Ứng dụng AI cho ung thư dạ dày: 5 phạm vi ứng dụng chính

Hoàng

November 13, 2025

28 phút đọc

Tự động hóa chấm điểm nhuộm miễn dịch hóa học (IHC)

Nhuộm miễn dịch hóa học vẫn là phương pháp nền tảng để đánh giá các dấu ấn sinh học tiên lượng trong ung thư dạ dày.

Tuy nhiên nó gặp phải một điểm yếu cốt lõi đã ám ảnh ngành giải phẫu bệnh trong nhiều thập kỷ là tính chủ quan trong diễn giải.

Chấm điểm các xét nghiệm IHC đặc biệt đối với các dấu ấn sinh học quan trọng như HER2 (Thụ thể Yếu tố Tăng trưởng Biểu bì người 2) và PD-L1 (Phối tử Chết Tế bào Đã được Lập trình 1) đòi hỏi đánh giá bằng mắt các mẫu biểu hiện protein.

Vì vậy kết quả có thể khác biệt đáng kể giữa các người quan sát.

Sự biến động này không chỉ là vấn đề học thuật mà nó ảnh hưởng trực tiếp đến chăm sóc bệnh nhân khi tạo ra sự không nhất quán trong xác định bệnh nhân nào đủ điều kiện nhận các liệu pháp nhắm mục tiêu cứu sống như trastuzumab cho khối u HER2 dương tính hoặc liệu pháp miễn dịch như pembrolizumab cho ung thư biểu hiện PD-L1.

Bản chất của thách thức này trở nên rõ ràng khi xem xét độ phức tạp của chấm điểm HER2.

Đây là phương pháp đòi hỏi các bác sĩ giải phẫu bệnh phải đánh giá cường độ nhuộm màng tế bào và mức độ hoàn chỉnh trên các tế bào khối u, phân loại kết quả thành các điểm số rời rạc (0, 1+, 2+, 3+) quyết định tính đủ điều kiện điều trị.

Tương tự, chấm điểm PD-L1 đòi hỏi đánh giá định lượng cả tế bào khối u và tế bào miễn dịch biểu hiện protein, được tính dưới dạng điểm dương tính kết hợp (CPS).

Nó đóng vai trò người gác cổng cho tiếp cận liệu pháp miễn dịch đắt tiền.

Các bác sĩ giải phẫu bệnh khác nhau khi xem xét các tiêu bản giống hệt nhau có thể đưa ra kết luận khác nhau.

Họ chịu ảnh hưởng từ đào tạo cá nhân, kinh nghiệm, và thậm chí cả chất lượng kính hiển vi hoặc màn hình của họ.

Vì thế tạo ra bất công trong chăm sóc bệnh nhân và gây ra sự không chắc chắn trong ra quyết định lâm sàng.

Các hệ thống giải phẫu bệnh số hóa được hỗ trợ bởi AI giải quyết khủng hoảng chủ quan này thông qua phân tích khách quan, định lượng các phần mô được số hóa.

Các mô hình học sâu được huấn luyện trên hàng nghìn hình ảnh IHC có chú thích có thể nhận diện và định lượng biểu hiện dấu ấn sinh học với độ nhất quán và chính xác đáng kinh ngạc.

Ví dụ: Đối với chấm điểm HER2 cụ thể, các nhà nghiên cứu đã phát triển mô hình học sâu dựa trên kiến trúc RepVGG đạt độ chính xác 94,0% trong các tác vụ phân loại, thể hiện hiệu suất tương đương hoặc vượt qua các bác sĩ giải phẫu bệnh chuyên gia.

Mô hình này phân tích các mẫu nhuộm màng từng pixel, áp dụng tiêu chí nhất quán cho mọi trường hợp mà không bị mệt mỏi hay thiên kiến nhận thức.

Ví dụ: Đối với đánh giá PD-L1, thuật toán phân tích hình ảnh Aperio đã được triển khai để tính điểm dương tính kết hợp, cho thấy độ tương đồng 84,6% với điểm số của bác sĩ giải phẫu bệnh.

