AI for ULTRASOUND

 

Trí tuệ nhân tạo trong siêu âm y khoa:

Khoa X quang, Trường Y khoa Đại học Massachusetts, Worcester, MA, Hoa Kỳ

Young H. Kim, MD

Thư từ gửi đến: Young H. Kim, MD, Khoa X quang, Trường Y khoa Đại học Massachusetts, 55 Lake Avenue North, Worcester, MA 01655, Hoa Kỳ ĐT. +1-508-334-0792 Fax. +1-508-856-4910 E-mail: young.kim@umassmemorial.org

Nhận ngày 12 tháng 2 năm 2021 Sửa đổi ngày 29 tháng 4 năm 2021 Chấp nhận ngày 10 tháng 5 năm 2021 Xuất bản trực tuyến ngày 10 tháng 5 năm 2021

 

Giới thiệu

Những tiến bộ gần đây trong công nghệ học sâu đã mang lại những thay đổi mang tính cách mạng cho nghiên cứu và ứng dụng trí tuệ nhân tạo (AI) trên khắp các ngành công nghiệp, tạo ra những đổi mới lớn như nhận dạng khuôn mặt và xe tự lái. Y học cũng không ngoại lệ, và X quang, dựa trên việc giải thích dữ liệu hình ảnh thu được thông qua nhiều phương pháp khác nhau - và thường được so sánh với thị giác máy tính sử dụng phân tích mẫu - được dự đoán sẽ trải qua một cuộc cách mạng lớn. Bất chấp kỳ vọng về việc tăng cường nghiên cứu và phát triển siêu âm hỗ trợ AI, việc triển khai lâm sàng AI trong siêu âm y khoa phải đối mặt với những trở ngại riêng. Sẽ cần phải chuẩn hóa việc thu thập hình ảnh, điều chỉnh trình độ và hiệu suất của người vận hành và phiên dịch, tích hợp thông tin lâm sàng và cung cấp phản hồi về hiệu suất để tối đa hóa lợi ích cho việc chăm sóc bệnh nhân.

Những hạn chế cơ bản của dữ liệu hình ảnh siêu âm

Chụp cắt lớp vi tính và chụp cộng hưởng từ tạo ra hình ảnh có thể dự đoán và tái tạo mà không phụ thuộc nhiều vào kỹ năng của người vận hành. Tuy nhiên, chất lượng hình ảnh siêu âm phụ thuộc đáng kể vào khả năng và kinh nghiệm của người thực hiện siêu âm. Ngay cả người kiểm tra siêu âm có năng lực nhất cũng không thể tạo ra kết quả chẩn đoán chất lượng cao tùy thuộc vào thể trạng và sự hợp tác của cơ thể bệnh nhân. Hình ảnh còn phụ thuộc vào góc của đầu dò tiếp xúc với da, bóng mờ từ các cấu trúc bề mặt và độ sâu của tổn thương mục tiêu. Những hạn chế này, cùng với các biến số phổ biến như cài đặt vận hành máy siêu âm và hiện tượng nhiễu, khiến việc áp dụng AI trong khám siêu âm trở nên khó khăn. Do những tương tác phức tạp này, thông tin hình ảnh siêu âm làm dữ liệu đầu vào cho các ứng dụng AI có nhiều nhiễu âm ngẫu nhiên khác nhau từ các nguồn không xác định được.

