Hai bức ảnh đen trắng giống hệt nhau có hình dạng u ám đặt cạnh nhau trên màn hình máy tính. Ở phía bên trái, Ismail Baris Turkbey, MD, một bác sĩ X quang với 15 năm kinh nghiệm, đã phác thảo một khu vực nơi các hình dạng mờ đại diện cho thứ mà ông tin là ung thư tuyến tiền liệt đang phát triển. Ở phía bên kia màn hình, một chương trình máy tính trí tuệ nhân tạo (AI) cũng đã làm điều tương tự—và kết quả gần như giống hệt nhau.

Hình ảnh đen trắng là hình chụp MRI của một người bị ung thư tuyến tiền liệt và chương trình AI đã phân tích hàng nghìn hình ảnh trong số đó.

Tiến sĩ Turkbey giải thích: “Mô hình [AI] tìm thấy tuyến tiền liệt và phác thảo các khu vực nghi ngờ ung thư mà không có bất kỳ sự giám sát nào của con người. Ông hy vọng rằng AI sẽ giúp các bác sĩ X-quang ít kinh nghiệm tìm ra ung thư tuyến tiền liệt khi nó xuất hiện và loại bỏ bất cứ thứ gì có thể bị nhầm lẫn với ung thư.

Mô hình này chỉ là phần nổi của tảng băng khi nói đến sự giao thoa giữa trí tuệ nhân tạo và nghiên cứu ung thư. Mặc dù các ứng dụng tiềm năng dường như vô tận, nhưng rất nhiều tiến bộ đó tập trung vào các công cụ chụp ảnh ung thư.

Từ chụp X-quang toàn bộ cơ quan đến hình ảnh hiển vi của tế bào ung thư, các bác sĩ sử dụng các xét nghiệm hình ảnh theo nhiều cách: phát hiện ung thư ở giai đoạn sớm nhất, xác định giai đoạn của khối u, xem liệu điều trị có hiệu quả hay không và theo dõi xem ung thư có quay trở lại sau khi điều trị hay không .

Trong vài năm qua, các nhà nghiên cứu đã phát triển các công cụ AI có khả năng giúp chụp ảnh ung thư nhanh hơn, chính xác hơn và thậm chí nhiều thông tin hơn. Và điều đó tạo ra rất nhiều hứng thú.

Stephanie Harmon, Ph.D., một nhà khoa học dữ liệu tại Chi nhánh hình ảnh phân tử của NCI cho biết: “Có rất nhiều sự cường điệu [xung quanh AI], nhưng cũng có rất nhiều nghiên cứu về nó.

Các chuyên gia cho biết, nghiên cứu đó bao gồm việc giải quyết các câu hỏi về việc liệu những công cụ này đã sẵn sàng rời khỏi phòng thí nghiệm nghiên cứu và đi vào văn phòng bác sĩ hay chưa, liệu chúng có thực sự giúp ích cho bệnh nhân hay không và liệu lợi ích đó có đến được với tất cả—hoặc chỉ một số—bệnh nhân hay không.

Trí tuệ nhân tạo là gì?

Trí tuệ nhân tạo đề cập đến các chương trình máy tính hoặc thuật toán sử dụng dữ liệu để đưa ra quyết định hoặc dự đoán. Để xây dựng một thuật toán, các nhà khoa học có thể tạo một bộ quy tắc hoặc hướng dẫn để máy tính tuân theo để có thể phân tích dữ liệu và đưa ra quyết định.

Ví dụ, Tiến sĩ Turkbey và các đồng nghiệp của ông đã sử dụng các quy tắc hiện có về cách ung thư tuyến tiền liệt xuất hiện khi chụp MRI. Sau đó, họ đào tạo thuật toán của mình bằng cách sử dụng hàng nghìn nghiên cứu MRI—một số nghiên cứu từ những người được biết là mắc bệnh ung thư tuyến tiền liệt và một số nghiên cứu từ những người không mắc bệnh.

Với các cách tiếp cận trí tuệ nhân tạo khác, như học máy, thuật toán tự dạy cách phân tích và diễn giải dữ liệu. Do đó, các thuật toán học máy có thể tiếp thu các mẫu mà mắt hoặc não người không dễ dàng nhận thấy được. Và khi các thuật toán này tiếp xúc với nhiều dữ liệu mới hơn, khả năng tìm hiểu và diễn giải dữ liệu của chúng sẽ được cải thiện.

