Trí tuệ nhân tạo AI trong việc xác định nhiễm khuẩn helicobacter pylori

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

Trí tuệ nhân tạo có khả năng được áp dụng trong quá trình nội soi đại tràng để tự động phát hiện ra các polyp đại trực tràng và phân biệt giữa polyp ung thư và không phải ung thư, với khả năng cải thiện tỷ lệ phát hiện u tuyến, tỷ lệ này thay đổi rộng giữa các bác sĩ nội soi khi thực hiện kiểm tra nội soi đại tràng. Hiện nay có rất nhiều phương pháp xét nghiệm H.pylori được áp dụng trong lâm sàng và nghiên cứu. Tùy theo phương pháp đó có cần qua nội soi dạ dày tá tràng hay không, người ta chia làm hai nhóm là: các phương pháp xâm lấn và các phương pháp không xâm lấn

Trí tuệ nhân tạo (AI) cho phép máy móc cung cấp giá trị đột phá trong một số ngành và ứng dụng. Các ứng dụng của kỹ thuật AI, đặc biệt là học máy (machine learning) và gần đây là học sâu (deep learning), đang phát triển trong khoa tiêu hóa. Chẩn đoán có sự hỗ trợ của máy tính cho nội soi đường tiêu hóa trên ngày càng được chú ý để xác định tự động và chính xác chứng loạn sản trong thực quản Barrett, cũng như để phát hiện ung thư dạ dày sớm (GCs), do đó ngăn ngừa các khối u ác tính ở thực quản và dạ dày. Bên cạnh đó, công nghệ mạng lưới thần kinh phức tạp có thể đánh giá chính xác tình trạng nhiễm vi khuẩn Helicobacter pylori (H. pylori) trong quá trình nội soi tiêu chuẩn mà không cần sinh thiết, do đó, giảm nguy cơ ung thư dạ dày. Trí tuệ nhân tạo có khả năng được áp dụng trong quá trình nội soi đại tràng để tự động phát hiện ra các polyp đại trực tràng và phân biệt giữa polyp ung thư và không phải ung thư, với khả năng cải thiện tỷ lệ phát hiện u tuyến, tỷ lệ này thay đổi rộng giữa các bác sĩ nội soi khi thực hiện kiểm tra nội soi đại tràng. Ngoài ra, AI cho phép thiết lập tính khả thi của thủ thuật cắt bỏ polyp qua nội soi các tổn thương polyp đại tràng có kích thước lớn dựa trên các đặc điểm bề mặt và thay đổi vi mạch máu.

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.

Hiện nay có rất nhiều phương pháp xét nghiệm H.pylori được áp dụng trong lâm sàng và nghiên cứu, được chia làm 2 nhóm: các phương pháp xâm lấn và các phương pháp không xâm lấn, tùy theo phương pháp đó có cần qua nội soi dạ dày tá tràng hay không.

3.1. Phương pháp xét nghiệm H.pylori có xâm lấn

Qua nội soi dạ dày và lấy các mảnh sinh thiết để xét nghiệm. Phương pháp xét nghiệm H.pylori có xâm lấn cho phép kiểm tra hình thái tế bào, xác định được chủng HP, nuôi cấy và làm được kháng sinh đồ để xem vi khuẩn tìm được nhạy cảm với loại kháng sinh nào.

Xét nghiệm H.pylori bằng phương pháp test Urease

Dựa trên cơ sở vi khuẩn H.pylori tiết ra nhiều men Urease đã phân hủy ure thành amoniac và làm cho môi trường trở nên kiềm tính, từ đó làm dung dịch ure - Indol màu vàng chuyển màu hồng tím.

Phương pháp xét nghiệm H.pylori này cho độ nhạy( 93- 97%), độ đặc hiệu( 95 - 100%).

Xét nghiệm bằng phương pháp mô bệnh học

Bệnh phẩm được cố định bằng Formol 10% được xử lý theo phương pháp thông thường, tiến hành nhuộm màu, sau đó quan sát vi khuẩn Hp dưới kính hiển vi.

Phương pháp xét nghiệm H.pylori này cho độ nhạy > 95%, độ đặc hiệu( 94 - 98%).

