Chẩn đoán thực quản Barrett và ung thư thực quản bằng trí tuệ nhân tạo

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

Ứng dụng trí tuệ nhân tạo trong chẩn đoán sớm ung thư thực quản hỗ trợ tích cực cho quá trình điều trị căn bệnh ung thư nguy hiểm này. Bài viết dưới đây sẽ giúp bạn hiểu rõ hơn về trí tuệ nhân tạo và việc áp dụng nó trong chẩn đoán thực quản Barrett và ung thư thực quản.

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 (Hình 1).

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.

Barrett thực quản (BE) được đặc trưng bởi sự biến đổi bất thường (tăng sản) của các tế bào niêm mạc, lót phần dưới của thực quản, từ biểu mô vảy phân tầng bình thường thành biểu mô hình cột và liên kết với các tế bào hình cốc xen kẽ. Tình trạng này đại diện cho một yếu tố nguy cơ của ung thư biểu mô tuyến thực quản (EAC) mà tiên lượng nghiêm trọng nhất liên quan đến chẩn đoán muộn. Hơn nữa, 93% bệnh nhân có thể thuyên giảm bệnh hoàn toàn sau khi điều trị và theo dõi thường xuyên trong 10 năm. Các kỹ thuật đầy hứa hẹn để quản lý Barrett thực quản với khả năng làm giảm nguy cơ ung thư bằng cách chẩn đoán chính xác chứng loạn sản, đang được phát triển.

Tuy nhiên, mặc dù có một số hạn chế trong các liệu pháp can thiệp, chẳng hạn như kỹ thuật cắt niêm mạc qua nội soi (EMR) và kỹ thuật cắt bỏ bằng tần số vô tuyến hoặc áp lạnh, chúng có thể giúp ngăn ngừa sự tiến triển thành bệnh ác tính.

Việc ghi nhận những thay đổi tân sinh ở bệnh nhân Barrett thực quản là rất quan trọng và những thay đổi trong hình ảnh nội soi đã có tác dụng phát hiện sớm các tổn thương tân sinh biểu mô tối thiểu dựa trên các đặc điểm riêng biệt của niêm mạc.

Trong nghiên cứu đầu tiên, Mendel và cộng sự, đã giới thiệu một phương pháp hữu ích để tạo ra phân loại tự động dựa trên hình ảnh ánh sáng trắng nội soi thông qua việc tìm hiểu các đặc điểm cụ thể được hỗ trợ bởi mạng dữ liệu số hoá được xử lý từ nhiều mã nguồn, thay vì các đặc điểm được xử lý thủ công. Nghiên cứu sử dụng bộ dữ liệu gồm 100 hình ảnh nội soi có độ phân giải cao từ 39 bệnh nhân được cung cấp bởi hệ thống Hình ảnh Nội soi và Can thiệp có Máy tính Hỗ trợ (MICCAI). Trong khi 22 bệnh nhân Barrett thực quản có tổn thương ung thư, 17 bệnh nhân Barrett thực quản không phải ung thư.

Các hình ảnh nội soi được đánh giá độc lập bởi năm chuyên gia và sau đó so sánh với bản đồ xác suất do AI cung cấp, cho thấy sự tương ứng mạnh mẽ. Vì tầm quan trọng của các phân đoạn thủ công khác nhau đáng kể, giao điểm của chúng được coi là vùng ung thư (vùng C1) trong mỗi ảnh C1.

Ebigbo và cộng sự, đã sử dụng hai bộ dữ liệu để đào tạo và xác thực hệ thống chẩn đoán có sự hỗ trợ của máy tính (CAD) dựa trên mạng máy tính CNN với kiến ​​trúc mạng dư (ResNet). Hình ảnh bao gồm 148 hình ảnh nội soi ánh sáng trắng độ nét cao (WLE) và hình ảnh dải băng hẹp (NBI) liên quan đến 33 vùng ung thư thực quản và 41 vùng Barrett thực quản không ung thư trong bộ dữ liệu Augsburg, trong khi bộ dữ liệu MICCAI bao gồm 100 hình ảnh WLE độ nét cao, 17 EAC sớm và 22 lĩnh vực Barrett thực quản không ung thư. Hệ thống CAD-DL chẩn đoán EAC với độ nhạy 97% và độ đặc hiệu 88% đối với hình ảnh WLE, trong khi độ nhạy và độ đặc hiệu lần lượt là 94% và 80% đối với hình ảnh NBI. Hệ thống CAD-DL đạt độ nhạy và độ đặc hiệu tương ứng là 92% và 100% đối với hình ảnh MICCAI.

