Trang chủ Chuyên gia viết Tiềm năng của ứng dụng trí tuệ nhân tạo trong hỗ trợ...

Tiềm năng của ứng dụng trí tuệ nhân tạo trong hỗ trợ phát hiện Polyp đại tràng qua nội soi

Vai trò của nội soi trong tầm soát polyp đại tràng

Polyp đại tràng là một mô phát triển đẩy lồi niêm mạc đại tràng. Trong đó, polyp u tuyến có nguy cơ cao trở thành ung thư. Khoảng 85% ung thư đại tràng (UTĐT) phát triển từ một polyp u tuyến (adenoma)  [1]. Tỉ lệ polyp u tuyến đại trực tràng rất khác nhau giữa các nước và tương quan chặt chẽ với tỉ lệ mới mắc ung thư đại trực tràng  [2]. Năm 2016, UTĐT đứng hàng thứ 2 về tỷ lệ mắc trên thế giới với số ca bệnh mới là 1,7 triệu bệnh nhân. Ở nhiều nước châu Á ghi nhận tỷ lệ mắc đang tăng nhanh [3]. Việc phát hiện polyp đại tràng, đặc biệt là adenoma để cắt qua nội soi đóng vai trò quan trọng trong phòng ngừa UTĐT. Trong chiến lược tầm soát bệnh lý ác tính này, xét nghiệm tìm hồng cầu trong phân và nội soi tầm soát chính là hai khâu cốt yếu [4]. Một nghiên cứu đã được tiến hành trên 314.872 ca nội soi đại tràng toàn bộ được thực hiện bởi 136 bác sĩ tiêu hóa và theo dõi trong khoảng từ 6 tháng đến 10 năm để đánh giá mối liên quan giữa tỷ lệ phát hiện adenoma (adenoma detection rate – ADR) với nguy cơ UTĐT. Kết quả ghi nhận mỗi 1% ADR tăng làm giảm được 3% nguy cơ tiến triển thành UTĐT [5].

Hình 1: Mô hình đại tràng và polyp đại tràng

Tại Việt Nam, theo GLOBOCAN 2018, UTĐT có tỷ lệ mắc đứng hàng thứ 5 và tỷ lệ tử vong đứng hàng thứ 6 trong số các bệnh lý ác tính với số ca mới mắc ước tính hơn 164.500 ca và số ca tử vong ước tính hơn 114.800 ca [6]. Hiện nước ta chưa có nghiên cứu dịch tễ lớn về tỷ lệ polyp đại tràng trong cộng đồng cũng như phát triển chương trình sàng lọc quốc gia. Theo hướng dẫn của Hội ung thư Hoa kỳ cũng như Bộ y tế năm 2018, polyp đại tràng được coi là yếu tố nguy cơ của UTĐT và cần có tầm soát bằng nội soi đại tràng toàn bộ trên nhóm đối tượng có nguy cơ [7, 8]. Điều này đặt ra thách thức cho hệ thống và các đơn vị y tế cần tìm các giải pháp và xây dựng chương trình sàng lọc để phát hiện được sớm UTĐT, trong đó, nội soi đại tràng toàn bộ phát hiện các tổn thương polyp chính là một khâu đóng vai trò quan trọng để tầm soát.