Xét nghiệm H.pylori bằng phương pháp nuôi cấy

Mảnh sinh thiết được nghiền trong 0,5ml dung dịch muối sinh lý trong vài giây, sau đó được cấy vào trong môi trường vận chuyển chuyên dụng cho H.pylori( Portagerm pylori).

Phương pháp xét nghiệm H.pylori này cho độ nhạy (70 - 80%), độ đặc hiệu 100%. Phương pháp này đặc biệt cần thiết trong các trường hợp cần phải thử độ nhạy kháng sinh trong điều trị H.pylori. Nhược điểm của phương pháp này là cần yêu cầu trên môi trường chuyên biệt, có khí trường CO2 và thời gian nuôi cấy dài (10- 14 ngày).

Xét nghiệm H.pylori bằng phương pháp PCR

Đây là kỹ thuật sinh học phân tử dựa trên nguyên lý khuếch đại gen.

3. 2. Phương pháp xét nghiệm H.pylori không xâm lấn

Có nhiều phương pháp không xâm lấn đã được sử dụng, tuy nhiên 3 phương pháp sau được sử dụng nhiều nhất vì cho độ nhạy cao, dễ sử dụng và ngày càng được ứng dụng nhiều.

Xét nghiệm H.pylori bằng phương pháp test thở CO2 phóng xạ

Xét nghiệm này là một phương pháp xét nghiệm H. pylori dựa trên khả năng của H.pylori phân hủy thành CO2 và amoniac. Bạn sẽ uống một dung dịch ure phóng xạ C13 hoặc C14, khi có mặt H.pylori, ure phóng xạ này sẽ bị phân hủy và giải phóng ra CO2 phóng xạ, chất này hấp thu vào máu và được thải qua phổi trong khi thở ra, sau đó bác sĩ hoặc kỹ thuật viên sẽ đo CO2 phóng xạ. Các mẫu khí thở ra được phân tích tìm phóng xạ bằng máy đếm nhấp nháy hoặc quang phổ kế.

• Test thở với urea phóng xạ C13 có ưu điểm là không bị nhiễm xạ, an toàn, có thể dùng được cho trẻ em, phụ nữ mang thai và cho con bú.
• Test thở với urea phóng xạ C14 có giá thành thấp hơn nhưng có nhiễm xạ với liều nhỏ (1/1000 lần so với chụp X-quang). Test này không dùng cho phụ nữ có thai, tuổi sinh nở, cho con bú và trẻ nhỏ.

Phương pháp này cho độ nhạy 85%, độ đặc hiệu 79%.

Xét nghiệm H.pylori bằng phương pháp test huyết thanh

Phương pháp xét nghiệm H.pylori này dựa trên sự xuất hiện của kháng thể HP trong huyết thanh. Phương pháp này cho kết quả nhanh, không phức tạp và dùng để chẩn đoán người bệnh mới, hay nghiên cứu dịch tễ học.

Xét nghiệm H.pylori bằng phương pháp tìm kháng thể H.pylori trong phân

Phương pháp xét nghiệm H.pylori này phát hiện kháng nguyên H.pylori trong phân, có giá trị trong chẩn đoán nhiễm HP ở trẻ em, người lớn, có thể sử dụng trong đánh giá kết quả điều trị.

Phương pháp này có độ nhạy (91- 98%), độ đặc hiệu (94- 99%).

4. Ứng dụng của trí tuệ nhân tạo AI trong chẩn đoán H.pylori

Nội soi thường được thực hiện để tầm soát ung thư dạ dày và các bệnh khác. Nó cũng hữu ích để kiểm tra chi tiết các triệu chứng khác nhau ở thượng vị, chụp X-quang tiêu hóa trên cản quang dương tính đối với các bệnh dạ dày và mức pepsinogen huyết thanh bất thường. Ngoài ra, khám nội soi cũng hữu ích trong việc chẩn đoán nhiễm H. pylori; viêm teo, đỏ lan tỏa, phù nề niêm mạc, nếp gấp mở rộng và nốt sần là những phát hiện đại diện cho viêm dạ dày dương tính với H. pylori, trong khi sự sắp xếp đều đặn của các tiểu tĩnh mạch và polyp tuyến cơ là đặc điểm của niêm mạc dạ dày âm tính với H. pylori (Kato, 2016). Nội soi chẩn đoán chính xác nhiễm H. pylori sẽ kích hoạt xác nhận bằng các xét nghiệm khác nhau như anti-H trong máu hoặc nước tiểu. nồng độ pylori IgG, xét nghiệm kháng nguyên trong phân, xét nghiệm hơi thở urease hoặc xét nghiệm urease nhanh.