Trong những nghiên cứu ban đầu này, các tác giả đã phát triển một mô hình máy tính CAD và hiển thị điểm hiệu suất đầy hứa hẹn trong các lĩnh vực phân loại/ phân khúc trong quá trình đánh giá Barrett thực quản.

Tuy nhiên, những kết quả này đạt được khi sử dụng hình ảnh nội soi chất lượng cao mà không phải lúc nào cũng có được trong quá trình thực hành lâm sàng hàng ngày. Hệ thống này trước đây đã được phát triển để tăng thêm tốc độ phân tích hình ảnh để phân loại và độ phân giải của dự đoán dày đặc, hiển thị phân bố không gian được mã hóa màu của các xác suất ung thư.

Vẫn dựa trên hệ thống mạng nơ-ron phức tạp CNN và kiến ​​trúc ResNet với DeepLab V.3 +, một mạng bộ mã hóa - giải mã hiện đại đã được điều chỉnh lại. Để truyền Livestream nội soi sang hệ thống AI của chúng tôi, một thẻ chụp (Avermedia, Đài Loan) để truyền hình ảnh đã được tích hợp vào màn hình nội soi và hệ thống AI đã được đào tạo bằng cách sử dụng 129 hình ảnh nội soi. Tất cả các kết quả hình ảnh AI đã được xác nhận bằng cách kiểm tra bệnh lý của các mẫu cắt bỏ của ung thư thực quản cũng như sinh thiết kẹp (tức là Barrett thực quản đơn thuần). Hệ thống AI cho thấy điểm hiệu suất cao trong công dụng phân loại tổn thương với độ nhạy và độ đặc hiệu lần lượt là 83,7% và 100%.

Mạng nơ-ron phức tạp CNN cũng được sử dụng bởi Horie và cộng sự, thu thập hồi cứu 8428 hình ảnh đào tạo từ bệnh ung thư thực quản của 384 bệnh nhân thông qua mạng nơ-ron phức tạp CNN. CNN đã mất 27 giây để phân tích 1118 hình ảnh thử nghiệm và phát hiện chính xác các trường hợp ung thư thực quản với độ nhạy 98%. Hệ thống mạng nơ-ron phức tạp phát hiện cứ 7 tổn thương ung thư nhỏ có kích thước dưới 10 mm. Hệ thống này tạo điều kiện phát hiện bệnh ác tính sớm và nhanh chóng dẫn đến tiên lượng tốt hơn cho những bệnh nhân này.

AI có thể hỗ trợ các bác sĩ nội soi làm sinh thiết mục tiêu với độ chính xác cao, tiết kiệm công việc/ lấy mẫu ngẫu nhiên tốn nhiều thời gian, với độ nhạy thấp (64%) để phát hiện dị sản. Một thử nghiệm quốc tế, ngẫu nhiên, chéo, so sánh nội soi ánh sáng trắng độ nét cao (HD-WLE) và NBI để phát hiện IM và bệnh ác tính ở 123 bệnh nhân bị BE (kích thước chu vi trung bình và kích thước tối đa, tương ứng là 1,8 và 3,6 cm) .

Cả hệ thống HD-WLE và hệ thống NBI đã phát hiện 104/113 (92%) bệnh nhân chuyển sản ruột, nhưng NBI yêu cầu sinh thiết ít hơn cho mỗi bệnh nhân và cho thấy tỷ lệ phát hiện loạn sản cao hơn đáng kể (30% so với 21%). Trong quá trình kiểm tra nội soi với NBI, tất cả các khu vực loạn sản độ cao và ung thư đều có biểu hiện niêm mạc hoặc mạch máu không đều. Các mẫu bề mặt được quan sát bằng hệ thống NBI thông thường không chứa các tổn thương loạn sản độ cao hoặc ung thư, cho thấy rằng sinh thiết có thể tránh được trong các trường hợp sau.

