Tóm tắt bài học

Video này trình bày bài giảng của GS. Dirk Timmerman về sự phát triển và ứng dụng của trí tuệ nhân tạo (AI) trong siêu âm phụ khoa, tập trung vào các mô hình IOTA và hệ sinh thái Gynaia.

Dưới đây là tóm tắt chi tiết các nội dung chính:

1. Lịch sử và sự tiến hóa của AI trong siêu âm

Mạng nơ-ron nhân tạo đã được nghiên cứu từ năm 1999 để dự đoán khối u phần phụ, nhưng thời điểm đó gặp hạn chế về năng lực máy tính.
Sự khác biệt giữa Machine Learning truyền thống và Deep Learning là Deep Learning không cần trích xuất đặc điểm thủ công nhưng đòi hỏi lượng dữ liệu lớn hơn để đạt hiệu suất cao.
Nhóm IOTA đã bắt đầu chính thức phát triển IOTA AI từ năm 2018 thông qua các nghiên cứu tiền cứu.

2. Mô hình IOTA ADNEX và vị thế hiện tại

Mô hình ADNEX (xuất bản năm 2014) dựa trên đa thức hồi quy logistic với các biến số như tuổi, loại trung tâm y tế, CA125 (tùy chọn) và 6 đặc điểm siêu âm.
ADNEX được chứng minh là vượt trội hơn các mô hình AI hiện tại trong việc phân biệt khối u lành tính và ác tính.
Mô hình này cung cấp xác suất cụ thể cho 5 loại khối u: lành tính, giáp biên (borderline), ung thư buồng trứng giai đoạn 1, giai đoạn 2-4, và u di căn.
ADNEX hiện được coi là tiêu chuẩn chăm sóc (standard of care) để phân loại bệnh nhân có khối u buồng trứng theo các nghiên cứu lớn như ROCKET.

3. Quy định pháp lý và sự ra đời của Gynaia

Theo quy định mới của Châu Âu (MDR), các mô hình dự đoán dựa trên siêu âm được coi là thiết bị y tế và phải có nhãn CE mới được sử dụng lâm sàng.
Gynaia được thành lập như một đơn vị vệ tinh để cung cấp lại các ứng dụng (ADNEX, IOTA, M6 cho thai sớm) dưới dạng tuân thủ quy định pháp luật.
Gynaia không chỉ cung cấp mô hình mà còn bao gồm hệ thống quản lý học tập (LMS), đào tạo, cấp chứng chỉ chất lượng và hỗ trợ quyết định lâm sàng.

4. Nghiên cứu IOTA 7 AI và phân đoạn hình ảnh tự động

Nghiên cứu tiền cứu này sử dụng mạng AI (U-Net) để tự động phân đoạn (segmentation) các thành phần của khối u như mô đặc và chồi.
Kết quả cho thấy việc sử dụng AI để trích xuất đặc điểm cho mô hình ADNEX mang lại hiệu suất tương đương với việc bác sĩ tự thực hiện đo đạc thủ công.
Một mô hình phân loại Deep Learning trực tiếp (end-to-end) từ hình ảnh grayscale và Doppler cũng đạt được độ chính xác (AUC) là 0.92, tương đương với mô hình ADNEX truyền thống.

5. Triển vọng và thách thức trong tương lai

Cơ hội: AI có thể giúp sàng lọc ung thư buồng trứng hiệu quả hơn, phát hiện lạc nội mạc tử cung sâu, phân loại các tổn thương cơ tử cung (sarcoma vs nhân xơ), và cá nhân hóa điều trị thông qua việc theo dõi triệu chứng của bệnh nhân trên ứng dụng.
Thách thức: Hiện vẫn thiếu các nghiên cứu tiền cứu quy mô lớn và các thử nghiệm ngẫu nhiên (RCT); rủi ro về sai lệch dữ liệu (bias); vấn đề bảo mật quyền riêng tư và các rào cản pháp lý.
GS. Timmerman kết luận rằng cần cải thiện tính minh bạch trong báo cáo và hiện tại chưa có hướng dẫn lâm sàng chính thức nào yêu cầu sử dụng mô hình AI trong chẩn đoán ung thư buồng trứng.

0% Hoàn thành

Đăng nhập

Đăng ký