Tuy nhiên, chẩn đoán dựa trên kết quả nội soi đòi hỏi phải được đào tạo (Sugano và cộng sự, 2015, Watanabe và cộng sự, 2013), tốn thời gian và chủ quan, và có thể dẫn đến kết quả dương tính giả và âm tính giả tùy thuộc vào kỹ năng của bác sĩ nội soi. Hơn nữa, mệt mỏi có thể ảnh hưởng bất lợi đến kết quả chẩn đoán của cuộc khảo sát được trình bày trong một báo cáo gần đây, trong đó tỷ lệ phát hiện u tuyến qua nội soi đại tràng giảm khi số giờ làm thủ thuật ngày càng tăng (Almadi và cộng sự, 2015).

Các báo cáo gần đây cho thấy vai trò của trí tuệ nhân tạo (AI) sử dụng học sâu trong các lĩnh vực y tế khác nhau, đặc biệt là một hệ thống có khả năng sàng lọc hình ảnh y tế, trong các lĩnh vực bao gồm ung thư học bức xạ (Bibault và cộng sự, 2016), phân loại ung thư da (Esteva và cộng sự, 2017), và bệnh võng mạc tiểu đường (Gulshan và cộng sự, 2016). Trong bối cảnh hình ảnh y tế, học sâu có tiềm năng trở thành một kỹ thuật máy học mạnh mẽ có thể giải thích hình ảnh y tế dựa trên một tập hợp các thuật toán độc đáo được phát triển bởi dữ liệu tích lũy trong lịch sử (LeCun và cộng sự, 2015). Học sâu cho phép các mô hình tính toán bao gồm nhiều lớp xử lý để tìm hiểu cách biểu diễn dữ liệu với nhiều mức trừu tượng (LeCun và cộng sự, 2015).

Mạng nơ ron phức hợp (CNN) đã được phát triển bởi Szegedy và cộng sự, và là kiến ​​trúc mạng phổ biến nhất để học sâu cho hình ảnh. Để đánh giá liệu CNN có vai trò trong việc xác định nhiễm H. pylori dựa trên hình ảnh nội soi hay không, Một nhóm tác giả Nhật bản đã xây dựng một hệ thống chẩn đoán dựa trên AI được đào tạo sử dụng> 30.000 hình ảnh nội soi. Các tác giả đã thử nghiệm hệ thống này bằng cách so sánh độ chính xác chẩn đoán viêm dạ dày do H. pylori của nó với kết quả chẩn đoán của các bác sĩ nội soi. Họ đã đi đến kết luận: Viêm dạ dày do H. pylori có thể được chẩn đoán dựa trên hình ảnh nội soi sử dụng CNN với độ chính xác cao hơn và trong thời gian ngắn hơn đáng kể so với chẩn đoán thủ công bởi các bác sĩ nội soi.

5. Một số nghiên cứu về AI trong chẩn đoán H.pylori

Helicobacter pylori (H. pylori) nhiễm vào tế bào biểu mô dạ dày và có liên quan đến rối loạn tiêu hóa chức năng, loét dạ dày tá tràng, teo niêm mạc, chuyển sản ruột và ung thư dạ dày. Viêm dạ dày mãn tính liên quan đến H. pylori cũng có thể làm tăng nguy cơ mắc ung thư dạ dày. Công nghệ mạng nơ-ron phức tạp CNN có thể đánh giá chính xác tình trạng nhiễm H. pylori trong quá trình nội soi thông thường mà không cần sinh thiết. Trong một nghiên cứu thử nghiệm của Zheng và cộng sự , các tác giả đã đưa ra Hệ thống hỗ trợ quyết định có sự hỗ trợ của máy tính sử dụng mạng nơ-ron phức tạp CNN để ước tính nhiễm H. pylori dựa trên hình ảnh nội soi. Từ 1959 bệnh nhân, 77% được chỉ định vào nhóm xác nhận (1507 bệnh nhân; 11729 hình ảnh dạ dày) và 56% trong số họ bị nhiễm H. pylori (847), trong khi 23% được chọn vào nhóm xác nhận (452) và 69% bệnh nhân bị nhiễm H. pylori (310; tổng số 3755 hình ảnh).

