Credit: Daniel Stolle

Etemadi, một kỹ sư y sinh tại Trường Y Feinberg thuộc Đại học Northwestern ở Chicago, Illinois, cho biết: “Một bác sĩ xem các ảnh chụp CT này sẽ nói bệnh nhân hoàn toàn bình thường, nhưng AI đã phát hiện ra những chi tiết ẩn giấu một cách đầy tự tin. Nó đang tìm ra các dấu hiệu của ung thư.” Sau khi chiếc máy hoàn thành một vòng chạy, Etemadi nghĩ: “Chúng tôi vừa phát hiện ra bệnh ung thư phổi của anh chàng này sớm hơn 1 hoặc 2 năm so với khả năng phát hiện hiện tại.” Tâm trí anh quay cuồng với viễn cảnh tăng cơ hội sống sót của hàng nghìn người.

Ung thư phổi là bệnh ung thư nguy hiểm nhất trên thế giới - khoảng 75% những người mắc bệnh chết trong vòng 5 năm sau khi được chẩn đoán. Nhưng khi ung thư được phát hiện sớm, tiên lượng sẽ tốt hơn nhiều. Nếu phát hiện khối u đang ở giai đoạn nhỏ và khu trú trong phổi, gần 2/3 số người sống sót trong ít nhất 5 năm.
Nhu cầu phát hiện sớm đã thúc đẩy sự phát triển của các hệ thống AI phát hiện các khối u phổi ngày càng nhỏ. Hệ thống mà Etemadi đang thực hiện - một sáng kiến ​​chung giữa Google, Đại học Northwestern và các tổ chức khác hiện đang hướng tới áp dụng lâm sàng. Vào tháng 7/2020, Đại học Oxford, Vương quốc Anh, đã công bố một chương trình nghiên cứu trị giá 11 triệu bảng Anh (14,3 triệu USD) nhằm sử dụng AI để giúp chẩn đoán ung thư phổi.

SỬ DỤNG AI ĐỂ TÌM RA KHỐI U SỚM CÓ THỂ TĂNG GẤP ĐÔI KHOẢNG THỜI GIAN MÀ CÁC BÁC SĨ CÓ THỂ CÓ ĐỂ ĐIỀU TRỊ CHO MỘT BỆNH NHÂN UNG THƯ, MANG LẠI CHO HỌ NHIỀU CƠ HỘI HƠN ĐỂ NGĂN CHẶN UNG THƯ LÂY LAN.

Những phát triển như vậy hứa hẹn sẽ làm cho việc tầm soát ung thư phổi trở nên chính xác và dễ tiếp cận hơn dành cho tất cả mọi người. Nhưng để các hệ thống mới như vậy trở thành những công cụ đắc lực, cần nâng cao một cách cẩn trọng mối quan hệ giữa bác sĩ X quang và thiết bị họ dùng để chẩn đoán.

Phát hiện khối u

Khoảng 70% trường hợp ung thư phổi được phát hiện ở giai đoạn muộn, khi bệnh đã khó điều trị hơn. Điều này phần nào giải thích tại sao tỷ lệ sống sót sau 5 năm khi mắc ung thư phổi là rất thấp. Các triệu chứng ban đầu của ung thư phổi có xu hướng là các bệnh lý thông thường, chẳng hạn như ho dai dẳng hoặc mệt mỏi, rất dễ bị coi là điều bình thường. Bác sĩ ung thư Mariam Jamal-Hanjani tại Viện Ung thư của Đại học College London cho biết: “Mọi người phớt lờ cơn ho. Khi họ đến phòng khám của tôi, thường căn bệnh đã di căn. Đến giai đoạn đó, việc điều trị hiệu quả có thể đã nằm ngoài khả năng”.

Các nghiên cứu tại Đại học California, Los Angeles và các nơi khác cho thấy việc sàng lọc thường xuyên các nhóm người có nguy cơ cao có thể phát hiện nhiều trường hợp ung thư phổi sớm hơn, giảm tỷ lệ tử vong từ 20-30%. Lực lượng Đặc nhiệm Dịch vụ Phòng ngừa Hoa Kỳ, một nhóm tình nguyện đưa ra các khuyến nghị cho các dịch vụ phòng ngừa lâm sàng nên kiểm tra CT hằng năm ở các nhóm có nguy cơ cao mắc ung thư phổi, chẳng hạn như những người từng hoặc đang hút thuốc.

