Ngày nay, ngành chẩn đoán hình ảnh y tế đang phát triển mạnh mẽ với sự hỗ trợ từ trí tuệ nhân tạo AI, tạo vai trò không thể thiếu trong lãnh vực điều trị, đặc biệt là điều trị ung thư.
HOA KỲ – Việc các bác sĩ có thể nhìn xuyên thấu bên trong cơ thể bệnh nhân mà không cần phải rạch một đường nào từng là một khái niệm thần kỳ. Cho đến nay, hình ảnh y tế (medical imaging) trong khoa quang tuyến đã trải qua một chặng đường dài, và các kỹ thuật mới nhất dựa vào trí tuệ nhân tạo (AI) sẽ còn tiến xa hơn nữa: chúng khai thác khả năng tính toán khổng lồ của AI và khả năng học hỏi vô giới hạn để tận dụng triệt để các phương pháp dò chụp trên cơ thể, tìm ra những điều khác thường mà mắt người có thể bỏ sót.
Ngày nay, chẩn đoán hình ảnh liên quan đến những cách phân tích phức tạp mỗi một điểm dữ liệu để tìm ra bệnh tật và phân biệt đâu là dấu hiệu, đâu chỉ là tín hiệu nhiễu. Nếu những thập niên đầu tiên của X-quang dành riêng để tinh chỉnh độ phân giải của các phim chụp, thì những thập niên tiếp theo sẽ là để giải thích cặn kẽ những dữ liệu đó, bảo đảm không bỏ sót bất cứ điều gì.
Chẩn đoán hình ảnh cũng đang chuyển hướng từ trọng tâm ban đầu – chẩn đoán tình trạng y tế – sang một vai trò không thể thiếu trong điều trị, đặc biệt là trong lĩnh vực điều trị ung thư. Các bác sĩ đang bắt đầu dựa vào chẩn đoán hình ảnh để giúp theo dõi các khối u và sự lây lan của các tế bào ung thư chính xác hơn, nhanh chóng hơn để biết liệu các liệu pháp điều trị có hiệu quả hay không. Vai trò mới của chẩn đoán hình ảnh sẽ thay đổi các loại phương pháp điều trị và cải thiện thông tin về hiệu quả điều trị một cách đáng kể giúp bác sĩ nắm rõ tiến trình hiệu quả, để có thể đưa ra lựa chọn điều trị tốt hơn cho bệnh nhân.
Bác sĩ Basak Dogan, phó giáo sư khoa chẩn đoán hình ảnh y khoa tại University of Texas Southwestern Medical Center cho biết: “Trong 5 năm tới, chức năng của ngành chẩn đoán hình ảnh y khoa sẽ trở thành một phần thiết yếu trong lĩnh vực chăm sóc sức khỏe. Chẩn đoán hình ảnh hiện tại chưa trả lời được các câu hỏi thực tế về lâm sàng. Nhưng các kỹ thuật mới sẽ mang câu trả lời cho những bệnh nhân cần có độ chính xác cao hơn trong quá trình chăm sóc y tế, để họ có thể tìm được quyết định sáng suốt hơn.”
Phát hiện vấn đề sớm hơn
Cuộc đua đầu tiên trong việc tận dụng tối đa những gì hình ảnh y tế có thể cung cấp – bất kể đó là phim chụp X-quang, chụp cắt lớp vi tính (CT), ảnh cộng hưởng từ (MRI) hay siêu âm – là tự động hóa việc đọc chúng càng nhiều càng tốt. Bởi vì điều này giúp tiết kiệm thời gian quý báu của các bác sĩ quang tuyến. Các lập trình toán học có sự hỗ trợ của máy tính đã chứng minh giá trị của chúng trong lĩnh vực này, sức mạnh tính toán khổng lồ đã giúp máy tính có thể phân biệt được những phát hiện nào là bất thường giữa những điều bình thường. Các chuyên gia phần mềm và các bác sĩ quang tuyến đã hợp tác trong nhiều năm để đưa ra các công thức này. Các bác sĩ quang tuyến cung cấp cho chương trình máy tính những phát hiện của họ về hàng chục ngàn hình ảnh bình thường và bất thường, giúp cho máy tính phân biệt khi nào thì một hình ảnh có chứa những phần tử nằm ngoài các thông số bình thường. Càng có nhiều hình ảnh để so sánh, học hỏi và lưu trữ, máy tính càng nhạy hơn và tìm ra những điểm bất thường tốt hơn.
Để được Cơ Quan FDA phê duyệt, lập trình toán học liên quan đến hình ảnh phải có độ chính xác từ 80% đến 90%. Cho đến nay, FDA đã phê duyệt khoảng 420 lập trình toán học để sử dụng cho các căn bệnh khác nhau (chủ yếu là ung thư). FDA vẫn yêu cầu phải có con người giám sát và đưa ra quyết định cuối cùng đối với những gì lập trình toán học từ máy móc phát hiện ra, nhưng những kỹ thuật tân kỳ này cũng rất quan trọng giúp gắn cờ báo động các hình ảnh có thể chứa những điểm đáng ngờ, để các bác sĩ xem xét và nhanh chóng có câu trả lời cho bệnh nhân.