Tuy nhiên, theo các nghiên cứu, tỷ lệ bỏ sót polyp đại tràng đặc biệt là các adenoma tương đối cao, dao động từ 20 – 47%, trong đó một phân tích gộp năm 2019 bao gồm 43 nghiên cứu với trên 15.000 ca nội soi ghi nhận tỷ lệ sót adenoma là 26% [9-11]. Có nhiều yếu tố được ghi nhận ảnh hưởng đến chất lượng của quá trình nội soi, đặc biệt là tỷ lệ phát hiện polyp (polyp detection rate – PDR) và adenoma (ADR) bao gồm: yếu tố về con người, quá trình chuẩn bị nội soi và chất lượng hệ thống máy móc sử dụng [4, 9, 12]. Một số nghiên cứu đã chỉ ra PDR và ADR có liên quan đến kinh nghiệm của bác sĩ nội soi, bao gồm số năm, số ca đã tiến hành, kĩ năng nội soi và môi trường làm việc như thời gian nội soi trong ngày, áp lực công việc, thời gian quy định rút dây soi tối thiểu [9, 13, 14]. Hiện tại, có một số giải pháp trong lĩnh  vực nội soi đã được áp dụng với mong muốn cải thiện tỷ lệ ADR: sử dụng các công nghệ nội soi tăng cường hình ảnh, dây soi với góc mở vi trường rộng hoặc các thiết bị hỗ trợ như Endocuff để quan sát được phía sau các nếp niêm mạc, v.v. Ứng dụng công nghệ thông tin, đặc biệt là xây dựng các thuật toán trí tuệ nhân tạo (AI) trong hỗ trợ phát hiện và đánh giá đặc điểm polyp đại trực tràng để đưa ra dự đoán cũng là một hướng đi mới được tập trung phát triển trong những năm gần đây trên thế giới.

Vai trò của AI trong lĩnh vực nội soi đường tiêu hóa

Khái niệm AI xuất hiện từ những năm 1950 và đã liên tục được phát triển cho đến thời điểm hiện nay [15]. AI là kỹ thuật giúp máy móc có thể bắt chước hành vi và tư duy của con người. Học máy (machine learning) là một lĩnh vực của AI, cho phép máy móc học trực tiếp từ dữ liệu để tự tìm ra cách giải quyết vấn đề mà không cần người lập trình phải viết mã rõ từng bước giải quyết. Học sâu (deep learning) là một nhánh của học máy dựa trên các mạng nơ-ron nhân tạo, cho phép máy tự học trực tiếp từ dữ liệu huấn luyện thô, không cần bước trích chọn đặc trưng thủ công.

Quá trình phát triển các mô hình thuật toán AI bao gồm hai phần là huấn luyện và kiểm tra. Phần huấn luyện được tiến hành bằng cách cung cấp dữ liệu mẫu đầu vào được đánh nhãn sẵn cho máy tính, máy tính sẽ phân loại dữ liệu và tìm ra các quy luật, rồi từ đó xây dựng ra một thuật toán nhằm dự đoán các kết quả khi quan sát dữ liệu mẫu. Phần kiểm tra được tiến hành bằng cách sử dụng thuật toán do máy tính xây dựng để nhận định kết quả trên một bộ dữ liệu mới (đã biết trước kết quả), từ đó đánh giá khả năng dự đoán của thuật toán.

Ngày nay, AI đã được ứng dụng trong nhiều lĩnh vực trong cuộc sống, bao gồm cả y tế. Trong lĩnh vực nội soi tiêu hóa, các nghiên cứu đã cho thấy công nghệ này có khả năng hỗ trợ cho bác sĩ nội soi trong phát hiện và chẩn đoán một số bệnh lý của đường tiêu hóa trên, như Barrett thực quản (một dạng tổn thương được coi là có nguy cơ tiến triển thành ung thư), ung thư thực quản, viêm dạ dày do nhiễm vi khuẩn HP (Helicobacter pylori) và ung thư dạ dày [16-18]. Đối với nội soi đường tiêu hóa dưới, các nghiên cứu ban đầu về ứng dụng AI bao gồm xác định mốc giải phẫu trong quá trình nội soi và đánh giá mức độ sạch của quá trình soi. Tiếp theo, ngày càng có nhiều nhóm tác giả đi sâu nghiên cứu các thuật toán học máy, học sâu, để hỗ trợ phát hiện các tổn thương của đại tràng như polyp đại tràng hoặc xây dựng mô hình dự đoán mức độ hoạt động của viêm loét đại trực tràng chảy máu hay hỗ trợ chẩn đoán ung thư đại tràng [19-23].

