Vai trò của trí tuệ nhân tạo AI trong phân tầng nguy cơ của ung thư sớm thực quản

Bài viết bởi 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

Do diễn tiến nhanh và tiên lượng xấu của ung thư thực quản (EC) nên việc phát hiện và chẩn đoán sớm ung thư thực quản có giá trị rất lớn trong việc cải thiện tiên lượng cho bệnh nhân. Hiện nay, khoa học đã ứng dụng trí tuệ nhân tạo trong phân tầng nguy cơ của ung thư sớm thực quản.

Chữ viết tắt:

EC: Ung thư thực quản

AI: artificial intelligence

BE: Barrett thực quản

Trí tuệ nhân tạo (AI: Artificial Intelligence) có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. AI là một bộ phận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý lý thuyết vững chắc, có khả năng ứng dụng được của lĩnh vực này.

Trí tuệ nhân tạo là nghiên cứu về cách chế tạo những cỗ máy có khả năng thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người.

AI(Artificial Intelligence) bao gồm nhiều lĩnh vực nghiên cứu, từ thuật toán di truyền đến các hệ thống chuyên gia và cung cấp phạm vi cho các lập luận về những gì cấu thành AI.

Trong lĩnh vực nghiên cứu AI, Machine Learning đã đạt được thành công đáng kể trong những năm gần đây cho phép máy tính vượt qua hoặc tiến gần đến việc kết hợp hiệu suất của con người trong các lĩnh vực từ nhận dạng khuôn mặt đến nhận dạng giọng nói và ngôn ngữ.

Machine Learning là quá trình dạy máy tính thực hiện một nhiệm vụ, thay vì lập trình nó làm thế nào để thực hiện nhiệm vụ đó từng bước một. Khi kết thúc đào tạo, một hệ thống Machine Learning sẽ có thể đưa ra dự đoán chính xác khi được cung cấp dữ liệu. Machine Learning thường được chia thành học có giám sát, trong đó máy tính học bằng ví dụ từ dữ liệu được gắn nhãn và học không giám sát, trong đó các máy tính nhóm các dữ liệu tương tự và xác định chính xác sự bất thường.

Deep Learning là một tập hợp con của Machine Learning, có khả năng khác biệt ở một số khía cạnh quan trọng so với Machine Learning nông truyền thống, cho phép máy tính giải quyết một loạt các vấn đề phức tạp không thể giải quyết được.

Thực tế, hàng loạt vấn đề trong thế giới thực không phù hợp với những mô hình đơn giản như vậy. Một ví dụ về một trong những vấn đề thực tế phức tạp này là nhận ra các số viết tay.

Để giải quyết vấn đề này, máy tính cần phải có khả năng đối phó với sự đa dạng lớn trong cách thức trình bày dữ liệu. Mỗi chữ số từ 0 đến 9 có thể được viết theo vô số cách: kích thước và hình dạng chính xác của mỗi chữ số viết tay có thể rất khác nhau tùy thuộc vào người viết và trong hoàn cảnh nào.

Đối phó với sự biến đổi của các tính năng này và sự lộn xộn tương tác lớn hơn giữa chúng, là nơi học tập sâu và mạng lưới thần kinh sâu trở nên hữu ích.

Mạng lưới thần kinh là các mô hình toán học có cấu trúc được lấy cảm hứng lỏng lẻo từ bộ não. Mỗi nơ-ron trong mạng nơ-ron là một hàm toán học lấy dữ liệu thông qua đầu vào, biến đổi dữ liệu đó thành dạng dễ điều chỉnh hơn và sau đó phun ra thông qua đầu ra.