Tại Mass General Brigham, các bác sĩ sử dụng khoảng 50 lập trình toán như vậy để giúp chăm sóc bệnh nhân, từ phát hiện chứng phình động mạch và ung thư đến phát hiện tắc nghẽn mạch máu và các dấu hiệu đột quỵ. Nhiều bệnh nhân sẽ có các triệu chứng chung của bệnh. Khoảng một nửa số lập trình toán học này đã được FDA chấp thuận và số còn lại đang được thử nghiệm trong quá trình chăm sóc bệnh nhân.
Bác sĩ Keith Dreyer, giám đốc phòng khoa học dữ liệu và phó chủ tịch khoa quang tuyến tại Mass General Brigham, cho biết: “Mục tiêu là sớm phát hiện vấn đề. Trong một số trường hợp, con người có thể mất nhiều ngày để đưa ra chẩn đoán chính xác, trong khi máy tính có thể chạy liên tục mà không cần nghỉ để tìm ra bệnh nhân nào cần được điều trị ngay lập tức. Nếu có thể sử dụng máy tính trong việc đó, thì bệnh nhân sẽ được điều trị nhanh hơn nhiều.”
Theo dõi bệnh nhân kỹ lưỡng hơn
Sàng lọc có sự hỗ trợ của máy tính là bước đầu tiên để mang sự hỗ trợ của kỹ thuật trí khôn nhân tạo AI vào y học, và sự học hỏi không giới hạn của máy tính cũng đang rất hữu ích để giúp theo dõi bệnh nhân và theo sát những chuyển biến bệnh tình, dù là nhỏ nhất. Điều này đặc biệt quan trọng đối với bệnh ung thư, xác định xem khối u đang phát triển, nhỏ lại hay giữ nguyên kích thước là việc cần thiết để đánh giá mức độ hiệu quả của các phương pháp điều trị. Dogan nói: “Khó mà nắm rõ được điều gì đang xảy ra với khối u khi bệnh nhân trải qua quá trình hóa trị. Rất tiếc, các kỹ thuật hình ảnh thông thường không thể phát hiện ra bất kỳ thay đổi nào cho đến giữa quá trình hóa trị” – vốn có thể kéo dài hàng tháng trời – “khi bắt đầu xảy ra một số loại co rút.”
Cuộc đua đầu tiên trong việc tận dụng tối đa những gì hình ảnh y tế có thể cung cấp – bất kể đó là phim chụp X-quang, chụp cắt lớp vi tính (CT), ảnh cộng hưởng từ (MRI) hay siêu âm – là tự động hóa việc đọc chúng càng nhiều càng tốt.
Chẩn đoán hình ảnh có thể hữu ích trong những trường hợp đó, giúp xác định những thay đổi không liên quan đến kích thước hoặc giải phẫu của khối u. Dogan nói: “Trong giai đoạn đầu của quá trình hóa trị, hầu hết những thay đổi trong khối u không hoàn toàn ở mức độ có bao nhiêu tế bào chết đi, mà liên quan đến việc điều chỉnh các tương tác giữa tế bào miễn dịch của cơ thể và tế bào ung thư.” Có nhiều trường hợp, khối u không thu nhỏ từ ngoài vào trong. Thay vào đó, một số túi tế bào ung thư bên trong khối u có thể chết đi, trong khi những túi khác vẫn tiếp tục phát triển, khiến cho tổng thể khối u có nhiều vết rỗ hơn, giống như cái áo len bị côn trùng cắn lủng lỗ. Thực tế, một số tế bào chết đi có thể gây ra tình trạng viêm, nên trong một số trường hợp, kích thước của khối u thậm chí có thể to ra dù điều này không nhất thiết có nghĩa là tế bào ung thư đã sinh sôi nhiều hơn. Chẩn đoán hình ảnh thông thường hiện nay sẽ không thể phân biệt được khối u đã chết mấy phần và còn sống mấy phần. Các kỹ thuật chẩn đoán hình ảnh phổ biến nhất trong ung thư vú, chụp nhũ ảnh và siêu âm, được thiết kế để xác định các đặc điểm giải phẫu.
Tại UT Southwestern, Bác sĩ Dogan đang thử nghiệm hai cách sử dụng chẩn đoán hình ảnh để theo dõi những thay đổi chức năng ở các bệnh nhân ung thư vú. Cách đầu tiên, với nguồn tài trợ từ Viện Y Tế Quốc Gia, Dogan sẽ thực hiện chẩn đoán hình ảnh các bệnh nhân ung thư vú sau một chu kỳ hóa trị để tìm ra những thay đổi nhỏ về áp suất xung quanh khối u, bằng cách bơm các bong bóng khí nhỏ vào. Siêu âm sẽ đo đạc sự thay đổi áp suất của các bong bóng này, chúng có xu hướng tích tụ xung quanh các khối u; các khối u đang phát triển sẽ có nhiều mạch máu hơn so với các mô khác, nhằm hỗ trợ cho chúng mở rộng.
