Ứng dụng AI cho ung thư máu: phân tích 6 ứng dụng phổ biến

Hoàng

August 30, 2025

21 phút đọc

Nền tảng của chẩn đoán huyết học từ lâu đã dựa trên phân tích hình thái tế bào máu trên các mẫu nhuộm Giemsa qua kính hiển vi quang học.

Đây là phương pháp được công nhận rộng rãi là “tiêu chuẩn vàng” để chẩn đoán nhiều bệnh lý bao gồm các loại ung thư máu.

Cách tiếp cận truyền thống này tuy đã được chứng minh về mặt lâm sàng, nhưng lại đặt ra những thách thức hoạt động đáng kể tồn tại hàng thập kỷ qua.

Quy trình đòi hỏi nguồn nhân lực và thời gian đầu tư lớn.

Vì vậy tạo ra những điểm nghẽn trong quy trình chẩn đoán có thể làm chậm trễ các quyết định điều trị quan trọng.

Hơn nữa, độ tin cậy của phân tích kính hiển vi thông thường phụ thuộc rất nhiều vào kinh nghiệm và cách diễn giải chủ quan của các kỹ thuật viên xét nghiệm và bác sĩ giải phẫu bệnh.

Yếu tố con người này gây ra sự biến thiên trong kết quả chẩn đoán.

Điều này đặc biệt rõ khi xử lý những thay đổi hình thái tinh tế hoặc các loại tế bào hiếm gặp đòi hỏi sự nhận biết chuyên môn cao.

Thách thức còn phức tạp thêm do khó khăn trong lưu trữ và chia sẻ hình ảnh kính hiển vi để tham vấn, hạn chế cơ hội chẩn đoán hợp tác và xin ý kiến thứ hai trong các ca bệnh phức tạp.

Sự ra đời của các máy đếm tế bào tự động trong những năm 1980 đã giải quyết một số vấn đề liên quan đến tốc độ nhưng lại tạo ra những hạn chế mới.

Các hệ thống này tuy hiệu quả để đếm tế bào cơ bản nhưng thiếu khả năng nhận dạng mẫu phức tạp cần thiết để xác định hình thái tế bào bất thường hoặc phát hiện tế bào chưa trưởng thành.

Đó là những dấu hiệu quan trọng của các khối u ác tính huyết học.

Do đó, các mẫu thường cần được đánh dấu thủ công và sau đó xem xét dưới kính hiển vi.

Đây cũng là một phần nguyên nhân làm mất đi những lợi ích về hiệu quả mà tự động hóa có thể mang lại.

Ví dụ: Tại một bệnh viện lớn, trước khi áp dụng AI, một bác sĩ giải phẫu bệnh có kinh nghiệm cần 30-45 phút để phân tích một mẫu máu phức tạp. Với hệ thống AI, thời gian này được rút ngắn xuống còn 5-10 phút, trong khi độ chính xác trong việc phát hiện tế bào blast (tế bào ung thư) tăng từ 85% lên 94%.

Các hệ thống kính hiển vi hỗ trợ AI đã nổi lên như một giải pháp biến đổi để giải quyết những thách thức lâu dài này.

Kết hợp thuật toán trí tuệ nhân tạo với nền tảng kính hiển vi điện tử tự động, các hệ thống này có thể phân tích mẫu máu ở tốc độ vượt xa quét thủ công trong khi vẫn duy trì độ chính xác vượt trội khi xác định cấu trúc phức tạp và bất thường tinh tế mà con người có thể bỏ sót.

Công nghệ này số hóa mẫu máu và áp dụng thuật toán thị giác máy tính để tự động phân loại các loại tế bào máu khác nhau, tìm kiếm có hệ thống các tế bào blast, tế bào lympho ác tính, hoặc tế bào tủy chưa trưởng thành.

Đó là những dấu ấn đặc trưng của bệnh bạch cầu và các loại ung thư máu khác.

Tự động hóa mang lại lợi ích vượt ra ngoài việc cải thiện hiệu quả chẩn đoán.

AI giải quyết thách thức nguồn nhân lực chiến lược mà các hệ thống y tế toàn cầu đang đối mặt thông khi giúp giảm thiểu tình trạng thiếu hụt các chuyên gia chẩn đoán hình ảnh chuyên khoa và kỹ thuật viên xét nghiệm.

Công nghệ này tạo điều kiện cho các chuyên gia giàu kinh nghiệm tập trung chuyên môn của họ vào các ca phức tạp, quan trọng để ra quyết định trong khi các hệ thống AI xử lý sàng lọc thường quy và đánh dấu các mẫu nghi ngờ.

