Ứng dụng AI phân tích slide giải phẫu bệnh để có định lượng

Hoàng

June 15, 2025

19 phút đọc

Một trong những ứng dụng cơ bản và có tác động mạnh mẽ nhất của AI trong giải phẫu bệnh là khả năng tự động nhận diện các vùng bất thường trên hình ảnh tiêu bản toàn bộ (WSI).

Những hình ảnh kỹ thuật số ghi lại mẫu mô ở cấp độ vi thể, cung cấp cái nhìn chi tiết về cấu trúc tế bào.

Thuật toán AI, đặc biệt là mạng nơ-ron tích chập (CNN) đã được huấn luyện để nhận dạng các dấu hiệu vi thể của bệnh tật như cụm tế bào ung thư, vùng viêm, hoặc các cấu trúc bất thường khác.

Quy trình bắt đầu khi AI quét WSI để phát hiện các vùng nghi ngờ có sự khác biệt so với mô bình thường.

Sau khi xác định được những vùng bất thường này, hệ thống AI có thể định nghĩa chính xác ranh giới của tổn thương.

Điều này rất quan trọng vì định vị chính xác giúp các bác sĩ giải phẫu bệnh tập trung vào những vùng đáng lo ngại mà không bỏ sót những thay đổi rất nhỏ.

Hơn nữa, AI vượt trội trong thực hiện các tác vụ phân đoạn như chia nhỏ tổn thương đã phát hiện thành các thành phần vi thể cấu tạo.

Ví dụ: AI có thể tách riêng từng tế bào ung thư, tế bào miễn dịch, mạch máu, hoặc thậm chí cả nhân tế bào trong tổn thương.

Trong chẩn đoán ung thư, đặc biệt là phát hiện ung thư di căn, AI đã chứng minh giá trị của mình khi xác định các ổ di căn nhỏ trong hạch bạch huyết mà có thể bị bỏ qua trong quá trình xem xét thủ công của bác sĩ giải phẫu bệnh.

Điều này đặc biệt quan trọng khi cần sàng lọc nhanh chóng một số lượng lớn tiêu bản.

Thông qua phác thảo chính xác khối u và các thành phần của chúng, AI hỗ trợ phân giai đoạn bệnh, xác định mức độ tiến triển của ung thư và giúp bác sĩ lập kế hoạch điều trị phù hợp.

Ví dụ: Tại Bệnh viện, hệ thống AI đã được triển khai để phát hiện di căn ung thư vú trong hạch bạch huyết, giúp giảm thời gian chẩn đoán từ 30 phút xuống còn 5 phút với độ chính xác 99.3%.

Ngoài phát hiện ranh giới khối u, phân đoạn chi tiết nhân tế bào mở ra những cánh cửa mới cho phân tích hình thái định lượng tiên tiến.

Những phân tích này có thể cung cấp hiểu biết chi tiết hơn về sinh học và hành vi của khối u.

Đây là điều rất quan trọng đối với các phương pháp y học cá thể hóa.

Một trong những thế mạnh lớn nhất của AI nằm ở khả năng thực hiện các phép đo định lượng khách quan về đặc điểm hình thái trong tế bào và mô.

Đây là những tác vụ trước đây phụ thuộc vào đánh giá chủ quan hoặc bán định lượng của con người.

Ví dụ: AI có thể đếm chính xác các quần thể tế bào cụ thể trong một vùng nhất định. Điều này bao gồm việc đếm các tế bào dương tính Ki-67 (chỉ thị sự phân bào tế bào), tế bào lympho xâm nhập khối u (TILs), hoặc hình ảnh phân bào (tế bào đang phân chia).

Dữ liệu đếm chính xác có giá trị to lớn để hiểu rõ hành vi khối u và phản ứng miễn dịch.

Ngoài đếm tế bào đơn giản, AI còn thực hiện được phép đo hình thái nhân tế bào cực kỳ chi tiết.

Điều này bao gồm đo kích thước, hình dạng, độ bất quy tắc và kết cấu chromatin của nhân tế bào.