Trong một nghiên cứu chéo ngẫu nhiên, đa trung tâm, sử dụng hình ảnh ba mô thức nội soi (ETMI) để phát hiện ung thư sớm trong Barrett thực quản, ETMI không cho thấy sự cải thiện trong phát hiện loạn sản tổng thể so với nội soi video tiêu chuẩn. Việc chẩn đoán loạn sản vẫn được thực hiện ở một số lượng đáng kể bệnh nhân bằng sinh thiết ngẫu nhiên và những bệnh nhân được chẩn đoán xác định là u tân sinh trong biểu mô mức độ thấp LGIN có nguy cơ đáng kể về u tân sinh trong biểu mô mức độ cao HGIN / ung thư biểu mô.

Van der Sommen và cộng sự đã sử dụng một thuật toán máy tính để phát hiện các tổn thương ung thư sớm trong Barrett thực quản và sử dụng kết cấu cụ thể, bộ lọc màu và dựa trên thuật toán học máy dựa trên 100 hình ảnh từ 44 bệnh nhân bị Barrett thực quản. Hệ thống này xác định các tổn thương ung thư sớm ở cấp độ bệnh nhân với độ nhạy và độ đặc hiệu lần lượt là 86% và 87%. Tác giả giả định rằng thuật toán máy tính tự động được thực hiện cho nghiên cứu này có thể xác định các tổn thương ung thư sớm với độ chính xác hợp lý.

De Groof và cộng sự đã phát triển một hệ thống CAD sử dụng hình ảnh nội soi của ung thư Barrett dựa trên hình ảnh nội soi của 40 tổn thương ung thư Barrett và 20 Barrett thực quản không phải loạn sản, đạt độ nhạy và độ đặc hiệu để phát hiện các tổn thương như vậy là 95% và 85 %, tương ứng.

Công nghệ AI đã được áp dụng cho nội soi bằng laser thể tích (VLE) vào năm 2017. VLE với đánh dấu bằng laser là một lĩnh vực rộng lớn của công nghệ hình ảnh tiên tiến đã được thương mại hóa ở Hoa Kỳ vào năm 2013 để tạo điều kiện phát hiện chứng loạn sản.

VLE có thể tăng cường phát hiện các tổn thương tân sinh trong Barrett thực quản bằng cách thực hiện quét theo chu vi của các lớp thành thực quản. Mười sáu bệnh nhân bị Barrett thực quản được đưa vào nghiên cứu và tổng cộng 222 dấu hiệu laser (LM) đã được đặt, 97% trong số họ có thể nhìn thấy trên WLE. Tất cả các LM đều hiển thị rõ ràng trên VLE ngay sau khi đánh dấu, và 86% đã được xác nhận trong quá trình phân tích post học. Nhắm mục tiêu Laser LM có độ chính xác 85% các dấu vết. Nghiên cứu ban đầu này được áp dụng cho con người cho thấy rằng LM có hướng dẫn VLE có thể là một thủ tục khả thi và an toàn.

Trong một nghiên cứu khác, cùng một tác giả đã sử dụng cơ sở dữ liệu hình ảnh VLE từ các mẫu cắt nội soi Barrett thực quản có/ không có khối u, tương quan chính xác giữa chúng với mô học để phát triển điểm dự đoán VLE. Đường đặc tính hoạt động nhận của điểm dự đoán này cho thấy diện tích dưới đường cong (AUC) là 0,81. Giá trị ≥ 8 tương quan với độ nhạy 83% và độ đặc hiệu 71%.

Chụp cắt lớp quang học (OCT) là kỹ thuật tạo ra hình ảnh thực quản có độ phân giải cao thông qua nội soi. OCT có thể nhận dạng chuyển sản ruột chuyên biệt từ các tế bào vảy biểu mô, nhưng tiêu chí hình ảnh để phân biệt ung thư biểu mô trong niêm mạc (IMC) và loạn sản độ thấp với loạn sản độ cao, loạn sản cấp độ không xác định (IGD) và chuyển sản ruột chuyên biệt không có loạn sản vẫn chưa được chấp thuận.

