Trí tuệ nhân tạo AI có thể giúp đánh giá đặc điểm polyp đại tràng như thế nào?

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

Sự phát triển ban đầu của AI dựa trên việc tạo ra một thuật toán sử dụng các bộ dữ liệu có độ chính xác cao, được mã hóa theo cách tổ chức độc lập bởi một nhóm các chuyên gia. Quá trình này được gọi là thiết lập “sự thật nền tảng”, nơi máy tính được chuẩn bị để phân biệt giữa mô “bất thường” và mô “bình thường”.

1. Trí tuệ nhân tạo AI (Artificial intelligence) là gì?

Các hệ thống CAD bằng cách sử dụng các kỹ thuật AI tiên tiến đại diện cho một công nghệ tiên tiến có khả năng dẫn đến một bước chuyển đổi mô hình trong lĩnh vực nội soi đại tràng chẩn đoán. Vì nội soi thường liên quan đến công nghệ thị giác máy tính, kỹ thuật này cho phép máy tính “nhìn thấy” và giải mã nội dung thị giác. Thông qua các quy trình học máy và gần đây là học, ghi nhớ, các hệ thống AI có thể được cài đặt để nhận ra các đặc điểm “bình thường” bằng cách kết nối tiêu chuẩn vàng với hình ảnh phù hợp.

Học và ghi nhớ (deep learning) là một phương pháp học của máy tính, gần đây sử dụng mạng nơ-ron sâu, tự động trích xuất các tính năng cụ thể từ dữ liệu mà không cần sức người nếu có sẵn một số lượng rất lớn các mẫu học tập.

Sự phát triển ban đầu của AI dựa trên việc tạo ra một thuật toán sử dụng các bộ dữ liệu có độ chính xác cao, được mã hóa theo cách tổ chức độc lập bởi một nhóm các chuyên gia. Quá trình này được gọi là thiết lập “sự thật nền tảng”, nơi máy tính được chuẩn bị để phân biệt giữa mô “bất thường” và mô “bình thường”. Khi một thuật toán được tạo ra, các mạng nơ-ron phức tạp sử dụng các tập dữ liệu rộng lớn để cho phép thuật toán trở nên có kỹ năng hơn. Trí thông minh này có thể mở rộng đến các thuật toán và nó có thể học bằng cách phát triển các quy tắc và bộ phân loại của riêng mình.

AI dự kiến ​​sẽ có ít nhất 2 vai trò chính trong thực hành nội soi đại tràng: Phát hiện polyp đại tràng (CADe) và xác định đặc điểm của polyp (CADx). CADe có khả năng làm giảm tỷ lệ bỏ sót polyp, góp phần cải thiện phát hiện u tuyến, trong khi CADx có thể cải thiện độ chính xác của chẩn đoán quang polyp đại trực tràng, dẫn đến giảm loại bỏ không cần thiết các tổn thương không phải ung thư, tiềm năng thực hiện cắt bỏ và cắt bỏ, chiến lược và áp dụng thích hợp các kỹ thuật cắt bỏ tiên tiến .

2. Polyp đại tràng là gì?

Polyp đại tràng là một khối nhỏ các tế bào hình thành trên niêm mạc đại tràng (ruột già). Hầu hết các polyp đại tràng là vô hại nhưng qua thời gian, một số polyp đại tràng có thể phát triển thành ung thư đại tràng (CRC), gây tử vong khi được tìm thấy ở giai đoạn muộn của nó.

3. Trí tuệ nhân tạo AI có thể giúp đánh giá đặc điểm polyp đại tràng như thế nào?

Để giảm tỷ lệ mắc và tỷ lệ tử vong liên quan đến CRC, cũng có một yếu tố chính khác ngoài tổn thương cần được phá bỏ: Độ chính xác của việc xác định đặc điểm và phân loại các polyp nhỏ (<5mm) bởi các bác sĩ nội soi được đào tạo được báo cáo là < 80%. Hơn nữa, việc cắt bỏ các polyp không phải ung thư / tăng sản, hầu như không bao giờ tiến triển thành ác tính, thể hiện gánh nặng tài chính, một can thiệp không cần thiết được thực hiện trên một mô khỏe mạnh và cả việc cắt bỏ hoặc / và quan sát các polyp không liên quan này đều đại diện cho lãng phí thời gian không cần thiết.

