......

Ứng dụng trí tuệ nhân tạo trong chẩn đoán mô bệnh học ung thư dạ dày và ung thư đại trực tràng

Bài viết của 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.

Những tiến bộ vượt bậc của trí tuệ nhân tạo (AI) trong phân tích hình ảnh y tế đã đạt được trong những năm gần đây. Sự tích hợp của trí tuệ nhân tạo được kỳ vọng sẽ gây ra một cuộc cách mạng trong các lĩnh vực y học khác nhau, bao gồm cả bệnh lý đường tiêu hóa như ung thư dạ dày và ung thư đại trực tràng.

1. Tổng quan

Hiện tại, các thuật toán học sâu đã cho thấy những lợi ích đầy hứa hẹn trong các lĩnh vực mô bệnh học chẩn đoán, chẳng hạn như xác định khối u, phân loại, dự đoán tiên lượng và dự đoán dấu ấn sinh học / thay đổi di truyền. Mặc dù, trí tuệ nhân tạo không thể thay thế các nhà nghiên cứu bệnh học, nhưng các ứng dụng trí tuệ nhân tạo trong y tế được xây dựng cẩn thận có thể tăng năng suất của lực lượng lao động và độ chính xác chẩn đoán trong thực hành bệnh lý.

Bất kể những tiến bộ đầy hứa hẹn này, không giống như các lĩnh vực chụp ảnh X quang hoặc tim mạch, không có ứng dụng trí tuệ nhân tạo dựa trên mô bệnh học nào được cơ quan quản lý phê duyệt hoặc để hoàn trả công khai. Vì vậy, ngụ ý rằng vẫn còn một số trở ngại cần vượt qua trước khi các ứng dụng trí tuệ nhân tạo có thể được triển khai một cách an toàn và hiệu quả trong thực hành bệnh học ngoài đời thực. Những thách thức đã được xác định ở các giai đoạn khác nhau của quá trình phát triển, chẳng hạn như xác định nhu cầu, quản lý dữ liệu, phát triển mô hình, xác nhận, quy định, sửa đổi quy trình làm việc hàng ngày và cân bằng hiệu quả chi phí.

ứng dụng trí tuệ nhân tạo
Quy trình chung xây dựng mô hình trí tuệ nhân tạo trong bệnh học

Quy trình chung xây dựng mô hình trí tuệ nhân tạo trong bệnh học. Các slide màu được chuyển đổi sang hình ảnh đầu vào kỹ thuật số bằng máy quét slide. Cả (a) kỹ thuật tính năng thủ công và (b) phương pháp học sâu đều tạo ra kết quả phân loại, được áp dụng cho các dự đoán có liên quan về mặt lâm sàng.

2. Ứng dụng trí tuệ nhân tạo trong chẩn đoán mô bệnh học ung thư dạ dày

Một số nỗ lực đã được thực hiện để phân loại hình ảnh bệnh lý của ung thư dạ dày bằng trí tuệ nhân tạo. Trước khi đi vào chi tiết đánh giá nghiên cứu trí tuệ nhân tạo, cần lưu ý rằng việc so sánh hiệu suất không nên chỉ dựa vào độ chính xác mà chúng ta nên chú ý đến độ khó của nhiệm vụ trong khuôn khổ nghiên cứu, tức là:

  • Kích thước tập dữ liệu (kết quả cho cỡ mẫu nhỏ kém tin cậy hơn)
  • Độ phân giải của phát hiện (mức mô hoặc mức khu vực), (3) số lượng danh mục được phân loại
  • Xác nhận nhiều địa điểm (nguồn dữ liệu đào tạo và kiểm tra có từ cùng một địa điểm hoặc không)
  • Các ràng buộc đối với tổn thương đích ( ví dụ:, ung thư biểu mô tuyến, hoặc bất kỳ tổn thương nào ngoại trừ ung thư hạch).