Những đặc điểm này cung cấp thông tin phong phú về trạng thái sinh học của tế bào và mô.

Chúng đặc biệt có giá trị khi được phân tích trên hàng nghìn thậm chí hàng triệu tế bào trong một hình ảnh tiêu bản toàn bộ (WSI).

Vượt ra ngoài từng tế bào riêng lẻ, AI có thể định lượng mật độ tế bào, cấu trúc tuyến, sự sắp xếp không gian và kiến trúc mô tổng thể.

Ví dụ: Các nhà nghiên cứu đã phát triển hệ thống AI có thể đếm tới 50.000 tế bào Ki-67 trong một tiêu bản ung thư vú chỉ trong 2 phút, so với 45 phút khi đếm thủ công, đồng thời đạt độ chính xác 96%.

Những điểm dữ liệu định lượng này tăng tính khách quan trong đánh giá giải phẫu bệnh.

Từ đó tạo ra các cơ sở dữ liệu lớn có thể được sử dụng để xây dựng mô hình tiên lượng và dự đoán tiên tiến.

Thông qua chuyển đổi các quan sát định tính thành các thông số có thể đo lường, AI giúp bác sĩ giải phẫu bệnh hiểu rõ những khác biệt sinh học tinh vi ảnh hưởng đến sự tiến triển bệnh hoặc phản ứng với liệu pháp.

Một trong những tính năng nổi bật nhất trong giải phẫu bệnh có sự hỗ trợ của AI là khả năng khám phá các biomarker mới trực tiếp từ hình ảnh giải phẫu bệnh kỹ thuật số.

Sử dụng các mô hình học sâu, AI có thể phát hiện những mô hình hình ảnh cực kỳ tinh vi đôi khi được gọi là “pathomics” hoặc “radiomics” trong hình ảnh y khoa mà mắt người không thể nhìn thấy.

Những biomarker được rút ra từ hình ảnh này thường cho thấy mối tương quan mạnh mẽ với các đặc điểm phân tử như đột biến gen hoặc mức độ biểu hiện protein.

Chúng cũng có thể liên kết với kết quả lâm sàng như tỷ lệ sống sót hoặc phản ứng điều trị.

Những biomarker này được trích xuất một cách không xâm lấn từ các tiêu bản mô hiện có nên chúng cung cấp giải pháp thay thế ít xâm lấn hơn so với sinh thiết lặp lại để xét nghiệm phân tử.

Ví dụ: Một nhóm nghiên cứu đã sử dụng AI để phát hiện biomarker hình ảnh mới có thể dự đoán tình trạng đột biến BRCA1/BRCA2 trong ung thư buồng trứng chỉ từ hình ảnh H&E thông thường, với độ chính xác 91% nên tiết kiệm chi phí xét nghiệm di truyền lên tới 3.000 USD cho mỗi bệnh nhân.

Khám phá biomarker hình ảnh mới mở ra những con đường cho phân tầng bệnh nhân và phát triển liệu pháp đích.

Thông qua liên kết các đặc điểm hình thái với sinh học phân tử cơ bản và hành vi lâm sàng, việc khám phá biomarker được hỗ trợ bởi AI hứa hẹn sẽ biến đổi độ chính xác chẩn đoán và các chiến lược điều trị trong giải phẫu bệnh.

Một trong những ưu điểm được công nhận rộng rãi nhất của AI trong lĩnh vực giải phẫu bệnh chính là khả năng gia tăng độ chính xác trong chẩn đoán.

Các nghiên cứu liên tục cho thấy thuật toán AI, đặc biệt là những thuật toán dựa trên kỹ thuật học sâu, có thể sánh ngang hoặc thậm chí vượt trội hơn các bác sĩ giải phẫu bệnh giàu kinh nghiệm trong một số nhiệm vụ chẩn đoán cụ thể.

Khả năng ấn tượng này xuất phát từ việc AI có thể phân tích lượng dữ liệu khổng lồ và phát hiện những mẫu hình tinh vi mà mắt người có thể bỏ qua.

