Sức khỏe tổng quát

Vai trò tiên lượng của trí tuệ nhân tạo ở bệnh nhân ung thư tế bào gan Update 07/2021

Pinterest LinkedIn Tumblr

Bài viết của Thạc sĩ, Bác sĩ Mai Viễn Phương – Khoa Khám bệnh & Nội khoa – Bệnh viện Đa khoa Quốc tế Vinmec Central Park

<!– –>

Ung thư biểu mô tế bào gan (HCC) là bệnh lý ác tính ở gan nguyên phát phổ biến nhất và là nguyên nhân phổ biến thứ ba gây tử vong liên quan đến ung thư trên toàn thế giới. Phẫu thuật, dưới hình thức ghép và cắt gan, là phương pháp điều trị chính và là lựa chọn điều trị có khả năng chữa bệnh duy nhất.

Đốt u đã nổi lên như một phương pháp điều trị thay thế cho việc cắt bỏ các khối u nhỏ. Ngược lại, phương pháp điều trị tắc động mạch và hóa trị có thể giúp kiểm soát bệnh và được sử dụng như một phần của chiến lược điều trị đa phương thức. Nhiều yếu tố ảnh hưởng đến khả năng sống sót sau khi điều trị HCC. Trong số đó, chúng ta có thể xem xét tình trạng gan nền, các đặc điểm mô học và hình ảnh học của khối u, các dấu hiệu sinh học và các bệnh đi kèm.

1. Mô hình tiên lượng ung thư biểu mô tế bào gan (HCC)

Theo truyền thống, các mô hình tuyến tính thông thường, chẳng hạn như phân tích tỷ lệ sống sót và mô hình nguy cơ tỷ lệ Cox, đã được sử dụng để đánh giá tiên lượng của ung thư biểu mô tế bào gan (HCC). Tuy nhiên, hệ thống tuyến tính có thể có những hạn chế đáng kể và thường không nắm bắt được sự phức tạp của các tương tác giữa các đặc điểm bệnh lý lâm sàng. Với mục đích khắc phục những hạn chế như vậy, trí tuệ nhân tạo (AI) đã được sử dụng với sự quan tâm ngày càng tăng trong nghiên cứu chăm sóc sức khỏe trong thập kỷ qua, đặc biệt là áp dụng các kỹ thuật học sâu (DL) trong mạng nơ-ron nhân tạo (ANN). Mạng nơ-ron nhân tạo là một mô hình toán học giống với cấu trúc và chức năng của một hệ thần kinh sinh học sử dụng công nghệ máy tính. Nó bao gồm một tập hợp các đơn vị có tính liên kết cao, bắt đầu với một lớp đầu vào (dữ liệu được phân tích), một hoặc nhiều lớp ẩn xử lý dữ liệu và một lớp đầu ra cung cấp kết quả. Điểm đặc biệt của mạng nơ-ron nhân tạo là nó có thể được đào tạo bằng cách cho mạng tiếp xúc với các ví dụ về các cặp đầu vào / đầu ra, do đó cải thiện độ tin cậy của nó. Trong quá trình DL, mô hình chỉ định lại một trọng số khác nhau cho các kết nối bên trong mỗi lớp ẩn. Mạng nơ-ron nhân tạo có thể học hỏi từ các lỗi bằng cách so sánh bất kỳ đầu ra nào đã tạo với đầu ra mong muốn. Lỗi được truyền ngược và các trọng số hiện có giữa các kết nối được sửa đổi cho phù hợp. Sau khi quá trình học hoàn tất, mạng nơ-ron nhân tạo có thể tạo kết nối và đưa ra dự đoán trên các tập dữ liệu chưa được quan sát trước đó.

AI đã được sử dụng để xây dựng các mô hình dự đoán nhiều loại kết quả liên quan đến HCC, chẳng hạn như chẩn đoán khối u, đặc điểm bệnh lý, đáp ứng với điều trị và khả năng sống sót. Với sự sẵn có ngày càng tăng của dữ liệu lớn từ các lĩnh vực như gen, AI có thể làm sáng tỏ các kết nối ẩn giữa các phần tử khối u do sức mạnh tính toán ngày càng tăng của công nghệ hiện đại.