Chuẩn hóa việc thu thập hình ảnh

Để khắc phục những hạn chế cơ bản này, cần có các giao thức chuẩn hóa để thu thập hình ảnh tĩnh và hình ảnh cine bổ sung. Hình ảnh cine thường được thu thập để bổ sung cho sự khác biệt về giải phẫu giữa các bệnh nhân và thu hẹp khoảng cách nhận thức giữa người thực hiện siêu âm và người giải thích hình ảnh. Thật không may, hình ảnh cine thường không cung cấp mô tả rõ ràng về thông tin hình ảnh mong muốn vì các điều kiện vật lý lý tưởng để thu được hình ảnh tối ưu thay đổi theo giải phẫu động. Quét cine tầm xa dẫn đến các đặc điểm không rõ ràng về mặt thị giác với lợi ích tối thiểu. Có thể tạo ra kết quả tốt nhất của quét cine khi áp dụng cho cấu trúc giải phẫu rất nhỏ hoặc cố định. Ví dụ, trong siêu âm tim và siêu âm vùng chậu sản khoa, nơi cần đo lường và phân tích hình ảnh, các clip video có thể cung cấp một bộ dữ liệu có cấu trúc có liên quan đầy đủ, cho phép phân tích không gian thời gian và tối đa hóa lợi thế của học sâu. Để đạt được mục đích này, vào tháng 2 năm 2020, một phần mềm siêu âm tim sử dụng AI có tên là Caption Guidance đã nhận được sự chấp thuận đầu tiên của Cục Quản lý Thực phẩm và Dược phẩm (FDA) cho thuật toán của mình, có thể tính toán phân suất tống máu từ các clip video ba chiều (3D) tự động chụp tốt nhất [ 1 ]. Phần mềm cho phép các bác sĩ lâm sàng dễ dàng sử dụng thông tin giải phẫu 3D để chẩn đoán bằng cách sử dụng thuật toán AI để có được hình ảnh tối ưu. Ngoài ra, thuật toán AI có khả năng ghi lại các vòng dữ liệu echo cho phép tính toán phân suất tống máu thất trái phù hợp [ 1 ]. Tương tự như vậy, đã có những tiến bộ trong nghiên cứu sản phụ khoa liên quan đến siêu âm, bao gồm phát hiện tự động độ dày nội mạc tử cung và phân loại tự động các u nang buồng trứng [ 2 ]. Khái niệm thu thập siêu âm 3D bằng clip cine có thể được áp dụng cho nhiều vùng giải phẫu phức tạp, bao gồm nhiều bệnh khớp, đánh giá thai nhi, bệnh ở trẻ sơ sinh và phân loại các khối u lành tính hoặc ác tính. Từ những ví dụ này, có vẻ như phần mềm có khả năng khắc phục những hạn chế cơ bản của việc thu thập dữ liệu siêu âm sẽ có khả năng tạo ra dữ liệu hình ảnh chuẩn hóa bằng cách thu thập dữ liệu 3D các khu vực giải phẫu tập trung cần quan tâm bằng cách hạn chế nhiễu.

Hiểu về Học sâu

Chẩn đoán hỗ trợ máy tính (CAD) đã được sử dụng trong hình ảnh y khoa,  bao gồm siêu âm, trong nhiều thập kỷ. Thông tin hình ảnh thu được bằng siêu âm cung cấp nền tảng dữ liệu đầu vào để phát triển thuật toán học máy, bằng cách trích xuất đặc điểm thủ công truyền thống hoặc trích xuất đặc điểm tự động thông qua học sâu [ 3 ]. Vì dữ liệu đầu vào là kết quả của nhiều yếu tố phức tạp nên rất khó để có một bộ dữ liệu hình ảnh siêu âm có cấu trúc, được phân loại tốt. Các biến trong quá trình thu thập hình ảnh siêu âm tạo ra một lượng lớn dữ liệu hình ảnh không chủ ý, khiến phương pháp thông thường hoặc học sâu khó tạo ra một thuật toán có thể sử dụng trong thực tế. Phương pháp trích xuất đặc điểm thủ công truyền thống phụ thuộc rất nhiều vào kiến ​​thức của chuyên gia trong lĩnh vực này, có khả năng sai lệch cao do phụ thuộc vào một chuyên gia duy nhất và khả năng lựa chọn sai lệch các hình ảnh chất lượng tốt nhất. Phương pháp thông thường cũng tốn nhiều thời gian vì chuyên gia phải chú thích hình ảnh theo cách thủ công. Công nghệ học sâu với mạng nơ-ron tích hợp được biết là có hiệu suất tốt nhất trong nhận dạng mẫu hình ảnh. Phương pháp này có thể bỏ qua quá trình chọn hình ảnh và trích xuất thông tin có liên quan từ dữ liệu hình ảnh thông qua nhiều lớp xử lý mà chức năng nhận thức của con người không thể nhận ra [ 3 ]. Không chắc chắn liệu số  lượng lớn dữ liệu đầu vào có thể đảm bảo kết quả tốt trong quá trình phân tích hình ảnh siêu âm trên máy tính hay không do những hạn chế cơ bản của phương sai cao và độ lệch cao trong quá trình thu thập hình ảnh. Dữ liệu đầu vào được quản lý tốt có các đối tượng hiển thị có ý nghĩa trong môi trường nghiên cứu có thể không áp dụng được trong các tình huống thực tế. Ngoài ra, thuật toán có thể không khái quát hóa để sử dụng trong các bối cảnh lâm sàng khác nhau và những bệnh nhân có đặc điểm nhân khẩu học khác với những đặc điểm có mặt khi bắt đầu quá trình thu thập dữ liệu.

