AI hỗ trợ siêu âm sàng lọc và chẩn đoán HCC ( Gemini)

 Trí tuệ nhân tạo (AI) đang là một trợ thủ đắc lực cho các bác sĩ trong việc sàng lọc và chẩn đoán ung thư biểu mô tế bào gan (HCC) qua siêu âm. Vì siêu âm phụ thuộc rất nhiều vào tay nghề và góc nhìn của người siêu âm, AI xuất hiện như một "con mắt  thứ hai" giúp chuẩn hóa và tăng độ chính xác.

Dưới đây là những cách cụ thể mà AI hỗ trợ bác sĩ trong quy trình này:

1. Sàng lọc và Phát hiện tổn thương tự động (Computer-Aided Detection - CADe)

Đối với những bệnh nhân có nguy cơ cao (như viêm gan B, C man tính hoặc xơ gan), việc phát hiện các khối u kích thước nhỏ dưới 2cm trên siêu âm thường rất khó khăn.

• Phân tích thời gian thực: AI quét qua các khung hình siêu âm khi  đang di chuyển đầu dò, tự động khoanh vùng hoặc đánh dấu các vùng mô gan có cấu trúc sinh echo (echogenicity) bất thường.
• Giảm tỷ lệ bỏ sót: Hệ thống cảnh báo chú ý vào các nốt mờ, nốt giảm âm nhỏ dễ bò sót trong quá trình khám.

2. Phân loại và Đánh giá ác tính (Computer-Aided Diagnosis - CADx)

Khi đã phát hiện thấy khối tổn thương, AI giúp phân tích sâu hơn để dự đoán xem đó là u lành tính (như u mạch máu - hemangioma) hay u ác tính (HCC).

• Chẩn đoán theo hệ thống chuẩn hóa (US LI-RADS): AI được huấn luyện dựa trên hàng vạn hình ảnh siêu âm đối chiếu với kết quả sinh thiết. Nó có thể tự động phân loại khối u theo hệ thống dữ liệu và báo cáo hình ảnh gan (LI-RADS), đưa ra xác suất phần trăm khả năng là HCC.
• Phân tích dữ liệu truy xuất định lượng 
• (Radiomics): AI trích xuất hàng trăm đặc điểm toán học ẩn sâu trong pixel ảnh siêu âm — những thông tin về độ thô, độ đồng nhất của mô u mà không thể nhận ra — để tìm ra dấu ấn sinh học của ung thư.

3. Tối ưu hóa Siêu âm chất tương phản (CEUS)

Siêu âm có chất tương phản (CEUS) là công cụ mạnh để chẩn đoán HCC nhờ mạch máu nuôi u. HCC có đặc trưng là "ngấm thuốc nhanh ở thì động mạch" và "thải thuốc ở thì tĩnh mạch" (arterial hyperenhancement and washout).

• Theo dõi huyết động học: AI có thể tự động vẽ biểu đồ thời gian - cường độ ngấm thuốc (Time-Intensity Curves - TIC).
• Đo lường chính xác: Thay vì bác sĩ phải ước lượng bằng mắt xem khối u thải thuốc nhanh hay chậm, AI sẽ tính vận tốc và lưu lượng máu, giúp phân biệt chính xác HCC với các tổn thương gan lành tính khác.

4. Nâng cao chất lượng hình ảnh và Giảm nhiễu

Hình ảnh siêu âm gan thường bị nhiễu đốm (speckle noise) và giảm độ tương phản do lớp mỡ bụng của bệnh nhân hoặc do tình trạng gan nhiễm mỡ nặng.

• Tăng cường độ nét: Thuật toán AI (đặc biệt là các mạng hoc sâu - Deep Learning) giúp lọc nhiễu, làm rõ đường bờ (border) của khối u và tăng độ tương phản giữa mô u với mô gan lành xung quanh.

Những thách thức hiện tại

Dù rất tiềm năng, việc triển khai AI trong siêu âm gan vẫn gặp một số rào cản:

• Tính đồng nhất: Máy siêu âm của mỗi hãng (GE, Philips, Mindray,...) có thuật toán xử lý ảnh khác nhau, khiến AI đôi khi hoạt động tốt trên máy này nhưng lại kém chính xác trên máy khác.
• Âm cản và Góc quét: Siêu âm là kỹ thuật động. Nếu bệnh nhân không hợp tác nhịn thở tốt hoặc gan bị che khuất bởi xương sườn/hơi dạ dày, AI cũng không thể xử lý được dữ liệu hình mờ hoặc thiếu.

Tóm lại: AI không thay thế bác sĩ siêu âm, nhưng đóng vai trò như trợ lý, giúp rút ngắn thời gian sàng lọc, giảm thiểu sai sót chủ quan và tăng độ tin cậy trong việc phát hiện sớm HCC — thời điểm vàng để điều trị.

--‐--

Quy trình thực hiện Radiomics trong siêu âm gan là một chuỗi các bước chuẩn hóa nhằm biến đổi các dữ liệu hình ảnh trực quan thành các tính năng định lượng có thể đo lường và phân tích được bằng máy tính. Đối với siêu âm, quy trình này đòi hỏi sự khắt khe rất cao do hình ảnh dễ bị nhiễu và phụ thuộc vào thiết bị.

Một quy trình chuẩn (Standard Workflow) của Radiomics trong siêu âm gan thường bao gồm 5 bước chính sau:

1. Thu nhận hình ảnh và Chuẩn hóa dữ liệu (Image Acquisition & Standardization)

Đây là bước nền tảng nhưng lại là thách thức lớn nhất đối với siêu âm.

