Ứng dụng trí tuệ nhân tạo trong chẩn đoán u phổi theo tiêu chuẩn quốc tế Ung thư phổi là một trong những bệnh lý ác tính nguy hi...

Ứng dụng trí tuệ nhân tạo trong chẩn đoán u phổi theo tiêu chuẩn quốc tế

Ung thư phổi là một trong những bệnh lý ác tính nguy hiểm nhất, thường diễn tiến âm thầm và chỉ được phát hiện khi đã ở giai đoạn muộn. Việc chẩn đoán muộn không chỉ làm giảm cơ hội điều trị thành công mà còn gây ra những tác động nặng nề đến chất lượng cuộc sống của người bệnh.

Về mặt sinh lý, khối u chèn ép đường thở gây khó thở, ho kéo dài và suy giảm chức năng hô hấp, khiến bệnh nhân nhanh mệt mỏi trong các hoạt động thường ngày. Những áp lực về tâm lý như lo âu, trầm cảm và sợ hãi trước cái chết thường xuyên xuất hiện, gây ảnh hưởng trực tiếp đến tinh thần người bệnh và gia đình. Về mặt xã hội, bệnh lý này làm giảm khả năng lao động, gây gánh nặng tài chính và khiến người bệnh dần thu mình, hạn chế giao tiếp với cộng đồng.

Vai trò của trí tuệ nhân tạo trong chẩn đoán u phổi

Trí tuệ nhân tạo (AI) đang thay đổi cách tiếp cận trong chẩn đoán ung thư phổi thông qua việc phân tích dữ liệu lớn và nhận diện các dấu hiệu bất thường mà mắt người có thể bỏ sót. Công nghệ này không thay thế bác sĩ nhưng đóng vai trò là công cụ hỗ trợ đắc lực để tăng độ chính xác và tốc độ chẩn đoán.

Phân tích hình ảnh học

AI được ứng dụng sâu rộng trong việc phân tích hình ảnh từ X-quang ngực, cắt lớp vi tính (CT) và PET/CT:

• Tự động phát hiện và phân đoạn các nốt đơn độc trong phổi, giúp xác định chính xác kích thước và vị trí khối u (PMID: 42127945).
• Phân loại nốt phổi là lành tính hay ác tính dựa trên các đặc điểm về hình thái và mật độ (PMID: 42072190).
• Dự báo nguy cơ ung thư phổi trong tương lai thông qua một lần chụp CT liều thấp, giúp cá nhân hóa chiến lược tầm soát cho từng đối tượng (PMID: 42140481).

Sinh thiết lỏng và dấu ấn sinh học

Thay vì các thủ thuật xâm lấn, AI hỗ trợ phân tích các dấu ấn sinh học trong máu, nước tiểu và hơi thở:

• Phân tích DNA tự do của khối u (ctDNA) và tế bào ung thư lưu chuyển (CTC) để phát hiện sớm ung thư và theo dõi đáp ứng điều trị (PMID: 42001480, 41097770).
• Nhận diện các mẫu microRNA và protein đặc trưng trong huyết tương để phân loại giai đoạn bệnh (PMID: 41868101, 42068891).
• Phân tích các hợp chất hữu cơ dễ bay hơi (VOCs) trong hơi thở để phân biệt nốt phổi lành tính và ác tính (PMID: 41951045).

Giải phẫu bệnh kỹ thuật số

Trong phân tích mô bệnh học, AI giúp bác sĩ giải phẫu bệnh đánh giá chính xác hơn loại tế bào ung thư:

• Phân biệt chính xác giữa ung thư phổi không tế bào nhỏ (NSCLC) và ung thư phổi tế bào nhỏ (SCLC) thông qua hình ảnh mô bệnh học (PMID: 41964375).
• Tự động nhận diện các vùng xâm lấn của khối u, hỗ trợ xác định giai đoạn bệnh chính xác hơn (PMID: 42064379).

Nghiên cứu y khoa về hiệu quả của AI

Hiệu quả của AI trong chẩn đoán và điều trị u phổi đã được chứng minh qua nhiều nghiên cứu quy mô lớn với số liệu cụ thể.

Nghiên cứu về mô hình học sâu Sybil trên 21.087 cá nhân tại châu Á (PMID: 42140481) cho thấy khả năng dự báo ung thư phổi xâm lấn trong 1 năm đạt AUROC 0,86 và trong 6 năm đạt 0,74. Điều này khẳng định tiềm năng của AI trong việc xây dựng chiến lược tầm soát cá thể hóa.

