Kinh nghiệm thực tế về ứng dụng trí tuệ nhân tạo trong chẩn đoán u phổi theo tiêu chuẩn quốc tế Ung thư phổi là một trong những ...

Kinh nghiệm thực tế về ứng dụng trí tuệ nhân tạo trong chẩn đoán u phổi theo tiêu chuẩn quốc tế

Ung thư phổi là một trong những nguyên nhân gây tử vong hàng đầu do ung thư trên toàn thế giới. Khi bệnh khởi phát, người bệnh thường đối mặt với sự suy giảm nghiêm trọng về chất lượng cuộc sống. Về mặt sinh lý, các triệu chứng như khó thở, ho ra máu và đau ngực khiến các hoạt động cơ bản hàng ngày trở nên khó khăn. Về tâm lý, nỗi lo sợ về cái chết và áp lực điều trị dễ dẫn đến trầm cảm, lo âu. Đồng thời, gánh nặng tài chính và sự thay đổi vai trò trong gia đình tạo ra những áp lực xã hội nặng nề cho người bệnh và người thân.

Nghiên cứu y khoa về hiệu quả của trí tuệ nhân tạo

Việc tích hợp trí tuệ nhân tạo (AI) vào quy trình chẩn đoán u phổi đã mang lại những kết quả định lượng cụ thể, giúp tăng độ chính xác và giảm thiểu sai sót.

• Nghiên cứu về mô hình UCLIF (Unified CT-Based Lung Cancer Imaging Foundation) sử dụng học tự giám sát trên 33.901 bản quét CT ngực (PMID: 41718531). Kết quả cho thấy mô hình đạt diện tích dưới đường cong (AUC) rất cao trong việc dự đoán: phân loại mô bệnh học (AUC 0,96), phân chia giai đoạn ung thư (AUC 0,95), dự đoán tỷ lệ sống sót (AUC 0,97) và khả năng tái phát (AUC 0,95).
• Nghiên cứu sử dụng thuật toán XGBoost để dự đoán di căn hạch trung thất ở bệnh nhân ung thư phổi không tế bào nhỏ (PMID: 41660073). Mô hình TLPC (kết hợp đặc điểm khối u, hạch, bệnh lý và lâm sàng) đạt AUC 0,90, độ đặc hiệu 0,84 và độ nhạy lên tới 0,96.
• Nghiên cứu tại Đại học Y khoa Tokyo trên 324 bệnh nhân phẫu thuật u phổi kích thước nhỏ (PMID: 41832887). Hệ thống AI cho thấy độ đặc hiệu 98,3% trong việc dự đoán ung thư biểu mô tuyến không xâm lấn, giúp bác sĩ đưa ra quyết định phẫu thuật cắt phân thùy chính xác hơn.
• Một phân tích tổng hợp về việc giảm liều tia xạ trong chụp CT nhờ AI (PMID: 41707249). Kết quả cho thấy AI cho phép giảm liều tia xạ từ 30% đến 95% đối với chẩn đoán hình ảnh ngực mà vẫn đảm bảo chất lượng hình ảnh đủ để tầm soát và phát hiện nốt đơn độc trong phổi.

Vai trò của AI trong quy trình chẩn đoán u phổi

Trí tuệ nhân tạo không thay thế bác sĩ nhưng đóng vai trò là công cụ hỗ trợ đắc lực trong nhiều giai đoạn.

Tầm soát và phát hiện sớm

AI giúp phân tích các hình ảnh X-quang ngực và CT liều thấp để phát hiện những nốt mờ nhỏ mà mắt thường dễ bỏ sót. Điều này đặc biệt quan trọng với những nhóm đối tượng nguy cơ cao hoặc những người không hút thuốc nhưng sống trong môi trường ô nhiễm (PMID: 42166705).

Phân loại và đánh giá giai đoạn

Các mô hình học sâu giúp xác định chính xác kích thước khối u và mức độ xâm lấn của u vào màng phổi tạng (PMID: 41616975). Việc xác định đúng giai đoạn bệnh thông qua AI giúp phân loại bệnh nhân vào nhóm có thể phẫu thuật hoặc nhóm cần điều trị phối hợp (PMID: 41718531).

