Vai trò của trí tuệ nhân tạo AI trong chẩn đoán gen của ung thư sớm thực quản

Bài viết bởi Thạc sĩ, Bác sĩ Mai Viễn Phương - Bác sĩ nội soi tiêu hóa - Khoa Khám bệnh & Nội khoa - Bệnh viện Đa khoa Quốc tế Vinmec Central Park

Hiện nay trí tuệ nhân tạo (AI) ngày càng trở nên tinh vi và mang đến hiệu quả cao hơn cùng chi phí thấp. Theo đánh giá AI hứa hẹn sẽ mang đến tiềm năng rất lớn trong lĩnh vực chăm sóc sức khỏe, đặc biệt trong chẩn đoán gen của ung thư sớm thực quản.

1.Trí tuệ nhân tạo là gì?

Trí tuệ nhân tạo (AI: Artificial Intelligence) có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. Artificial intelligence là một bộ phận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý, lý thuyết vững chắc, có khả năng ứng dụng được của lĩnh vực này.

2. Sự khác biệt giữa trí tuệ nhân tạo AI, Machine Learning và Deep Learning là gì?

Trí tuệ nhân tạo là nghiên cứu về cách chế tạo những cỗ máy có khả năng thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người. Trí tuệ nhân tạo (Artificial Intelligence) bao gồm nhiều lĩnh vực nghiên cứu, từ thuật toán di truyền đến các hệ thống chuyên gia và cung cấp phạm vi cho các lập luận về những gì cấu thành trí tuệ nhân tạo.

Machine Learning là quá trình dạy máy tính thực hiện một nhiệm vụ, thay vì lập trình nó làm thế nào để thực hiện nhiệm vụ đó từng bước một. Machine Learning thường được chia thành học có giám sát, trong đó máy tính học bằng ví dụ từ dữ liệu được gắn nhãn và học không giám sát. Trong đó, máy tính nhóm các dữ liệu tương tự và xác định chính xác sự bất thường.

Deep Learning là một tập hợp con của Machine Learning, có khả năng khác biệt ở một số khía cạnh quan trọng so với Machine Learning nông truyền thống, cho phép máy tính giải quyết một loạt các vấn đề phức tạp không thể giải quyết được.

3. Tổng quan về ứng dụng của trí tuệ nhân tạo với nội soi tiêu hoá

Do diễn biến nhanh và tiên lượng xấu của ung thư thực quản (EC) nên việc phát hiện và chẩn đoán sớm ung thư thực quản có giá trị rất lớn trong việc cải thiện tiên lượng cho bệnh nhân. Tuy nhiên, nội soi phát hiện sớm ung thư thực quản, đặc biệt là loạn sản Barrett hoặc loạn sản biểu mô vảy thực quản, rất khó. Do đó, yêu cầu về các phương pháp phát hiện các đặc điểm ung thư thực quản sớm hiệu quả hơn đã dẫn đến các nghiên cứu chuyên sâu trong lĩnh vực trí tuệ nhân tạo (AI). Kỹ thuật học và ghi nhớ - Deep learning (DL) đã mang lại những đột phá trong việc xử lý hình ảnh, video và các khía cạnh khác, trong khi hệ thống mạng nơ-ron phức tạp (CNN) đã mở đường cho việc phát hiện hình ảnh và video nội soi có độ phân giải cao.

Nhiều nghiên cứu trên hệ thống mạng nơ-ron phức tạp trong phân tích hình ảnh nội soi ung thư thực quản sớm cho thấy hiệu suất tuyệt vời bao gồm độ nhạy và độ đặc hiệu và tiến triển dần dần từ phân tích hình ảnh in vitro để phân loại đến phát hiện thời gian thực của khối u thực quản trên thực hành. Khi kỹ thuật trí tuệ nhân tạo AI đi vào chẩn đoán bệnh lý, các tổn thương đường viền khó xác định bởi bác sĩ nội soi có thể trở nên dễ dàng hơn trước. Trong chẩn đoán gen, do các dấu hiệu chẩn đoán gen thiếu tính đặc hiệu của mô nên hiện nay chúng chỉ có thể được sử dụng như các biện pháp bổ sung. Trong việc dự đoán nguy cơ ung thư, vẫn còn thiếu các nghiên cứu lâm sàng tiền cứu để khẳng định tính chính xác của mô hình phân tầng nguy cơ.