Tình hình các nghiên cứu AI trong phát hiện polyp đại tràng trên thế giới

Mặc dù nội soi đại tràng được coi là thăm dò quan trọng nhất trong phát hiện tổn thương ác tính đường tiêu hóa dưới, tỷ lệ bỏ sót tổn thương theo các nghiên cứu không hề nhỏ, dẫn đến làm chậm quá trình chẩn đoán sớm cũng như làm sai lệch quy trình tầm soát của bệnh nhân [9]. Chính vì vậy việc áp dụng các công nghệ mới được kì vọng có thể giúp giảm tỷ lệ bỏ sót tổn thương. Dữ liệu hiện tại từ các phân tích gộp cho thấy có sự cải thiện có ý nghĩa thống kê ADR khi sử dụng các kĩ thuật nội soi tăng cường hình ảnh. Vì vậy, đây được coi là công cụ hữu ích trong sàng lọc polyp và các tổn thương ung thư đại trực tràng ở nhóm đối tượng có nguy cơ [24-26]. Tuy nhiên, tại các đơn vị y tế có nguồn lực hạn chế, việc triển khai các kĩ thuật này gặp nhiều khó khăn cả về hệ thống trang thiết bị và nhân lực được đào tạo chuyên sâu.

Hình 2: Một mô hình ứng dụng AI trong chẩn đoán polyp đại tràng trong thời gian thực dựa trên hình ảnh

Một số nghiên cứu hồi cứu đã ghi nhận tiềm năng hứa hẹn của AI trong việc hỗ trợ phát hiện polyp đại trực tràng [20, 27, 28]. Nghiên cứu của Urban và cộng sự huấn luyện trên 8.641 ảnh nội soi được gán nhãn bởi chuyên gia thu thập từ 2.000 bệnh nhân và kiểm định trên 20 băng hình nội soi cho thấy tỷ lệ dự đoán chính xác của thuật toán là 96,4%. Kĩ thuật mạng nơ-ron tích chập (convolutional neural network – CNN) phát triển trong nghiên cứu còn có ưu điểm là có khả năng chạy trên hệ thống máy tính thông thường với tốc độ xử lý nhanh. Tác giả Wang và cộng sự cũng đã xây dựng mô hình phát hiện polyp với độ chính xác là 94,3%, độ đặc hiệu 95,9%, trong đó hệ thống có tốc độ xử lý hình ảnh là 25 ảnh/s, do vậy độ trễ khi phân tích băng hình nội soi đồng thời rất khó nhận biết được, kể cả bởi chuyên gia [29]. Tuy nhiên, điểm hạn chế của các nghiên cứu này là chủ yếu dựa trên cơ sở dữ liệu ảnh tĩnh hoặc băng hình nội soi được lưu trữ lại, do vậy vẫn chưa đánh giá được đầy đủ khả năng và ưu nhược điểm của AI khi áp dụng trong thực tế nếu được tiến hành đồng thời trong quá trình nội soi. Trong khuyến cáo mới đây của Hội Nội soi tiêu hóa châu Âu về ứng dụng các công nghệ cao trong phát hiện và phân loại tổn thương ác tính của đại tràng đã đề cập đến việc có thể kết hợp các phương thức hỗ trợ của máy tính trong phát hiện, xác định đặc điểm tổn thương trong nội soi đại tràng. Mức độ bằng chứng của quan điểm này hiện đang thấp do vẫn còn thiếu nhiều dữ liệu đa trung tâm trên các mô hình thời gian thực với số lượng đủ lớn. Tuy nhiên, khuyến cáo cũng đề xuất một số mô hình để các nghiên cứu tiếp theo tập trung phát triển, như coi thuật toán là công cụ đưa ra ý kiến bổ sung, hỗ trợ cho bác sĩ nội soi đánh giá đặc điểm polyp, xây dựng mô hình thuật toán xử lý đồng thời ngay trong quá trình soi, hoặc sử dụng AI như một công cụ độc lập đánh giá chất lượng nội soi. Ngoài ra, khuyến cáo cũng có nêu ra một số tiềm ẩn nguy cơ cần chú ý, như việc bác sĩ nội soi có thể bị phụ thuộc vào hệ thống, dẫn đến ảnh hưởng tới kĩ năng, hay bộ dữ liệu huấn luyện không đảm bảo được tính đại diện hoặc bảo mật [26].