Mặc dù kết quả này đại diện cho giải phẫu bệnh tính toán thế hệ cũ hơn là học sâu tiên tiến nhưng xác thực lâm sàng của nó đáng chú ý.

Thuật toán thể hiện hiệu suất tương đương trong dự đoán đáp ứng của bệnh nhân với pembrolizumab so với chấm điểm thủ công từ các bác sĩ giải phẫu bệnh.

Do đó thiết lập bằng chứng khái niệm rằng chấm điểm tự động có thể hướng dẫn quyết định điều trị một cách đáng tin cậy.

Vì thế mở đường cho các thuật toán học sâu thế hệ tiếp theo tiêu chuẩn hóa hoàn toàn quy trình chẩn đoán quan trọng này.

Lợi ích thực tế vượt xa tính nhất quán vì hệ thống AI có thể xử lý các tiêu bản nhanh hơn bác sĩ giải phẫu bệnh, cung cấp các chỉ số định lượng giúp phân tầng rủi ro tinh vi hơn.

Từ đó giải phóng các bác sĩ giải phẫu bệnh để tập trung vào các thách thức chẩn đoán phức tạp thực sự đòi hỏi chuyên môn con người.

Dự đoán phân tử từ hình ảnh H&E

Có lẽ ứng dụng mang tính biến đổi nhất của AI trong giải phẫu bệnh ung thư dạ dày thể hiện sự tái định nghĩa cơ bản về quy trình chẩn đoán.

Đó là khả năng dự đoán đặc điểm phân tử trực tiếp từ các tiêu bản nhuộm hematoxylin và eosin (H&E) tiêu chuẩn với chi phí thấp.

Khả năng này giải quyết một điểm nghẽn quan trọng trong y học ung thư chính xác là các rào cản về chi phí, thời gian và khả năng tiếp cận liên quan đến xét nghiệm phân tử chuyên biệt.

Lập hồ sơ phân tử toàn diện thông qua giải trình tự thế hệ tiếp theo, lai tại chỗ huỳnh quang (FISH) hoặc các bộ nhuộm miễn dịch hóa học có thể tốn hàng nghìn đô la cho mỗi bệnh nhân.

Ngoài ra còn đòi hỏi hàng tuần mới có kết quả và vẫn không có sẵn ở nhiều cơ sở y tế, đặc biệt ở các quốc gia hạn chế tài nguyên nơi gánh nặng ung thư dạ dày cao nhất.

Nền tảng khoa học của xét nghiệm phân tử ảo dựa trên một hiện tượng sinh học đáng chú ý.

Các biến đổi phân tử thúc đẩy sinh bệnh học ung thư tạo ra những thay đổi hình thái tinh tế trong kiến trúc khối u, tổ chức tế bào và vi môi trường mô.

Các đột biến gen riêng lẻ, mẫu bất ổn gene và nhiễm virus ảnh hưởng đến tốc độ tăng sinh tế bào, trạng thái biệt hóa, mẫu thâm nhiễm miễn dịch và kiến trúc mô đệm theo những cách tổng thể tạo ra các dấu hiệu mô học đặc trưng.

Những kết quả hình thái học tồn tại dưới ngưỡng nhận thức thị giác của con người do quá tinh tế, quá phức tạp và quá đa chiều để các bác sĩ giải phẫu bệnh phát hiện một cách nhất quán thông qua khám hiển vi.

Tuy nhiên, các mô hình học sâu được huấn luyện trên hàng nghìn hình ảnh H&E được ghép đôi với kết quả xét nghiệm phân tử có thể học cách nhận ra các mẫu không thể nhận thấy này.

Vì vậy thực sự tạo ra “Xét nghiệm Phân tử Ảo” từ một chế phẩm mô học chi phí thấp.

Triển khai kỹ thuật liên quan đến huấn luyện mạng nơ-ron tích chập trên hình ảnh toàn tiêu bản được chia thành hàng nghìn ô nhỏ hơn với nhãn chân lý cơ bản từ xét nghiệm phân tử thông thường.