Mozziyar Etemadi phát triển hệ thống trí tuệ nhân tạo để tìm ung thư phổi giai đoạn đầu. Credit: Ddent photo

Tuy nhiên, số lượng bác sĩ X quang đọc chụp cắt lớp phổi đã không đủ để theo kịp với nhu cầu ngày càng tăng. Ulas Bagci, một chuyên gia hình ảnh máy tại Đại học Central Florida ở Orlando, cho biết: “Có rất nhiều ảnh chụp CT, và rất nhiều người. Khối lượng công việc dày đặc này có thể khiến các bác sĩ X-quang hoạt động quá tải và mắc phải sai lầm trong chẩn đoán”.

Giới hạn về khả năng “tầm nhìn” của con người cũng khiến các bác sĩ X quang dễ dàng bỏ qua những khối u ác tính cực nhỏ. Ví dụ, có đến 35% các nốt sần phổi bị bỏ sót khi xét nghiệm ban đầu. Sử dụng hệ thống AI có thể giúp ích cho cả hai công việc này bằng cách giảm gánh nặng cho các chuyên gia xét nghiệm và phát hiện các điểm bất thường ở phổi mà không thể nhìn thấy bằng mắt thường.

Các bác sĩ X quang sử dụng các công cụ chẩn đoán với sự hỗ trợ của máy tính để giúp họ phát hiện các khối u ác tính. Thông thường, một lập trình viên sẽ lập trình để máy tính đi tìm những đặc trưng của một khối u, nhưng nhiều khi máy tính sẽ gán cho rất nhiều khối u lành tính là ác tính. Bagci nói: “Các bác sĩ X quang không thích điều đó vì họ cần phải bấm vào từng cái một” để kiểm tra, điều này mất rất nhiều thời gian”.

Các hệ thống AI gần đây dựa trên một nguyên tắc được gọi là học sâu (deep learning). Thay vì tìm kiếm các đặc điểm khối u được lập trình viên xác định trước, các hệ thống deep learning tự tìm ra khối u từ các ví dụ trong thực tế. Các nhà nghiên cứu cung cấp cho hệ thống một bộ dữ liệu lớn bao gồm hàng nghìn bản chụp CT phổi, một số bị ung thư và một số không. Từ đó, máy tự học được nốt ung thư phổi lành hay ác tính trông như thế nào.

Giải pháp VinDR dùng AI để hỗ trợ bác sĩ chuẩn đoán ung thư phổi đang được áp dụng trên 10 bệnh viện.

Càng quét nhiều, chúng càng có thể phân biệt được khối u phổi (ác tính) với khối u lành tính một cách đáng tin cậy. Và chúng làm một cách chính xác hơn các hệ thống cũ không sử dụng AI. Một số hệ thống deep learning cũng cung cấp cho các bác sĩ lâm sàng ước tính về mức độ tin cậy đối với đánh giá của mình, điều này có thể hỗ trợ lớn trong việc đưa ra quyết định lâm sàng.

Sâu hơn

Hệ thống của Etemadi dựa trên phương pháp deep learning để xác định khối u phổi trên ảnh chụp CT. Vào năm 2019, ông và nhóm của mình đã báo cáo rằng hệ thống của họ đã xác định chính xác các giai đoạn đầu của ung thư phổi đến 94%, vượt trội so với nhóm sáu bác sĩ X quang kỳ cựu.

Các nhà nghiên cứu đã đào tạo hệ thống này bằng cách sử dụng cơ sở dữ liệu của hơn 40.000 bản chụp CT - không chỉ những bản chụp hiện tại mà còn cả những bản quét từ trước khi những người này nhận được chẩn đoán ung thư phổi. Trong thời gian đào tạo này, các nhà khoa học đã dạy máy tính phản biện bản quét giai đoạn đầu nào có chứa và không chứa các điểm ung thư. Theo thời gian, máy tính học được các đặc trưng nào trên tấm ảnh có thể phân biệt giữa điểm ác tính và các điểm lành tính, để rồi ngày càng tiến bộ trong việc xác định các dấu hiệu sớm của ung thư.

Khi hệ thống có thể phân tích toàn bộ ảnh chụp CT ba chiều (3D) thay vì một chuỗi các lát cắt 2D, độ chính xác của nó còn có thể cao hơn nữa. Những hình ảnh 3D cung cấp nhiều thông tin chẩn đoán hơn về các đặc điểm của khối u chẳng hạn như các mạch máu nào không phải là một phần của khối u chính. Etemadi nói: “Độ chi tiết của ảnh 3D bắt đầu làm nổi bật các khu vực cách xa khối u. Nó cho chúng ta thấy những chi tiết mà chúng tôi không ngờ tới. Chúng tôi đang mở ra một lĩnh vực nghiên cứu khoa học hoàn toàn mới”.