3. Độ chính xác của trí tuệ nhân tạo trong chẩn đoán mô bệnh học ung thư dạ dày

Sharma và các đồng nghiệp đã ghi lại việc phát hiện ung thư dạ dày trên hình ảnh mô bệnh học bằng hai phương pháp dựa trên học sâu: một phương pháp phân tích các đặc điểm hình thái của toàn bộ hình ảnh, trong khi phương pháp kia nghiên cứu các đặc điểm tiêu điểm của hình ảnh một cách độc lập. Các mô hình này cho thấy độ chính xác trung bình lên đến 89,7%. Iizuka và cộng sự đã báo cáo một thuật toán trí tuệ nhân tạo, dựa trên CNN và mạng lưới thần kinh tái phát, để phân loại hình ảnh sinh thiết dạ dày thành ung thư biểu mô tuyến dạ dày, ung thư biểu mô tuyến và mô không phải ung thư. Trong ba bộ dữ liệu thử nghiệm độc lập, thuật toán đã chứng minh diện tích dưới đường cong (AUC) là 0,97 để phân loại ung thư biểu mô tuyến dạ dày. Yoshida và cộng sự, sử dụng các mẫu sinh thiết dạ dày, đối chiếu kết quả phân loại của các nhà bệnh lý học có kinh nghiệm với kết quả phân loại của chương trình "e-Pathologist" dựa trên học máy do NEC Corporation xây dựng. Trong khi tổng tỷ lệ phù hợp giữa chúng chỉ là 55,6 phần trăm (1702/3062), tỷ lệ phù hợp cao tới 90,6 phần trăm (1033/1140) đối với các mẫu sinh thiết âm tính với một tổn thương ung thư. Tomita và cộng sự đã cố gắng tự động hóa việc xác định các tổn thương tiền ung thư / tân sinh trong thực quản Barrett hoặc u tuyến / ung thư dạ dày.

4. Ứng dụng trí tuệ nhân tạo trong chẩn đoán mô bệnh học ung thư đại trực tràng

Như trong ung thư dạ dày, các ứng dụng trí tuệ nhân tạo khác nhau gần đây đã được phát triển cho ung thư đại trực tràng. Về phân loại khối u, một số thuật toán trí tuệ nhân tạo đã được đào tạo để phân loại tập dữ liệu thành hai đến sáu lớp cụ thể, chẳng hạn như bình thường, tăng sản, u tuyến, ung thư biểu mô tuyến và các loại phụ mô học của polyp hoặc ung thư biểu mô tuyến. Korbar và cộng sự báo cáo rằng mô hình trí tuệ nhân tạo, được xây dựng bằng cách sử dụng hơn 400 WSI, có thể phân loại năm loại polyp đại trực tràng với độ chính xác là 93%. Wei và cộng sự đã chứng minh rằng mô hình học sâu , được đào tạo bằng cách sử dụng WSI, có thể phân loại các polyp đại trực tràng, ngay cả trong bộ dữ liệu từ các bệnh viện khác, với khả năng tái tạo.

ứng dụng trí tuệ nhân tạo
Ứng dụng trí tuệ nhân tạo trong chẩn đoán mô bệnh học ung thư đại trực tràng