Các nhà nghiên cứu cũng đã sử dụng deep learning, một loại máy học, trong các ứng dụng chụp ảnh ung thư. Học sâu đề cập đến các thuật toán phân loại thông tin theo cách giống như bộ não con người. Các công cụ học sâu sử dụng “mạng lưới thần kinh nhân tạo” bắt chước cách các tế bào não của chúng ta tiếp nhận, xử lý và phản ứng với các tín hiệu từ phần còn lại của cơ thể.

Nghiên cứu về AI cho hình ảnh ung thư

Các bác sĩ sử dụng các xét nghiệm hình ảnh ung thư để trả lời một loạt câu hỏi, chẳng hạn như: Đó là ung thư hay khối u vô hại? Nếu là ung thư thì nó phát triển nhanh như thế nào? Nó đã lan rộng bao xa? Nó có mọc lại sau khi điều trị không? Các nghiên cứu cho thấy AI có khả năng cải thiện tốc độ, độ chính xác và độ tin cậy mà bác sĩ trả lời những câu hỏi đó.

Tiến sĩ Hugo Aerts của Trường Y Harvard cho biết: “AI có thể tự động hóa các đánh giá và nhiệm vụ mà con người hiện có thể làm nhưng mất rất nhiều thời gian. Sau khi AI đưa ra kết quả, “bác sĩ X quang chỉ cần xem lại những gì AI đã làm—nó có đưa ra đánh giá chính xác không?” Tiến sĩ Aerts tiếp tục. Ông nói thêm rằng tự động hóa đó được cho là sẽ tiết kiệm thời gian và chi phí, nhưng điều đó vẫn cần phải được chứng minh.

Ngoài ra, AI có thể làm cho việc diễn giải hình ảnh – một nhiệm vụ mang tính chủ quan cao – trở nên đơn giản và đáng tin cậy hơn, Tiến sĩ Aerts lưu ý.

Ông nói: Các nhiệm vụ phức tạp dựa trên “một con người thực hiện việc giải thích hình ảnh — chẳng hạn như bác sĩ X quang, bác sĩ da liễu, nhà nghiên cứu bệnh học — đó là nơi chúng ta thấy những bước đột phá to lớn được tạo ra nhờ học sâu”.

Nhưng điều mà các nhà khoa học phấn khích nhất là tiềm năng của AI vượt xa những gì con người hiện có thể tự làm. AI có thể “nhìn thấy” những thứ mà con người chúng ta không thể, đồng thời có thể tìm thấy các mẫu và mối quan hệ phức tạp giữa các loại dữ liệu rất khác nhau.

Tiến sĩ Aerts cho biết: “AI rất giỏi trong việc này—vượt xa hiệu suất của con người trong nhiều nhiệm vụ. Tuy nhiên, trong trường hợp này, thường không rõ bằng cách nào AI đưa ra kết luận, vì vậy các bác sĩ và nhà nghiên cứu rất khó kiểm tra xem công cụ có hoạt động chính xác hay không.

Phát hiện ung thư sớm

Các xét nghiệm như chụp quang tuyến vú và xét nghiệm Pap được sử dụng để kiểm tra thường xuyên mọi người về các dấu hiệu ung thư hoặc tế bào tiền ung thư có thể chuyển thành ung thư. Mục tiêu là phát hiện và điều trị ung thư sớm, trước khi nó lan rộng hoặc thậm chí trước khi nó hình thành.

Các nhà khoa học đã phát triển các công cụ AI để hỗ trợ xét nghiệm sàng lọc một số loại ung thư, bao gồm cả ung thư vú. Các chương trình máy tính dựa trên trí tuệ nhân tạo đã được sử dụng để giúp các bác sĩ giải thích hình ảnh chụp quang tuyến vú trong hơn 20 năm, nhưng nghiên cứu trong lĩnh vực này đang phát triển nhanh chóng.

Một nhóm đã tạo ra một thuật toán AI có thể giúp xác định tần suất một người nên đi khám sàng lọc ung thư vú. Mô hình sử dụng hình ảnh chụp quang tuyến vú của một người để dự đoán nguy cơ phát triển ung thư vú trong 5 năm tới. Trong các thử nghiệm khác nhau, mô hình này chính xác hơn các công cụ hiện tại được sử dụng để dự đoán nguy cơ ung thư vú.

Các nhà nghiên cứu của NCI đã xây dựng và thử nghiệm một thuật toán học sâu có thể xác định các tiền ung thư cổ tử cung cần được loại bỏ hoặc điều trị. Ở một số cơ sở có nguồn lực hạn chế, nhân viên y tế sàng lọc tiền ung thư cổ tử cung bằng cách kiểm tra cổ tử cung bằng một camera nhỏ. Mặc dù phương pháp này đơn giản và bền vững, nhưng nó không đáng tin cậy hoặc chính xác.