Hệ thống phân loại thông minh này tối đa hóa tác động của chuyên môn con người đồng thời đảm bảo các ca nguy hiểm nhận được sự chú ý thích hợp.

Quy trình phát triển dược phẩm thông thường đại diện cho một trong những nỗ lực tốn kém tài nguyên nhất trong khoa học hiện đại.

Vì vậy cần từ 11 đến 16 năm và chi phí khoảng 1 đến 2 tỷ USD để đưa một loại thuốc từ khái niệm phòng thí nghiệm đến phê duyệt thị trường.

Khoản đầu tư phi thường về thời gian và vốn này đã tạo ra những rào cản đáng kể cho đổi mới, đặc biệt trong các lĩnh vực điều trị chuyên biệt như ung thư máu nơi quần thể bệnh nhân có thể nhỏ hơn và động cơ thương mại ít rõ ràng hơn.

AI đang cách mạng hóa cơ bản nghiên cứu dược phẩm qua tăng tốc đáng kể thời gian nghiên cứu đồng thời giảm thiểu đáng kể chi phí phát triển.

Các nền tảng AI tiên tiến như AlphaFold của Google DeepMind thể hiện khả năng đáng chú ý trong việc mô phỏng tương tác protein với chuỗi DNA hoặc phân tử thuốc với độ chính xác chưa từng có.

Các mô hình tính toán này có thể dự đoán hành vi phân tử và ái lực liên kết mà trước đây đòi hỏi thí nghiệm phòng thí nghiệm mở rộng.

Vì vậy giảm nhiều năm nghiên cứu sơ bộ thành vài tháng hoặc thậm chí vài tuần phân tích tính toán.

Ví dụ: Công ty Exscientia của Anh đã sử dụng AI để phát triển DSP-1181 – thuốc điều trị rối loạn ám ảnh cưỡng chế – chỉ trong 12 tháng so với 4-5 năm thông thường.

Tương tự, trong lĩnh vực ung thư máu, AI đã giúp xác định được hợp chất ức chế FLT3 mới chỉ trong 6 tháng thay vì 3 năm với phương pháp truyền thống.

Quá trình khám phá thuốc hướng dẫn bởi AI đại diện cho sự biến đổi có hệ thống của phương pháp nghiên cứu dược phẩm.

Quy trình bắt đầu với xác định mục tiêu, nơi các thuật toán AI phân tích cơ sở dữ liệu lâm sàng lớn để xác định các thực thể phân tử có tiềm năng tương tác điều trị.

Cách tiếp cận tính toán này có thể xử lý lượng lớn tài liệu y sinh, dữ liệu genomic và kết quả thử nghiệm lâm sàng để xác định các mẫu và mối quan hệ mà con người có thể bỏ sót.

Tốc độ và tính toàn diện của phân tích này tạo điều kiện cho các nhà nghiên cứu khám phá các mục tiêu điều trị mà nếu không có thể bị bỏ qua do hạn chế tài nguyên.

Lựa chọn và ưu tiên mục tiêu tận dụng khả năng nhận dạng mẫu mạnh mẽ của AI để giúp các nhà nghiên cứu tập trung nỗ lực vào những mục tiêu điều trị hứa hẹn nhất.

Ngoài ra đồng thời xác định các hợp chất ứng viên khả thi nhất cho phát triển chuyên sâu.

Các thuật toán học máy có thể đánh giá đồng thời nhiều yếu tố bao gồm tính ổn định phân tử, khả năng sinh học, hồ sơ độc tính, và hiệu quả tiềm năng để xếp hạng hàng ngàn hợp chất tiềm năng theo khả năng thành công lâm sàng của chúng.

Có lẽ ấn tượng nhất, AI có thể sàng lọc hàng triệu hợp chất trong vài giờ.

Đây là một nhiệm vụ sẽ đòi hỏi nhiều tháng hoặc thậm chí nhiều năm công việc phòng thí nghiệm của con người.

Khả năng sàng lọc tính toán này tạo điều kiện cho các nhà nghiên cứu dược phẩm khám phá không gian hóa học rộng lớn hơn nhiều so với các phương pháp truyền thống.

Từ đó có khả năng xác định các cách tiếp cận điều trị mới mà có thể không bao giờ được khám phá thông qua con đường nghiên cứu thông thường.

Khả năng thiết kế thuốc de novo của AI đại diện cho khía cạnh cách mạng nhất của sự biến đổi công nghệ này.