Các mô hình này học các biểu diễn đặc trưng phân cấp từ các mẫu kết cấu cơ bản đến các mối quan hệ không gian phức tạp có tương quan với trạng thái phân tử.

Sau khi được huấn luyện, các mô hình có thể phân tích các tiêu bản H&E mới và dự đoán đặc điểm phân tử mà không cần xét nghiệm chuyên biệt nào.

Về cơ bản suy ra kiểu gen từ kiểu hình thông qua phân tích tính toán về hình thái học.

Đối với dự đoán Bất ổn Vi vệ tinh (MSI), các mô hình AI đã được phát triển để nhận diện khối u MSI-High trực tiếp từ hình ảnh H&E, đạt giá trị Diện tích Dưới Đường cong Đặc tính Hoạt động Thụ thể (AUROC) từ 0,77 đến 0,84.

Trạng thái MSI-High đóng vai trò dấu ấn sinh học tiên lượng mạnh mẽ cho đáp ứng thuận lợi với thuốc ức chế điểm kiểm soát miễn dịch (ICI).

Hơn nữa nhận diện sớm thông qua phân tích H&E hỗ trợ AI có thể sàng lọc nhanh bệnh nhân đủ điều kiện liệu pháp miễn dịch mà không cần chờ đợi xét nghiệm MSI dựa trên PCR hoặc nhuộm miễn dịch hóa học đắt tiền.

Ví dụ: Tại các bệnh viện lớn triển khai hệ thống AI dự đoán MSI từ tiêu bản H&E có thể giảm thời gian chờ kết quả từ 2-3 tuần xuống còn vài giờ, giúp bác sĩ nhanh chóng xác định bệnh nhân phù hợp với liệu pháp miễn dịch.

Đối với dự đoán trạng thái Virus Epstein-Barr (EBV), kết quả còn ấn tượng hơn.

Ung thư dạ dày liên quan EBV đại diện cho một phân nhóm phân tử riêng biệt với ý nghĩa điều trị và tiên lượng riêng biệt.

Một mô hình AI được huấn luyện để dự đoán trạng thái EBV từ các tiêu bản H&E đạt giá trị AUROC ngoại lệ từ 0,945 đến 0,969, thể hiện độ chính xác gần như chẩn đoán.

Hiệu suất này tiếp cận độ tin cậy của xét nghiệm lai tại chỗ, tiêu chuẩn vàng cho phát hiện EBV.

Tuy nhiên nó chỉ yêu cầu tiêu bản H&E thông thường mà mọi bệnh nhân nhận được như một phần của chẩn đoán tiêu chuẩn.

Ngoài các dấu hiệu phân tử cụ thể, hệ thống AI có thể phân tích vi môi trường khối u (TME) hiển thị trong các phần H&E để dự đoán tiềm năng đáp ứng miễn dịch.

Các mô hình này đánh giá phân bố không gian, mật độ và mẫu tổ chức của Tế bào Lympho Thâm nhiễm Khối u (TIL) trong toàn bộ mô khối u.

Do đó tạo ra các chỉ số định lượng có tương quan với đáp ứng với thuốc ức chế điểm kiểm soát miễn dịch.

TME đại diện cho một hệ sinh thái phức tạp của các tương tác giữa tế bào ung thư, tế bào miễn dịch, tế bào mô đệm và các thành phần ma trận ngoại bào.

Do đó khả năng của AI trong định lượng các mối quan hệ này từ mô học thông thường mở ra những chiều hướng mới cho cá nhân hóa điều trị.

Tác động lâm sàng của xét nghiệm phân tử ảo vượt xa tiết kiệm chi phí.

Khả năng hỗ trợ “sàng lọc hiệu quả về chi phí” cho các liệu pháp đắt tiền, AI đảm bảo các nguồn lực lập hồ sơ phân tử có thể được hướng dẫn hiệu quả nhất.