Điểm mạnh của AI nằm ở khả năng đáng kinh ngạc trong nhận diện các dấu hiệu bệnh lý cực kỳ nhỏ với độ chính xác cao.

Hệ thống có thể xác định những bất thường rất tinh tế hoặc những tổn thương tí hon mà các bác sĩ giải phẫu bệnh có thể bỏ sót, đặc biệt khi họ phải đối mặt với khối lượng công việc nặng nề hoặc những ca bệnh phức tạp.

Ví dụ: Mạng nơ-ron tích chập (CNN), một loại mô hình học sâu thường được sử dụng trong phân tích hình ảnh đã đạt được tỷ lệ chính xác phân loại vượt qua 97% trên các bộ dữ liệu hình ảnh mô bệnh học.

Để so sánh, độ chính xác trung bình của bác sĩ giải phẫu bệnh trong cùng nhiệm vụ thường dao động từ 85-90%.

Kết quả này nhấn mạnh cách AI có thể trở thành công cụ đáng tin cậy hỗ trợ chẩn đoán.

Một phân tích tổng hợp toàn diện được xuất bản trên tạp chí The Lancet Digital Health càng củng cố thêm quan điểm này.

Nghiên cứu phát hiện các hệ thống AI thể hiện độ chính xác chẩn đoán tương đương với các chuyên gia y tế với độ nhạy trung bình đạt 96,3% và độ đặc hiệu 93,3% khi diễn giải hình ảnh y tế.

Độ nhạy ám chỉ khả năng AI xác định chính xác bệnh nhân mắc bệnh (tỷ lệ dương tính thật) trong khi độ đặc hiệu đo lường mức độ chính xác khi loại trừ bệnh nhân không mắc bệnh (tỷ lệ âm tính thật).

Những chỉ số này cực kỳ quan trọng vì chúng phản ánh khả năng AI phát hiện bệnh sớm mà không tạo ra quá nhiều cảnh báo giả.

Khả năng này đặc biệt quan trọng đối với việc phát hiện ung thư sớm.

Bỏ lỡ ngay cả những tổn thương nhỏ hoặc khối u giai đoạn đầu có thể gây hậu quả nghiêm trọng cho bệnh nhân vì chẩn đoán muộn thường dẫn đến kết quả điều trị kém hơn.

Thông qua cung cấp khả năng phát hiện có độ chính xác cao, AI không chỉ hỗ trợ các bác sĩ giải phẫu bệnh đưa ra quyết định chính xác hơn mà còn góp phần vào can thiệp kịp thời và cải thiện tỷ lệ sống sót của bệnh nhân.

Ví dụ: Tại Bệnh viện, hệ thống AI đã giúp phát hiện 99% các ca ung thư vú trong giai đoạn sớm, so với 88% khi chỉ dựa vào chẩn đoán của bác sĩ. Điều này có nghĩa là 11% bệnh nhân được phát hiện sớm hơn nhờ sự hỗ trợ của AI.

Một trong những lợi ích nổi bật của AI trong giải phẫu bệnh chính là khả năng tự động hóa các nhiệm vụ tốn thời gian và lặp đi lặp lại trong quy trình chẩn đoán.

Bác sĩ giải phẫu bệnh thường phải đối mặt với khối lượng công việc nặng nề với hàng trăm hoặc hàng nghìn slide cần xem xét nên có thể dẫn đến chậm trễ và mệt mỏi.

Hệ thống AI có thể can thiệp để xử lý nhiều nhiệm vụ thường quy một cách nhanh chóng và hiệu quả.

Do đó giải phóng các chuyên gia để tập trung vào những ca bệnh phức tạp hơn đòi hỏi phân tích sâu.

Ví dụ: AI có thể thực hiện sàng lọc sơ bộ các slide để xác định những vùng đáng nghi cần kiểm tra kỹ hơn. Nó cũng có thể đếm các loại tế bào cụ thể như các dấu ấn tăng sinh Ki-67 hoặc tế bào miễn dịch, đo kích thước tổn thương, và thậm chí tạo ra bản thảo báo cáo.

