Một phương pháp sàng lọc mới đang được nghiên cứu có thể nâng cao chẩn đoán ung thư đại trực tràng

Một phương pháp sàng lọc mới đang được nghiên cứu có thể nâng cao chẩn đoán ung thư đại trực tràng

Ung thư đại trực tràng là loại ung thư phổ biến thứ hai trên toàn thế giới, với khoảng 90% các trường hợp xảy ra ở những người từ 50 tuổi trở lên. Phát sinh từ bề mặt bên trong, hoặc lớp cơ của đại tràng, tuy nhiên các tế bào ung thư có thể xâm nhập qua các lớp sâu hơn của ruột kết và lan sang các cơ quan khác. Nếu không được điều trị kịp thời, căn bệnh này sẽ gây ra tử vong.

Hiện nay, sàng lọc ung thư đại tràng được thực hiện bằng nội soi đại tràng linh hoạt. Thủ tục này bao gồm kiểm tra trực quan niêm mạc của đại tràng và trực tràng với một camera gắn trên ống nội soi. Sau đó các khu vực xuất hiện bất thường được sinh thiết để phân tích. Mặc dù đây là tiêu chuẩn chăm sóc hiện tại, nhưng nó cũng có những thiếu sót. Đầu tiên, kỹ thuật này dựa vào phát hiện trực quan, nhưng với các tổn thương nhỏ rất khó phát hiện bằng mắt thường và các khối u ác tính thường bị bỏ qua. Thứ hai, nội soi chỉ có thể phát hiện những thay đổi trên bề mặt của thành ruột, chứ không phải trong các lớp sâu hơn của nó.

Quing Zhu, Giáo sư kỹ thuật y sinh tại Trường Kỹ thuật McKelvey đang phát triển một kỹ thuật hình ảnh mới có thể cung cấp chẩn đoán chính xác, thời gian thực, dựa vào máy tính để chẩn đoán ung thư đại trực tràng.

Deep learning tập trung giải quyết các vấn đề liên quan đến mạng thần kinh nhân tạo nhằm nâng cấp các công nghệ như nhận diện giọng nói, tầm nhìn máy tính và xử lý ngôn ngữ tự nhiên.

Deep learning tập trung giải quyết các vấn đề liên quan đến mạng thần kinh nhân tạo nhằm nâng cấp các công nghệ như nhận diện giọng nói, tầm nhìn máy tính và xử lý ngôn ngữ tự nhiên.

Sử dụng phương pháp học sâu, một dạng của học máy, các nhà nghiên cứu đã sử dụng kỹ thuật này trên hơn 26.000 khung dữ liệu hình ảnh tách biệt từ các mẫu mô đại trực tràng để xác định độ chính xác của phương pháp. So với các báo cáo bệnh lý, họ có thể xác định khối u với độ chính xác 100% trong nghiên cứu thí điểm này.

“Deep learning đã và đang là một chủ đề AI (Artificial Intelligence - Trí tuệ nhân tạo) được bàn luận sôi nổi. Là một phạm trù nhỏ của machine learning, deep learning tập trung giải quyết các vấn đề liên quan đến mạng thần kinh nhân tạo nhằm nâng cấp các công nghệ như nhận diện giọng nói, tầm nhìn máy tính và xử lý ngôn ngữ tự nhiên. ”

Đây là báo cáo đầu tiên sử dụng loại hình ảnh này kết hợp với học máy để phân biệt mô đại trực tràng khỏe mạnh với polyp tiền ung thư và mô ung thư. 

“Học máy là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kỹ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải quyết những vấn đề cụ thể.”

Hệ thống chụp cắt lớp quang học OCT (Optical Coherence Tomography), một công nghệ hình ảnh quang học đã được sử dụng trong nhãn khoa để chụp ảnh võng mạc.

Hệ thống chụp cắt lớp quang học OCT (Optical Coherence Tomography), một công nghệ hình ảnh quang học đã được sử dụng trong nhãn khoa để chụp ảnh võng mạc.

Kỹ thuật trong nghiên cứu dựa trên hệ thống chụp cắt lớp quang học OCT (Optical Coherence Tomography), một công nghệ hình ảnh quang học đã được sử dụng trong nhãn khoa để chụp ảnh võng mạc. Tuy nhiên, các kỹ sư của Trường McKelvey và các nơi khác đã cải tiến công nghệ này cho các mục đích sử dụng khác. Khi được phát triển thêm, kỹ thuật này có thể được sử dụng như một công cụ hình ảnh không xâm lấn, với thời gian thực cùng với phương pháp nội soi truyền thống để hỗ trợ sàng lọc polyp tiền ung thư và ung thư đại tràng giai đoạn đầu.

Quing Zhu cho biết: Chúng tôi nghĩ rằng công nghệ này khi kết hợp với máy nội soi sẽ rất hữu ích cho các bác sĩ phẫu thuật trong chẩn đoán ung thư đại trực tràng. Tuy nhiên việc thực hiện thêm nhiều nghiên cứu là cần thiết, để giúp chẩn đoán chính xác hơn về polyp tiền ung thư và ung thư giai đoạn đầu so với mô bình thường.

Sau đó các nhà nghiên cứu đang đào tạo ra RetinaNet, một mô hình mạng lưới thần kinh của não, nơi các nơ-ron được kết nối phức tạp để xử lý dữ liệu, nhận biết và tìm hiểu các dạng trong các mẫu mô. Chúng được huấn luyện và thử nghiệm các hệ thống sử dụng khoảng 26.000 hình ảnh OTC từ 20 khu vực khối u, 16 khu vực lành tính và 6 khu vực bất thường khác trong các mẫu mô của bệnh nhân. Các chẩn đoán được dự đoán bởi hệ thống này được so sánh với việc đánh giá các mẫu mô bằng mô học tiêu chuẩn. Sau đó nhóm nghiên cứu đã tìm thấy độ nhạy 100% và độ đặc hiệu 99,7%.

Ngoài ra các nhà nghiên cứu còn chia sẻ thêm: Phần duy nhất của hệ thống có thể phát hiện một mô hình cấu trúc trong hình ảnh. Sử dụng OCT, chúng tôi có thể tìm thấy một mô hình trên tất cả các mô bình thường. Sau đó, chúng tôi có thể sử dụng mô hình này để phân loại mô bất thường và ung thư, để đưa ra chẩn đoán chính xác.

Hiện tại nhóm nghiên cứu đang phát triển một ống thông có thể được sử dụng đồng thời với máy nội soi để phân tích trên bề mặt mô đại tràng và cung cấp một số điểm có khả năng xảy ra ung thư từ RetinaNet đến các bác sĩ phẫu thuật.

Ngay bây giờ, các nhà nghiên cứu có thể nhận được thông tin phản hồi trong bốn giây. Với sự phát triển hơn nữa về tốc độ tính toán và ống thông, chúng tôi có thể cung cấp phản hồi cho các bác sĩ phẫu thuật trong thời gian thực.

Theo thông tin từ Beth Miller - Đại học Washington