Bagci và nhóm của ông đã phát triển một mô hình AI deep learning khác có kỹ năng tương tự trong việc phát hiện các nốt sần biểu hiện ung thư phổi giai đoạn đầu. Máy tính xác định chính xác các nốt ung thư nhỏ trên ảnh chụp CT khoảng 95% - cao hơn nhiều so với tỷ lệ chính xác 65% mà các bác sĩ X quang thường đạt được.

Cả hệ thống của Bagci và Etemadi đều xem các bản quét nhiều lần. Đầu tiên, chúng quét các khu vực bất thường, chẳng hạn như các nốt có hình dạng kỳ lạ có thể là ung thư. Sau đó, chúng đánh giá chi tiết hơn từng khu vực của các mục tiêu này để đưa ra phán đoán cuối cùng về việc chúng có phải là ác tính hay không.

Nhóm của Bagci đã đào tạo hệ thống của họ về việc chụp CT có chứa các khối u có kích thước khoảng 1-3 mm mà nhiều bác sĩ X quang khó phát hiện ra. Bagci nói: “Rất khó để tìm kiếm trực quan (bằng mắt) tất cả các điểm ảnh trên màn hình. Tỷ lệ bỏ sót những điểm ảnh đó là rất lớn. Vì hệ thống AI của anh ấy được đào tạo trên hàng nghìn lần quét phổi, nó được tối ưu hóa cao để phát hiện các khu vực có những vấn đề nhỏ mà các chuyên gia có thể bỏ qua, ông nói. “Bạn có thể sử dụng nhiều dữ liệu hơn và các thuật toán mạnh mẽ hơn. Nó sẽ tìm ra các nốt nhỏ tốt hơn”.

Một hệ thống deep learning khác, được phát triển bởi nhóm của Jamal-Hanjani tại Đại học College London và Viện Nghiên cứu Ung thư London, giải quyết vấn đề liên quan đến việc phát hiện các dấu hiệu sớm của sự tái phát ung thư phổi sau khi điều trị ban đầu. Nhóm nghiên cứu đã báo cáo trong năm nay rằng sau khi họ lập trình máy tính trên hàng trăm hình ảnh của các khối u phổi giai đoạn đầu, hệ thống đã phát hiện ra rằng các khối u ở vùng có ít tế bào miễn dịch có nhiều khả năng kích hoạt tái phát sau phẫu thuật cắt bỏ hoặc hóa trị. Các nhà khoa học cho rằng đó là do những khối u này có một số dạng cơ chế che đậy để trốn tránh hệ thống miễn dịch, cho phép các tế bào phân chia không bị kiểm soát. Những cảnh báo về khả năng tái phát này có thể giúp các bác sĩ X quang xác định những người cần theo dõi cẩn thận, Jamal-Hanjani nói.

Sàng lọc phổ rộng

Một trong những ưu điểm chính của hệ thống deep learning là chúng có thể đẩy nhanh sự ra đời của sàng lọc cộng đồng, nhằm phát hiện bệnh ung thư phổi sớm hơn. Có bằng chứng chắc chắn rằng các chương trình như vậy sẽ có hiệu quả.

Ví dụ, các nhà nghiên cứu tại Trung tâm Y tế Đại học Erasmus ở Rotterdam, Hà Lan, gần đây đã nghiên cứu ba tác động của một thử nghiệm chương trình sàng lọc ở Bỉ và Hà Lan. Nhóm nghiên cứu đã theo dõi hơn 15.000 người trên 50 tuổi đang hoặc từng hút thuốc trong ít nhất 10 năm. Vào cuối thử nghiệm, những người đã trải qua kiểm tra định kỳ có nguy cơ tử vong vì ung thư phổi thấp hơn khoảng 25% so với những người đối chứng - và chỉ 1,2% người tham gia có kết quả dương tính giả.

Một nghiên cứu về rủi ro của Hoa Kỳ cho thấy rằng một chương trình tầm soát ung thư phổi quốc gia cho những người có nguy cơ cao sẽ tiết kiệm được khoảng 19.000USD mỗi năm. Điều này cho hiệu quả tương ứng với các chương trình sàng lọc ung thư vú, cổ tử cung và đại trực tràng hiện có.