4. Giới thiệu về ung thư thực quản

Ung thư thực quản (EC) là bệnh ung thư phổ biến thứ tám và là nguyên nhân gây tử vong do ung thư đứng hàng thứ sáu trên toàn thế giới. Ung thư thực quản chủ yếu bao gồm ung thư biểu mô tuyến thực quản (EAC) và ung thư biểu mô tế bào vảy thực quản (ESCC). Ung thư biểu mô tuyến thực quản là loại bệnh lý phổ biến nhất ở các nước phương Tây, hơn 40% bệnh nhân mắc ung thư biểu mô tuyến thực quản được chẩn đoán sau khi bệnh đã di căn và tỷ lệ sống 5 năm dưới 20%.

Mặc dù tỷ lệ mắc ung thư biểu mô tuyến thực quản đang gia tăng trên toàn cầu, ung thư biểu mô tế bào vảy thực quản vẫn là loại bệnh lý phổ biến nhất (80%) trong số tất cả các ung thư thực quản với tỷ lệ mắc bệnh cao nhất trên ‘vành đai ung thư’ kéo dài từ Đông Phi và qua Trung Đông đến châu Á. Chỉ 20% bệnh nhân ung thư biểu mô tế bào vảy thực quản sống sót lâu hơn 3 năm, chủ yếu do chẩn đoán giai đoạn muộn. Ở những nơi có nền kinh tế thấp, tỷ lệ sống sót sau 5 năm thấp hơn nhiều vào khoảng 3,4%. Chẩn đoán sớm có thể giúp cải thiện đáng kể kết quả cho tất cả các ung thư thực quản.

5. Vai trò của trí tuệ nhân tạo AI trong phát hiện ung thư thực quản

5.1 Chứng loạn sản Barrett và ung thư biểu mô tuyến thực quản giai đoạn sớm
Trí tuệ nhân tạo AI dựa trên hệ thống nội soi ánh sáng trắng (WLE) và hệ thống nội soi dải tần số hẹp NBI: Có một số hạn chế để nhận ra các tổn thương ung thư sớm liên quan đến Barrett thực quản bằng WLE, một công nghệ thông thường. WLE độ nét cao (HD-WLE) và hệ thống nội soi NBI đã từng được coi là để nâng cao độ chính xác của việc chẩn đoán các tổn thương ung thư sớm liên quan đến Barrett thực quản. Tuy nhiên sự cải tiến vẫn chưa làm hài lòng các bác sĩ nội soi. Tình huống này đã kích thích sự phát triển của hệ thống CAD cho các tổn thương ung thư sớm ở Barrett thực quản dựa trên thuật toán học máu ML được giám sát. Bên cạnh đó, hệ thống này vẫn gặp khó khăn trong việc xác định các tổn thương ung thư sớm liên quan đến Barrett thực quản và chọn các vị trí sinh thiết.

Để giải quyết những vấn đề đó, Ebigbo và cộng sự đã thiết lập một hệ thống CAD dựa trên thuật toán học sâu. Độ chính xác của hệ thống sử dụng HD-WLE tốt hơn so với hệ thống nội soi nói chung. Hơn nữa, hệ thống hiển thị khả năng xác định vị trí tổn thương và tỷ lệ trùng khớp vùng giữa các tổn thương do hệ thống và các chuyên gia khoanh vùng lên đến 72%. Nói chung, độ đặc hiệu của NBI cao hơn so với WLE thông thường. So với việc sử dụng HD-WLE, hệ thống không có lợi thế rõ ràng khi sử dụng hệ thống NBI. Tuy nhiên, có một vấn đề chung trong các nghiên cứu trên khi cùng một tập dữ liệu hình ảnh đã được sử dụng trong cả giai đoạn đào tạo và giai đoạn xác nhận. Điều này rõ ràng không thể phản ánh thực hành lâm sàng, vì vậy điều rất quan trọng là sử dụng các bộ dữ liệu hình ảnh khác nhau để đào tạo và xác nhận.