Mark Schiffman, MD, MPH, thuộc Khoa Di truyền và Dịch tễ Ung thư của NCI, và các đồng nghiệp của ông đã thiết kế một thuật toán để cải thiện khả năng tìm tiền ung thư cổ tử cung bằng phương pháp kiểm tra trực quan. Trong một nghiên cứu năm 2019, thuật toán hoạt động tốt hơn các chuyên gia được đào tạo.

Đối với ung thư ruột kết, một số công cụ AI đã được chứng minh trong các thử nghiệm lâm sàng để cải thiện khả năng phát hiện các khối u tiền ung thư được gọi là u tuyến. Tuy nhiên, vì chỉ một tỷ lệ nhỏ u tuyến biến thành ung thư nên một số chuyên gia lo ngại rằng các công cụ AI như vậy có thể dẫn đến các phương pháp điều trị không cần thiết và nhiều xét nghiệm bổ sung cho nhiều bệnh nhân.

phát hiện ung thư

AI cũng cho thấy tiềm năng cải thiện khả năng phát hiện ung thư ở những người có triệu chứng. Chẳng hạn, mô hình AI do Tiến sĩ Turkbey và các đồng nghiệp của ông tại Trung tâm Nghiên cứu Ung thư của NCI phát triển có thể giúp các bác sĩ X quang dễ dàng phát hiện ung thư tuyến tiền liệt có khả năng xâm lấn hơn trên một loại chụp MRI tuyến tiền liệt tương đối mới, được gọi là MRI đa tham số.

Mặc dù MRI đa tham số tạo ra hình ảnh chi tiết hơn về tuyến tiền liệt so với MRI thông thường, các bác sĩ X quang thường cần nhiều năm thực hành để đọc các bản quét này một cách chính xác, dẫn đến sự bất đồng giữa các bác sĩ X quang khi xem cùng một bản quét.

Tiến sĩ Turkbey cho biết mô hình AI của nhóm NCI “có thể giúp [việc học] trở nên dễ dàng hơn đối với các bác sĩ X quang thực hành và có thể giảm thiểu tỷ lệ lỗi”. Ông cho biết thêm, mô hình AI có thể đóng vai trò là “một chuyên gia ảo” để hướng dẫn các bác sĩ X quang ít kinh nghiệm hơn học cách sử dụng MRI đa thông số.

Đối với bệnh ung thư phổi, một số mô hình AI học sâu đã được phát triển để giúp các bác sĩ tìm ra bệnh ung thư phổi khi chụp CT. Một số thay đổi không phải ung thư trong phổi trông rất giống ung thư khi chụp CT, dẫn đến tỷ lệ kết quả xét nghiệm dương tính giả cao cho thấy một người bị ung thư phổi trong khi họ thực sự không mắc bệnh.

Các chuyên gia cho rằng AI có thể phân biệt tốt hơn bệnh ung thư phổi với những thay đổi không phải ung thư khi chụp CT, có khả năng cắt giảm số lượng dương tính giả và giúp một số người tránh khỏi căng thẳng không cần thiết, các xét nghiệm tiếp theo và thủ tục.

Ví dụ: một nhóm các nhà nghiên cứu đã đào tạo một thuật toán học sâu để tìm ra bệnh ung thư phổi và đặc biệt là tránh những thay đổi khác trông giống như bệnh ung thư. Trong các thử nghiệm trong phòng thí nghiệm, thuật toán rất tốt trong việc bỏ qua những thay đổi không phải ung thư trông giống như ung thư và rất tốt trong việc phát hiện ung thư.

Lựa chọn điều trị ung thư

Các bác sĩ cũng sử dụng các xét nghiệm hình ảnh để thu thập thông tin quan trọng về bệnh ung thư, chẳng hạn như tốc độ phát triển của nó, liệu nó có lan rộng hay không và liệu nó có khả năng quay trở lại sau khi điều trị hay không. Thông tin này có thể giúp các bác sĩ lựa chọn phương pháp điều trị thích hợp nhất cho bệnh nhân của họ.

Một số nghiên cứu cho thấy AI có khả năng thu thập thông tin tiên lượng như vậy—và thậm chí có thể nhiều hơn—từ các lần quét hình ảnh với độ chính xác cao hơn con người hiện có thể làm. Ví dụ, Tiến sĩ Harmon và các đồng nghiệp của cô ấy đã tạo ra một mô hình học sâu có thể xác định khả năng bệnh nhân ung thư bàng quang có thể cần các phương pháp điều trị khác ngoài phẫu thuật hay không.

