RADIOMICS and ULTRASOUND

Tạo hình dữ liệu hóa [radiomics] được định nghĩa như là việc trích ra ở mức cao toàn bộ đặc điểm của  tạo hình định lượng hay biệt tính [texture] từ chẩn đoán hình ảnh để giải mã bệnh học mô, và tạo mới dữ liệu với kích thước lớn để  trích xuất ra các đặc điểm.

Đặc điểm của tạo hình dữ liệu hóa cung cấp thông tin về các kiểu thang xám [gray-scale patterns], tương quan liên điểm ảnh [inter-pixel relationships]. Nhìn chung, dạng và các đặc điểm phổ được trích ra từ cùng vùng quan tâm (ROI) của tạo hình chẩn đoán hình ảnh. Hơn nữa, các đặc điểm này còn được tạo nên các mô hình điện toán dùng trong thuật toán trí tuệ nhân tạo tiên tiến [advanced machine learning algorithms], mà chúng có thể được dùng để chẩn đoán chính xác (hay cá thể hóa) [personalized diagnosis] và hướng dẫn điều trị.

Trong tạo hình siêu âm gan

Phân tích biệt tính [texture analysis] tạo hình siêu âm gan lần đầu tiên được Raeth và cộng sự hoàn thành vào năm 1985 để phân loại gan bình thường, bệnh lý gan lan tỏa và bệnh ác tính trên dữ liệu của 71 bệnh nhân với độ chính xác 96%.

Wu và cộng sự phân tích phân dạng đa ly giải [multiresolution fractal analysis] nhằm phân biệt gan bình thường, u gan và chai gan trên dữ liệu 40 bệnh nhân đạt chính xác 90%. Các tác giả nhận thấy đặc điểm phân tích phân dạng đa ly giải hoàn thành tốt hơn Gray Level Co-occurrence Matrix [GLCM] dựa vào đặc điểm biệt tính cũng như  Laws texture energy measures.

Sujana và cộng sự trích đặc điểm thống kê thứ tự bậc nhất [first order statistical features] theo ma trận GLCM và GLRL  dựa trên đặc tính để phân loại tạo hình siêu âm gan của 113 bệnh nhân bình thường, u mạch máu gan và các loại ung thư, khi dùng mạng nơrôn nhân tạo [artificial neural network] đạt được phân loại chính xác đến 100%.

Horng và cộng sự dùng kỹ thuật phân tích biệt tính mới gọi là mã hóa đặc điểm biệt tính [texture feature coding] để phân biệt gan bình thường, viêm gan và chai gan trên 120 bệnh nhân (30 ca huấn luyện và 90 test tạo hình). Họ đạt được độ chính xác 86,7% khi so sánh với 75,7% cùng nhóm nghiên cứu khi dùng GLCM, phổ biệt tính và đặc điểm dựa trên kích cỡ phân dạng [fractal dimension].

Yoshida và cộng sự phân tích đa ly giải [multiresolution analysis] trên 44 bệnh nhân và đạt được diện tích dưới đường cong AUC =0,92 khi phân biệt ác tính với tổn thương lành tính.

Từ đó có nhiều nghiên cứu siêu âm dùng phân tích biệt tính để phân loại tổn thương gan khu trú. Có một nghiên cứu so sánh dùng cách tiếp cận phân tích biệt tính đã hoàn thành được tìm thấy trong y văn. Mới đây, Mitrea và cộng sự đã hoàn tất việc trích GLCM based texture features từ Laws texture energy images có được, qua lọc hình siêu âm gan, đạt độ chính xác đến 90% trong phát hiện ung thư gan. 

Trong tạo hình siêu âm vú

Garra và cộng sự thực hiện phân tích biệt tính (thống kê thứ tự bậc nhất [first order statistics], GLCM và kích cỡ phân dạng [fractal dimension]) ở siêu âm vú ở một nghiên cứu cohort gồm 80 bệnh nhân. Họ xác định được tổn thương ác tính với độ nhạy 100% và độ đặc hiệu 80% (78% cho fibroadenoma, 73% cho cysts và 91% cho fibrocystic nodules). Từ đó nhiều nghiên cứu đã dùng phân tích biệt tính để phân biệt tổn thương vú lành tính và ác tính bằng siêu âm.

