Cẩm nang toàn diện về ứng dụng trí tuệ nhân tạo trong chẩn đoán u phổi giúp kéo dài tuổi thọ Ung thư phổi là một trong những ngu...

Cẩm nang toàn diện về ứng dụng trí tuệ nhân tạo trong chẩn đoán u phổi giúp kéo dài tuổi thọ

Ung thư phổi là một trong những nguyên nhân gây tử vong hàng đầu do thường được phát hiện ở giai đoạn muộn. Việc phát hiện sớm các nốt đơn độc hoặc khối u ở giai đoạn khởi đầu không chỉ làm tăng cơ hội điều trị thành công mà còn cải thiện đáng kể chất lượng sống cho bệnh nhân.

Khi đối mặt với chẩn đoán u phổi, bệnh nhân thường chịu áp lực tâm lý nặng nề, lo âu về tiên lượng bệnh và gánh nặng tài chính cho gia đình. Về mặt sinh lý, các khối u phát triển gây suy giảm chức năng hô hấp, dẫn đến mệt mỏi, khó thở và hạn chế khả năng vận động trong sinh hoạt hàng ngày. Sự ra đời của trí tuệ nhân tạo (AI) trong chẩn đoán hình ảnh và xét nghiệm sinh học phân tử đang mở ra hướng tiếp cận mới, giúp cá nhân hóa lộ trình điều trị và tối ưu hóa thời điểm can thiệp.

Nghiên cứu y khoa về hiệu quả của AI trong chẩn đoán u phổi

Các nghiên cứu quy mô lớn đã chứng minh khả năng vượt trội của AI trong việc phát hiện và phân loại u phổi so với các phương pháp truyền thống.

• Nghiên cứu về mô hình học sâu Sybil trên 21.087 cá nhân tại châu Á (PMID: 42140481) cho thấy khả năng dự báo rủi ro ung thư phổi trong tương lai từ một lần chụp CT liều thấp (LDCT) với chỉ số AUROC đạt 0,86 cho dự đoán 1 năm và 0,74 cho dự đoán 6 năm.
• Một nghiên cứu triển khai hệ thống tái tạo 3D dựa trên AI (AI-3D) trên 1.197 bệnh nhân phẫu thuật phân thùy hoặc thùy phổi (PMID: 42135548) ghi nhận tỷ lệ nhất quán giữa kế hoạch phẫu thuật và thực tế thực hiện đạt 97,3%, cao hơn đáng kể so với nhóm chỉ sử dụng CT 2D truyền thống (80,0%).
• Nghiên cứu về phân tích hơi thở bằng công nghệ PTR-TOF MS kết hợp mô hình LGBM trên 4.515 người tham gia (PMID: 41693114) đạt độ nhạy 95% và độ đặc hiệu 98% trong việc phân biệt bệnh nhân ung thư phổi với nhóm đối chứng khỏe mạnh.
• Nghiên cứu sử dụng mạng ResNet-10 để phân loại ba mức độ xâm lấn của nốt kính mờ (AIS, MIA, IAC) trên 847 trường hợp (PMID: 41697766) đạt chỉ số Macro-AUC là 0,8055, vượt trội hơn so với các mô hình radiomics và lâm sàng thông thường.

Vai trò của AI trong phát hiện sớm và sàng lọc u phổi

AI không thay thế bác sĩ nhưng đóng vai trò là công cụ hỗ trợ đắc lực để giảm tỷ lệ bỏ sót tổn thương và hạn chế kết quả dương tính giả.

Tối ưu hóa chẩn đoán hình ảnh

• Chụp CT liều thấp (LDCT): AI giúp tự động phát hiện, phân đoạn và đặc trưng hóa các nốt phổi với độ chính xác tương đương chuyên gia, đồng thời giảm thời gian đọc phim (PMID: 42147591).
• X-quang ngực: Các mô hình như CXR-RANet giúp nâng cao khả năng phát hiện nốt phổi tại các cơ sở y tế cộng đồng, nơi thiếu hụt chuyên gia chẩn đoán hình ảnh (PMID: 40847012).
• Tái tạo 3D: AI hỗ trợ xây dựng bản đồ giải phẫu chi tiết, giúp phẫu thuật viên xác định chính xác vị trí khối u và ranh giới phẫu thuật (PMID: 42135548).