Các bác sĩ ước tính rằng khoảng 50% những người có khối u trong cơ bàng quang (ung thư bàng quang xâm lấn cơ) có các cụm tế bào ung thư đã lan ra ngoài bàng quang nhưng quá nhỏ để phát hiện bằng các công cụ truyền thống. Nếu các tế bào ẩn này không được loại bỏ, chúng có thể tiếp tục phát triển sau phẫu thuật, gây tái phát.

Hóa trị có thể tiêu diệt các cụm cực nhỏ này và ngăn ung thư tái phát sau phẫu thuật. Nhưng các thử nghiệm lâm sàng đã chỉ ra rằng thật khó để xác định bệnh nhân nào cần hóa trị ngoài phẫu thuật, Tiến sĩ Harmon nói.

“Những gì chúng tôi muốn làm là sử dụng mô hình này trước khi bệnh nhân trải qua bất kỳ hình thức điều trị nào, để biết bệnh nhân nào bị ung thư với khả năng lây lan cao, để bác sĩ có thể đưa ra quyết định sáng suốt,” cô giải thích.

Mô hình này xem xét các hình ảnh kỹ thuật số của mô khối u nguyên phát để dự đoán liệu có các cụm ung thư cực nhỏ ở các hạch bạch huyết gần đó hay không. Trong một nghiên cứu năm 2020, mô hình học sâu được chứng minh là chính xác hơn so với cách tiêu chuẩn để dự đoán liệu ung thư bàng quang có lan rộng hay không, dựa trên sự kết hợp của các yếu tố bao gồm tuổi của bệnh nhân và một số đặc điểm của khối u.

Ngày càng có nhiều thông tin di truyền về bệnh ung thư của bệnh nhân được sử dụng để giúp lựa chọn phương pháp điều trị thích hợp nhất. Các nhà khoa học ở Trung Quốc đã tạo ra một công cụ học sâu để dự đoán sự hiện diện của các đột biến gen quan trọng từ hình ảnh mô ung thư gan—điều mà các nhà nghiên cứu bệnh học không thể làm được bằng cách chỉ nhìn vào hình ảnh.

Công cụ của họ là một ví dụ về AI hoạt động theo những cách bí ẩn: Các nhà khoa học xây dựng thuật toán không biết làm thế nào nó cảm nhận được những đột biến gen nào có trong khối u.

Các công cụ AI để chụp ảnh ung thư đã sẵn sàng cho thế giới thực chưa?

Mặc dù các nhà khoa học đang tạo ra các công cụ AI để chụp ảnh ung thư, nhưng lĩnh vực này vẫn còn non trẻ và nhiều câu hỏi về ứng dụng thực tế của những công cụ này vẫn chưa được giải đáp.

Tiến sĩ Harmon cho biết, mặc dù hàng trăm thuật toán đã được chứng minh là chính xác trong các thử nghiệm ban đầu, nhưng hầu hết vẫn chưa đạt đến giai đoạn thử nghiệm tiếp theo để đảm bảo chúng sẵn sàng cho thế giới thực.

Thử nghiệm đó, được gọi là xác thực bên ngoài hoặc độc lập, “cho chúng tôi biết thuật toán của chúng tôi có thể khái quát hóa như thế nào. Có nghĩa là, nó hữu ích như thế nào đối với một bệnh nhân hoàn toàn mới? Nó hoạt động như thế nào trên các bệnh nhân từ các trung tâm [y tế] khác nhau hoặc các máy quét khác nhau?” Tiến sĩ Harmon giải thích. Nói cách khác, công cụ AI có hoạt động chính xác ngoài dữ liệu mà nó được đào tạo không?

Cô ấy nói thêm rằng các thuật toán AI vượt qua quá trình kiểm tra xác nhận nghiêm ngặt trong các nhóm người khác nhau từ các khu vực khác nhau trên thế giới có thể được sử dụng rộng rãi hơn và do đó giúp được nhiều người hơn.

Ngoài việc xác nhận, Tiến sĩ Turkbey lưu ý, các nghiên cứu lâm sàng cũng cần chỉ ra rằng các công cụ AI thực sự giúp ích cho bệnh nhân, bằng cách ngăn ngừa bệnh ung thư, giúp họ sống lâu hơn hoặc có chất lượng cuộc sống tốt hơn hoặc tiết kiệm thời gian hoặc tiền bạc.