Năm 2019, nhóm của tác giả Wang đã tiến hành một nghiên cứu tiến cứu ngẫu nhiên, có đối chứng trên 1.058 bệnh nhân chia thành hai nhóm, được nội soi đại tràng thông thường và nội soi đại tràng có sự hỗ trợ của hệ thống AI. Kết quả cho thấy tỷ lệ ADR tăng 50% (từ 20% lên 30%) khi có sự hỗ trợ của AI, đặc biệt đối với nhóm polyp và adenoma kích thước nhỏ [30]. Đây là kết quả rất hứa hẹn nhưng cũng đòi hỏi cần có thêm nhiều dữ liệu tiến cứu tại nhiều trung tâm với các hệ thống máy nội soi đa dạng để kiểm định tiềm năng thực tế của AI. Trong tương lai, bên cạnh những nghiên cứu tối ưu hóa về kĩ thuật, rất cần có thêm những dữ liệu liên quan đến đánh giá chi phí hiệu quả thực tế, đặc biệt ở các khu vực có nguồn lực hạn chế để có những đánh giá khách quan và phù hợp với điều kiện thực tế.

Ảnh: Lễ ký kết tài trợ của Quỹ VINIF cho dự án khoa học công nghệ

TS. Đinh Viết Sang là chủ nhiệm dự án “Phát triển hệ thống thời gian thực ứng dụng trí tuệ nhân tạo hỗ trợ phát hiện polyp đại tràng và phân loại các tổn thương có nguy cơ ung thư hóa khi nội soi”, được Quỹ đổi mới sáng tạo Vingroup (VINIF) tài trợ. Dự án nhằm phát triển các thuật toán học máy hiệu quả để phát hiện, khoanh vùng polyp đại tràng và phân loại các tổn thương có nguy cơ ung thư hóa qua ảnh nội soi. Từ đó xây dựng một hệ thống thiết bị tính toán thời gian thực hỗ trợ bác sĩ nội soi phát hiện polyp đại tràng và chẩn đoán các tổn thương có nguy cơ ung thư hóa.

Tác giả:

PGS.TS Đào Việt Hằng, Phó Giám đốc Trung tâm Nội soi, Bệnh viện Đại học Y Hà Nội.

TS. Đinh Viết Sang, Viện Công nghệ Thông tin và Truyền thông, Đại học Bách khoa Hà Nội.

Tài liệu tham khảo

1. (2005). Colorectal cancer facts and figures – Special edition. .

2. Neugut A.I., Jacobson J.S., và Rella V.A. (1997). Prevalence and incidence of colorectal adenomas and cancer in asymptomatic persons. Gastrointest Endosc Clin N Am, 7(3), 387–399.

3. Fitzmaurice C., Allen C., Barber R.M. và cộng sự. (2017). Global, regional, and national cancer incidence, mortality, years of life lost, years lived with disability, and disability-adjusted life-years for 32 cancer groups, 1990 to 2015: A Systematic Analysis for the Global Burden of Disease Study Global Burden . JAMA Oncology, 3(4), 524–548.

4. Hong S.N., Kyung Sung I., Kim J.H. và cộng sự. (2012). The effect of the bowel preparation status on the risk of missing polyp and adenoma during screening colonoscopy: A tandem colonoscopic study. Clinical Endoscopy.

5. Corley D.A., Jensen C.D., Marks A.R. và cộng sự. (2014). Adenoma detection rate and risk of colorectal cancer and death. N Engl J Med, 370(14), 1298–1306.