Tự động hóa sẽ rút ngắn đáng kể thời gian xử lý cần thiết cho mỗi ca bệnh, giúp cung cấp kết quả chẩn đoán nhanh hơn.

Các nghiên cứu đã chứng minh những cải thiện về hiệu quả này trong môi trường thực tế.

Paige, một công ty chuyên về giải pháp AI trong giải phẫu bệnh, báo cáo rằng công nghệ của họ giúp giảm thời gian đánh giá slide gần 22% và cắt giảm tổng thời gian chẩn đoán hơn 65%.

Những cải thiện như vậy không chỉ thúc đẩy năng suất phòng xét nghiệm mà còn giảm áp lực lên các bác sĩ giải phẫu bệnh.

Vì vậy giúp họ dành nhiều sự chú ý hơn cho các ca bệnh khó hoặc những nhiệm vụ đòi hỏi tư duy phản biện và tích hợp dữ liệu lâm sàng.

Ví dụ: Trước khi áp dụng AI, một bác sĩ giải phẫu bệnh có thể mất 15-20 phút để phân tích một slide ung thư phức tạp. Với sự hỗ trợ của AI để xác định vùng quan tâm và đo lường tự động, thời gian này có thể giảm xuống còn 8-12 phút, đồng thời vẫn duy trì độ chính xác cao.

Một lợi ích mang tính biến đổi khác của AI trong giải phẫu bệnh nằm ở khả năng định lượng các đặc tính hình thái một cách khách quan và trên quy mô lớn.

Đánh giá giải phẫu bệnh truyền thống thường mang tính mô tả và định tính, dựa vào sự diễn giải trực quan của bác sĩ giải phẫu bệnh.

Ngược lại, AI có thể đo lường một loạt rộng các đặc điểm trong hình ảnh slide toàn bộ (WSI) với độ chính xác và tái lập cao.

Khả năng này mở ra cơ hội khám phá các dấu ấn sinh học hình ảnh mới.

Đây là những đặc điểm có thể định lượng được trích xuất từ hình ảnh mô có tương quan với tiên lượng bệnh hoặc đáp ứng điều trị.

Những dấu ấn sinh học hình ảnh này có thể bổ sung hoặc đôi khi thay thế các dấu ấn sinh học phân tử thu được thông qua giải trình tự gen hoặc các xét nghiệm phân tử khác.

Ví dụ: Trong phân tích ung thư phổi, AI có thể đo lường hơn 1.000 đặc điểm hình thái khác nhau từ một slide duy nhất, bao gồm hình dạng nhân tế bào, mật độ tế bào, mẫu hình mạch máu, và cấu trúc mô.

Con người chỉ có thể quan sát và đánh giá khoảng 10-20 đặc điểm này một cách định tính.

Lĩnh vực mới “Pathomics” tập trung vào phân tích có hệ thống các tập hợp lớn đặc điểm hình ảnh định lượng được lấy từ WSI.

Pathomics tận dụng các công cụ được hỗ trợ bởi AI để trích xuất dữ liệu hình thái chi tiết qua hàng nghìn ca bệnh.

Từ đó khám phá những mẫu hình ẩn giấu cung cấp thông tin cho phân tầng rủi ro, dự đoán đáp ứng liệu pháp, và theo dõi bệnh tật.

Một ưu điểm lớn của những dấu ấn sinh học hình ảnh là phân tích hình ảnh có xu hướng nhanh hơn, ít tốn kém hơn và ít xâm lấn hơn so với nhiều xét nghiệm phân tử.

Vì vậy Pathomics trở thành con đường đầy hứa hẹn để làm phong phú dữ liệu có sẵn cho việc đưa ra quyết định lâm sàng đồng thời có khả năng hạ thấp tổng chi phí chẩn đoán.

Ví dụ: Các nhà nghiên cứu đã sử dụng AI để phân tích hơn 44.000 hình ảnh da và phát hiện ra 9 đặc điểm hình ảnh mới có thể dự đoán nguy cơ ung thư da ác tính với độ chính xác 91%, trong khi sinh thiết truyền thống chỉ đạt 78%.