Phân tầng nguy cơ bệnh nhân để tránh bỏ sót polyp đại trực tràng và vai trò của trí tuệ nhân tạo

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

Ung thư đại trực tràng (CRC) là loại ung thư phổ biến thứ ba trên toàn thế giới. Năm 2015, có 1,7 triệu ca mắc mới, dẫn đến hơn 800000 ca tử vong trên toàn thế giới. Nội soi đại tràng sàng lọc và cắt polyp đã được chứng minh là có hiệu quả trong việc giảm tỷ lệ mắc bệnh ung thư đại trực tràng cũng như tỷ lệ tử vong do ung thư liên quan.

Nội soi đại tràng không phải là bằng chứng rủi ro và ung thư đại trực tràng vẫn có thể phát triển trong một khoảng thời gian ngắn sau khi nội soi đại tràng không phát hiện ung thư trong lần soi đó.

Trong đó, ung thư đại trực tràng sau nội soi (PCCRC) là thuật ngữ được ưu tiên sử dụng để xác định các loại ung thư xuất hiện sau nội soi mà không có ung thư nào được chẩn đoán. Cụ thể, PCCRC có thể được chia nhỏ thành “ung thư khoảng thời gian”, nơi ung thư được xác định trước khi khám sàng lọc hoặc giám sát được đề nghị tiếp theo. PCCRC , hoặc ung thư khoảng thời gian, có thể chiếm tới 9% trong số tất cả các loại ung thư đại trực tràng và thường đi kèm với một kết cục bất lợi. Các nghiên cứu gần đây cho thấy rằng các polyp và u tuyến bị bỏ sót qua nội soi đại tràng chiếm ít nhất 50% của tất cả các PCCRC. Do đó, các cách để giảm thiểu các tổn thương bỏ sót trong quá trình nội soi đại tràng là điều quan trọng để duy trì chất lượng và hiệu quả của nội soi trong việc ngăn ngừa ung thư đại trực tràng.

Điều này được chỉ ra trong một phân tích tổng hợp gần đây rằng có đến 26% người nội soi có thể đã bỏ sót u tuyến. Trong khi nhiều yếu tố có thể ảnh hưởng đến tỷ lệ bỏ sót u tuyến (AMR), yếu tố bác sĩ nội soi được công nhận là một trong những yếu tố quyết định chính của AMR. Tỷ lệ phát hiện u tuyến cao (ADR), khối u tuyến cao trên mỗi lần nội soi chỉ số và khối u tuyến cao trên mỗi lần nội soi chỉ số dương tính của bác sĩ nội soi đều cho thấy có liên quan âm tính với AMR. Đặc biệt, u tuyến cao hơn trên mỗi lần nội soi đại tràng có chỉ số dương tính có liên quan độc lập với tỷ lệ bỏ sót u tuyến tiên tiến thấp hơn, đây là một yếu tố dự báo quan trọng cho PCCRC. Một cách trực quan, các cách cải thiện ADR cũng có thể giúp giảm thiểu AMR.

Mặc dù “sai sót là do con người”, việc giảm thiểu các yếu tố con người, chẳng hạn như mất tập trung, mệt mỏi, suy giảm mức độ tỉnh táo, nhận thức thị giác và lỗi nhận dạng, có thể là chìa khóa để cải thiện khả năng phát hiện u tuyến và do đó giảm tỷ lệ bỏ sót. Ngoài ra, các yếu tố bệnh nhân, chủ yếu là chuẩn bị ruột không tốt, cũng liên quan đến ADR thấp hơn và AMR cao hơn. Tuy nhiên, có sự khác biệt tối thiểu giữa chuẩn bị ruột chất lượng tốt và chất lượng tốt trong ADR và ​​AMR, ngụ ý rằng ít nhất phải đạt được sự chuẩn bị ruột hợp lý. Thời gian đầy đủ, tối thiểu là 6 phút, là một biện pháp chất lượng quan trọng khác để tối ưu hóa ADR và ​​AMR. Một yếu tố khác có thể cải thiện ADR và ​​giảm AMR là việc sử dụng các kỹ thuật phụ trợ. Có một số lượng lớn các kỹ thuật phụ trợ, bao gồm nội soi đại tràng qua hai lần, quặt ngược dây soi trong đại tràng bên phải, nội soi đại tràng hỗ trợ bằng nước, phương pháp tiếp cận phát hiện theo nhóm (bác sĩ nội soi và y tá có kinh nghiệm), nội soi góc rộng, nội soi độ nét cao có hoặc không có kỹ thuật hình ảnh đặc biệt và các thiết bị bổ trợ, đã được báo cáo là làm tăng ADR.

Trí tuệ nhân tạo (AI) đã được ứng dụng trong lĩnh vực y tế từ đầu những năm 1950. AI được định nghĩa là bất kỳ máy nào có chức năng nhận thức bắt chước con người, ví dụ như giải quyết vấn đề hoặc học tập. Mô hình học máy, là một loại phụ của AI, được đặc trưng bởi một tập hợp các phương pháp có thể tự động phát hiện các mẫu trong dữ liệu và sau đó sử dụng các mẫu chưa được phát hiện để dự đoán kết quả. Các hệ thống AI thông thường sử dụng một loại mô hình học máy được giám sát để trích xuất các hiệp biến của dữ liệu đào tạo để đạt được nhận dạng hoặc phân loại mẫu. Điều quan trọng cần lưu ý là mỗi phần thông tin được đưa vào biểu diễn của bệnh nhân được gọi là hiệp biến, và loại máy học truyền thống, ví dụ:., hồi quy logistic, chỉ kiểm tra các mối quan hệ của "biến cố xác định trước" với kết quả. Tuy nhiên, mô hình học máy không thể thay đổi cách xác định các hiệp biến. Mô hình học sâu thực sự giải quyết vấn đề này bằng cách xác định các hiệp biến và xây dựng các khái niệm phức tạp từ các hiệp biến đơn giản, đặc biệt hữu ích trong việc phân loại hình ảnh và vị trí đối tượng vì các đặc điểm của một nhóm các đối tượng tương tự có thể phức tạp và khó xác định bởi con người (Hình 1).