6. Bray F., Ferlay J., Soerjomataram I. và cộng sự. (2018). Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin, 68(6), 394–424.

7. Wolf A.M.D., Fontham E.T.H., Church T.R. và cộng sự. (2018). Colorectal cancer screening for average-risk adults: 2018 guideline update from the American Cancer Society. CA Cancer J Clin, 68(4), 250–281.

8. https://luatvietnam.vn/y-te/quyet-dinh-2549-qd-byt-2018-huong-dan-chan-doan-va-dieu-tri-ung-thu-dai-truc-trang-162065-d1.html. .

9. Zhao S., Wang S., Pan P. và cộng sự. (2019). Magnitude, Risk Factors, and Factors Associated With Adenoma Miss Rate of Tandem Colonoscopy: A Systematic Review and Meta-analysis. Gastroenterology, 156(6), 1661-1674.e11.

10. Moriyama T., Uraoka T., Esaki M. và cộng sự. (2015). Advanced technology for the improvement of adenoma and polyp detection during colonoscopy. Dig Endosc, 27 Suppl 1, 40–44.

11. Shin J.G., Kim H.W., Park S.B. và cộng sự. (2017). Polyp missing rate and its associated risk factors of referring hospitals for endoscopic resection of advanced colorectal neoplasia. Medicine (Baltimore), 96(19), e6742.

12. Kluge M.A., Williams J.L., Wu C.K. và cộng sự. (2018). Inadequate Boston Bowel Preparation Scale scores predict the risk of missed neoplasia on the next colonoscopy. Gastrointest Endosc, 87(3), 744–751.

13. Harewood G.C., Chrysostomou K., Himy N. và cộng sự. (2009). Impact of operator fatigue on endoscopy performance: implications for procedure scheduling. Dig Dis Sci, 54(8), 1656–1661.

14. Almadi M.A., Sewitch M., Barkun A.N. và cộng sự. (2015). Adenoma detection rates decline with increasing procedural hours in an endoscopist’s workload. Can J Gastroenterol Hepatol, 29(6), 304–308.

15. Turing A.M. (1950). I.—COMPUTING MACHINERY AND INTELLIGENCE. Mind, LIX(236), 433–460.

16. Hirasawa T., Aoyama K., Tanimoto T. và cộng sự. (2018). Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images. Gastric Cancer, 21(4), 653–660.

17. Shichijo S., Nomura S., Aoyama K. và cộng sự. (2017). Application of Convolutional Neural Networks in the Diagnosis of Helicobacter pylori Infection Based on Endoscopic Images. EBioMedicine, 25, 106–111.

18. van der Sommen F., Zinger S., Curvers W.L. và cộng sự. (2016). Computer-aided detection of early neoplastic lesions in Barrett’s esophagus. Endoscopy, 48(7), 617–624.

19. de Lange T., Halvorsen P., và Riegler M. (2018). Methodology to develop machine learning algorithms to improve performance in gastrointestinal endoscopy. World J Gastroenterol, 24(45), 5057–5062.

20. Viscaino M. và Cheein F.A. (2019). Machine learning for computer-aided polyp detection using wavelets and content-based image. Conf Proc IEEE Eng Med Biol Soc, 2019, 961–965.

21. Bossuyt P., Vermeire S., và Bisschops R. (2019). Scoring endoscopic disease activity in IBD: artificial intelligence sees more and better than we do. Gut.

22. Hwang S., Oh J., Tavanapong W. và cộng sự. (2008). Stool detection in colonoscopy videos. Conf Proc IEEE Eng Med Biol Soc, 2008, 3004–3007.

23. Zhou J., Wu L., Wan X. và cộng sự. (2019). A novel artificial intelligence system for the assessment of bowel preparation (with video). Gastrointest Endosc.