Với việc AI đang ngày càng phát triển, các chương trình tầm soát ung thư phổi có thể ngăn chặn số ca tử vong cũng như việc giảm chi phí, nhờ vào việc tăng cường tự động hóa và giảm gánh nặng công việc cho bác sĩ X quang. Daniel Tse, giám đốc sản phẩm của Google Health, nói rằng sàng lọc với sự hỗ trợ của AI có thể giúp xác định không chỉ những người bị ung thư phổi giai đoạn đầu mà còn cả những người có nguy cơ cao phát triển ung thư phổi trong vài năm tới. Tse nói: “AI không phải là thuốc chữa bách bệnh” để đơn giản hóa việc sàng lọc trên diện rộng, “nhưng chúng tôi nghĩ nó có thể là một công cụ rất mạnh mẽ”.

Jamal-Hanjani cho biết các bác sĩ X quang sẽ sớm có thể kết hợp kết quả sàng lọc với dữ liệu di truyền để tạo ra các quy trình điều trị phù hợp hơn nữa. Khi các hệ thống deep learning chạy qua các loại tập dữ liệu lớn khác nhau, chẳng hạn như chụp CT, trình tự di truyền và lịch sử điều trị, chúng thường phát hiện ra các mối quan hệ bất thường. Ví dụ, mẫu hiển thị trên phim chụp CT của ai đó có thể dự đoán rằng khối u sẽ có một cấu trúc di truyền cụ thể. Một bác sĩ lâm sàng có thể theo dõi điều này bằng cách giải trình tự các tế bào khối u để xem liệu dự đoán này có đúng hay không. Điều này có thể giúp các bác sĩ chọn ra phương thức điều trị thích hợp nhất cho loại ung thư cụ thể đó.

Mối quan hệ hợp tác cùng phát triển

Trước khi những phương án này có thể trở thành hiện thực, các bác sĩ và nhà nghiên cứu AI cần giải quyết những câu hỏi cấp bách về cách tốt nhất để giải thích kết quả mà máy tính tìm thấy - và cách phân chia khối lượng công việc chẩn đoán giữa máy móc với bác sĩ được đào tạo.

Việc hệ thống deep learning có thể làm tốt hơn con người trong một số nhiệm vụ chẩn đoán không có nghĩa là chúng sẽ đảm nhận công việc của bác sĩ X quang. Các kỹ sư cho biết hệ thống này có thể cung cấp hướng dẫn chẩn đoán, nhưng chúng chưa thể thay thế các chuyên gia. Bagci nói rằng chúng có khả năng nâng cao kỹ năng chẩn đoán của bác sĩ hơn là làm cho họ trở nên lỗi thời. Ông giải thích: "Máy tính thực hiện tốt các nhiệm vụ cục bộ. Con người làm tốt hơn nhiều ở các nhiệm vụ toàn thể”, chẳng hạn như đưa ra chẩn đoán xác định từ nhiều nguồn thông tin, bao gồm xét nghiệm máu và khám sức khỏe cũng như kết quả quét.

Tse đồng ý với đánh giá này và nói thêm rằng con người giỏi hơn trong việc học hỏi nhanh chóng về những chi tiết nhỏ của các trường hợp ung thư phổi bất thường. Mặt khác, các hệ thống AI đã được đào tạo về các tập dữ liệu bao gồm hàng nghìn trường hợp bệnh sẽ vượt trội trong việc phát hiện các loại dấu hiệu ung thư sớm.

Thông tin thêm từ Nature Outlooks: Những vấn đề về sự tin tưởng sẽ được khắc phục nếu bác sĩ X quang và AI phối hợp hiệu quả. Bằng cách khai thác các kho lưu trữ bằng sức mạnh của máy tính, các hệ thống AI giờ đây có thể đánh giá hàng triệu biến số khác nhau trong một lần quét trước khi đưa ra phán đoán, chẳng hạn như “gần như chắc chắn lành tính” hoặc “75% khả năng mắc bệnh ác tính”. Nhưng việc phân tích hình ảnh càng phức tạp, thì hệ thống càng khó mô tả những gì nó đang làm. Trong khi các trường hợp như vậy con người có thể hiểu được. Bagci nói, không dễ dàng để chuyển hàng triệu phương trình tính toán thành lời giải thích và lý do tại sao một chẩn đoán cụ thể được đưa ra. “Những thuật toán này thực sự là một hộp đen. Tại sao lại ung thư? Nó sẽ không cho bạn biết”.

Các nhà nghiên cứu đang bắt đầu đưa ra các hệ thống chẩn đoán cung cấp những giải thích rõ ràng hơn về lời khuyên của chúng. Bagci, cùng với một nhóm tại Viện Y tế Quốc gia Hoa Kỳ, đã tuyển dụng các bác sĩ X quang để giúp phát triển một loại hệ thống deep learning mới. Khi họ thiết lập phần mềm, các nhà nghiên cứu sử dụng một thiết bị theo dõi để nắm bắt cách các phân tích cụ thể mỗi lần quét. Trong các thử nghiệm ban đầu, hệ thống do bác sĩ X quang đào tạo này chứng minh độ chính xác hơn 90% trong việc phát hiện các điểm ung thư. Bagci nói: “AI tìm hiểu vị trí mà các bác sĩ X quang đang quan tâm”.

