Khai thác trí tuệ nhân tạo để phát hiện sớm ung thư buồng trứng: Phát triển và thẩm định mô hình dự đoán nguy cơ

Nổi bật

• Mô hình dựa trên máy học đã dự đoán nguy cơ ung thư buồng trứng trong vòng 1 năm sau sàng lọc với độ chính xác cao.
• Mô hình dự đoán cho thấy khả năng phân biệt rất tốt (AUC >0,9), độ đặc hiệu cao và độ nhạy mạnh trong các đoàn hệ thẩm định nội bộ và bên ngoài.
• Việc tích hợp AI có thể nâng cao đáng kể khả năng phát hiện sớm ung thư buồng trứng và cải thiện chiến lược sàng lọc.

Bối cảnh nghiên cứu

Ung thư buồng trứng vẫn là một trong những nguyên nhân hàng đầu gây tử vong do ung thư phụ khoa, chủ yếu do thường được chẩn đoán ở giai đoạn muộn và thiếu các công cụ sàng lọc sớm hiệu quả. Bệnh thường ít biểu hiện lâm sàng cho đến các giai đoạn tiến triển, làm hạn chế lựa chọn điều trị và dẫn đến tỷ lệ sống sót sau 5 năm thấp. Cải thiện phát hiện sớm là yếu tố then chốt để thay đổi tiên lượng và tử vong do bệnh. Mặc dù đã có nhiều nỗ lực, các phương pháp sàng lọc hiện nay vẫn chưa cho thấy đủ độ nhạy và độ đặc hiệu để triển khai rộng rãi trong thực hành lâm sàng.

Những tiến bộ gần đây trong trí tuệ nhân tạo (Artificial Intelligence, AI) và máy học (machine learning) mở ra cơ hội mới để phân tích dữ liệu sàng lọc phức tạp và nhận diện các mẫu tinh vi có giá trị dự báo ác tính. Việc khai thác các công nghệ này để xây dựng mô hình dự đoán nguy cơ dành riêng cho ung thư buồng trứng có tiềm năng tạo ra bước tiến đột phá trong phát hiện sớm ở quần thể không có triệu chứng.

Thiết kế nghiên cứu

Nghiên cứu của Chapman và cộng sự sử dụng dữ liệu từ Thử nghiệm Sàng lọc Ung thư Tiền liệt tuyến, Phổi, Đại trực tràng và Buồng trứng (Prostate, Lung, Colorectal, and Ovarian, PLCO), bao gồm 150.907 lần sàng lọc ở nữ giới từ 55 đến 74 tuổi tham gia sàng lọc ung thư buồng trứng hằng năm. Mục tiêu chính là xây dựng một mô hình dự đoán để xác định những phụ nữ có nguy cơ cao được chẩn đoán ung thư buồng trứng trong vòng 1 năm sau sàng lọc.

Một thuật toán random forest machine learning được áp dụng cho bộ dữ liệu, tích hợp nhiều tham số sàng lọc để tạo ra ước tính nguy cơ cá thể hóa. Quá trình phát triển mô hình bao gồm kiểm định chéo phân tầng 15 lần nhằm giảm thiểu overfitting và tối ưu hóa hiệu năng. Thẩm định bên ngoài được thực hiện trên một đoàn hệ hồi cứu riêng biệt để xác nhận tính khái quát hóa.

Kết quả chính

Mô hình random forest cuối cùng cho thấy hiệu năng dự đoán xuất sắc:

– Diện tích dưới đường cong ROC (Area under the Receiver Operating Characteristic curve, AUC): 0,930 (KTC 95%: 0,886–0,974) ở thẩm định nội bộ; 0,910 ở thẩm định bên ngoài.
– Độ nhạy: 77,7% (KTC 95%: 66,4–88,9%) ở nội bộ; 91,9% ở bên ngoài.
– Độ đặc hiệu: 98,0% (97,9–98,2%) ở nội bộ; 72,6% ở bên ngoài.
– Giá trị dự đoán dương tính (Positive Predictive Value, PPV): 2,9% ở nội bộ; 29,6% ở bên ngoài.
– Giá trị dự đoán âm tính (Negative Predictive Value, NPV): 99,9% ở nội bộ; 98,6% ở bên ngoài.
– Tỷ số khả dĩ dương (Positive Likelihood Ratio): 38,9 ở nội bộ.

