Ứng dụng trí tuệ nhân tạo trong chẩn đoán mô bệnh học bệnh lý ung thư tuyến tụy

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.

Sự xuất hiện và phát triển của ung thư tuyến tụy rất phức tạp và có thể thay đổi tình trạng của bệnh nhân. Về vấn đề này, ứng dụng của trí tuệ nhân tạo có thể được áp dụng để chẩn đoán và thu lại kết quả xử lý dữ liệu khách quan. Tuy nhiên, ứng dụng trí tuệ nhân tạo trong y tế không độc lập và hầu hết chỉ có thể được sử dụng như một công cụ phụ trợ.

Thuật toán “Học sâu” đề cập đến một thuật toán hình ảnh ANN có nhiều lớp ẩn. Sử dụng kỹ thuật này, các chất chỉ điểm khối u nang, amylase, tế bào học và các thông tin khác được nhập vào và sau đó kết hợp với hai dữ liệu, lớp đầu ra cho biết tổn thương nang tụy là lành tính hay ác tính. Một số nhà nghiên cứu cũng đã đề xuất khung kỹ thuật phân loại có giám sát để mở rộng chẩn đoán ung thư tuyến tụy, miễn là có thể nhập hồ sơ biểu hiện của một tế bào đơn lẻ nhằm tiết lộ danh tính của nó.

Các dự án đầu vào cụ thể khi bắt đầu lập mô hình là cần thiết cho việc học máy và phân tích mạng nơ-ron. Tuy nhiên, đối với các nhà nghiên cứu chưa thực hiện phân tích dữ liệu thì không biết dữ liệu thô nào là cần thiết và không cần thiết. Dữ liệu vô dụng chỉ đơn giản là tăng khối lượng công việc và cũng có thể trở thành độ đặc hiệu và độ nhạy của mô hình. Trong khi đó, việc chỉnh sửa mô hình cũng đặt ra một vấn đề đáng kể. Mặc dù trí tuệ nhân tạo có thể tiết kiệm thời gian, nhưng ngưỡng và khối lượng công việc trong thiết lập các chương trình trí tuệ nhân tạo là điều cấm đối với những người không chuyên nghiệp, thiếu nền tảng về toán học và lập trình.

Sự xuất hiện và phát triển của ung thư tuyến tụy rất phức tạp và có thể thay đổi tình trạng của bệnh nhân. Về vấn đề này, ứng dụng của trí tuệ nhân tạo có thể được áp dụng để chẩn đoán và thu lại kết quả xử lý dữ liệu khách quan. Tuy nhiên, ứng dụng trí tuệ nhân tạo trong y tế không độc lập và hầu hết chỉ có thể được sử dụng như một công cụ phụ trợ. Những với sự phát triển và cải tiến liên tục, trí tuệ nhân tạo cuối cùng có thể có một ứng dụng phổ quát hơn.

Mối quan hệ giữa ứng dụng của trí tuệ nhân tạo và hình ảnh liên quan đến kiến ​​thức từ nhiều lĩnh vực khác nhau như bệnh học, X quang, ung thư và khoa học máy tính. Do đó, một hệ thống trí tuệ nhân tạo thông minh hơn có thể được xây dựng thông qua công việc kết hợp của các chuyên gia từ nhiều lĩnh vực. Việc thu nhận hình ảnh trí tuệ nhân tạo được thảo luận dựa trên việc phân đoạn tuyến tụy từ hình ảnh. Phương pháp phân đoạn truyền thống là một phương pháp lắp mô phỏng từ trên xuống, dựa trên một lượng lớn dữ liệu đầu vào bản đồ và hợp nhất nhãn tụy cố định. Tuy nhiên, cũng có một phương pháp phân đoạn tụy từ dưới lên để chia nhỏ vùng hình ảnh tổng hợp thành vùng có tụy và vùng không có tụy. Việc phân đoạn dựa trên các đặc điểm trực quan của hình ảnh có thể cải thiện độ chính xác của phân đoạn tụy. Có báo cáo rằng, phương pháp phân đoạn tụy từ dưới lên đã được tối ưu hóa. Với sự cải thiện của mạng lưới nơron xoắn sâu, phương pháp này có thể xử lý sự xuất hiện phức tạp của tuyến tụy trong hình ảnh chụp CT.

Dựa vào những điều trên, chúng ta có thể thấy rằng việc ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư tuyến tụy đã có những bước tiến đáng kể và không ngừng được cải thiện.

Các nhà giải phẫu bệnh cần xác định các mô bị bệnh ở các phần mô khác nhau, đây là một quá trình tốn nhiều thời gian và công sức. Ngay cả những chuyên gia có kinh nghiệm cũng có thể gặp rủi ro do nhận định chủ quan. Cũng như việc ứng dụng trí của tuệ nhân tạo trong chẩn đoán hình ảnh, phương pháp này cũng rất quan trọng trong lĩnh vực bệnh học, trong đó các phần mô được số hóa bằng máy tính.

Đầu tiên, hệ thống trí tuệ nhân tạo phân chia lòng mạch và nhân từ các mảnh mô cũng như chiết xuất đặc trưng vectơ từ nhân biểu mô gấp mười lần. Các ô khác nhau có các vectơ đặc trưng khác nhau. Một thuật toán nhân biểu mô được sử dụng để xác định nhân biểu mô. Sau đó, các đặc điểm hình thái của bệnh có thể sẽ được trích xuất. Cuối cùng, bộ phân loại trí tuệ nhân tạo được sử dụng để phân loại.

