Thanh bên bài viết
Số lượt xem pdf: 24
ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐOÁN VÀ PHÂN LOẠI MÔ HỌC UNG THƯ BIỂU MÔ PHỔI TRÊN CÁC MẢNH SINH THIẾT
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Đánh giá hiệu quả ứng dụng trí tuệ nhân tạo (AI) trong chẩn đoán và phân loại mô bệnh học ung thư biểu mô phổi dựa trên ảnh sinh thiết nhuộm HE. Mô hình AI tự động phát hiện, định vị và phân loại UTBM thành UTBM tuyến, UTBM vảy và UTBM tế bào nhỏ, so sánh với bác sĩ. Đối tượng và phương pháp: Nghiên cứu mô tả tiến cứu trên 200 ảnh mô bệnh học toàn bộ tiêu bản (WSI) sinh thiết u phổi của bệnh nhân gồm 100 ca ung thư và 100 ca lành tính. Trường hợp ung thư biểu mô kém biệt hoá được nhuộm hoá mô miễn dịch để phân típ mô bệnh học. Mô hình AI dựa trên U-Net kết hợp EfficientNet-B1. Các biến số được thu thập gồm: chẩn đoán lành tính/ ung thư. Phân loại các típ mô học: UTBM tuyến, UTBM vảy, UTBMTB nhỏ của AI so với bác sĩ. Chỉ số thống kê: độ nhạy, độ đặc hiệu, độ chính xác, đường cong ROC. Số liệu được xử lý bằng phần mềm SPSS 23. Kết quả: AI đạt độ nhạy 94%, độ đặc hiệu 97%, AUC-ROC 0,95 tổng thể. Độ nhạy độ đặc hiệu của AI với UTBM tuyến là 83,1% và 68,97%, UTBM vảy 38,46% và 96,55% UTBMTB nhỏ 81,25% và 86,90%. So với bác sĩ, AI đạt hiệu suất thấp hơn trong việc phân loại UTBM vảy. Kết luận: AI có tiềm năng hỗ trợ chẩn đoán ung thư phổi, nhưng vẫn cần được bổ sung đánh giá của bác sĩ, đặc biệt đối với UTBM vảy. Việc mở rộng dữ liệu huấn luyện và tích hợp thông tin lâm sàng có thể cải thiện độ chính xác của AI.
Chi tiết bài viết
Từ khóa
Trí tuệ nhân tạo, Giải phẫu bệnh kỹ thuật số, ảnh toàn bộ tiêu bản WSI
Tài liệu tham khảo
2. Yang JW, Song DH, An HJ, Seo SB. Classification of subtypes including LCNEC in lung cancer biopsy slides using convolutional neural network from scratch. Sci Rep. 2022;12(1):1830. doi:10.1038/s41598-022-05709-7
3. Yu G, Sun K, Xu C, et al. Accurate recognition of colorectal cancer with semi-supervised deep learning on pathological images. Nat Commun. 2021;12(1): 6311. doi:10.1038/s41467-021-26643-8
4. Coudray N, Ocampo PS, Sakellaropoulos T, et al. Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nat Med. 2018;24(10):1559-1567. doi:10.1038/s41591-018-0177-5
5. Nicholson AG, Tsao MS, Beasley MB, et al. The 2021 WHO Classification of Lung Tumors: Impact of Advances Since 2015. J Thorac Oncol. 2022;17(3): 362-387. doi:10.1016/j.jtho.2021. 11.003
6. Kanavati F, Toyokawa G, Momosaki S, et al. A deep learning model for the classification of indeterminate lung carcinoma in biopsy whole slide images. Sci Rep. 2021;11(1):8110. doi:10.1038/s41598-021-87644-7
7. Liu M, Wu J, Wang N, et al. The value of artificial intelligence in the diagnosis of lung cancer: A systematic review and meta-analysis. PLOS ONE. 2023;18(3):e0273445. doi:10.1371/ journal.pone.0273445