Sự phát triển của AI trong nghiên cứu y học và các ứng dụng lâm sàng của nó đã trở nên phổ biến

Việc sử dụng trí tuệ nhân tạo (AI) trong chăm sóc sức khỏe bắt đầu vào đầu những năm 1970 và ngày càng được chấp nhận trong những thập kỷ qua. Đặc biệt, sự phát triển của AI trong nghiên cứu y học và các ứng dụng lâm sàng của nó đã trở nên phổ biến, một phần là do AI được sử dụng rộng rãi trong hầu hết các lĩnh vực của đời sống con người. Tìm kiếm tài liệu hiện tại cho thấy nhiều nghiên cứu AI tập trung vào chẩn đoán và ứng dụng AI để phân biệt các đặc điểm hình ảnh học của HCC. Việc xác định và phân biệt chẩn đoán các khối gan lành tính và ác tính là mục tiêu của một đánh giá hệ thống trước đó ghi nhận AI có thể phân biệt ung thư gan và đặc biệt là ung thư biểu mô tế bào gan với các tổn thương khác tốt hơn so với các phương pháp khác như mô hình Bayes và kiểm tra hình ảnh chuyên gia hình ảnh học.

Các bài báo khác nhau khám phá tác động của trí tuệ nhân tạo như một công cụ chẩn đoán hoặc tiên lượng trong việc quản lý ung thư biểu mô tế bào gan. AI: Trí tuệ nhân tạo; HCC: Ung thư biểu mô tế bào gan; LRT: Liệu pháp tại chỗ.

Các bài báo khác nhau khám phá tác động của trí tuệ nhân tạo như một công cụ chẩn đoán hoặc tiên lượng trong việc quản lý ung thư biểu mô tế bào gan. AI: Trí tuệ nhân tạo; HCC: Ung thư biểu mô tế bào gan; LRT: Liệu pháp tại chỗ.

2. Vai trò của trí tuệ nhân tạo trong việc quản lý HCC

Một đánh giá có hệ thống về các tài liệu đã xuất bản tập trung vào tác động tiên lượng của AI trong việc quản lý HCC đã được thực hiện. Chiến lược tìm kiếm được thực hiện theo các nguyên tắc về Các Mục Báo cáo Ưu tiên cho Đánh giá Hệ thống và Phân tích Tổng hợp (PRISMA)

Trong số 598 bài báo được sàng lọc, chín bài báo đáp ứng các tiêu chí đưa vào, sáu bài báo có tỷ lệ sai lệch rủi ro thấp. Tám bài báo đã được xuất bản trong thập kỷ qua; tất cả đều đến từ các nước phương đông. Các phương pháp luận của AI được sử dụng bao gồm mạng nơ-ron nhân tạo trong sáu nghiên cứu, cũng như máy vector hỗ trợ, tối ưu hóa thực vật nhân tạo và chụp cắt lớp ổ bụng trong ba nghiên cứu còn lại. Tất cả các nghiên cứu kiểm tra vai trò của mạng nơ-ron nhân tạo đều so sánh hiệu suất của mạng nơ-ron nhân tạo với số liệu thống kê truyền thống. Các nhóm huấn luyện được sử dụng để huấn luyện các mạng nơ-ron sau đó được áp dụng cho các nhóm xác thực. Trong mọi trường hợp, các mô hình AI đều thể hiện hiệu suất dự đoán vượt trội so với thống kê truyền thống với các khu vực dưới đường cong được cải thiện đáng kể.

Dự đoán về khả năng sống sót sau khi điều trị ung thư biểu mô tế bào gan (HCC) đã được nghiên cứu rộng rãi nhưng vẫn chưa đầy đủ

Ứng dụng của trí tuệ nhân tạo (AI) là một phương pháp hỗ trợ mới nổi cho thống kê truyền thống do khả năng xử lý lượng lớn dữ liệu và tìm ra các mối liên hệ ẩn giữa các biến. Nghiên cứu hiện tại nhằm đánh giá vai trò của các phương pháp luận khác nhau của AI trong việc dự đoán khả năng sống sót sau khi điều trị ung thư biểu mô tế bào gan bằng cách thực hiện đánh giá có hệ thống các tài liệu.