Thông qua mô phỏng máy tính phức tạp, các hệ thống AI có thể tạo ra những thiết kế thuốc phân tử hoàn toàn mới, giảm thời gian phát triển từ nhiều năm xuống khoảng 18-24 tháng.

Khả năng này đặc biệt có giá trị trong nghiên cứu ung thư máu, nơi các cơ chế phân tử phức tạp thúc đẩy các khối u ác tính huyết học khác nhau có thể đòi hỏi các cách tiếp cận điều trị mới không tồn tại trong thư viện dược phẩm hiện tại.

Ví dụ: Trong điều trị bệnh bạch cầu lympho mãn tính (CLL), AI đã thiết kế ra các phân tử ức chế BTK thế hệ mới có khả năng vượt qua tình trạng kháng thuốc của ibrutinib, thuốc BTK inhibitor thế hệ đầu. Thay vì mất 8-10 năm nghiên cứu, quá trình này chỉ cần 20 tháng.

Tuy nhiên, triển khai AI trong khám phá thuốc cũng đặt ra những thách thức đáng kể cần được giải quyết để áp dụng rộng rãi.

Nhiều mô hình AI phức tạp hoạt động như “hộp đen”, khiến quá trình giải thích tại sao AI đạt đến những kết luận hoặc khuyến nghị cụ thể trở nên khó khăn.

Sự thiếu minh bạch này tạo ra rào cản quy định đáng kể, vì các cơ quan phê duyệt thuốc đòi hỏi hiểu biết toàn diện về cơ chế điều trị trước khi cấp phép thị trường.

Thách thức này đang thúc đẩy sự phát triển của công nghệ AI có thể giải thích (XAI) được thiết kế để tăng cường niềm tin và tuân thủ quy định thông qua cung cấp lý do rõ ràng cho các khuyến nghị do AI tạo ra.

Điều trị ung thư thông thường từ lâu đã dựa vào các phác đồ liều lượng chuẩn hóa, áp dụng mức trung bình chung của quần thể lên từng bệnh nhân cụ thể.

Phương pháp “một khuôn mẫu cho mọi người” không tính đến những khác biệt đáng kể về sinh lý, di truyền và phản ứng trao đổi chất của bệnh nhân.

Đó là những yếu tố ảnh hưởng trực tiếp đến hiệu quả và độc tính của thuốc.

Trong điều trị ung thư máu, khi cửa sổ điều trị thường rất hẹp và nguy cơ độc tính cao, sử dụng liều lượng không tối ưu có thể dẫn đến thất bại trong điều trị hoặc các biến cố bất lợi đe dọa tính mạng.

Ví dụ: Một bệnh nhân 65 tuổi mắc bệnh bạch cầu cấp có thể cần liều Cytarabine khác biệt hoàn toàn so với bệnh nhân 30 tuổi có cùng chẩn đoán do khác biệt về chức năng thận và khả năng chuyển hóa thuốc.

Các hệ thống AI hiện đại giải quyết thách thức này thông qua khả năng xử lý bộ dữ liệu toàn diện của bệnh nhân bao gồm tuổi tác, dấu ấn di truyền, bệnh đồng mắc, chức năng cơ quan và phản ứng điều trị trước đó.

Các thuật toán học máy phân tích những điểm dữ liệu đa chiều này để nhận diện các mẫu tương quan với kết quả điều trị tối ưu.

Hệ thống tạo ra các đề xuất liều lượng được cá nhân hóa nhằm tối đa hóa lợi ích điều trị trong khi giảm thiểu phản ứng bất lợi về cơ bản tạo nên một hồ sơ điều trị độc nhất cho mỗi bệnh nhân.

Ví dụ: Hệ thống AI có thể phân tích hơn 200 biến số sinh học của bệnh nhân từ nồng độ protein trong máu đến biến thể gen CYP450 để đưa ra liều Rituximab chính xác đến từng milligram.

Phương pháp cá nhân hóa này mang lại những cải thiện đáng kể trong kết quả điều trị.

Bệnh nhân nhận được liều lượng được hiệu chuẩn chính xác phù hợp với khả năng trao đổi chất cá thể và đặc điểm bệnh lý.

Từ đó dẫn đến hiệu quả điều trị tăng cường và giảm gánh nặng tác dụng phụ.

Các nhà cung cấp dịch vụ y tế có thể đưa ra quyết định liều lượng dựa trên bằng chứng với độ tin cậy cao hơn.

Vì vậy dẫn đến cải thiện tuân thủ điều trị và chất lượng cuộc sống của bệnh nhân trong quá trình điều trị.