Gần đây, hệ thống CADx AI để xác định đặc điểm và chẩn đoán polyp đại tràng, sinh thiết quang học và phân loại dự đoán mô học đã được phát triển bởi nhiều nhóm sử dụng phân tích tính toán để dự đoán mô học polyp. CADx là các ứng dụng của AI trong đó hệ thống giúp bác sĩ diễn giải nội dung của hình ảnh y tế bằng cách gán nhãn cho chính hình ảnh đó. Do đó, các hệ thống AI hỗ trợ sinh thiết quang học thời gian thực bằng cách cung cấp phân loại polyp ruột kết thành một loại ( ví dụ: u tuyến, tăng sản, v.v.) là CADx. Mạng Neural Convolutions có thể thực hiện nhiệm vụ như vậy được gọi là bộ phân loại hình ảnh và các nghiên cứu trong lĩnh vực này đã diễn ra rất tích cực trong 5 năm qua.

Cả độ chính xác, độ nhạy, độ đặc hiệu, giá trị dự đoán dương tính và giá trị dự đoán âm (NPV) cũng như tính khả thi của các hệ thống này đã được mô tả gần đây: Aihara và cộng sự ban đầu công bố một nghiên cứu tiền cứu trên 32 bệnh nhân với 102 tổn thương đại trực tràng, với việc sử dụng CAD để phân biệt ung thư với các tổn thương không phải ung thư bằng cách sử dụng hệ thống CADx cho phép phân tích màu "thời gian thực" của các tổn thương đại trực tràng khi áp dụng cho nội soi huỳnh quang tự động để thực hiện màu -mẫu lấy mẫu nhằm mục đích giảm các phương pháp điều trị không cần thiết cho các tổn thương không phải ung thư; tất cả các tổn thương lớn hơn 5mm được cắt bỏ nội soi và các tổn thương nhỏ hơn 5mm được sinh thiết. Họ kết luận rằng các tổn thương có tỷ lệ xanh / đỏ dưới 1,01 là ung thư trong khi những tổn thương trên vết cắt được coi là không phải ung thư, với độ nhạy, độ đặc hiệu và NPV tương ứng là 94,2%, 88,9% và 85,2%.

Kuiper và cộng sự đã sử dụng một hệ thống gọi là WavSTAT để chẩn đoán quang học thời gian thực dựa trên quang phổ huỳnh quang tự động cảm ứng bằng laser trên 87 bệnh nhân với 207 tổn thương đại trực tràng nhỏ (<10 mm). Trong quá trình nội soi, bác sĩ nội soi cố gắng để phân biệt u tuyến và các polyp không phải u tuyến với chỉ số tin cậy cao. Sau đó, tất cả các tổn thương được phân tích bằng hệ thống. Mô bệnh học được sử dụng làm tiêu chuẩn tham chiếu.

Độ chính xác và NPV của WavSTAT tương ứng là 74,4% và 73,5% đối với WavSTAT đơn lẻ, trong khi chúng là 79,2% và 73,9% tương ứng khi kết hợp WavSTAT với nội soi độ phân giải cao Nghiên cứu kết luận rằng nó không đáp ứng các ngưỡng hiệu suất của Hiệp hội Nội soi Tiêu hóa Hoa Kỳ (ASGE) để đánh giá các tổn thương nhỏ và nhỏ. Rath và cộng sự đã sử dụng hệ thống kẹp sinh thiết quang học WavSTAT4 được thiết kế bởi Spectrascience Inc, San Diego, California, Hoa Kỳ để dự đoán mô học bằng phương pháp quang phổ huỳnh quang tự động cảm ứng bằng laser trên 27 bệnh nhân với 137 polyp nhỏ (≤ 5 mm). Độ chính xác là 84,7% cùng với độ nhạy 81,8%, độ đặc hiệu 85,2% và NPV là 96,1%. Họ kết luận rằng hệ thống WavSTAT4 mới này có tiềm năng đáp ứng các ngưỡng ASGE cho chiến lược “gửi lại và loại bỏ”.