Do diễn tiến nhanh và tiên lượng xấu của ung thư thực quản (EC) nên việc phát hiện và chẩn đoán sớm ung thư thực quản có giá trị rất lớn trong việc cải thiện tiên lượng cho bệnh nhân. Tuy nhiên, nội soi phát hiện sớm ung thư thực quản, đặc biệt là loạn sản Barrett hoặc loạn sản biểu mô vảy thực quản rất khó. Do đó, yêu cầu về các phương pháp phát hiện các đặc điểm ung thư thực quản sớm hiệu quả hơn đã dẫn đến các nghiên cứu chuyên sâu trong lĩnh vực trí tuệ nhân tạo (AI). Kỹ thuật học và ghi nhớ - Deep learing (DL) đã mang lại những đột phá trong việc xử lý hình ảnh, video và các khía cạnh khác, trong khi hệ thống mạng nơ-ron phức tạp (CNN) đã mở đường cho việc phát hiện hình ảnh và video nội soi có độ phân giải cao. Nhiều nghiên cứu trên hệ thống mạng nơ-ron phức tạp trong phân tích hình ảnh nội soi ung thư thực quản sớm cho thấy hiệu suất tuyệt vời bao gồm độ nhạy và độ đặc hiệu và tiến triển dần dần từ phân tích hình ảnh in vitro để phân loại đến phát hiện thời gian thực của khối u thực quản sớm trên thực hành.

Khi kỹ thuật trí tuệ nhân tạo AI đi vào chẩn đoán bệnh lý, các tổn thương đường viền khó xác định bởi bác sĩ nội soi có thể trở nên dễ dàng hơn trước. Trong chẩn đoán gen, do các dấu hiệu chẩn đoán gen thiếu tính đặc hiệu của mô nên hiện nay chúng chỉ có thể được sử dụng như các biện pháp bổ sung. Trong việc dự đoán nguy cơ ung thư, vẫn còn thiếu các nghiên cứu lâm sàng tiền cứu để khẳng định tính chính xác của mô hình phân tầng nguy cơ.

Ung thư thực quản (EC) là bệnh ung thư phổ biến thứ tám và là nguyên nhân gây tử vong do ung thư đứng hàng thứ sáu trên toàn thế giới. Ung thư thực quản chủ yếu bao gồm ung thư biểu mô tuyến thực quản (EAC) và ung thư biểu mô tế bào vảy thực quản (ESCC). Ung thư biểu mô tuyến thực quản là loại bệnh lý phổ biến nhất ở các nước phương Tây, hơn 40% bệnh nhân mắc ung thư biểu mô tuyến thực quản được chẩn đoán sau khi bệnh đã di căn, và tỷ lệ sống 5 năm dưới 20%.

Mặc dù tỷ lệ mắc ung thư biểu mô tuyến thực quản đang gia tăng trên toàn cầu, ung thư biểu mô tế bào vảy thực quản vẫn là loại bệnh lý phổ biến nhất (80%) trong số tất cả các ung thư thực quản với tỷ lệ mắc bệnh cao nhất trên “vành đai ung thư” kéo dài từ Đông Phi và qua Trung Đông đến châu Á. Chỉ 20% bệnh nhân ung thư biểu mô tế bào vảy thực quản sống sót lâu hơn 3 năm, chủ yếu do chẩn đoán giai đoạn muộn. Ở những nơi có nguồn tài nguyên thấp, tỷ lệ sống sót sau 5 năm thấp hơn nhiều vào khoảng 3,4%. Chẩn đoán sớm có thể giúp cải thiện đáng kể kết quả cho tất cả các ung thư thực quản.

Nội soi dạ dày vẫn là cách chính để phát hiện ESCC sớm. Tuy nhiên, các đặc điểm nội soi của những tổn thương ban đầu này rất tinh vi và dễ bị bỏ sót so với nội soi ánh sáng trắng thông thường (WLE). Các vòng mao mạch nội tâm mạc (IPCLs) là các vi mạch, được coi là dấu hiệu của ung thư biểu mô tế bào vảy thực quản ESCC, bởi vì những thay đổi về hình thái của chúng tương quan với độ sâu xâm lấn của ung thư biểu mô tế bào vảy thực quản.

Các phương thức hình ảnh nội soi tiên tiến, chẳng hạn như hình ảnh dải hẹp trên nội soi (NBI), kết hợp với nội soi phóng đại, giúp cải thiện hình ảnh của các mô hình vi mạch tế bào trong niêm mạc thực quản của bệnh nhân ung thư biểu mô tế bào vảy thực quản. Mặc dù NBI đã cho thấy độ nhạy cao trong việc phát hiện ung thư biểu mô tế bào vảy thực quản, nhưng hiệu quả của nó trong việc xác định các tổn thương này vẫn còn hạn chế.