Các trường hợp rủi ro cao được AI dự đoán để ưu tiên năng lực xét nghiệm hạn chế, hoặc triển khai xét nghiệm ảo ở các cơ sở hạn chế tài nguyên nơi không tồn tại phòng xét nghiệm phân tử toàn diện.

Hơn nữa, sự sẵn có ngay lập tức của dự đoán AI từ các tiêu bản H&E chẩn đoán có thể đẩy nhanh quyết định điều trị, có khả năng bắt đầu liệu pháp sớm hơn vài ngày hoặc vài tuần so với việc chờ kết quả xét nghiệm phân tử chuyên biệt.

Lợi thế về thời gian rất quan trọng đối với các bệnh ung thư tích cực, nơi sự chậm trễ điều trị ảnh hưởng trực tiếp đến kết quả.

Quan trọng nhất, xét nghiệm phân tử ảo đưa khả năng tiếp cận y học chính xác rộng rải hơn.

Do đó đảm bảo bệnh nhân phù hợp nhận được liệu pháp điều trị phù hợp vào đúng thời điểm bất kể vị trí địa lý hay nguồn lực hệ thống y tế.

Ví dụ: Ở các tỉnh miền núi nơi không có phòng xét nghiệm phân tử chuyên sâu, bệnh nhân ung thư dạ dày có thể được hưởng lợi từ công nghệ AI để dự đoán trạng thái EBV hay MSI chỉ từ tiêu bản H&E thông thường.

Vì vạy giúp bác sĩ địa phương đưa ra quyết định điều trị chính xác mà không cần chuyển bệnh nhân về thành phố lớn.

Vượt qua thách thức chụp CT không cản quang

Cốt lõi mang tính cách mạng của DAMO GRAPE nằm ở khả năng phân tích hình ảnh CT không cản quang để phát hiện ung thư dạ dày.

Đây là một thành tựu thách thức những quan điểm X quang truyền thống.

Theo thông lệ, các bác sĩ X quang thường đánh giá chụp CT không cản quang là không đủ độ tin cậy để chẩn đoán bệnh lý trong các cơ quan rỗng như dạ dày.

Khi không sử dụng thuốc cản quang, dạ dày có thể xẹp lại hoặc chứa thức ăn – thiếu độ tương phản cần thiết để phân biệt lớp niêm mạc mỏng (nơi ung thư giai đoạn sớm hình thành) với các cấu trúc giải phẫu xung quanh.

Hạn chế cơ bản này trong quá khứ đã khiến CT không cản quang chỉ được ứng dụng trong đánh giá chấn thương và khảo sát giải phẫu thay vì sàng lọc ung thư.

Nhóm nghiên cứu đối mặt với ba trở ngại kỹ thuật lớn từng khiến phương pháp chụp ảnh này trở nên không khả thi.

Thứ nhất, hình dạng dạ dày liên tục thay đổi dựa trên hoạt động nhu động và lượng thức ăn, tạo ra sự biến đổi đáng kể trong diện mạo hình ảnh.

Thứ hai, sự hiện diện của các hạt thức ăn và dịch tiêu hóa tạo ra nhiễu thị giác che khuất những thay đổi bệnh lý tinh vi.

Thứ ba, ung thư dạ dày giai đoạn sớm có các đặc điểm cực kỳ khó nhận biết, chỉ giới hạn ở lớp niêm mạc.

Vì thế khiến chúng gần như vô hình trên hình ảnh CT không cản quang thông thường.

Những thách thức này giải thích tại sao nội soi có sinh thiết vẫn là tiêu chuẩn vàng trong chẩn đoán bất chấp tính xâm lấn và khả năng tiếp cận hạn chế.

Giải pháp của nhóm DAMO là xây dựng cái mà họ mô tả là “cơ sở dữ liệu hình ảnh dạ dày không cản quang lớn nhất thế giới”, tích hợp dữ liệu từ hơn 70.000 bệnh nhân.