De Groof và cộng sự đã sử dụng các hình ảnh HD-WLE khác nhau để đào tạo và thử nghiệm, kết quả cho thấy độ nhạy và độ đặc hiệu của hệ thống cao hơn đáng kể so với các bác sĩ nội soi nói chung. Sự kết hợp giữa AI và HD-WLE/ NBI, được sử dụng rộng rãi trong phòng khám, thực hiện tốt trong chẩn đoán các tổn thương khối u sớm liên quan đến BE và vượt trội hơn so với các bác sĩ nội soi nói chung. Tuy nhiên, trong các nghiên cứu khác nhau, độ chính xác của hệ thống CAD trong việc phân định tổn thương và tiêu chuẩn đánh giá khả năng xác định vị trí tổn thương là khá mâu thuẫn. Cần có nhiều nghiên cứu chất lượng cao hơn trong tương lai.

6. Vai trò của trí tuệ nhân tạo AI trong chẩn đoán gen của ung thư sớm thực quản

Như đã đề cập ở trên, tính xâm lấn của chẩn đoán nội soi và sự biến đổi của chẩn đoán bệnh lý, cùng với những tiến bộ gần đây trong sinh bệnh học của ung thư thực quản và sự phát triển của các công nghệ omics khác nhau đã khiến chẩn đoán gen EC sớm trở thành một chủ đề nghiên cứu nóng hổi. Zhang và cộng sự cùng Yu, cộng sự đã sử dụng microRNA và RNA không mã hóa dài biểu hiện cụ thể ở bệnh nhân ung thư biểu mô tế bào vảy thực quản để thiết lập các mô hình chẩn đoán và kết quả cho thấy cả hai đều có thể được sử dụng để phân biệt sớm hiệu quả với các khối u tiến triển. Xing và cộng sự đã lựa chọn các protein tiết đặc trưng dựa trên dữ liệu phiên mã RNA của bệnh nhân ung thư biểu mô tế bào vảy thực quản để thiết lập mô hình chẩn đoán có độ nhạy cao nhưng độ đặc hiệu không đạt yêu cầu cho ung thư biểu mô tế bào vảy thực quản sớm.

Có thể việc lựa chọn các protein chế tiết đặc trưng trong nghiên cứu này dựa trên các gen điều chỉnh tăng trong các mô khối u và các gen điều chỉnh giảm không được sử dụng đầy đủ. Ngoài ra, Shen và cộng sự cùng Zhai và cộng sự đã sử dụng các dấu hiệu microRNA và protein biểu hiện cụ thể trong huyết tương của bệnh nhân ung thư biểu mô tế bào vảy thực quản để xây dựng các mô hình chẩn đoán và phát hiện ra rằng cả hai đều có thể phân biệt hiệu quả chứng loạn sản vảy thực quản (ESD) với thực quản bình thường. Tuy nhiên, so với ung thư biểu mô tế bào vảy thực quản sớm, chẩn đoán gen do AI hỗ trợ về chứng loạn sản liên quan đến BE và ung thư thực quản sớm ít được nghiên cứu hơn.

Kết quả của Slaby và cộng sự cho thấy các microRNA đặc trưng trong mô BE có thể được sử dụng để phân biệt BE có hoặc không có loạn sản. Những điểm đánh dấu này có thể không dành riêng cho ung thư thực quản, do đó, chẩn đoán gen chỉ có thể được sử dụng như một biện pháp hỗ trợ cho nội soi và chẩn đoán bệnh lý cho đến khi các dấu hiệu cụ thể của chẩn đoán gen ung thư thực quản được thiết lập.