Yêu cầu về các phương pháp phát hiện và xác định đặc điểm ung thư thực quản sớm hiệu quả hơn đã dẫn đến các nghiên cứu chuyên sâu trong lĩnh vực trí tuệ nhân tạo (AI). Điều này có thể được xác định bằng trí thông minh do máy móc thiết lập trái ngược với trí thông minh tự nhiên được hiển thị bởi con người và động vật khác. Học máy (ML) và học sâu (DL) là những phần quan trọng của AI. Học máy có thể được chia thành các phương pháp có giám sát và không được giám sát. Học không giám sát là xác định các nhóm trong dữ liệu theo những điểm chung, thiếu kiến ​​thức về số lượng các nhóm hoặc ý nghĩa của chúng.

Khi gói đào tạo chứa các cặp đầu vào-đầu ra, cần có một mô hình học có giám sát để ánh xạ đầu vào mới đến đầu ra. Các kỹ thuật ML thông thường bị hạn chế về khả năng xử lý dữ liệu tự nhiên ở dạng thô. Trong giai đoạn đầu của nghiên cứu và phát triển, việc đào tạo mô hình chủ yếu là với ML, qua đó các nhà nghiên cứu phải trích xuất thủ công các đặc điểm bệnh có thể xảy ra dựa trên kiến ​​thức lâm sàng. Sức mạnh của hệ thống chẩn đoán có sự hỗ trợ của máy tính (CAD) này yếu và không đủ để áp dụng trong chẩn đoán thời gian thực lâm sàng.

Mạng nơ-ron chuyển đổi (CNN) là mô hình học máy được giám sát lấy cảm hứng từ vỏ não thị giác của não người xử lý và nhận dạng hình ảnh. Mỗi nơ-ron nhân tạo là một đơn vị tính toán và tất cả chúng được kết nối với nhau, tạo thành một mạng lưới. Bằng nhiều lớp mạng, CNN có thể trích xuất các tính năng chính từ một hình ảnh với quá trình xử lý trước tối thiểu và sau đó cung cấp phân loại cuối cùng thông qua các lớp được kết nối đầy đủ dưới dạng đầu ra.

Sự cạnh tranh về hiệu suất ngày càng tăng đã dẫn đến sự phức tạp ngày càng tăng của các lớp gộp dẫn đến khái niệm học sâu. Khía cạnh quan trọng của học sâu là các lớp tính năng này không được thiết kế bởi các kỹ sư con người. Chúng được học từ dữ liệu bằng quy trình học tập có mục đích chung. Học sâu đã mang lại những đột phá trong việc xử lý hình ảnh, video và các khía cạnh khác, trong khi các CNN lặp lại đã chiếu sáng cho việc phát hiện các hình ảnh và video nội soi.

Người ta đánh giá rằng chỉ 0,12% -0,43% bệnh nhân Barrett thực quản có thể tiến triển thành ung thư thực quản sớm mỗi năm, đặc biệt cần thiết phải thiết lập một mô hình hiệu quả để dự đoán nguy cơ ung thư thực quản sớm mỗi năm ở bệnh nhân Barrett thực quản. Sự phân tầng nguy cơ trước đây chủ yếu dựa trên sự hiện diện của chứng loạn sản, nhưng hiệu quả của nó không lý tưởng.

Critchley-Thorne và cộng sự đã thiết lập một mô hình dự đoán dựa trên sự khác biệt đặc trưng của các dấu hiệu miễn dịch mô huỳnh quang và hình ảnh mô bệnh học giữa bệnh nhân Barrett thực quản đã phát triển ung thư thực quản sớm mỗi năm và những người không mắc bệnh.

Kết quả không khả quan, với hơn 30% bệnh nhân Barrett thực quản phát triển ung thư thực quản sớm mỗi năm được phân loại là nguy cơ thấp. Li và cộng sự đã thiết lập một mô hình dự đoán dựa trên sự khác biệt về đa hình nucleotide đơn trong các mô sinh thiết của bệnh nhân Barrett thực quản có hiệu suất tốt để dự đoán ung thư thực quản sớm mỗi năm.