Bộ dữ liệu khổng lồ này cung cấp nền tảng huấn luyện cần thiết để AI học nhận dạng mẫu ở quy mô chưa từng có.

Một đổi mới kỹ thuật quan trọng là triển khai “ánh xạ hình ảnh CT có cản quang lên hình ảnh không cản quang” trong quá trình huấn luyện.

Cách tiếp cận này về cơ bản dạy AI nhận ra dấu hiệu mờ nhạt của tổn thương trên ảnh chụp không cản quang bằng cách thiết lập mối tương quan với các tổn thương rõ ràng hơn trên hình ảnh có cản quang.

Thông qua chiến lược học chuyển giao tinh vi, mô hình học được cách phát hiện các mẫu vẫn không thể nhận biết được đối với bác sĩ X quang khi chỉ xem riêng lẻ ảnh chụp không cản quang.

Kết quả xác thực lâm sàng chứng minh hiệu suất chẩn đoán vượt trội của DAMO GRAPE, đạt độ nhạy 85,1% và độ đặc hiệu 96,8%.

Khi so sánh trực tiếp với bác sĩ X quang phân tích cùng hình ảnh CT không cản quang, mô hình AI thể hiện sự vượt trội với độ nhạy cao hơn 21,8 điểm phần trăm và độ đặc hiệu cao hơn 14 điểm phần trăm so với chuyên gia.

Các chỉ số này đặc biệt ấn tượng khi xét đến độ khó vốn có của nhiệm vụ.

Đó là phát hiện những thay đổi niêm mạc tinh vi trên phương thức chụp ảnh không được thiết kế cho mục đích này.

Độ đặc hiệu cao của mô hình đặc biệt có giá trị trong bối cảnh sàng lọc, nơi quá nhiều kết quả dương tính giả sẽ làm quá tải hệ thống y tế với các thủ thuật theo dõi không cần thiết.

Ví dụ: Nếu triển khai hệ thống tương tự, các ca chụp CT bụng thông thường cho mục đích khảo sát gan mật có thể đồng thời được AI phân tích để tìm dấu hiệu ung thư dạ dày sớm.

Điều này đặc biệt có ý nghĩa khi Việt Nam nằm trong vùng có tỷ lệ ung thư dạ dày cao ở Đông Á, nhưng chương trình sàng lọc nội soi diện rộng vẫn chưa khả thi do nguồn lực hạn chế.

Chuyển đổi mô hình sàng lọc ung thư

Ý nghĩa thực sự của DAMO GRAPE vượt xa những thành tựu kỹ thuật để hướng tới khả năng chuyển đổi chiến lược sàng lọc ung thư ở quy mô dân số.

Mục đích của mô hình không phải thay thế nội soi mà tạo ra một mô hình sàng lọc sức khỏe cộng đồng hoàn toàn mới khi tận dụng cơ sở hạ tầng y tế hiện có.

Chụp CT không cản quang đã được thực hiện rộng rãi trong khám sức khỏe ngoại trú định kỳ cho nhiều mục đích khác nhau, bao gồm khảo sát ngực và bụng.

Những lần chụp này có ba lợi thế quan trọng: chi phí tương đối thấp, hoàn toàn không xâm lấn và đã được tiến hành trên hàng triệu bệnh nhân hàng năm vì lý do không liên quan đến sàng lọc ung thư dạ dày.

Khái niệm “sàng lọc cơ hội” đại diện cho ứng dụng mang tính chuyển đổi nhất của DAMO GRAPE.

Nhiều bệnh nhân, đặc biệt ở các vùng có nguy cơ cao, mang cái mà các nhà nghiên cứu mô tả là “tâm lý né tránh nội soi.

Đó là sự miễn cưỡng trải qua các thủ thuật sàng lọc xâm lấn ngăn cản họ tìm kiếm đánh giá cho đến khi các triệu chứng xuất hiện, thường cho thấy bệnh đã tiến triển.