Kominami và cộng sự đã sử dụng hệ thống nội soi đại tràng phóng đại hình ảnh dải hẹp (NBI) cho hệ thống nhận dạng hình ảnh thời gian thực CAD với đầu ra máy vector hỗ trợ của mô học polyp đại trực tràng trên 41 bệnh nhân với 118 tổn thương đại trực tràng. Sự phù hợp giữa bác sĩ nội soi và CAD là 97,5%. Độ chính xác, độ nhạy, độ đặc hiệu, giá trị dự đoán dương tính và NPV lần lượt là 93,2%, 93%, 93,3%, 93% và 93,3%, kết luận rằng hệ thống CAD này có thể đáp ứng các khuyến nghị của ủy ban Bảo tồn và Kết hợp Nội soi Có giá trị của ASGE cho gửi lại và loại bỏ chiến lược.

Mori và cộng sự đã sử dụng kính soi đại tràng siêu tối ưu × 520 cung cấp hình ảnh tế bào và vi mạch của polyp đại trực tràng sau khi áp dụng chế độ nhuộm xanh NBI và methylen để đánh giá hiệu suất của CAD thời gian thực. Để hỗ trợ CAD và xác định đặc điểm ở 325 bệnh nhân với 466 polyp nhỏ. Độ chính xác là 98,1% với NPV là 96,4% và 96,5% đối với chế độ nhuộm xanh methylene và chế độ NBI tương ứng. Họ kết luận rằng hệ thống CAD của họ có thể đạt được các ngưỡng bảo tồn và kết hợp các cải tiến nội soi có giá trị cho các polyp trực tràng nhỏ, không ung thư. Dữ liệu nghiên cứu được báo cáo trong Bảng 2. Với tính mới của loại AI này, vẫn còn thiếu các Thử nghiệm Lâm sàng Ngẫu nhiên cần thiết để xác định hiệu quả chính xác của hệ thống CADx.

Bảng 2: Hệ thống phát hiện và chẩn đoán với sự hỗ trợ của máy tính có thể đạt được các ngưỡng bảo tồn và kết hợp các cải tiến nội soi có giá trị cho các polyp trực tràng nhỏ, không ung thư.

Chữ viết tắt: NBI: Hình ảnh băng tần hẹp; CAD: Phát hiện và chẩn đoán có sự hỗ trợ của máy tính; NPV: Giá trị tiên đoán âm.

4. Triển vọng trong tương lai của AI

Những công nghệ này đang phát triển nhanh chóng và dự kiến ​​cũng sẽ dẫn đến việc giảm chi phí liên quan đến việc cắt polyp đại tràng không cần thiết và có lẽ, trong tương lai, để thay thế hoàn toàn việc kiểm tra bệnh lý của mô bị cắt, do đó xác định cụ thể đặc điểm mô học và khả năng ác tính liên quan cũng như theo dõi hậu quả tiềm ẩn ngay lập tức, trong quá trình nội soi đại tràng. Ngoài ra, hầu hết các AI được đề xuất đều nhằm mục đích tạo ra một hệ thống có thể viết báo cáo nội soi tự động. Ưu điểm chính của việc phát triển khía cạnh này sẽ làm tăng độ chính xác của bản thân báo cáo mà ngày nay vẫn có thể bị ảnh hưởng bởi thành kiến ​​chủ quan của các nhà nội soi khác nhau cả trong việc mô tả vị trí và đặc điểm của polyp, chẳng hạn như kích thước hoặc các dạng bề mặt của Polyp. Bằng cách này, các bác sĩ nội soi đang mong đợi rằng công nghệ này sẽ giúp tiêu chuẩn hóa các đặc điểm của tổn thương theo thời gian thực và cả các báo cáo nội soi. Báo cáo tự động cũng sẽ giúp bác sĩ nội soi tránh lãng phí thời gian trong việc viết báo cáo và do đó cũng có thể làm tăng tỷ lệ khám và can thiệp nội soi do đơn vị nội soi tiêu hóa thực hiện.