Dự đoán tiên lượng và đáp ứng điều trị

AI có khả năng phân tích dữ liệu đa omics (gen, protein) và hình ảnh học để dự đoán tỷ lệ sống sót hoặc khả năng tái phát sau điều trị (PMID: 41491583, 42041053). Điều này cho phép bác sĩ cá nhân hóa phác đồ điều trị cho từng bệnh nhân.

Lựa chọn phương pháp điều trị cho bệnh nhân u phổi

Tùy vào giai đoạn bệnh và tình trạng sức khỏe, bác sĩ sẽ cân nhắc giữa điều trị không phẫu thuật và điều trị phẫu thuật.

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

Đặc điểm	Điều trị không phẫu thuật (Hóa trị, xạ trị, liệu pháp nhắm trúng đích)	Điều trị phẫu thuật (Cắt thùy phổi, cắt phân thùy)
Mục tiêu	Kiểm soát triệu chứng, kéo dài sự sống, thu nhỏ khối u.	Loại bỏ hoàn toàn khối u ra khỏi cơ thể.
Ưu điểm	Ít xâm lấn, áp dụng được cho bệnh nhân giai đoạn muộn hoặc sức khỏe yếu.	Cơ hội chữa khỏi hoàn toàn cao nhất đối với u giai đoạn sớm.
Nhược điểm	Có thể gây tác dụng phụ toàn thân, không loại bỏ được triệt để khối u.	Yêu cầu sức khỏe tốt, có rủi ro liên quan đến gây mê và phẫu thuật.
Chỉ định	U giai đoạn tiến triển, di căn, hoặc bệnh nhân không đủ điều kiện phẫu thuật.	U giai đoạn sớm (I, II), u khu trú, bệnh nhân có chức năng hô hấp cho phép.

Khi nào nên phẫu thuật u phổi

Phẫu thuật là lựa chọn ưu tiên khi khối u được phát hiện ở giai đoạn sớm và chưa di căn xa.

Các trường hợp cụ thể cần phẫu thuật

• Ung thư phổi giai đoạn I và II khi khối u khu trú tại một thùy phổi.
• Các trường hợp ung thư biểu mô tuyến không xâm lấn được AI dự đoán chính xác, cho phép thực hiện phẫu thuật cắt phân thùy để bảo tồn tối đa chức năng phổi (PMID: 41832887).
• Khối u có kích thước nhỏ, vị trí thuận lợi cho việc can thiệp ngoại khoa.

Những điều cần biết trước khi phẫu thuật

Trước khi tiến hành mổ, bệnh nhân cần được thực hiện một loạt các đánh giá để đảm bảo an toàn:

• Đánh giá chức năng hô hấp: đo hô hấp ký để xem phổi còn lại có đủ khả năng duy trì sự sống sau khi cắt bỏ một phần.
• Kiểm tra tim mạch: đảm bảo tim chịu đựng được quá trình gây mê và phẫu thuật.
• Đánh giá dinh dưỡng và tâm lý: chuẩn bị thể trạng tốt nhất để phục hồi nhanh sau mổ.
• Tư vấn về phương pháp mổ: lựa chọn mổ hở hoặc mổ ít xâm lấn (phẫu thuật nội soi lồng ngực) tùy vào vị trí và kích thước u.

Thời gian nằm viện

Thời gian nằm viện phụ thuộc vào phương pháp phẫu thuật và diễn tiến hồi phục:

• Phẫu thuật ít xâm lấn: thường nằm viện từ 3 đến 5 ngày.
• Phẫu thuật lớn hoặc có biến chứng: có thể nằm viện lâu hơn, bao gồm thời gian theo dõi tại đơn vị hồi sức tích cực (ICU) nếu cần.
• Bệnh nhân thường cần nằm lại ít nhất một đêm để theo dõi tình trạng hô hấp và dẫn lưu màng phổi.