Một nghiên cứu phân tích hồi cứu trên 1.197 bệnh nhân phẫu thuật cắt thùy hoặc cắt phân thùy phổi (PMID: 42135548) cho thấy hệ thống tái tạo 3D dựa trên AI giúp tăng tỷ lệ nhất quán giữa kế hoạch phẫu thuật và thực tế thực hiện lên 97,3%, so với mức 80,0% khi chỉ sử dụng CT 2D truyền thống.

Trong việc dự báo tái phát ung thư phổi không tế bào nhỏ, một phân tích gộp (meta-analysis) trên 30 nghiên cứu với 7.964 bệnh nhân (PMID: 41940422) ghi nhận chỉ số c-index của các mô hình học máy dựa trên radiomics đạt 0,850 trong tập huấn luyện, cho thấy độ tin cậy cao trong việc tiên lượng nguy cơ tái phát.

Nghiên cứu sử dụng khung MHAB-CNN để phân loại hình ảnh mô bệnh học (PMID: 42064379) đạt độ chính xác trung bình lên tới 99,84%, giúp giảm thiểu sai sót trong chẩn đoán phân loại loại hình ung thư.

Lựa chọn phương pháp điều trị u phổi

Việc lựa chọn giữa điều trị không phẫu thuật và điều trị phẫu thuật phụ thuộc vào giai đoạn bệnh, vị trí khối u và tình trạng sức khỏe tổng thể của bệnh nhân.

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, Cắt phân thùy phổi)
Mục tiêu	Kiểm soát triệu chứng, kéo dài sự sống, thu nhỏ khối u	Loại bỏ hoàn toàn khối u và hạch vùng, hướng tới chữa khỏi
Ưu điểm	Ít xâm lấn, áp dụng được cho bệnh nhân giai đoạn muộn hoặc sức khỏe yếu	Là phương pháp duy nhất có khả năng điều trị triệt để ở giai đoạn sớm
Nhược điểm	Không loại bỏ được hoàn toàn khối u, có nhiều tác dụng phụ toàn thân	Yêu cầu sức khỏe hô hấp tốt, có rủi ro liên quan đến gây mê và phẫu thuật
Chỉ định	Giai đoạn tiến triển, di căn hoặc bệnh nhân không đủ điều kiện phẫu thuật	Giai đoạn sớm (T1, T2), u khu trú, chức năng phổi cho phép

Khi nào nên phẫu thuật

Phẫu thuật được ưu tiên hàng đầu trong các trường hợp sau:

• Ung thư phổi giai đoạn sớm khi khối u còn khu trú và chưa di căn hạch vùng hoặc xa (PMID: 42170289).
• Các loại u hiếm gặp nhưng có tiên lượng tốt khi được cắt bỏ hoàn toàn, ví dụ như ung thư biểu mô tuyến-myoepithelial (PMID: 32093457).
• Bệnh nhân có kết quả chẩn đoán hình ảnh và AI cho thấy khả năng cắt bỏ triệt để với lề an toàn (PMID: 42135548).

Những điều cần biết trước khi phẫu thuật

Bệnh nhân cần được tư vấn chi tiết về các nội dung sau:

• Đánh giá chức năng hô hấp: đo hô hấp ký để đảm bảo phổi còn lại đủ khả năng duy trì sự sống sau mổ.
• Lập kế hoạch phẫu thuật: sử dụng AI tái tạo 3D để xác định chính xác vị trí u và các mạch máu xung quanh, giúp giảm thiểu tổn thương mô lành (PMID: 42135548).
• Chuẩn bị thể chất: cai thuốc lá, tập vật lý trị liệu hô hấp để giảm nguy cơ xẹp phổi sau mổ.

Thời gian nằm viện

Thời gian nằm viện thay đổi tùy theo phương pháp phẫu thuật và diễn tiến hồi phục:

• Phẫu thuật ít xâm lấn (VATS): thường nằm viện từ 3 đến 5 ngày.
• Phẫu thuật mở: thời gian nằm viện kéo dài hơn, thường từ 7 đến 10 ngày.
• Các trường hợp có biến chứng hoặc cần hồi sức tích cực (ICU) sẽ có thời gian nằm viện lâu hơn tùy theo tình trạng cụ thể.