Cách còn lại là thử nghiệm hình ảnh quang âm, biến ánh sáng thành tín hiệu âm thanh. Người ta sẽ chiếu tia laser vào mô vú, làm cho các tế bào dao động, tạo ra sóng âm thanh; sau đó họ thu lại các sóng âm thanh này và phân tích chúng. Kỹ thuật này giúp phát hiện nồng độ oxy của khối u, vì tế bào ung thư có xu hướng cần nhiều oxy hơn tế bào bình thường để có thể tiếp tục phát triển. Các thay đổi sóng âm thanh sẽ chỉ ra phần nào của khối u vẫn đang phát triển và phần nào không. Dogan nói: “Chỉ bằng cách chụp ảnh khối u, chúng tôi có thể biết được khối nào có nhiều khả năng di căn đến các hạch bạch huyết và khối nào thì không.” Hiện nay, các bác sĩ lâm sàng không thể biết loại ung thư nào sẽ di căn đến bạch huyết và loại nào sẽ không di căn. Dogan giải thích thêm: “Kỹ thuật này có thể cung cấp thông tin về cách khối u sẽ hoạt động và có khả năng tránh cho bệnh nhân phải làm phẫu thuật hạch bạch huyết không cần thiết.”
Kỹ thuật này cũng có thể giúp tìm ra các dấu hiệu ban đầu của các tế bào ung thư đã di căn đến các bộ phận khác của cơ thể, trước cả khi chúng xuất hiện trong các hình ảnh y tế và không cần phải cắt xén làm sinh thiết. Tập trung vào các cơ quan mà tế bào ung thư thường di căn, chẳng hạn như xương, gan và phổi, các bác sĩ có thể ‘đón đầu’ các tế bào ung thư mới ‘chuyển nhà’ này.
Phát hiện những bất thường không thể nhìn thấy bằng mắt thường
Theo Dreyer, nếu có đầy đủ dữ liệu và hình ảnh, các lập trình toán học này thậm chí có thể tìm ra những sai sót đối với bất kỳ tình trạng nào mà con người không thể phát hiện được. Nhóm của ông cũng đang nghiên cứu phát triển một lập trình toán học đo lường các dấu ấn sinh học nhất định trong cơ thể người, cho dù là về giải phẫu hay chức năng. Nhờ đó nó có thể gắn cờ báo động những thay đổi trong các chỉ số đó, có thể chỉ ra một người có khả năng bị đột quỵ, gãy xương, đau tim hoặc một số bệnh khác. Đó là đũa thần của chẩn đoán hình ảnh, và trong khi chỉ còn vài năm nữa, Dreyer cho biết “đó là những thứ sẽ khiến lĩnh vực chăm sóc sức khỏe chuyển mình, với sự hỗ trợ của AI.”
Để mở ra cánh cửa đó, sẽ cần tới hàng tấn dữ liệu từ hàng trăm ngàn bệnh nhân. Nhưng hệ thống chăm sóc sức khỏe không liên kết của Hoa Kỳ sẽ khiến cho việc tổng hợp các thông tin là một thách thức. Có một giải pháp là sử dụng kỹ thuật học hỏi liên kết (federated learning *), các nhà khoa học gia sẽ phát triển các lập trình toán học áp dụng cho cơ sở dữ liệu thông tin bệnh nhân ẩn danh của các tổ chức khác nhau. Bằng cách đó, quyền riêng tư vẫn được bảo vệ, các tổ chức sẽ không phải mang an ninh hệ thống của mình ra đánh đổi.
* Federated learning: Học hỏi liên kết là một kỹ thuật máy học đào tạo một lập trình toán học trên nhiều thiết bị và tập trung giữ các mẫu dữ liệu cục bộ mà không cần trao đổi chúng.
Nếu có thêm nhiều mô hình kiểu này được chấp thuận, thông qua kỹ thuật học tập liên kết hoặc cách khác, chẩn đoán hình ảnh với sự hỗ trợ của AI thậm chí có thể cho phép bệnh nhân điều trị tại nhà. Ví dụ, khi việc tự xét nghiệm COVID-19 và chăm sóc sức khỏe từ xa trở nên phổ biến hơn, mọi người có thể nhận được thông tin chẩn đoán hình ảnh y tế thông qua các phương pháp chụp, quét, siêu âm di động, được cung cấp thông qua một ứng dụng trên điện thoại thông minh.
Dreyer nói: “Sự thay đổi thực sự trong lĩnh vực chăm sóc sức khỏe sẽ xảy ra nhờ có kỹ thuật trí khôn nhân tạo AI, đem lại rất nhiều giải pháp cho bệnh nhân hoặc thậm chí trước khi họ trở thành bệnh nhân, để mọi người có thể sống khỏe mạnh.” Có lẽ đó sẽ là cách hiệu quả nhất để tối ưu hóa kỹ thuật chẩn đoán hình ảnh y tế: trao quyền cho bệnh nhân được hiểu rõ và đưa ra quyết định sáng suốt nhất có thể để bảo vệ sức khỏe của họ.
Phỏng dịch theo bài viết “How AI Is Changing Medical Imaging to Improve Patient Care” của Alice Park và Video của Andrew D. Johnson, được đăng trên trang Time.com.
Gửi ý kiến của bạn