Cơ hội cho các ứng dụng AI lâm sàng

Có nhiều nghiên cứu đáng kể trong tài liệu về các ứng dụng siêu âm AI trong các lĩnh vực như tuyến giáp, vú và tuyến tiền liệt, nằm ở  cạnh bề mặt của cơ thể và ít bị ảnh hưởng bởi các cấu trúc bên trên, khi mô tả đặc điểm khối u. Nhiều hệ thống CAD đã được phát triển để cải thiện độ chính xác chẩn đoán các nốt tuyến giáp và vú với một mức độ thành công nhất định. Tuy nhiên, mặc dù các hệ thống CAD có độ nhạy cao, cũng đã thất bại do hiệu suất chẩn đoán thay đổi và độ đặc hiệu thấp [ 4 ]. Nghiên cứu gần đây đã chứng minh hiệu suất chẩn đoán được cải thiện đối với ung thư vú bằng cách sử dụng các tính năng tạo hình Doppler màu định lượng [ 5 ]. Nghiên cứu đã được mở rộng hơn nữa để chứng minh tính khả thi của mạng nơ-rôn để chấm điểm hoạt động của bệnh viêm khớp với kết quả ấn tượng so với một chuyên gia là con người [ 6 ]. Nghiên cứu sâu hơn về bệnh cơ xương, bao gồm phân đoạn sụn, dự kiến ​​sẽ tiến triển trong tương lai [ 7 ]. Có thể thu được kết quả tốt hơn bằng cách thêm Doppler màu hoặc  siêu âm đàn hồi  vào hình thang độ xám chất lượng cao trong phân tích.

Quy định về trình độ và hiệu suất của người điều hành và phiên dịch

Mặc dù cần phải có chuyên gia để hỗ trợ độ chính xác của chẩn đoán, nhưng năng lực của người vận hành chưa được xem xét kỹ lưỡng. Đảm bảo chất lượng không nhằm mục đích cung cấp phản hồi về hiệu suất của cá nhân. Các khiếu nại về hành nghề sai sót theo giai thoại rất hiếm và không thể được sử dụng làm phản hồi để cải thiện thực sự các kỹ năng của người vận hành. Hình ảnh siêu âm là hình ảnh biểu diễn được hiệu chuẩn về nhận thức dựa trên kiến ​​thức của người vận hành, đòi hỏi phải có đường cong học tập đáng kể để sử dụng và diễn giải siêu âm. Khám siêu âm đòi hỏi trình độ đào tạo cao, có thể mất nhiều năm. Một bác sĩ X quang hoặc bác sĩ siêu âm được đào tạo bài bản có thể phân biệt giữa các cấu trúc bình thường và bất thường bằng phán đoán chủ quan. Mặc dù có thể có một số thay đổi nhỏ, nhưng kết quả hình ảnh nhìn chung là chấp nhận được. Tuy nhiên, ngay cả cách diễn giải hình ảnh siêu âm của một chuyên gia cũng có thể bị lỗi do bác sĩ siêu âm kiểm tra không đầy đủ. Nếu người vận hành bỏ sót tổn thương khi khám bệnh nhân, thì không có cách nào để con người hoặc hệ thống AI có thể phát hiện ra tổn thương dựa trên các hình ảnh được cung cấp.