Đào tạo các hệ thống deep learning với đầu vào như vậy, cũng như với các phân tích của chính các bác sĩ X quang về lý do tại sao một số điểm nhất định trông giống như ung thư, có thể giúp các hệ thống cải thiện dựa trên các tiêu chí minh bạch và lý giải tốt hơn kết quả của chúng. Ví dụ, để giải thích cho một chẩn đoán, hệ thống có thể chỉ ra rằng một điểm có đường viền lượn sóng hoặc các đặc điểm của tổn thương đã có sự thay đổi kể từ lần quét liền kề.

Tiến triển từng bước

Lợi thế của việc áp dụng AI từng bước là các bác sĩ X quang sẽ không phải đột ngột thay đổi cách họ làm việc.

Andrew Crawford, cố vấn chính sách của Trung tâm Dân chủ và Công nghệ ở Washington, cho biết: Khi các bác sĩ và kỹ sư cung cấp ngày càng nhiều ảnh chụp CT phổi vào các hệ thống deep learning, quyền riêng tư vẫn là điều tối quan trọng. Ông nói: “Tất cả chúng tôi đều ủng hộ việc sử dụng công nghệ để mang lại kết quả tốt hơn cho bệnh nhân, miễn là bạn đang làm điều đó theo cách tạo ra niềm tin”.

Etemadi chỉ ra rằng Google và nhiều tổ chức nghiên cứu AI đã có sẵn một số biện pháp bảo mật, chẳng hạn như xóa tên khỏi dữ liệu quét phổi và che khuất ngày quét mỗi khi được thực hiện.

Nếu các nhà phát triển có thể điều hướng những mối quan tâm của con người cùng với việc bổ sung một số nhiệm vụ chính xác cho các hệ thống AI, các chuyên gia ung thư phổi, những người thử các công cụ mới sẽ không muốn quay lại với các thiết bị cũ, Bagci nói. “Hai bộ não tốt hơn một. Nó sẽ giúp công việc của bác sĩ X quang và các bác sĩ khác dễ dàng hơn”.

Và điều đó sẽ dẫn đến kết quả tốt hơn về lâu dài. Sử dụng AI để tìm ra khối u sớm có thể tăng gấp đôi khoảng thời gian mà các bác sĩ có thể có để điều trị cho một bệnh nhân ung thư, mang lại cho họ nhiều cơ hội hơn để ngăn chặn ung thư lây lan. Như Etemadi nói: “Hầu hết bệnh nhân ung thư phổi đều chết. (Nhưng) Bạn có tiềm năng thay đổi thực sự một phần nào đó (của kết quả)”. □

Tháng sáu vừa qua, Viện Nghiên cứu Dữ liệu lớn thuộc Tập đoàn Vingroup đã công bố giải pháp VinDr của họ giúp phân tích hình ảnh chụp X-quang để hỗ trợ bác sĩ chẩn đoán các bệnh về phổi đã được triển khai thử nghiệm tại Bệnh viện Trung ương Quân đội 108, Bệnh viện Đại học Y và Vinmec Times City. Trả lời phóng viên Tia Sáng qua email, GS. Vũ Hà Văn, giám đốc Viện đã chia sẻ rằng sau chưa đầy nửa năm, con số này giờ đã là hơn 10 bệnh viện. Giải pháp VinDr cũng có thể chỉ ra các vùng bất thường ở phổi và gợi ý chẩn đoán 8 bệnh lý phổi khác nhau (trong đó có u phổi) “hiện ngang với các bác sĩ giỏi của các bệnh viện lớn”. Cụ thể, anh Nguyễn Quý Hà, Trưởng phòng xử lý ảnh Y tế, Viện Dữ liệu lớn cho biết qua email, trong thử nghiệm tại Bệnh viện Trung Ương Quân đội 108 và Bệnh viện Đại học Y trên 400 ca chụp X-quang phổi, mỗi ca chụp sẽ được đọc độc lập bởi ba bác sĩ và VinDr. Khi so sánh kết quả của AI với từng bác sĩ thì đạt độ chính xác trung bình khoảng 90%. Anh Hà cũng cho biết thêm là dữ liệu dùng để huấn luyện và đánh giá mô hình AI là từ bệnh viện Trung Ương Quân đội 108 và Bệnh viện Đại học Y Hà Nội.