Dựa trên khung học tập tự động, các ô có thể được phân đoạn chính xác hơn bằng cách kết hợp thông tin từ dưới lên và từ trên xuống. Sau khi thu thập các mẫu mô của bệnh nhân, các bức ảnh mô được thu thập một cách đồng nhất. Mô hình mạng nơ-ron tích tụ của mạng nơ-ron tích tụ sâu được sử dụng để tạo ra một bản đồ xác suất của sự phân bố hạt nhân mô. Sau đó, phương pháp hợp nhất vùng lặp lại được sử dụng để khởi tạo hình dạng của đồ thị xác suất. Tiếp theo, kết hợp một mô hình hình dạng thưa thớt với sự chọn lọc ổn định và một mô hình biến dạng đẩy cục bộ, một thuật toán phân đoạn mới được đề xuất để tách một hạt nhân duy nhất.

Do các đặc điểm học tập tính năng của mạng lưới tế bào thần kinh sâu và các đặc điểm của hình dạng cấp cao trước khi mô hình hóa, phương pháp đề xuất này đủ phổ biến và có thể được áp dụng cho các mẫu nhuộm, mô bệnh học khác nhau. Mô hình này không chỉ ít bị ảnh hưởng bởi sự chồng chéo của các mô và tế bào bệnh lý mà còn tương đối nhạy cảm với nhiễu hình ảnh và cường độ không đồng đều. Các bộ dữ liệu nhuộm mô khác nhau được thử nghiệm, có thể xác định và dán nhãn vùng tập trung của nhân.

Ngoài bộ phân loại trí tuệ nhân tạo, mạng lưới thần kinh cũng đóng một vai trò quan trọng trong việc phân tích hình ảnh để xác định xem bệnh lý là lành tính hay ác tính. Sau khi thu thập một lượng nhất định chọc hút bằng kim nhỏ bệnh lý của khối u tuyến tụy, một hình ảnh bệnh lý được chụp để xử lý trước (chuyển đổi màu xám hình ảnh và giảm nhiễu). Sau đó, thuật toán phân cụm K-mean được sử dụng để trích xuất giá trị cao nhất của các pixel cho đến khi tất cả bằng nhau. Phần hình ảnh cần xác định được phân đoạn để mô có thể thu được các đặc điểm nhân cơ bản, được sử dụng để đánh giá đặc điểm hình thái tế bào. Các tính năng này được đưa vào perceptron đa lớp trí tuệ nhân tạo (một mạng nơron phi tuyến truyền thẳng) dưới dạng vectơ đầu vào và các quyết định được thực hiện bởi perceptron này được gửi đến perceptron lớp thứ hai bằng cách sử dụng đánh giá hình ảnh.

Bởi vì có một số trường hợp xác nhận nhất định, độ chính xác chẩn đoán của tổn thương lành tính và ác tính có thể được đánh giá bằng các phương pháp thống kê (hồi quy logistic, hồi quy bội số, diện tích dưới đường cong và bình phương R). Khác với chẩn đoán hình ảnh, chẩn đoán bệnh lý chú ý nhiều hơn đến độ chính xác. Do đó, ứng dụng của trí tuệ nhân tạo có rất nhiều cơ hội để cải thiện độ chính xác của chẩn đoán bổ trợ, điều này chắc chắn sẽ mất một thời gian dài để phát triển.

Hiện nay, Bệnh viện Đa khoa Quốc tế Vinmec đã và đang triển khai các gói sàng lọc ung thư. Tại Vinmec có đầy đủ các phương tiện chẩn đoán hiện đại như: PET/CT, SPECT/CT, MRI..., xét nghiệm huyết tủy đồ, mô bệnh học, xét nghiệm hóa mô miễn dịch, xét nghiệm gen, xét nghiệm sinh học phân tử, cũng như có đầy đủ các loại thuốc điều trị đích, thuốc điều trị miễn dịch tiên tiến nhất trong điều trị ung thư. Điều trị ung thư đa mô thức từ phẫu thuật, xạ trị, hoá trị, ghép tế bào gốc tạo máu, liệu pháp nhắm trúng đích, liệu pháp miễn dịch trong điều trị ung thư, các điều trị mới như liệu pháp miễn dịch tự thân, nhiệt trị...

Nhờ có cơ sở vật chất hiện đại, đội ngũ y bác sĩ giàu chuyên môn, dịch vụ y tế hoàn hảo đã đem lại niềm tin, sức khỏe và chất lượng cuộc sống tốt cho bệnh nhân đến thăm khám và điều trị bệnh tại Vinmec.

Tài liệu tham khảo:

1. Adamska A, Domenichini A, Falasca M. Ung thư biểu mô tuyến tụy: Các liệu pháp hiện tại và đang phát triển. Int J Mol Sci . Năm 2017; 18 : 1338. [ PubMed ] [ DOI ]

2. Halbrook CJ, Lyssiotis CA. Sử dụng quá trình trao đổi chất để cải thiện chẩn đoán và điều trị ung thư tuyến tụy. Tế bào ung thư . Năm 2017; 31 : 5-19. [ PubMed ] [ DOI ]

3. Ngiam KY, Khor IW. Dữ liệu lớn và các thuật toán học máy để cung cấp dịch vụ chăm sóc sức khỏe. Lancet Oncol . Năm 2019; 20 : e262-e273. [ PubMed ] [ DOI ]