CÁC VẤN ĐỀ THEN CHỐT [KEY ISSUES]

- Tạo hình dữ liệu hóa là lãnh vực nghiên cứu mới và nhắm đến y học chính xác [precision medicine].
--   Căn bản toán học của tạo hình dữ liệu hóa dựa trên biệt tính [texture], dạng và lý thuyết huấn luyện.

- Phát triển và xác định chặt chẽ các đặc điểm tạo hình bệnh học lâm sàng cho các đặc điểm tạo hình dữ liệu hóa  để ứng dụng rộng rãi  trong y học chính xác. 

- Cần nghiên cứu thêm để xác định các bước tiến hành tối ưu cho việc áp dụng tạo hình dữ liệu hóa  có thể lập lại được cho nhiều ứng dụng tạo hình khác nhau, ví dụ như, loại chẩn đoán hình ảnh, phân cột biểu đồ [histogram binning], giãn cách điểm ảnh 3 chiều [voxel spacing], cỡ hình ảnh hay ROI, và cỡ của lọc [spatial filtering kernel], ...

-  Chuẩn hóa các đặc điểm  tạo hình dữ liệu hóa ‘phát hiện” của ứng dụng lâm sàng cần thiết cho tăng cường khả năng chẩn đoán; hầu như các nghiên cứu đến nay chỉ có AUC thấp đến trung bình. Do đó mỗi bước của tạo hình dữ liệu hóa cần được phân tích rộng mở, đánh giá và chuẩn hóa tạo hình dữ liệu hóa nhằm đạt được khả năng thật sự như một hệ thống hỗ trợ quyết định.
-  Thuật toán dữ liệu tiên tiến sẽ cần đến để xác định các đặc điểm có ý nghĩa trong  không gian đặc điểm kích thước cao tạo bởi kỹ thuật tạo hình dữ liệu hóa.
-  Cần có các nghiên cứu theo dỏi và thử nghiệm tiền cứu để xác định đầy đủ ảnh hưởng của tạo hình dữ liệu hóa cho chẩn đoán và y học chính xác.

------------

    GHI CHÚ:

   “precision medicine” và “personalized medicine” đều là y học chính xác, y học cá thể hóa. Theo National Research Council, “personalized medicine” là thuật ngữ cũ và có ý nghĩa tương tự “precision medicine”. Tuy nhiên, thường hiểu lầm “personalized medicine” hay y học cá thể hóa là liệu pháp điều trị và phòng ngừa cho mỗi cá nhân độc nhất. Thật ra, precision medicine, với ý nghĩa tương tự “personalized medicine”, tập trung vào xác định những đích tác động có hiệu quả với bệnh nhân, dựa trên gen, nhân tố môi trường… và sử dụng cho các nhóm bệnh nhân. Thuật ngữ “precision medicine”  thường được chọn dùng vì mang tới một cách hiểu chính xác hơn.

     điểm ảnh 3 chiều [voxel]= với siêu âm B-mode và Doppler, ở cùng vị trí điểm ảnh, có lưu giữ dữ liệu về mật độ [density] và trị giá dòng chảy thể tích [volumetric flow rate] theo những kênh riêng biệt. 

    FURTHER READING: RADIOMICS, Wikipedia

TÀI LIỆU THAM KHẢO CHÍNH:

 

                Radiomics: a new application from established techniques

          https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5193485/

          Radiomics: Images Are More than Pictures, They Are Data

https://pubs.rsna.org/doi/full/10.1148/radiol.2015151169

Radiomics: extracting more information from medical images using 

advanced feature analysis. Eur J Cancer. 2012 Mar;48(4):441-6. 

doi: 10.1016/j.ejca.2011.11.036. Epub 2012 Jan 16.