SUY THẬN và SIÊU ÂM

Măc dù hình ảnh không thể thay thế hoàn toàn xét nghiệm sinh hóa nhưng dùng siêu âm để phân giai đoạn suy thận có thê xem xét như sau:

1. Đối với Siêu âm truyền thống (mắt thường quan sát)

Siêu âm B-mode thường quy không thể phân chia chính xác suy thận mạn thành 5 giai đoạn tiêu chuẩn (CKD 1-5). Chỉ có thể dựa vào hình ảnh để đánh giá mức độ tổn thương một cách tương đối:

• Giai đoạn sớm (Độ 1, 2): Thường không thể phát hiện hay phân biệt qua siêu âm vì kích thước và cấu trúc vỏ thận trông vẫn hoàn toàn bình thường.

• Giai đoạn muộn (Độ 3, 4, 5): Siêu âm sẽ thấy rõ sự thay đổi hình thái (thận teo nhỏ dưới 9cm, nhu mô vỏ thận tăng âm sáng lên, mỏng đi và mất ranh giới tủy - vỏ). Tuy nhiên,  chỉ có thể kết luận chung là "hình ảnh tổn thương bệnh thận mạn tính" chứ không thể phân giai đoan suy thận bằng hình siêu âm B-mode.

2. Đối với Siêu âm tích hợp AI và Radiomics (Phân tích định lượng)

Đây là lĩnh vực mà câu trả lời chuyển thành "có thể phân giai đoạn suy thân".

• Bằng cách sử dụng các thuật toán trích xuất đặc trưng hình ảnh siêu âm, các mô hình học máy hiện nay đã chứng minh khả năng dự đoán và phân lớp các giai đoạn suy thận (từ 1 đến 5) với độ chính xác cao trong các nghiên cứu.

• Hệ thống có thể tìm ra được mối tương quan toán học chặt chẽ giữa sự biến đổi kết cấu vi thể (pixel) của nhu mô thận trên ảnh siêu âm với chỉ số sinh hóa eGFR. Thậm chí, nó có thể phân biệt được thận đang ở giai đoạn suy giảm chức năng sớm (độ 1, 2) mà trên siêu âm B-mode không thể nhận ra.

Radiomics trong siêu âm thận là một bước ngoặt lớn trong việc phân độ suy thận (đặc biệt là bệnh thận mạn - CKD). Thay vì chỉ dựa vào hình B-mode để đánh giá "độ sáng" hay "kích thước", radiomics biến hình ảnh siêu âm thành hàng ngàn dữ liệu định lượng (quantitative data) để đánh giá cấu trúc vi thể của nhu mô thận, từ đó lâp tương quan với mức độ suy giảm chức năng lọc.

Dưới đây là quy trình (workflow) chi tiết cách radiomics trích xuất dữ liệu và tiến hành phân độ suy thận:

1. Tiền xử lý và Phân vùng (Segmentation)

• Chuẩn hóa hình ảnh: Hình ảnh siêu âm B-mode thô thường chứa nhiễu đốm (speckle noise). Quá trình tiền xử lý giúp chuẩn hóa thang độ xám để dữ liệu có tính đồng nhất giữa các máy siêu âm khác nhau.

• Xác định vùng quan tâm (ROI - Region of Interest): Các thuật toán (thường là Deep Learning như U-Net) sẽ tự động phân viền và tách riêng các khu vực: toàn bộ thận, lớp vỏ thận (cortex), và vùng tủy thận (medulla). Lớp vỏ thận thường là khu vực mang lại nhiều giá trị chẩn đoán nhất vì đây là nơi tập trung các cầu thận và dễ bị xơ hóa.

2. Trích xuất đặc trưng định lượng (Feature Extraction)

Đây là "trái tim" của phương pháp radiomics. Từ ROI đã cắt, hệ thống sẽ trích xuất hàng trăm đến hàng ngàn đặc trưng toán học:

• Đặc trưng thống kê bậc 1 (First-order features): Phân tích biểu đồ histogram của cường độ pixel (như độ lệch - skewness, độ nhọn - kurtosis). Nó giúp định lượng chính xác "độ hồi âm" thay vì ước lượng bằng mắt.

• Đặc trưng kết cấu bậc 2 (Second-order/Texture features): Sử dụng các ma trận phức tạp như GLCM (Gray-Level Co-occurrence Matrix) hay GLRLM (Gray-Level Run Length Matrix). Các ma trận này đánh giá sự phân bố không gian của các pixel. Ý nghĩa lâm sàng: Khi thận bị suy, các mô chức năng bị thay thế bởi mô xơ (collagen), làm thay đổi tính đồng nhất của kết cấu nhu mô. Radiomics có thể "đọc" được sự xơ hóa này thông qua các chỉ số kết cấu.

• Đặc trưng bậc cao: Áp dụng các bộ lọc (như Wavelet, Laplacian of Gaussian) để làm nổi bật các cấu trúc vi mô bị ẩn giấu trong nhu mô.

3. Lựa chọn đặc trưng (Feature Selection)

Với hàng ngàn đặc trưng được trích xuất, hệ thống sẽ đối mặt với tình trạng "nhiễu" dữ liệu. Các thuật toán học máy (như LASSO, PCA) được áp dụng để giữ lại một bộ "chữ ký radiomics" (radiomic signature) tối ưu nhất—gồm những đặc trưng có mối tương quan chặt chẽ nhất với sự suy giảm chức năng thận.

4. Xây dựng mô hình Phân độ (Classification and Staging)

Bộ đặc trưng tối ưu sẽ được đưa vào các mô hình học máy (như Random Forest, Support Vector Machine - SVM, hoặc Neural Networks) để phân lớp tình trạng bệnh:

• Phân độ theo eGFR: Hệ thống AI sẽ đối chiếu dữ liệu hình ảnh với chỉ số sinh hóa eGFR (độ lọc cầu thận ước tính) của bệnh nhân để phân loại tự động suy thận từ giai đoạn 1 đến giai đoạn 5.

• Phát hiện sớm (Early Detection): Ở giai đoạn CKD 1 hoặc 2, thận thường chưa teo nhỏ và hình ảnh siêu âm trên B-mode hoàn toàn bình thường. Tuy nhiên, mô hình radiomics có thể nhận diện được những biến đổi kết cấu vi thể để cảnh báo suy thận sớm trước khi có biểu hiện hình thái rõ rệt.

• Đánh giá mức độ xơ hóa mô kẽ: Một số mô hình được huấn luyện dựa trên tiêu chuẩn vàng là kết quả sinh thiết thận, cho phép radiomics dự đoán mức độ xơ hóa của ống thận - mô kẽ (từ nhẹ, trung bình đến nặng) một cách không xâm lấn.