24. Pioche M., Denis A., Allescher H.-D. và cộng sự. (2018). Impact of 2 generational improvements in colonoscopes on adenoma miss rates: results of a prospective randomized multicenter tandem study. Gastrointest Endosc, 88(1), 107–116.

25. Zimmermann-Fraedrich K., Groth S., Sehner S. và cộng sự. (2018). Effects of two instrument-generation changes on adenoma detection rate during screening colonoscopy: results from a prospective randomized comparative study. Endoscopy, 50(9), 878–885.

26. Bisschops R., East J.E., Hassan C. và cộng sự. (2019). Advanced imaging for detection and differentiation of colorectal neoplasia: European Society of Gastrointestinal Endoscopy (ESGE) Guideline – Update 2019. Endoscopy, 51(12), 1155–1179.

27. Urban G., Tripathi P., Alkayali T. và cộng sự. (2018). Deep Learning Localizes and Identifies Polyps in Real Time With 96% Accuracy in Screening Colonoscopy. Gastroenterology, 155(4), 1069-1078.e8.

28. Karkanis S.A., Iakovidis D.K., Maroulis D.E. và cộng sự. (2003). Computer-aided tumor detection in endoscopic video using color wavelet features. IEEE Trans Inf Technol Biomed, 7(3), 141–152.

29. Wang P., Xiao X., Glissen Brown J.R. và cộng sự. (2018). Development and validation of a deep-learning algorithm for the detection of polyps during colonoscopy. Nat Biomed Eng, 2(10), 741–748.

30. Wang P., Berzin T.M., Glissen Brown J.R. và cộng sự. (2019). Real-time automatic detection system increases colonoscopic polyp and adenoma detection rates: a prospective randomised controlled study. Gut, 68(10), 1813–1819.

BÀI MỚI NHẤT

Đông trùng hạ thảo: Truyền thuyết và tiềm năng y học

Đông trùng hạ thảo* (Cordyceps sp.) đã được sử dụng rộng rãi trong y học cổ truyền châu Á từ hàng nghìn năm nay. Ngày nay, đông trùng hạ thảo vẫn là một loại dược liệu được ưa chuộng trong Đông y, và đang ngày càng được ưa thích khi Đông y được chấp nhận rộng rãi hơn trên toàn thế giới.

Hướng đi mới trong dự báo bão

Theo thống kê, mỗi năm có trên dưới 10 cơn bão ảnh hưởng đến vùng ven biển của Việt Nam. Là một quốc gia biển, việc dự báo chính xác về hình thành và phát triển của các cơn bão là vô cùng quan trọng đối với quản lý rủi ro quốc gia, kinh tế, an toàn xã hội và kế hoạch sơ tán tàu thuyền, gia cố nhà cửa và di tản người dân.

Công viên địa chất non nước Cao Bằng – Để bảo tồn và phát triển nghề thủ công truyền thống

Hiện nay, du lịch gắn với nghề thủ công truyền thống ngày càng trở nên hấp dẫn du khách và đang là một hướng phát triển ở nhiều quốc gia trên thế giới.

BÀI ĐỌC NHIỀU

Khái quát về mô hình dữ liệu quan hệ

Phần lớn hệ thống cơ sở dữ liệu hiện nay đều được xây dựng bằng mô hình dữ liệu quan hệ. Vậy mô hình...

Khái quát về Data Pipeline

Dữ liệu là chìa khóa trong việc khám phá tri thức sâu rộng, nâng cao hiệu quả quy trình và thúc đẩy đưa ra...

Supervised Learning và Unsupervised Learning: Khác biệt là gì?

Supervised learning (Học có giám sát) và Unsupervised learning (Học không giám sát) là hai trong số những phương pháp kỹ thuật cơ bản...

Transformer Neural Network – Mô hình học máy biến đổi thế giới NLP

Năm 2017, Google công bố bài báo “Attention Is All You Need” thông tin về Transformer như tạo ra bước ngoặt mới trong lĩnh...