tại một số lượng nhỏ các nghiên cứu tương lai hoặc thời gian thực và chúng được thực hiện trên một số lượng mẫu khá nhỏ. Hơn nữa, việc tiêu chuẩn hóa các hệ thống AI đang tỏ ra khó khăn, do các chi tiết của thuật toán nằm trong một “hộp đen” và không thể tiếp cận được với các bài phê bình và sửa đổi trực tiếp.

Những khó khăn đã gặp phải trong việc sử dụng AI để xác định niêm mạc Barrett đã gặp phải trong việc xác định ung thư thực quản sớm. Mặc dù đầy hứa hẹn, các ngưỡng phát hiện ung thư thực quản sớm dưới tiêu chí của Hiệp hội Nội soi Tiêu hóa Hoa Kỳ có thể là thứ phát do hình ảnh hạn chế và thiếu khả năng xác định hình ảnh trong thời gian thực. Hashimotoet al có thể đã tìm ra cách khắc phục những khó khăn trước đây bằng cách có thể tạo ra một thuật toán nhanh hơn cho phép tạo lớp phủ video thời gian thực bằng cách sử dụng một cơ sở dữ liệu lớn về hình ảnh. Sử dụng kỹ thuật này, Hashimoto và cộng sự đã có thể xác định sớm các khối u thực quản với độ chính xác cao.

Quá trình chuẩn hóa các thuật toán ML đặt ra một thách thức khó khăn. Thuật toán có thể khác đối với nội soi ánh sáng trắng so với NBI, VLE hoặc pCLE. Có thể những khác biệt nhỏ như nhãn hiệu của ống nội soi, bước sóng ánh sáng hoặc cân bằng trắng có thể ảnh hưởng đến độ đặc hiệu hoặc độ nhạy của một thuật toán được thử nghiệm.

Không có gì đảm bảo rằng một thuật toán duy nhất sẽ hoạt động cả trong các nhóm có tỷ lệ mắc Barrett thực quản cao và nhóm có tỷ lệ mắc bệnh thấp, một số thuật toán nên được thử nghiệm tiền cứu và so sánh với tiêu chuẩn vàng hiện tại của sinh thiết ngẫu nhiên trong các thử nghiệm lâm sàng ngẫu nhiên lớn, đa trung tâm. Một số nghiên cứu này hiện đang được tiến hành. Cơ sở dữ liệu người dùng như ImageNet hoặc GastroNet chứa các mẫu hình ảnh được gắn nhãn để sử dụng cho việc đào tạo và thử nghiệm các thuật toán.

Cho đến nay, các nền tảng ML được sử dụng đã được phát triển bởi các chuyên gia nội soi. Một nghiên cứu gần đây được xuất bản bởi Ebigbo và cộng sự đã sử dụng AI thời gian thực để xác định ung thư trong Barrett thực quản và phát hiện ra rằng hệ thống AI hoạt động theo cách tương tự như chuyên gia nội soi. Các chương trình như vậy cũng có thể giúp đào tạo những người không phải là chuyên gia cũng như nghiên cứu sinh về tiêu hóa bằng cách đưa ra phản hồi theo thời gian thực, do đó tuyên truyền nhiều chuyên gia nội soi hơn trong một khoảng thời gian ngắn. Tất nhiên, các bác sĩ nội soi không phải là chuyên gia.

Trí tuệ nhân tạo AI đại diện cho một thời kỳ phục hưng trong nội soi, nhưng không phải là một cuộc cải cách. Lợi ích có thể nằm ở việc cải thiện khả năng nhận biết mô loạn sản và ác tính giữa các nhà nội soi không chuyên hoặc nghiên cứu sinh về tiêu hóa, vì các nhà nội soi chuyên nghiệp có hiệu suất tương tự như AI. Khả năng tổng quát hóa, tính mạnh mẽ của một hoặc một số thuật toán có thể áp dụng cho các phương thức hình ảnh khác nhau hoặc các nhóm dân cư đa dạng và khả năng dễ dàng sửa đổi thuật toán là những trở ngại hiện tại cần được giải quyết trước khi chúng ta có thể sử dụng AI một cách đáng tin cậy trong quản lý nội soi Barrett thực quản .