Nhưng ngay cả sau đó, Tiến sĩ Aerts cho biết, một câu hỏi lớn về AI là: “Làm thế nào để chúng tôi đảm bảo rằng các thuật toán này tiếp tục hoạt động và hoạt động tốt trong nhiều năm?” Ông giải thích, ví dụ: máy quét mới có thể thay đổi các đặc điểm của hình ảnh mà công cụ AI dựa vào để đưa ra dự đoán hoặc diễn giải. Và điều đó có thể thay đổi hiệu suất của họ.

Cũng có những câu hỏi về cách các công cụ AI sẽ được điều chỉnh. Tính đến năm 2020, hơn 60 thiết bị hoặc thuật toán y tế dựa trên AI đã được FDA chấp thuận. Nhưng ngay cả sau khi chúng được phê duyệt, một số thuật toán máy học sẽ thay đổi khi chúng tiếp xúc với dữ liệu mới. Năm 2021, FDA ban hành khung giám sát các công nghệ AI có khả năng thích ứng.

Cũng có những lo ngại về tính minh bạch của một số công cụ AI. Với một số thuật toán, chẳng hạn như thuật toán có thể dự đoán đột biến gen trong khối u gan, các nhà khoa học không biết làm thế nào nó đi đến kết luận—một câu hỏi hóc búa được gọi là “vấn đề hộp đen”. Các chuyên gia cho rằng sự thiếu minh bạch này cản trở việc kiểm tra quan trọng đối với những sai lệch và không chính xác.

Ví dụ, một nghiên cứu gần đây đã chỉ ra rằng một thuật toán học máy được đào tạo để dự đoán kết quả ung thư tập trung vào bệnh viện nơi hình ảnh khối u được chụp, thay vì sinh học khối u của bệnh nhân. Các nhà nghiên cứu cảnh báo, mặc dù thuật toán đó không được sử dụng trong bất kỳ cơ sở y tế nào, nhưng các công cụ khác được đào tạo theo cách tương tự có thể có độ chính xác tương tự.

Irene Dankwa-Mullan, MD, MPH, phó giám đốc công bằng y tế của IBM Watson cho biết, cũng có những lo ngại rằng AI có thể làm trầm trọng thêm khoảng cách về kết quả sức khỏe giữa các nhóm có đặc quyền và nhóm thiệt thòi bằng cách làm trầm trọng thêm những thành kiến đã có trong hệ thống y tế và quy trình nghiên cứu của chúng ta. Sức khỏe.

Bà giải thích tại hội nghị Khoa học Nghiên cứu Ung thư về Chênh lệch Sức khỏe Ung thư năm 2021 của Hiệp hội Khoa học Nghiên cứu Ung thư Hoa Kỳ về Chênh lệch Sức khỏe Ung thư.

Chẳng hạn, một số thuật toán y tế gần đây đã được chứng minh là kém chính xác hơn đối với người Da đen so với người Da trắng. Các chuyên gia lưu ý rằng những thiếu sót nguy hiểm tiềm tàng này xuất phát từ thực tế là các thuật toán chủ yếu được đào tạo và xác thực dựa trên dữ liệu từ các bệnh nhân Da trắng.

Mặt khác, một số chuyên gia cho rằng AI có thể cải thiện khả năng tiếp cận dịch vụ chăm sóc ung thư bằng cách đưa dịch vụ chăm sóc ở cấp độ chuyên gia đến các bệnh viện thiếu bác sĩ chuyên khoa.

Tiến sĩ Harmon giải thích: “Những gì [AI] có thể làm là, trong một môi trường mà có những bác sĩ có thể không có nhiều chuyên môn, nó có khả năng nâng hiệu suất của họ lên mức chuyên gia.

Một số công cụ AI thậm chí có thể bỏ qua nhu cầu về thiết bị tinh vi. Ví dụ, thuật toán học sâu để sàng lọc ung thư cổ tử cung do Tiến sĩ Schiffman phát triển dựa trên điện thoại di động hoặc máy ảnh kỹ thuật số và vật liệu chi phí thấp.

Bất chấp những lo ngại này, hầu hết các nhà nghiên cứu đều lạc quan về tương lai của AI trong chăm sóc bệnh ung thư. Ví dụ, Tiến sĩ Aerts tin rằng những rào cản này có thể vượt qua được nếu có nhiều nỗ lực và sự hợp tác hơn nữa giữa các chuyên gia về khoa học, y học, chính phủ và cộng đồng thực hiện.

“Tôi nghĩ rằng [công nghệ AI] cuối cùng sẽ được đưa vào phòng khám vì hiệu suất quá tốt và thật lãng phí nếu chúng ta không làm vậy,” anh ấy nói.