DAMO GRAPE thực hiện phân tích tự động âm thầm trên mỗi ca chụp CT không cản quang được thực hiện cho bất kỳ chỉ định lâm sàng nào.

AI có thể đánh dấu những bệnh nhân không triệu chứng có nguy cơ cao mà ảnh chụp của họ chứa phát hiện nghi ngờ ở dạ dày.

Do đó tạo cơ hội sàng lọc từ các nghiên cứu hình ảnh được chỉ định cho mục đích hoàn toàn khác dù là đánh giá tim mạch, đánh giá chấn thương hay kiểm tra sức khỏe định kỳ.

Cách tiếp cận sàng lọc cơ hội này giải quyết thách thức cơ bản trong kiểm soát ung thư.

Đó là tiếp cận các quần thể có nguy cơ mà không bao giờ tự nguyện đến sàng lọc chuyên dụng.

Mô hình có thể xác định ung thư dạ dày tiềm ẩn ở những cá nhân hoàn toàn không có triệu chứng trong các cuộc kiểm tra sức khỏe họ đang trải qua.

Vì thế mở rộng đáng kể nhóm các ca phát hiện sớm và ý nghĩa đối với tỷ lệ sống sót rất sâu sắc.

Khi ung thư dạ dày được phát hiện ở giai đoạn muộn thì tỷ lệ sống sót sau 5 năm thấp hơn 30%.

Tuy nhiên, phát hiện giai đoạn sớm, khi ung thư vẫn còn giới hạn ở lớp niêm mạc, nâng tỷ lệ sống sót sau 5 năm lên trên 90%.

Khi chuyển đổi các ca chụp CT thường quy thành điểm tiếp xúc sàng lọc cơ hội, DAMO GRAPE có tiềm năng chuyển dịch phân bố chẩn đoán từ chủ yếu giai đoạn muộn sang chủ yếu phát hiện giai đoạn sớm.

Hơn nữa, tính khả thi về kinh tế và hậu cần của cách tiếp cận này khiến nó đặc biệt phù hợp để triển khai ở quy mô dân số.

Công nghệ không tăng thêm gánh nặng chụp ảnh, không yêu cầu sự hợp tác của bệnh nhân ngoài quy trình CT tiêu chuẩn và tận dụng phân tích tính toán có thể được tập trung hóa và mở rộng quy mô hiệu quả.

Ở các vùng có tỷ lệ mắc ung thư dạ dày cao nhưng năng lực nội soi hạn chế, DAMO GRAPE có thể ưu tiên nguồn lực nội soi cho những cá nhân có nguy cơ cao được xác định qua phân tích CT tự động, tối ưu hóa sử dụng nguồn lực chẩn đoán khan hiếm.

Khả năng phân tầng nguy cơ này chuyển đổi nội soi từ công cụ sàng lọc áp dụng rộng rãi thành can thiệp chẩn đoán có mục tiêu.

Vì vậy có khả năng cải thiện cả hiệu quả hoạt động và hiệu quả thực tế của các chương trình kiểm soát ung thư dạ dày.

Ví dụ: Tại các bệnh viện lớn như Bệnh viện Chợ Rẫy (TP.HCM) hay Bệnh viện Bạch Mai (Hà Nội), hàng nghìn ca chụp CT bụng được thực hiện mỗi năm cho các mục đích như: khảo sát sỏi thận, viêm ruột thừa, chấn thương, hoặc tầm soát ung thư gan.

Nếu tích hợp AI như DAMO GRAPE, mỗi ca chụp này đều trở thành một lần sàng lọc “miễn phí” cho ung thư dạ dày.

Với chi phí một lần nội soi dạ dày không quá cao và yêu cầu nhịn ăn, gây tê, những người ngại thủ thuật xâm lấn giờ có thể được phát hiện sớm qua CT họ đã chụp.

Điều này đặc biệt quan trọng khi Việt Nam có tỷ lệ nhiễm Helicobacter pylori cao (khoảng 70% dân số), một yếu tố nguy cơ chính của ung thư dạ dày.