Kết quả về rủi ro thiên lệch trong nghiên cứu không ngẫu nhiên về công cụ can thiệp cho các bài báo được trích xuất.

Kết quả về rủi ro thiên lệch trong nghiên cứu không ngẫu nhiên về công cụ can thiệp cho các bài báo được trích xuất.

Dự đoán về khả năng sống sót bằng cách sử dụng phương pháp AI có độ chính xác cao

Đánh giá hệ thống hiện tại là quan trọng vì đây là lần đầu tiên tóm tắt khả năng của hệ thống AI trong việc dự đoán sự sống sót của bệnh nhân sau khi điều trị ung thư biểu mô tế bào gan. Kết quả của các tác giả cho thấy rằng các loại phương pháp AI khác nhau đã được sử dụng trong các nghiên cứu hiện có với kích thước mẫu bệnh nhân không đồng nhất. Phần lớn các nghiên cứu được bao gồm ( n = 6/9) đã sử dụng mạng nơ-ron nhân tạo để phân tích các yếu tố dự đoán khả năng sống sót sau điều trị, phù hợp với kết quả của các đánh giá hệ thống khác về dự đoán kết cục. Xét thấy nhu cầu dự đoán chính xác hơn, các nhà điều tra đã so sánh các kỹ thuật AI với các mô hình tuyến tính truyền thống để tối ưu hóa việc ra quyết định điều trị. Mặc dù một số mô hình dự đoán đã sử dụng cả các biến số trước và sau phẫu thuật, các mô hình này không tỏ ra hữu ích trong việc ra quyết định lâm sàng vì chúng yêu cầu thông tin chỉ có thể có được sau khi cắt bỏ hoặc điều trị khác. Ngược lại, các mô hình chỉ có các biến số trước phẫu thuật có thể giúp hướng dẫn các chiến lược điều trị trong bối cảnh trước phẫu thuật

Quan trọng là, đánh giá có hệ thống của các tác giả cho thấy rằng dự đoán về khả năng sống sót bằng cách sử dụng phương pháp AI có độ chính xác cao và duy trì hiệu quả trong các nghiên cứu với kích thước mẫu hạn chế, mặc dù kiến ​​thức hiện tại về mô hình dự đoán sử dụng AI đã lưu ý rằng AI hoạt động tốt hơn khi áp dụng cho kích thước mẫu lớn hơn. Mặc dù lý do giải thích cho độ chính xác dự đoán cao nhất quán của các mô hình AI là đa yếu tố, nhưng độ phức tạp của các mô hình AI ( ví dụ: số lượng sự kiện cao hơn trên mỗi biến) càng củng cố thêm tính ưu việt về hiệu suất của chúng, điều này có thể giải thích kết quả nổi bật ngay cả khi được sử dụng các nghiên cứu về kích thước.