Mô hình học sâu ngày càng được sử dụng nhiều hơn trong việc phát hiện các polyp đại trực tràng

Trong những năm gần đây, mô hình học sâu ngày càng được sử dụng nhiều hơn trong việc phát hiện và xác định vị trí của các polyp đại trực tràng. Sau khi dữ liệu đào tạo được cung cấp với nhãn thích hợp, mô hình học sâu có thể tự động trích xuất các tính năng quan trọng trong dữ liệu đào tạo để phân biệt và phân loại. Không cần sự can thiệp hoặc chỉ dẫn của con người, các thông số bên trong của mỗi "nơ-ron" trong một lớp đơn lẻ sẽ được điều chỉnh theo hướng mô hình có mức độ sai sót ít nhất. Kiến trúc phổ biến nhất được sử dụng trong mô hình học sâu của các nghiên cứu nội soi đại tràng ban đầu là mạng nơ-ron phức tạp, mô phỏng cấu trúc của não người và chứa nhiều lớp với "tế bào thần kinh nhân tạo" dưới mỗi lớp. Các lớp phức tạp thực sự hoạt động như một bộ lọc để trích xuất các tính năng quan trọng từ hình ảnh hoặc dữ liệu gốc. Các lớp gộp có thể giảm kích thước các tham số của các lớp để hợp lý hóa việc tính toán bên dưới. Cuối cùng, với các lớp được kết nối đầy đủ, các tính năng này được kết hợp với nhau để tạo ra một mô hình để phân loại các đầu ra khác nhau.

Phân tích tổng hợp của các tác giả về các nghiên cứu AI được công bố gần đây về phát hiện polyp đại trực tràng cho thấy rằng một hệ thống AI được thiết kế tốt có thể đạt được độ chính xác hơn 90%. So với thuật toán dựa trên máy học truyền thống, các nghiên cứu sử dụng mô hình học sâu được phát hiện có độ chính xác cao (lên đến 91%) với độ nhạy tổng hợp là 94% và độ đặc hiệu là 92% khi phát hiện polyp đại trực tràng.

Tuy nhiên, hầu hết các nghiên cứu đã được công bố trước đây đều mang tính chất hồi cứu và có rất ít nghiên cứu thời gian thực chất lượng cao về việc sử dụng AI trên bệnh nhân thực tế cho đến gần đây. Thử nghiệm ngẫu nhiên có đối chứng đầu tiên được báo cáo vào năm 2019 bởi Wang và cộng sự. Họ đã chỉ ra rằng việc sử dụng hệ thống phát hiện polyp tự động theo thời gian thực (CADe) dựa trên kiến ​​trúc học sâu có thể làm tăng ADR ở những bệnh nhân có tỷ lệ u tuyến thấp (20% -30%). Trong số 1130 bệnh nhân được chọn ngẫu nhiên, ADR của nhóm CADe cao hơn đáng kể so với nhóm nội soi đại tràng thông thường (0,29 so với 0,20, P < 0,001). Số lượng trung bình của polyp và u tuyến được phát hiện trong nhóm CADe cũng tăng từ 0,50 lên 0,95 (P < 0,001) và từ 0,31 đến 0,53 ( P < 0,001), tương ứng khi so sánh với nội soi đại tràng thông thường.

Năm thử nghiệm ngẫu nhiên có đối chứng được công bố gần đây (RCT) vào năm 2020 một lần nữa khẳng định rằng nội soi đại tràng có sự hỗ trợ của AI đã làm tăng đáng kể tỷ lệ phát hiện u tuyến khi so với nội soi đại tràng thông thường. Wang và cộng sự đã báo cáo thêm một RCT khác để so sánh hệ thống CADe với hệ thống giả mạo. Một lần nữa, hệ thống CADe có ADR cao hơn đáng kể so với hệ thống giả mạo (34% so với 28%, P = 0,03). Trong cùng một thử nghiệm, u tuyến hoặc không có răng cưa mà các nhà nội soi bỏ sót được đặc trưng bởi màu đẳng sắc, hình dạng phẳng và nằm ở rìa của trường thị giác hoặc thậm chí một phần phía sau các nếp gấp của ruột kết. Một thử nghiệm đối chứng ngẫu nhiên khác của Repici và cộng sự liên quan đến ba trung tâm ở Ý cũng phát hiện ra rằng hệ thống CADe có liên quan đến ADR cao hơn với tỷ lệ chênh lệch (OR) là 1,30 (95% CI: 1,14-1,45). Phân tích nhóm phụ cho thấy hiệu suất của hệ thống CADe không bị ảnh hưởng bởi kích thước, hình dạng và vị trí của các khối u.

Tài liệu tham khảo

Lui TKL, Leung WK. Is artificial intelligence the final answer to missed polyps in colonoscopy? World J Gastroenterol 2020; 26(35): 5248-5255 [PMID: 32994685 DOI: 10.3748/wjg.v26.i35.5248]