Sinh thiết lỏng và dấu ấn sinh học

• Phân tích ctDNA và piRNA: AI hỗ trợ phân tích các mảnh DNA của khối u lưu thông trong máu, giúp phân biệt nốt phổi lành tính và ác tính với độ chính xác cao (PMID: 41612093, PMID: 41319254).
• Phân tích túi ngoại bào (EVs): Việc kết hợp AI với proteomic từ túi ngoại bào trong huyết tương giúp nhận diện sớm ung thư biểu mô tuyến phổi (PMID: 41452660).
• Phân tích hợp chất hữu cơ dễ bay hơi (VOCs): AI phân tích thành phần hơi thở để dự đoán giai đoạn và loại mô bệnh học của khối u (PMID: 41951045).

Phân loại và định hướng điều trị bằng trí tuệ nhân tạo

AI giúp bác sĩ xác định chính xác bản chất của khối u để lựa chọn phương pháp điều trị phù hợp nhất cho từng bệnh nhân.

• Phân biệt lành tính và ác tính: Các mô hình học máy tích hợp dữ liệu lâm sàng, hình ảnh CT và dấu ấn huyết thanh đạt AUROC lên tới 0,926, giúp giảm thiểu các cuộc phẫu thuật không cần thiết cho nốt lành tính (PMID: 41376905).
• Dự đoán đột biến gen: AI phân tích đặc điểm hình ảnh của nốt kính mờ để dự đoán các gen điều khiển ung thư (như EGFR), hỗ trợ lựa chọn thuốc điều trị nhắm trúng đích (PMID: 42017975).
• Theo dõi tiến triển: Các mô hình AI có thể dự đoán khả năng hấp thu hoặc tồn tại của nốt kính mờ, từ đó đưa ra lịch trình theo dõi phù hợp (PMID: 40916158).

Lựa chọn phương pháp điều trị phẫu thuật

Khi AI và các xét nghiệm chẩn đoán xác định khối u là ác tính hoặc có nguy cơ cao, can thiệp phẫu thuật thường là lựa chọn ưu tiên để điều trị triệt để.

So sánh điều trị không phẫu thuật và điều trị phẫu thuật

Tiêu chí	Điều trị không phẫu thuật (Theo dõi/Nội khoa)	Điều trị phẫu thuật (Cắt thùy/Phân thùy)
Mục tiêu	Theo dõi tiến triển, kiểm soát triệu chứng	Loại bỏ hoàn toàn khối u và hạch vùng
Ưu điểm	Không xâm lấn, không có rủi ro phẫu thuật	Cơ hội chữa khỏi cao nhất ở giai đoạn sớm
Nhược điểm	Nguy cơ khối u phát triển âm thầm, khó điều trị sau này	Cần gây mê, có rủi ro biến chứng sau mổ
Áp dụng	Nốt phổi lành tính, bệnh nhân quá yếu không thể mổ	U ác tính, nốt phổi nghi ngờ cao, bệnh nhân đủ sức khỏe

Khi nào nên phẫu thuật

Phẫu thuật được xem xét khi có các dấu hiệu sau:

• Kết quả AI và chẩn đoán hình ảnh cho thấy nốt phổi có đặc điểm ác tính (bờ tua gai, đậm độ tăng, kích thước tăng nhanh) (PMID: 40502634).
• Sinh thiết lỏng hoặc sinh thiết mô xác định là ung thư phổi (PMID: 41612093).
• Nốt phổi có kích thước lớn hơn 8-10mm hoặc có thành phần đặc trong nốt kính mờ (PMID: 40361426).

Những điều cần biết trước khi phẫu thuật

Bệnh nhân cần được tư vấn chi tiết về:

• Phương pháp phẫu thuật: Phẫu thuật nội soi ít xâm lấn hoặc mổ mở tùy vào vị trí và kích thước u.
• Mục tiêu phẫu thuật: Cắt phân thùy (giữ lại tối đa nhu mô phổi) hoặc cắt thùy phổi.
• Chuẩn bị sức khỏe: Tập vật lý trị liệu hô hấp, cai thuốc lá, kiểm tra chức năng tim phổi và đông máu.
• Vai trò của AI: Bác sĩ sẽ sử dụng AI-3D để lập kế hoạch chi tiết, giúp giảm thiểu tổn thương mô lành (PMID: 42135548).