Siêu âm y khoa ngày càng được sử dụng nhiều bởi các nhân viên y tế không được đào tạo về siêu âm do sự phổ biến thiết bị siêu âm cầm tay giá cả phải chăng và nhu cầu đưa ra quyết định lâm sàng khẩn cấp tại giường bệnh. Điều này dẫn đến việc các bác sĩ không được đào tạo về  siêu âm thực hiện khám siêu âm tại khoa cấp cứu hoặc khoa chăm sóc đặc biệt mà không có sự đảm bảo chất lượng hoặc hệ thống đào tạo chuẩn hóa [ 8 ]. Ở hầu hết các nước phát triển, có cơ quan quản lý quy định các yêu cầu đào tạo và cấp phép cho các kỹ thuật viên siêu âm và bác sĩ radiology. Mặc dù có hệ thống quản lý về yêu cầu giáo dục liên tục và đánh giá chất lượng để cấp lại chứng chỉ tại Hoa Kỳ, nhưng hệ thống này không nhằm mục đích đánh giá hiệu suất của cá nhân. Một hệ thống lý tưởng sẽ có các hướng dẫn thực hành để thiết lập phạm vi của các cá nhân thực hiện hoặc giải thích các cuộc khám siêu âm.

Tích hợp thông tin lâm sàng

Siêu âm học sâu đã được nghiên cứu để nhận dạng mẫu và phân loại dựa trên độ sinh echo của gan để chẩn đoán bệnh gan nhiễm mỡ [ 9 ]. Sau đó, phân loại xơ gan bằng kỹ thuật học sâu với siêu âm đàn hồi sóng cắt đã được phát triển [ 10 , 11 ]. Mặc dù các nghiên cứu này cung cấp những hiểu biết quan trọng, nhưng cần phải tiến hành khám thêm  ở những bệnh nhân mắc nhiều nguyên nhân, vì có thể dự kiến ​​những thay đổi hình thái khác nhau theo thời gian liên quan đến các nguyên nhân khác nhau.

Một thuật toán CAD, dựa trên phân tích đặc điểm hình thái, đã được phát triển để chẩn đoán phân biệt các tổn thương buồng trứng. AI có khả năng lớn trong việc tích hợp thông tin lâm sàng như tiền sử gia đình, thông tin di truyền, tình trạng kinh nguyệt và điều trị nội tiết tố với phân tích hình ảnh, có thể cải thiện khả năng chẩn đoán để phân biệt các tổn thương buồng trứng lành tính và ác tính và có thể bổ sung thông tin dự đoán để quản lý. Thông tin lâm sàng nên được tích hợp vào các công cụ phân tích dữ liệu hình ảnh để cải thiện hiệu suất và tối đa hóa tính hữu ích lâm sàng.

Phản hồi của tổ chức và cá nhân

Học viện X quang Hoa Kỳ đã phát triển thuật toán Hệ thống dữ liệu và báo cáo hình ảnh siêu âm gan (US LI-RADS) để chuẩn hóa việc giải thích bằng cách sử dụng hai thành phần: điểm phát hiện và điểm trực quan [ 12 ]. Son và cộng sự [ 13 ] đã đánh giá thuật toán US LI-RADS và báo cáo rằng 86% ung thư biểu mô tế bào gan bị bỏ sót ở những bệnh nhân có chỉ số khối cơ thể cao và thâm nhiễm mỡ vừa phải/nặng. Mặc dù AI có thể cung cấp thêm thông tin chi tiết bằng cách tích hợp thông tin nhân khẩu học về tỷ lệ mắc ung thư biểu mô tế bào gan, nhưng vẫn chưa chắc chắn hiệu suất của từng người vận hành và người giải thích ảnh hưởng như thế nào đến việc phát hiện khối u. AI có khả năng cung cấp phản hồi về hiệu suất của cả tổ chức và cá nhân. AI hiện tại có tiềm năng mới là cung cấp phản hồi về hiệu suất cho người vận hành với thông tin lâm sàng và nhân khẩu học tích hợp. Cuối cùng, siêu âm AI sẽ không chỉ hỗ trợ người vận hành mới vào nghề mà còn giúp cải thiện hiệu suất dựa trên kết quả thông qua phản hồi liên tục với việc cải tiến hệ thống.