5. Hiệu suất của các mô hình trí tuệ nhân tạo trong chẩn đoán mô bệnh học

Độ chính xác của nó có thể so sánh với độ chính xác của một nhà nghiên cứu bệnh học tại chỗ. Trong khi hầu hết các nghiên cứu cho thấy hiệu suất đầy hứa hẹn, việc so sánh chính xác hiệu suất giữa các ứng dụng trí tuệ nhân tạo này là không thể và không liên quan. Mỗi mô hình được bắt nguồn từ các tập dữ liệu khác nhau với các chú thích khác nhau và tập trung vào các tác vụ khác nhau. Để so sánh chính xác hiệu suất của các mô hình trí tuệ nhân tạo, cần phải để chúng thực hiện một tác vụ chung bằng cách sử dụng tập dữ liệu chuẩn hóa với các chú thích được chuẩn hóa.
Hơn nữa, một số nghiên cứu đã dự đoán tiên lượng bằng cách sử dụng hình ảnh bệnh lý cho ung thư đại trực tràng. Bychkov và cộng sự đã sử dụng 420 microarray-WSIs mô để dự đoán khả năng sống sót sau 5 năm của từng bệnh cụ thể của bệnh nhân và thu được AUC là 0,69. Kather và cộng sự đã sử dụng hơn 1000 hình ảnh mô học, được thu thập từ ba cơ sở, để dự đoán tiên lượng của bệnh nhân; họ quan sát thấy độ chính xác là 99%.

Một nghiên cứu khác, sử dụng mô hình ResNet để xác định trực tiếp tính không ổn định của tế bào vi mô (MSI) trên hình ảnh mô học, đã chứng minh AUC là 0,77 cho cả FFPE và các mẫu đông lạnh từ Bản đồ bộ gen ung thư (TCGA). Việc xác định ung thư đại trực tràng với MSI là rất quan trọng; những khối u này được báo cáo là đáp ứng cao với các liệu pháp điều hòa miễn dịch. Hơn nữa, MSI có thể là một manh mối để chẩn đoán hội chứng Lynch. MSI thường được xác định bằng phản ứng chuỗi polymerase (PCR), nhưng không phải tất cả bệnh nhân đều được sàng lọc MSI trong thực hành lâm sàng. Echle và cộng sự gần đây đã phát triển mô hình học sâu để phát hiện ung thư đại trực tràng với MSI bằng cách sử dụng hơn 8800 hình ảnh. Thuật toán học sâu đã chứng minh AUC là 0,96 trong nhóm thuần tập xác thực đa tổ chức. Bên cạnh đó, phân loại phân tử đồng thuận của ung thư đại trực tràng có thể được dự đoán từ hình ảnh của các mẫu phẫu thuật đại trực tràng bằng cách sử dụng mô hình dựa trên CNN.

Mặc dù dự đoán về sự thay đổi phân tử bằng ứng dụng trí tuệ nhân tạo có vẻ hấp dẫn, vì không thể xác định được các dấu ấn sinh học có liên quan về mặt lâm sàng bằng cách sử dụng các phiến kính nhuộm HE và xét nghiệm PCR thông thường vừa tốn kém vừa tốn thời gian, đặc biệt trí tuệ nhân tạo không thể đạt được sự phù hợp hoàn toàn với xét nghiệm tiêu chuẩn vàng cũng như không thể thay thế nó. Do đó, người dùng phải cân nhắc cách sử dụng trí tuệ nhân tạo để dự đoán các dấu ấn sinh học với mức cân bằng phù hợp, hiệu quả về chi phí trong thực tế cuộc sống thực.

Để đặt lịch khám tại viện, Quý khách vui lòng bấm số HOTLINE hoặc đặt lịch trực tiếp TẠI ĐÂY. Tải và đặt lịch khám tự động trên ứng dụng MyVinmec để được giảm ngay 20% phí khám khi đặt hẹn khám lần đầu trên toàn hệ thống Vinmec (áp dụng từ 1/8 - 31/12/2022). Quý khách cũng có thể quản lý, theo dõi lịch và đặt hẹn tư vấn từ xa qua video với các bác sĩ Vinmec mọi lúc mọi nơi ngay trên ứng dụng.

Tài liệu tham khảo

Yoshida H, Kiyuna T. Requirements for implementation of artificial intelligence in the practice of gastrointestinal pathology. World J Gastroenterol 2021; 27(21): 2818-2833 [DOI: 10.3748/wjg.v27.i21.2818]

95 lượt đọc

Dịch vụ từ Vinmec

Bài viết liên quan