Thời gian nằm viện

• Thời gian nằm viện thông thường: Ít nhất 2-4 ngày đối với phẫu thuật nội soi ít xâm lấn.
• Trường hợp phức tạp: Có thể nằm lâu hơn nếu cần theo dõi tại đơn vị hồi sức tích cực (ICU) hoặc xử lý biến chứng rò khí.

Các biến chứng có thể gặp phải

• Chảy máu sau mổ: xử trí bằng dẫn lưu hoặc can thiệp cầm máu nếu cần.
• Rò khí kéo dài: theo dõi ống dẫn lưu, hỗ trợ thở oxy hoặc can thiệp ngoại khoa nếu không tự hấp thu.
• Nhiễm trùng vết mổ hoặc viêm phổi: điều trị bằng kháng sinh và tập vật lý trị liệu hô hấp tích cực.
• Xẹp phổi: khuyến khích bệnh nhân vận động sớm và tập hít sâu.

Kết luận

Trí tuệ nhân tạo đang thay đổi căn bản cách tiếp cận trong chẩn đoán và điều trị u phổi, từ việc sàng lọc sớm qua LDCT, phân tích hơi thở đến lập kế hoạch phẫu thuật chính xác. Việc kết hợp giữa công nghệ AI hiện đại và kinh nghiệm lâm sàng của bác sĩ giúp tăng tỷ lệ phát hiện ung thư giai đoạn sớm, từ đó kéo dài tuổi thọ và cải thiện chất lượng sống cho bệnh nhân. Tuy nhiên, mỗi trường hợp bệnh lý là duy nhất, bệnh nhân không nên tự chẩn đoán qua các công cụ AI trực tuyến mà cần đến khám trực tiếp tại các cơ sở y tế chuyên khoa để được tư vấn và điều trị an toàn.

Để được tầm soát và chẩn đoán chính xác các tổn thương u phổi bằng công nghệ hiện đại, quý bệnh nhân cần đến khám trực tiếp với Bác sĩ Trần Quốc Hoài - Trung tâm Lồng ngực - Mạch máu. Việc thăm khám sớm giúp xây dựng phác đồ điều trị cá nhân hóa, tối ưu hóa cơ hội điều trị thành công.

Tài liệu tham khảo

• Kim YW, et al. Performance and Utility of the Sybil Deep Learning Model for Lung Cancer Risk Prediction in Asian High- and Low-Risk Populations. (PMID: 42140481).
• Geng J, et al. Artificial Intelligence-Driven Three-Dimensional Reconstruction System Reduced Unexpected Procedural Changes in Thoracic Surgery. (PMID: 42135548).
• Huang Y, et al. Breathomics Analysis for Early Diagnosis of Lung Cancer Based on PTR-TOF MS: A Large Sample Size Cross-Sectional Study. (PMID: 41693114).
• Long D, et al. Preoperative Ternary Classification of Pulmonary Ground-Glass Nodules (AIS/MIA/IAC): ResNet-10 Outperforms Radiomics and Clinicoradiographic Models in Multicenter Study. (PMID: 41697766).
• Varela Betancourt VV, et al. Artificial Intelligence in Low-Dose Computed Tomography Lung Cancer Screening: Clinical Integration, Validation, and Translational Challenges. (PMID: 42147591).
• Caballero-Vazquez A, et al. Liquid biopsy biomarkers for accurate detection of malignant pulmonary nodules: a meta-analytic approach. (PMID: 41612093).
• Liu S, et al. Proteomic Profiling of Plasma Extracellular Vesicles Combined with Multivariate Modeling Identified Potential Biomarkers for Distinguishing Benign Pulmonary Nodules from Early-Stage Lung Adenocarcinoma. (PMID: 41452660).
• Wang K, et al. Development and validation of a multimodal radiomics-serum biomarker model for diagnosing solid pulmonary nodules via machine learning. (PMID: 41376905).
• Li H, et al. Lung Cancer Risk Prediction in Patients with Persistent Pulmonary Nodules Using the Brock Model and Sybil Model. (PMID: 40361426).
• Huang Y, et al. Predictive model of malignancy probability in pulmonary nodules based on multicenter data. (PMID: 40502634).