Các biến chứng có thể gặp phải

Phẫu thuật lồng ngực luôn tiềm ẩn một số rủi ro, từ nhẹ đến nặng:

• Rò khí kéo dài: xử trí bằng cách theo dõi ống dẫn lưu lồng ngực và hỗ trợ hô hấp.
• Nhiễm trùng vết mổ hoặc viêm phổi: xử trí bằng kháng sinh phù hợp và chăm sóc vết thương.
• Chảy máu sau mổ: xử trí bằng thuốc cầm máu hoặc can thiệp phẫu thuật lại nếu chảy máu nghiêm trọng.
• Suy hô hấp cấp: xử trí bằng hỗ trợ oxy hoặc thở máy trong đơn vị hồi sức.

Kết luận

Trí tuệ nhân tạo đang mở ra một kỷ nguyên mới trong chẩn đoán ung thư phổi, giúp phát hiện bệnh sớm hơn, chính xác hơn và cá nhân hóa lộ trình điều trị cho từng bệnh nhân. Tuy nhiên, AI chỉ là công cụ hỗ trợ, quyết định cuối cùng về phương pháp điều trị vẫn cần sự đánh giá chuyên môn của bác sĩ dựa trên tình trạng thực tế của người bệnh. Việc lựa chọn đúng phương pháp, dù là điều trị không phẫu thuật hay phẫu thuật, đóng vai trò quyết định đến khả năng sinh tồn và chất lượng cuộc sống. Bệnh nhân nên đến khám trực tiếp tại các cơ sở y tế chuyên khoa để được tư vấn chính xác và an toàn.

Nếu quý khách hoặc người thân có các dấu hiệu nghi ngờ về u phổi hoặc cần tư vấn chuyên sâu về các phương pháp chẩn đoán và điều trị hiện đại, hãy đến khám trực tiếp với Bác sĩ Trần Quốc Hoài - Trung tâm Lồng ngực - Mạch máu. Việc thăm khám sớm và đúng chuyên khoa sẽ giúp xây dựng phác đồ điều trị tối ưu, tăng cơ hội hồi phục và cải thiện chất lượng cuộc sống.

Tài liệu tham khảo

1. 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.
2. Geng J, et al. Artificial Intelligence-Driven Three-Dimensional Reconstruction System Reduced Unexpected Procedural Changes in Thoracic Surgery. PMID: 42135548.
3. Wu J, et al. Accuracy of Radiomics-Based Machine Learning for Predicting Risk of Recurrence in Non-Small Cell Lung Cancer: Systematic Review and Meta-Analysis. PMID: 41940422.
4. Rasel Rahman AKZ, et al. Deep ensemble of multi-head attention CNNs for histopathological image-based of lung and colon cancer diagnosis. PMID: 42064379.
5. Zhang H, et al. Biwt-UNet: lung nodule segmentation via wavelet transform and multi-scale feature fusion. PMID: 42127945.
6. Canzoniero J, et al. plasmaCHORD: A Machine Learning Approach to Distinguish Clonal Hematopoiesis-Derived Variants in Liquid Biopsies from Patients with Solid Tumors. PMID: 42001480.
7. Krat AX, et al. Targeting CTC Heterogeneity: Aptamer-Based Liquid Biopsy Predicts Outcome in Lung Cancer. PMID: 41097770.
8. Zehra T, et al. Artificial intelligence-based miRNA analysis for precision oncology: diagnostic and prognostic insights. PMID: 41868101.
9. Liang J, et al. A dynamic proteomic signature for the prediction of lung Cancer: a longitudinal analysis in the UK Biobank cohort. PMID: 42068891.
10. Shao W, et al. Accurate diagnosis of non-small cell and small cell lung cancer by using machine learning models trained with physical science features extracted from pathological images. PMID: 41964375.
11. He X, et al. Lung cancer associated with cystic airspaces in the perioperative immunotherapy era: radiologic and pathologic pitfalls, surgical extent, and management implications. PMID: 42170289.
12. Chen L, et al. [A Rare Case of Pulmonary Epithelial-myoepithelial Carcinoma: Case Report and Literature Review]. PMID: 32093457.
13. Khan S, et al. Improving Deep Learning Based Lung Nodule Classification Through Optimized Adaptive Intensity Correction. PMID: 42072190.
14. Xiang R, et al. Landscape of volatile organic compounds for differential diagnosis, pathological typing, and severity prediction in lung cancer: a large population-based prospective study. PMID: 41951045.