Những khó khăn trong việc thu thập và sử dụng một phần mềm chuyên dụng
Khả năng tái tạo và khả năng ứng dụng của các mô hình AI trong thực hành lâm sàng và ở các trung tâm khác nhau có thể bị đặt câu hỏi do những khó khăn trong việc thu thập và sử dụng một phần mềm chuyên dụng để xử lý dữ liệu. Ngoài ra, khi mạng nơ-ron nhân tạo học hỏi từ các ví dụ, người ta có thể tranh luận rằng mạng nơ-ron nhân tạo cần được đào tạo trước khi có thể áp dụng nó cho các bộ dữ liệu khác nhau khác với bộ dữ liệu mà nó được xây dựng ban đầu. Tuy nhiên, điều xuất hiện từ đánh giá có hệ thống này là AI có thể là một công cụ hỗ trợ xuất sắc cho các hệ thống phân tích tuyến tính thông thường để dự đoán khả năng sống sót sau điều trị. Cucchetti và cộng sự đã cung cấp mạng nơ-ron nhân tạo của họ trực tuyến để các trung tâm khác có thể kiểm tra và có thể làm phong phú thêm mô hình của họ nhằm dự đoán mức độ khối u HCC và sự xâm lấn vi mạch trước phẫu thuật. Bên cạnh đó, khi được áp dụng cho các khía cạnh khác của HCC, AI đặc biệt hữu ích để khám phá các kết nối giữa các dữ liệu lớn như trong hệ gen. mạng nơ-ron nhân tạo kết hợp với định dạng gen cho các đột biến / xóa bỏ tế bào vi mô có thể dự đoán sự tái phát HCC sau khi ghép gan với độ chính xác 85% ở trung tâm nơi mô hình được phát triển và với độ chính xác 89,5% khi được kiểm tra trong dữ liệu từ một trung tâm khác. AI được áp dụng cho chụp hình ảnh học ngày càng được nghiên cứu nhiều hơn: Máy học đã được sử dụng để cung cấp giải thích định lượng của quét cắt lớp vi tính để phân loại lại các nốt không xác định và có khả năng tránh sinh thiết và cải thiện an toàn cho bệnh nhân. Tương tự như vậy, các thuật toán mạng thần kinh đã được xây dựng với mục đích cung cấp một cách khách quan và tái tạo các danh mục hệ thống dữ liệu và báo cáo hình ảnh gan phù hợp với phân loại của các nhà hình ảnh học chuyên gia.
Nhược điểm liên quan đến việc áp dụng mạng nơ-ron nhân tạo trong thực hành lâm sàng trong tiên lượng HCC

Một trong những nhược điểm liên quan đến việc áp dụng mạng nơ-ron nhân tạo trong thực hành lâm sàng có thể là số lượng yếu tố đầu vào trên mỗi bệnh nhân không cân đối (quá nhiều, ví dụ , hàng nghìn protein biểu hiện gen) so với số lượng bệnh nhân (quá ít). Rủi ro của việc trang bị quá nhiều tập dữ liệu có thể được giảm thiểu bằng cách lọc ra các biến có khả năng không liên quan một cách nghiêm ngặt. Đặc biệt, việc lựa chọn các biến để sử dụng làm yếu tố đầu vào trong mạng nơ-ron nhân tạo bằng cách sử dụng thống kê truyền thống đã được sử dụng như một chiến lược để cải thiện hiệu quả và giảm dư thừa của mô hình AI, như đã được xác nhận bởi tất cả các nghiên cứu sử dụng mạng nơ-ron nhân tạo trong tổng quan hệ thống này. Khi phân tích dữ liệu bệnh nhân ung thư ( tức là, quá nhiều kích thước cho một số lượng mẫu tương đối nhỏ), kết hợp DL với các kỹ thuật máy học khác đã được sử dụng để xác định các dấu hiệu gen tiên lượng và phân biệt giữa tiên lượng tốt hơn và xấu hơn ở những bệnh nhân có nhiều loại khối u bao gồm cả HCC

Kết luận

Trí tuệ nhân tạo có thể cung cấp dự đoán nâng cao về khả năng sống sót sau khi điều trị HCC so với các mô hình tuyến tính thông thường. Việc sử dụng AI có thể đặc biệt hữu ích để xử lý một lượng lớn dữ liệu, cũng như giúp xác định các mẫu và mối liên kết không rõ ràng với các kỹ thuật truyền thống do sự phức tạp của hệ thống sinh học. AI có một vai trò đầy hứa hẹn trong nghiên cứu chăm sóc sức khỏe và ứng dụng của nó vào HCC. Mặc dù số lượng dữ liệu ngày càng tăng trên mỗi bệnh nhân, điều quan trọng là phải xác định mức độ AI có thể giúp hướng dẫn việc ra quyết định lâm sàng và tối ưu hóa dự đoán kết quả lâu dài dựa trên các đặc điểm riêng biệt của từng bệnh nhân.

Để được tư vấn trực tiếp, Quý Khách vui lòng bấm số HOTLINE hoặc đăng ký trực tuyến TẠI ĐÂY. Ngoài ra, Quý khách có thể Đăng ký tư vấn từ xa TẠI ĐÂY

Comments are closed.