Huang và cộng sự đã áp dụng mạng lưới thần kinh (lựa chọn đặc điểm tinh chỉnh với mạng thần kinh, RFSNN) để dự đoán các dấu hiệu mô học dạ dày liên quan đến H. pylori dựa trên hình ảnh nội soi tiêu chuẩn. Các tác giả đã đào tạo mô hình bằng cách sử dụng hình ảnh nội soi của 30 bệnh nhân và sử dụng các thông số hình ảnh được lấy từ một nhóm thuần tập khác gồm 74 bệnh nhân để tạo ra một mô hình dự đoán nhiễm H. pylori, cho thấy độ nhạy 85% và độ đặc hiệu 91% để xác định nhiễm H. pylori . Hơn nữa, RFSNN cho thấy độ chính xác cao hơn 80% trong việc dự đoán sự hiện diện của bệnh teo dạ dày, chuyển sản ruột và mức độ nghiêm trọng của viêm dạ dày liên quan đến H. pylori.

Shichijo và cộng sự đã tạo ra một mạng nơ-ron phức tạp sâu 22 lớp để dự đoán nhiễm H. pylori trong quá trình nội soi thời gian thực. Một bộ dữ liệu bao gồm 32208 hình ảnh của 735 bệnh nhân dương tính với H. pylori và 1015 bệnh nhân âm tính với H. pylori đã được xử lý. Độ nhạy / độ đặc hiệu / độ chính xác, tương ứng là 81,9 / 83,4 / 83,1% đối với CNN đầu tiên và 88,9 / 87,4 / 87,7%, tương ứng với CNN thứ cấp, sử dụng trong cả hai trường hợp với thời gian tương tự (198 giây và 194 giây , tương ứng).

Một nhóm nghiên cứu khác đã phát triển một CNN, chuẩn bị 179 hình ảnh nội soi thu được từ 139 bệnh nhân (65 người là H. pylori dương tính và 74 H. pylori âm tính). Một trăm năm mươi chín trong số tất cả các hình ảnh đã được sử dụng làm hình ảnh huấn luyện cho một mạng lưới thần kinh tiêu chuẩn và 30 hình ảnh còn lại (15 trong số các bệnh nhân H. pylori âm tính và 15 trong số các bệnh nhân dương tính với H. pylori) làm hình ảnh thử nghiệm. Mô hình CAD cho thấy độ nhạy và độ đặc hiệu 87% để phát hiện nhiễm H. pylori với AUC là 0,96.

Nakashima và cộng sự đã sử dụng hình ảnh laser xanh lam (BLI) -bright và hình ảnh màu liên kết (LCI) trên 162 bệnh nhân làm tài liệu nghiên cứu và từ 60 bệnh nhân làm tập dữ liệu thử nghiệm. Từ mỗi bệnh nhân, lần lượt thu được ba hình ảnh ánh sáng trắng (WLI), ba BLI và ba hình ảnh màu liên kết (LCI; Fujifilm Corp.). Đối với WLI, AUC là 0,66.

Nhìn chung, AI đang cách mạng hóa công nghệ và tác động đến các khía cạnh đạo đức khác như thay thế công việc của con người bằng máy móc, nhưng đây luôn là một câu hỏi mở kể từ cuộc cách mạng công nghiệp. Điều có thể làm là thúc đẩy sự hợp tác lẫn nhau thông qua các ứng dụng nội soi tiêu hóa, để cùng hưởng lợi từ những thành tựu trong cả hai lĩnh vực khoa học.

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. Colom R, Karama S, Jung RE, Haier RJ. Human intelligence and brain networks. Dialogues Clin Neurosci. 2010;12:489-501. [PuMed]
3. 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