5. Kết luận

AI là một công nghệ mới nổi, ứng dụng đang gia tăng nhanh chóng trong nhiều lĩnh vực y tế. Một số ứng dụng của AI trong khoa tiêu hóa đang cho thấy những kết quả đầy hứa hẹn, đặc biệt là trong điều trị ung thư đường tiêu hóa. Trong số này, các kỹ thuật có thể làm tăng ADR sẽ đóng một vai trò quan trọng trong việc giảm tỷ lệ mắc CRC và tỷ lệ tử vong liên quan của nó do ung thư khoảng không được phát hiện hoặc phân loại sai. Hơn nữa, dự kiến ​​cũng sẽ giảm đáng kể chi phí. Ngoài ra, sự hỗ trợ của máy móc sẽ giúp giảm thời gian khám và do đó tối ưu được lịch nội soi.

Hơn nữa, chỉ định cắt polyp, được hỗ trợ bởi độ nhạy và độ đặc hiệu tốt, sẽ dẫn đến giảm chi phí trực tiếp của các khối polyp không cần thiết. Hơn nữa, độ chính xác chẩn đoán cao hơn trong việc xác định các tổn thương tiền ung thư và ung thư sẽ dẫn đến giảm chi phí thứ cấp của các loại ung thư được ngăn ngừa.

Mặc dù có những kết quả đầy hứa hẹn, các kỹ thuật AI để phát hiện và xác định các tổn thương đại trực tràng vẫn cần được nghiên cứu thêm trong tương lai gần. Đặc biệt, vì hầu hết các kết quả đến từ các thử nghiệm được thực hiện tại các trung tâm chuyên môn cao, thể hiện một hạn chế về tính tổng quát của kết quả, chúng cũng phải được xác nhận trong thực hành lâm sàng.

Cuối cùng, việc tích hợp AI trong môi trường y học cơ bản là con người phải được xem xét: AI không được hình thành, cũng như bây giờ, không bao giờ, để thay thế bác sĩ nội soi, ngược lại, nó dường như là một công cụ cực kỳ hữu ích để được sử dụng từ chính bác sĩ nội soi, với khả năng và kỹ năng của mình, là người duy nhất có thể xử lý và diễn giải tất cả thông tin AI để đưa ra quyết định về quản lý bệnh nhân.

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 đặt lịch khám tại viện, Quý khách vui lòng bấm số HOTLINE hoặc đặt lịch trực tiếp TẠI ĐÂY. Tải và đặt lịch khám tự động trên ứng dụng MyVinmec để quản lý, theo dõi lịch và đặt hẹn mọi lúc mọi nơi ngay trên ứng dụng.

Tài liệu tham khảo

1. Emanuele Sinagra, Matteo Badalamenti, và cộng sự , Use of artificial intelligence in improving adenoma detection rate during colonoscopy: Might both endoscopists and pathologists be further helped. World J Gastroenterol. Oct 21, 2020; 26(39): 5911-5918
2. Torre LA, Bray F, Siegel RL, Ferlay J, Lortet-Tieulent J, Jemal A. Global cancer statistics, 2012. CA Cancer J Clin. 2015;65:87-108. [PubMed] [DOI]
3. Maida M, Morreale G, Sinagra E, Ianiro G, Margherita V, Cirrone Cipolla A, Camilleri S. Quality measures improving endoscopic screening of colorectal cancer: a review of the literature. Expert Rev Anticancer Ther. 2019;19:223-235. [PubMed] [DOI]