Không giống như ung thư thực quản mỗi năm, ung thư biểu mô tế bào vảy thực quản không có bệnh tiền ung thư được công nhận, và việc sàng lọc nội soi cho dân số chung rõ ràng là không thực tế. Do đó, nó sẽ là trọng tâm của sàng lọc lâm sàng để thiết lập một mô hình hiệu quả để dự đoán những cá nhân nào có nhiều khả năng được chẩn đoán là loạn sản vảy thực quản. Mô hình của Etemadi và cộng sự dựa trên dữ liệu dịch tễ học của bệnh nhân được chẩn đoán loạn sản vảy thực quản và nhóm chứng khỏe mạnh cho thấy kết quả hoạt động của mô hình này không tốt. Mô hình dự đoán của Moghtadaei và cộng sự dựa trên dữ liệu dịch tễ học tốt hơn của Etemadi. Thật không may, thiếu các nghiên cứu tiếp theo để xác minh tính chính xác thực sự của các mô hình này.

Trí tuệ nhân tạo AI đang cố gắng được sử dụng để phát hiện nội soi, chẩn đoán bệnh lý, chẩn đoán gen và dự đoán nguy cơ ung thư của ung thư thực quản sớm. Nó rất hữu ích cho các bác sĩ nội soi và bác sĩ giải phẫu bệnh để cải thiện độ chính xác của chẩn đoán và hỗ trợ bác sĩ điều trị và đưa ra các chiến lược tiếp theo. Các tổn thương ranh giới của bệnh lý ung thư thực quản vẫn còn khó xác định có thể là hướng chính của chẩn đoán bệnh lý có sự hỗ trợ của AI trong tương lai. Chẩn đoán gen chỉ có thể được sử dụng như một biện pháp hỗ trợ cho nội soi và chẩn đoán bệnh lý cho đến khi các dấu hiệu cụ thể của chẩn đoán gen EC được thiết lập. Độ chính xác cao hơn của hệ thống CAD trong việc xác định các tổn thương là cần thiết để cải thiện độ chính xác của chẩn đoán và tăng cường độ chính xác cho mô hình phân tầng rủi ro có thể có lợi cho việc dự đoán rủi ro ung thư thực quản.

Hiện nay, khám sàng lọc ung thư đường tiêu hoá là biện pháp khoa học và hiệu quả để phát hiện sớm ung thư đường tiêu hóa (ung thư thực quản, ung thư dạ dày, ung thư đại tràng) và đưa ra phác đồ điều trị tốt. Hiện tại, Bệnh viện Đa khoa Quốc tế Vinmec có 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.

Khi sàng lọc ung thư đường tiêu hóa tại Vinmec, Quý khách sẽ được:

• Khám Chuyên khoa Nội tiêu hóa với bác sĩ chuyên khoa ung bướu (có hẹn).
• Nội soi dạ dày và nội soi đại tràng với máy nội soi NBI có gây mê.
• Xét nghiệm tổng phân tích tế bào máu ngoại vi (bằng máy đếm laser).
• Xét nghiệm thời gian prothrombin bằng máy tự động.
• Xét nghiệm thời gian thrombin bằng máy tự động.
• Xét nghiệm thời gian thromboplastin một phần hoạt hoá (APTT: Activated Partial Thromboplastin Time) bằng máy tự động.
• Siêu âm ổ bụng tổng quát

Để được tư vấn trực tiếp, Quý Khách vui lòng bấm số HOTLINE hoặc đăng ký trực tuyến TẠI ĐÂY.

Tài liệu tham khảo

1. Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2018;68:394-424. [PubMed] [DOI]

2. Hur C, Miller M, Kong CY, Dowling EC, Nattinger KJ, Dunn M, Feuer EJ. Trends in esophageal adenocarcinoma incidence and mortality. Cancer. 2013;119:1149-1158. [PubMed] [DOI]

3. Thrift AP. The epidemic of oesophageal carcinoma: Where are we now? Cancer Epidemiol. 2016;41:88-95. [PubMed] [DOI]

4. Lu-Ming Huang, Wen-Juan Yang, Zhi-Yin Huang, Cheng-Wei Tang, Jing Li, Artificial intelligence technique in detection of early esophageal cancer, World J Gastroenterol. Oct 21, 2020; 26(39): 5959-5969