• Thu nhận: Hình siêu âm (2D thông thường, siêu âm đàn hồi - Elastography, hoặc siêu âm chất tương phản - CEUS) của khối u gan được xuất ra dưới định dạng file tiêu chuẩn (DICOM).
• Chuẩn hóa (Pre-processing): Vì mỗi máy siêu âm có cài đặt về cường độ (gain), tần số đầu dò và độ sâu khác nhau, hình ảnh phải được chuẩn hóa về cùng một không gian pixel (resampling), chuẩn hóa cường độ xám (intensity normalization) và lọc nhiễu đốm (speckle reduction) để đảm bảo các tính năng trích xuất sau đó không bị sai lệch do yếu tố phần cứng.

2. Phân vùng tổn thương (Image Segmentation)

Bước này nhằm xác định chính xác ranh giới của khối u gan (Vùng quan tâm - ROI - Region of Interest đối với ảnh 2D, hoặc VOI - Volume of Interest đối với ảnh 3D).

• Phân vùng thủ công (Manual): Bác sĩ chẩn đoán hình ảnh sẽ dùng chuột hoặc bút cảm ứng để vẽ đường viền bao quanh khối u gan.
• Phân vùng bán tự động hoặc tự động (Automated): Sử dụng các thuật toán AI (như mạng CNN, U-Net) để tự động nhận diện và vẽ đường bờ khối u. Phương pháp này giúp tiết kiệm thời gian và giảm sự khác biệt giữa các mgười khám (inter-observer variability).

3. Trích xuất tính năng Radiomics (Feature Extraction)

Sau khi đã cô lập được vùng mô u, phần mềm chuyên dụng (như PyRadiomics) sẽ tự động tính toán và trích xuất hàng trăm đến hàng ngàn tính năng định lượng. Các tính năng này được chia làm các nhóm chính:

• Tính năng hình dạng (Shape-based): Đo lường cấu trúc hình học của khối u như thể tích, diện tích bề mặt, độ tròn, độ bất đối xứng (sphericity, compactness). Các khối u HCC ác tính thường có đường bờ đa cung, gồ ghề hoặc không đều.
• Tính năng cường độ bậc một (First-order statistics / Histogram): Phân tích sự phân bố của các giá trị pixel trong ROI mà không quan tâm đến vị trí của chúng, bao gồm giá trị trung bình (mean), độ lệch chuẩn (standard deviation), độ bất đối xứng của phân bố (skewness), và độ nhọn (kurtosis) của dải đa sắc xám.
• Tính năng kết cấu bậc cao (Texture features): Sử dụng các ma trận toán học phức tạp (như GLCM, GLRLM, GLSZM) để mô tả cách các pixel có độ xám giống hoặc khác nhau sắp xếp cạnh nhau. Bước này giúp định lượng được "độ thô ", "độ đồng nhất" hay "độ hỗn loạn" nội tại của mô u gan — những yếu tố phản ánh tình trạng dị thể sinh (heterogeneity) của tế bào ung thư.

4. Lựa chọn tính năng và Giảm chiều dữ liệu (Feature Selection)

Số lượng tính năng trích xuất ra thường rất lớn (từ vài trăm đến vài ngàn), trong khi số lượng mẫu bệnh nhân lại giới hạn. Hiện tượng này dễ dẫn đến lỗi "quá khớp" (overfitting).

• Đánh giá độ tin cậy: Loại bỏ các tính năng quá nhạy cảm với nhiễu hoặc thay đổi theo người vẽ ROI (độ lặp lại kém).
• Thuật toán giảm chiều: Sử dụng các phương pháp thống kê và học máy (như LASSO, Random Forest, Principal Component Analysis - PCA) để lọc ra một nhóm nhỏ các tính năng "đắt giá" nhất, có mối liên quan nhất với bản chất sinh học của khối u HCC.

5. Xây dựng mô hình và Phân tích dự đoán (Modeling & Evaluation)

Các tính năng tinh túy nhất sau khi chọn lọc sẽ được đưa vào các thuật toán học máy (Machine Learning) hoặc học sâu (Deep Learning) để xây dựng Chữ ký Radiomics (Radiomics Signature).

• Kết hợp dữ liệu: Chữ ký này thường được tích hợp với các dữ liệu lâm sàng của bệnh nhân (như chỉ số AFP, tuổi, tình trạng nhiễm virus viêm gan B/C) để tạo ra mô hình dự đoán toàn diện.
• Ứng dụng lâm sàng: Mô hình cuối cùng sẽ đưa ra đầu ra (output) phục vụ cho bác sĩ như: Phân biệt u lành/u ác, dự đoán độ biệt hóa của tế bào HCC (cao, vừa hay kém), hoặc tiên lượng nguy cơ tái phát sớm sau khi phẫu thuật cắt gan.

Ý nghĩa của quy trình thực hiện Radiomics

Thay vì chỉ mô tả khối u một cách định tính bằng mắt thường ("Khối giảm âm, bờ không đều, tăng sinh mạch"), Radiomics số hóa toàn bộ khối u đó thành một tập hợp mã số sinh học. Điều này biến siêu âm từ có tính chủ quan trở thành một phương pháp định lượng chính xác, mở đường cho y học cá thể hóa trong điều trị ung thư gan.