Evans và cộng sự, đã kiểm tra 177 hình ảnh OCT từ những bệnh nhân có chẩn đoán mô học là Barrett thực quản. Phân tích mô bệnh học là IMC/ HGD ở 49 trường hợp, LGD ở 15, IGD ở 8, IM chuyên biệt ở 100, trong khi niêm mạc dạ dày ở 5 bệnh nhân. Một mối tương quan có ý nghĩa được tìm thấy giữa kết quả mô bệnh học ung thư niêm mạc hoặc loạn sản độ cao và điểm số cho từng đặc điểm hình ảnh, mức độ bất thường bề mặt và cấu ​​trúc tuyến. Khi sử dụng xác định chỉ số loạn sản ≥ 2, độ nhạy 83% và độ đặc hiệu 75% được xác định để chẩn đoán IMC / HGD.

Trong một trung tâm chăm sóc y tế cộng đồng, 27 bệnh nhân Barrett thực quản đã trải qua 50 thủ thuật cắt niêm mạc EMR được chụp ảnh bằng VLE và pCLE, và được phân loại thành ung thư / không phải ung thư trên cơ sở kết quả mô học. Độ nhạy và độ đặc hiệu của pCLE để phát hiện loạn sản Barrett thực quản, lần lượt là 76% và 79%. OCT-SI cho thấy độ nhạy là 70% và độ đặc hiệu là 60%. Hơn nữa, kỹ thuật VLE-DA cho thấy độ nhạy là 86%, độ đặc hiệu là 88% và độ chính xác chẩn đoán là 87% .

Ung thư biểu mô tế bào vảy thực quản (SCC) là nguyên nhân ác tính thứ sáu gây tử vong trên toàn thế giới và tỷ lệ phần trăm lớn hơn ảnh hưởng đến các nước đang phát triển do chẩn đoán chậm trễ. Nội soi thực quản có sử dụng thuốc nhuộm Lugol hiện là kỹ thuật tiêu chuẩn vàng để xác định SCC khi nội soi dạ dày, mặc dù độ đặc hiệu thấp (khoảng 70%) nhưng độ nhạy cao hơn (trên 90%).

Trong số các xét nghiệm không xâm lấn, nội soi với hệ thống NBI là một cách tiếp cận khác có độ đặc hiệu chẩn đoán thấp như được hiển thị trong một thử nghiệm đối chứng ngẫu nhiên (RCT), liên quan đến kinh nghiệm của bác sĩ.

Nội soi vi mô (ở mức độ tế bào) độ phân giải cao (HRME) đã cho thấy tiềm năng tăng cường phát hiện SCC thực quản trong quá trình sàng lọc. Một thuật toán phân tích thời gian thực, tự động đã được phát triển và đánh giá bằng cách sử dụng các bài kiểm tra đào tạo và hình ảnh xác thực thu được từ một nghiên cứu in-vivo trước đó bao gồm 177 đối tượng tham gia cho các chương trình sàng lọc / giám sát. Trong một phân tích hậu kỳ, thuật toán đã nhận ra các khối u ác tính với độ nhạy 95% và độ đặc hiệu 91%, trong bộ dữ liệu xác nhận, trong khi 84% và 95% trong nghiên cứu ban đầu. Do đó, công nghệ này có thể được áp dụng trong các cơ sở có người vận hành ít chuyên môn hơn trong việc giải thích hình ảnh HRME.

Kodashima và cộng sự đã thiết kế một kiến ​​trúc hệ thống máy tính để đơn giản hóa sự khác biệt giữa các đặc điểm ung thư và các mô khỏe mạnh do kết quả của việc phân tích hình ảnh trong nội soi mô thực quản từ phân tích mô bệnh học, bằng cách phân tích vùng nhân của các hình ảnh thu thập được từ 10 bệnh nhân, để đạt được chẩn đoán chính xác và tự động.