7. Vai trò của AI trong phân tầng nguy cơ của ung thư sớm thực quản

Người ta đánh giá rằng chỉ 0,12% -0,43% bệnh nhân Barrett thực quản có thể tiến triển thành ung thư thực quản sớm, đặc biệt cần thiết phải thiết lập một mô hình hiệu quả để dự đoán nguy cơ ung thư thực quản sớm mỗi năm ở bệnh nhân Barrett thực quản. Sự phân tầng nguy cơ trước đây chủ yếu dựa trên sự hiện diện của chứng loạn sản, nhưng hiệu quả vốn không lý tưởng. Critchley-Thorne và cộng sự đã thiết lập một mô hình dự đoán dựa trên sự khác biệt đặc trưng của các dấu hiệu miễn dịch mô huỳnh quang và hình ảnh mô bệnh học giữa bệnh nhân Barrett thực quản đã phát triển ung thư thực quản sớm và những người không mắc bệnh. Kết quả không khả quan, với hơn 30% bệnh nhân Barrett thực quản phát triển ung thư thực quản sớm mỗi năm được phân loại là nguy cơ thấp.

Li và cộng sự đã thiết lập một mô hình dự đoán dựa trên sự khác biệt về đa hình nucleotide đơn trong các mô sinh thiết của bệnh nhân Barrett thực quản có hiệu suất tốt để dự đoán ung thư thực quản sớm mỗi năm.

Kết luận, trí tuệ nhân tạo AI đang cố gắng được sử dụng để phát hiện nội soi, chẩn đoán bệnh lý, chẩn đoán gen và dự đoán nguy cơ ung thư của ung thư thực quản sớm. Điều này rất hữu ích cho các bác sĩ nội soi và bác sĩ giải phẫu bệnh để cải thiện độ chính xác của chẩn đoán và hỗ trợ bác sĩ điều trị và đưa ra các chiến lược tiếp theo.

Không thể phủ nhận, trí tuệ nhân tạo AI rất hữu ích cho các bác sĩ nội soi và bác sĩ giải phẫu bệnh để cải thiện độ chính xác trong chẩn đoán nhằm hỗ trợ điều trị và đưa ra các chiến lược tiếp theo với mục đích cuối cùng giúp nâng cao chất lượng cuộc sống cho bệnh nhân.

Chủ động khám sàng lọc ung thư đường tiêu hoá là biện pháp khoa học và tốt nhất để phát hiện sớm ung thư đường tiêu hóa, trong đó có những bệnh ung thư thường gặp như: ung thư thực quản, ung thư dạ dày, ung thư đại tràng. Bệnh viện Đa khoa Quốc tế Vinmec hiện có Gói tầm soát và phát hiện sớm ung thư đường tiêu hóa kết hợp khám lâm sàng và cận lâm sàng để đem lại kết quả chính xác nhất có thể.

Ngoài việc được thực hiện bởi đội ngũ chuyên gia, bác sĩ giàu kinh nghiệm, bệnh nhân khi thăm khám sẽ được nội soi dạ dày, nội soi đại tràng với máy nội soi NBI có gây mê. Xét nghiệm tổng phân tích tế bào máu ngoại vi (bằng máy đếm laser). Xét nghiệm thời gian prothrombin bằng máy tự động. Xét nghiệm thời gian thromboplastin một phần hoạt hoá (APTT: Activated Partial Thromboplastin Time) bằng máy tự động. Siêu âm ổ bụng tổng quát... Việc ứng dụng công nghệ cùng điều kiện trang thiết bị hiện đại vào thăm khám sẽ đưa ra kết quả chính xác, giúp việc điều trị trở nên hiệu quả, rút ngắn thời gian nằm viện cho bệnh nhân.

Tài liệu tham khảo

1. Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2018;68:394-424. [PubMed] [DOI]

2. Hur C, Miller M, Kong CY, Dowling EC, Nattinger KJ, Dunn M, Feuer EJ. Trends in esophageal adenocarcinoma incidence and mortality. Cancer. 2013;119:1149-1158. [PubMed] [DOI]

3. Thrift AP. The epidemic of oesophageal carcinoma: Where are we now? Cancer Epidemiol. 2016;41:88-95. [PubMed] [DOI]

4. Lu-Ming Huang, Wen-Juan Yang, Zhi-Yin Huang, Cheng-Wei Tang, Jing Li, Artificial intelligence technique in detection of early esophageal cancer, World J Gastroenterol. Oct 21, 2020; 26(39): 5959-5969