Hướng phát triển trong tương lai

Việc ứng dụng AI trong siêu âm có thể sẽ có tác động lớn nhất trong các lĩnh vực mà không có sự khác biệt đáng kể giữa người mới bắt đầu và chuyên gia trong quá trình thu thập hình ảnh ban đầu. Quá trình thu thập hình ảnh càng phức tạp thì việc áp dụng các công cụ AI càng khó. Nghiên cứu sâu hơn có thể sẽ tập trung vào một cơ quan dễ tiếp cận với việc áp dụng siêu âm đàn hồi, siêu âm Doppler màu và siêu âm Doppler tăng cường độ tương phản [ 14 ]. Việc thu thập giải phẫu 3D có khả năng mở rộng hiệu quả của các ứng dụng AI. Những tiến bộ gần đây đã được thực hiện trong nghiên cứu và ứng dụng lâm sàng của siêu âm tại chỗ với mục đích giải quyết các nhiệm vụ đơn lẻ trong các lĩnh vực cụ thể, bao gồm phát hiện cổ trướng, tràn dịch màng phổi, tràn dịch màng ngoài tim, tràn khí màng phổi và gần đây hơn là chẩn đoán phức tạp về bệnh viêm phổi do vi-rút corona 2019 [ 15 , 16 ]. Hy vọng rằng việc bổ sung các công cụ hỗ trợ AI mới nhất có thể giúp các bác sĩ lâm sàng không được đào tạo về X quang trong một số tình huống lâm sàng nhất định. Trong một bài báo gần đây, siêu âm ngực POCUS đã chứng minh độ nhạy là 75%, độ đặc hiệu là 100%, giá trị dự báo dương tính là 100% và giá trị dự báo âm tính là 94,9% để chẩn đoán tràn khí màng phổi, mặc dù có nhiều tình huống làm giảm hiệu suất của siêu âm như tràn khí dưới da [ 15 ]. Một thuật toán chẩn đoán siêu âm hỗ trợ AI cho tràn khí màng phổi đã được nghiên cứu và chứng minh là có hiệu quả lâm sàng ở một số ít bệnh nhân [ 17 ].

Các khía cạnh quản lý của AI trong siêu âm

Công nghệ AI tiếp tục phát triển với những tiến bộ nghiên cứu sau khi được FDA chấp thuận. Trước đây, các ứng dụng AI được FDA chấp thuận có các mô hình bị khóa, đây là rào cản đối với quá trình tiến hóa thích ứng của các thuật toán AI. Để khắc phục vấn đề về quy định này, vào tháng 1 năm 2021, FDA đã công bố một kế hoạch hành động bao gồm Kế hoạch kiểm soát thay đổi được xác định trước, cho phép sửa đổi trong tương lai đối với các thiết bị gốc của họ trong phạm vi được xác định trước về "những gì cần thay đổi" và "cách học" trong khi vẫn đảm bảo an toàn [ 18 ].

Phần kết luận

Siêu âm có AI hỗ trợ có tiềm năng thúc đẩy hơn nữa việc sử dụng siêu âm y khoa trong nhiều bối cảnh lâm sàng khác nhau với việc sử dụng rộng rãi của nhân viên y tế. Việc ứng dụng AI trong siêu âm có thể hỗ trợ bác sĩ trong việc chẩn đoán và phân loại bệnh nhân. Việc chuẩn hóa các cuộc khám siêu âm và trình độ của người vận hành và phiên dịch nên được thảo luận trong các chuyên khoa y khoa, ban lãnh đạo tổ chức và các cơ quan quản lý [ 8 ]. Những cuộc thảo luận này rất cần thiết trong kỷ nguyên AI đang đến gần. Trước khi sử dụng bất kỳ công cụ AI nào, mỗi tổ chức nên tiến hành quy trình nội bộ để xác minh xem công cụ đó có phù hợp với bệnh nhân và bác sĩ của mình hay không, vì thiếu các nghiên cứu triển vọng không ngẫu nhiên dựa trên bằng chứng để xác nhận hiệu quả của các công cụ AI [ 19 ]. Nếu không, việc sử dụng siêu âm ngày càng tăng cùng với các công cụ hỗ trợ AI có thể dẫn đến lãng phí tài nguyên, hành nghề sai sót do chẩn đoán sai và cuối cùng là gánh nặng lớn cho các tổ chức y tế và bệnh nhân của họ.