Các biến chứng có thể gặp phải và cách xử trí

Mọi cuộc phẫu thuật đều tiềm ẩn rủi ro, việc nắm rõ giúp bệnh nhân và bác sĩ phối hợp xử lý kịp thời.

• Tràn khí màng phổi: xử trí bằng cách đặt ống dẫn lưu màng phổi để hút khí ra ngoài.
• Chảy máu sau mổ: theo dõi qua ống dẫn lưu, nếu chảy máu nhiều có thể cần can thiệp cầm máu hoặc mổ lại.
• Nhiễm trùng vết mổ hoặc viêm phổi: điều trị bằng kháng sinh phù hợp và tập vật lý trị liệu hô hấp.
• Đau mạn tính sau phẫu thuật: quản lý bằng thuốc giảm đau đa mô thức và tập phục hồi chức năng (PMID: 41506975).
• Suy hô hấp cấp: hỗ trợ oxy, thở máy nếu cần thiết và chăm sóc hồi sức tích cực.

Kết luận

Trí tuệ nhân tạo đang thay đổi căn bản cách chẩn đoán u phổi, từ việc tầm soát sớm đến dự đoán chính xác giai đoạn và tiên lượng bệnh. Tuy nhiên, AI chỉ là công cụ hỗ trợ; quyết định điều trị cuối cùng vẫn dựa trên sự đánh giá toàn diện của bác sĩ chuyên khoa. Việc lựa chọn giữa điều trị không phẫu thuật và điều trị phẫu thuật cần được cân nhắc kỹ lưỡng dựa trên tình trạng cụ thể của mỗi người. Bệnh nhân nên đến khám trực tiếp tại các cơ sở y tế uy tín để được tư vấn phương pháp điều trị an toàn và hiệu quả nhất.

Để được chẩn đoán chính xác và xây dựng phác đồ điều trị u phổi tối ưu, quý bệnh nhân cần đến khám trực tiếp với Bác sĩ Trần Quốc Hoài - Trung tâm Lồng ngực - Mạch máu. Việc thăm khám trực tiếp giúp bác sĩ đánh giá toàn diện tình trạng sức khỏe và tư vấn phương pháp can thiệp phù hợp nhất cho từng trường hợp.

Tài liệu tham khảo

• Li, J., et al. (2025). A Self-Supervised Foundation Model Based on Three-Dimensional Chest CT Scans for Lung Cancer Diagnosis and Prognosis Prediction. RSNA. PMID: 41718531.
• Bi, T., et al. (2024). Machine learning-driven PET-CT and clinical pathology model for predicting mediastinal lymph node metastasis in non-small cell lung cancer: a retrospective cohort study. PMID: 41660073.
• Nakamura, T., et al. (2024). Artificial intelligence for accurate tumor size assessment and non-invasive adenocarcinoma prediction in small-sized lung cancer. PMID: 41832887.
• Isik, I. H. (2025). Artificial intelligence for radiation dose reduction in computed tomography: a narrative synthesis of clinical evidence from 2020 to 2025. PMID: 41707249.
• Gorrïa, T., et al. (2024). Lung Cancer Screening and Prevention: Beyond Conventional Strategies in a Rapidly Changing Global Milieu. PMID: 42166705.
• Wang, C. L., et al. (2024). Deep Learning-Based Virtual Elastin Staining Improves Visceral Pleural Invasion Assessment in Lung Cancer. PMID: 41616975.
• Wang, Y., et al. (2024). PRIME: an interpretable artificial intelligence model based on liquid biopsy improves prediction of progression risk in non-small cell lung cancer. PMID: 41491583.
• Yang, F., et al. (2024). Comparative Analysis of Machine Learning Algorithms for Prognostic Prediction in Pulmonary Large Cell Carcinoma. PMID: 42041053.
• Sperandio, G., et al. (2024). Somatic and psychological predictors of chronic postsurgical pain in cancer patients: a machine learning approach in a longitudinal two-centre study. PMID: 41506969.