Shin và cộng sự đã phát triển một thuật toán phân tích hình ảnh định lượng có thể nhận ra chứng loạn sản vảy từ niêm mạc không phải ung thư. Họ đã hoàn thành việc giải thích hình ảnh của 177 đối tượng trải qua nội soi phía trên để sàng lọc hoặc giám sát SCC, bằng cách sử dụng hệ thống HRME. Dữ liệu định lượng từ các hình ảnh có độ phân giải cao được sử dụng để tạo ra một thuật toán xác định các tổn thương loạn sản vảy cao cấp hoặc SCC xâm lấn trên mô bệnh học.

Hiệu suất cao nhất đã đạt được khi sử dụng vùng hạt nhân trung bình làm đầu vào để phân loại, dẫn đến độ nhạy và độ đặc hiệu là 93% và 92% trong tập huấn luyện, 87% và 97% trong tập thử nghiệm, 84% và 95% trong tập bộ xác nhận độc lập, tương ứng. Kỹ thuật cắt niêm mạc EMR là một kỹ thuật được sử dụng để điều trị các khối u có độ sâu xâm lấn dưới niêm mạc 1 (SM1), trong khi phẫu thuật cắt bỏ có/ không xạ trị hóa chất thường được sử dụng cho các trường hợp SCC có khối u xâm nhập sâu hơn SM2.

Theo đó, ước tính nội soi trước phẫu thuật về độ sâu xâm lấn của ESCC là rất quan trọng. Gần đây, một sự cải tiến nhanh chóng trong việc ứng dụng AI với DL trong y học đã được nhận ra. Một nghiên cứu của Tokai và cộng sự, đã đánh giá hiệu quả của AI trong việc đo độ sâu xâm lấn của ESCC trong một bộ 1751 hình ảnh huấn luyện ESCC. AI đã nhận ra 95,5% (279/291) của ESCC trong 10 hình ảnh thử nghiệm khi phân tích 279 hình ảnh mà nó dự đoán chính xác độ sâu xâm lấn của ESCC với độ nhạy 84,1% và độ chính xác 80,9% trong 6 giây, chính xác hơn nhiều đối với ước tính độ sâu xâm lấn của ESCC từ các bác sĩ nội soi.

Để chủ động bảo vệ sức khỏe, những đối tượng trên 40 tuổi, có tiền sử viêm teo dạ dày, viêm dạ dày mạn tính; Barrett thực quản; khối u dưới niêm mạc cần soi định kỳ kiểm tra; người bị thiếu máu không rõ nguyên nhân, sau cắt dạ dày, tiền sử gia đình có người mắc ung thư dạ dày nên tầm soát ung thư tiêu hóa đình kỳ. Hiện nay, Vinmec cung cấp Gói tầm soát và phát hiện sớm ung thư đường tiêu hóa (thực quản - dạ dày - đại tràng) kết hợp khám lâm sàng và cận lâm sàng để đem lại kết quả chính xác nhất có thể. Với gói khám này, bạn sẽ được:

• Khám Chuyên khoa Nội tiêu hóa;
• Nội soi dạ dày và nội soi đại tràng với máy nội soi NBI có gây mê;
• Nội soi dạ dày và nội soi đại tràng có gây mê;
• Xét nghiệm mô bệnh học thường quy cố định, chuyển, đúc, cắt, nhuộm...các bệnh phẩm sinh thiết (ống tiêu hóa trên (thực quản, dạ dày, tá tràng, papilla) qua nội soi;
• Xét nghiệm mô bệnh học thường quy cố định, chuyển, đúc, cắt, nhuộm...các bệnh phẩm sinh thiết (ống tiêu hóa dưới qua nội soi (đại tràng, trực tràng).

Nếu có nhu cầu khám và sử dụng các gói dịch vụ tại Vinmec, bạn hãy đăng ký đặt lịch ngay tại website hoặc liên hệ đến hệ thống hotline của Vinmec để được tư vấn chi tiết.

Tài liệu tham khảo

1. Russell S, Norvig P. Artificial Intelligence: A Modern Approach, Global Edition. 3rd editon. London: Pearson, 2016.
2. Gaetano Cristian Morreale, Emanuele Sinagra, và cộng sự, Emerging artificial intelligence applications in gastroenterology: A review of the literature, Artif Intell Gastrointest Endosc. Jul 28, 2020; 1(1): 6-18