Các kết quả này cho thấy mô hình có khả năng phân biệt rất tốt giữa ca bệnh và không phải ca bệnh, duy trì độ nhạy cao để phát hiện đúng trường hợp dương tính thực sự, đồng thời đạt độ đặc hiệu rất cao nhằm hạn chế dương tính giả. NPV gần 100% giúp tăng độ tin cậy khi loại trừ bệnh nếu mô hình dự đoán nguy cơ thấp. PPV được cải thiện trong thẩm định bên ngoài có thể phản ánh sự khác biệt giữa các đoàn hệ và gợi ý khả năng áp dụng trong thực hành lâm sàng.

Đáng chú ý, mô hình đã xác định thành công 112 trường hợp ung thư buồng trứng được chẩn đoán trong vòng 1 năm sau sàng lọc, nhấn mạnh tiềm năng phát hiện sớm khi can thiệp có hiệu quả nhất.

Nhận định của chuyên gia

Nghiên cứu này là một ví dụ điển hình về việc tích hợp AI nhằm nâng cao mô hình sàng lọc ung thư. Bằng cách khai thác các bộ dữ liệu sàng lọc quy mô lớn và các kỹ thuật máy học tiên tiến, mô hình này giải quyết những thách thức quan trọng trong phát hiện ung thư buồng trứng, bao gồm tỷ lệ hiện mắc thấp và biểu hiện lâm sàng tinh vi.

Tuy nhiên, vẫn cần lưu ý một số hạn chế. PPV tương đối thấp ở đoàn hệ ban đầu phản ánh thách thức vốn có của sàng lọc đối với bệnh có tỷ lệ mắc thấp, hàm ý rằng cần có các xét nghiệm chẩn đoán khẳng định tiếp theo. Thẩm định bên ngoài, mặc dù đầy hứa hẹn, vẫn là hồi cứu và có thể chưa phản ánh đầy đủ động học của sàng lọc tiền cứu. Việc thẩm định tiền cứu đa trung tâm sẽ cần thiết để xác nhận giá trị lâm sàng và định hướng tích hợp vào các khuyến cáo sàng lọc.

Về cơ chế, mô hình nhiều khả năng khai thác các đặc điểm sinh hóa và hình ảnh tinh vi mà con người khó nhận biết, nhưng lại gợi ý quá trình biến đổi sinh ung. Các nghiên cứu tiếp theo nên xem xét kết hợp mô hình AI này với các panel dấu ấn sinh học và phương thức chẩn đoán hình ảnh để xây dựng chiến lược phát hiện sớm đa mô thức vững chắc hơn.

Kết luận

Chapman và cộng sự giới thiệu một mô hình dự đoán dựa trên AI có hiệu năng cao để ước tính nguy cơ ung thư buồng trứng trong vòng 1 năm sau sàng lọc, với khả năng phân biệt, độ nhạy và độ đặc hiệu đều rất tốt. Cách tiếp cận tiên phong này cho thấy tiềm năng của máy học trong việc vượt qua những rào cản lâu nay của phát hiện sớm ung thư buồng trứng.

Việc tích hợp các công cụ AI như vậy vào chương trình sàng lọc lâm sàng có thể giúp chẩn đoán sớm hơn, cải thiện kết cục và cá thể hóa chiến lược theo dõi. Tuy nhiên, cần tiếp tục thẩm định tiền cứu và tích hợp với các phương pháp đa mô thức như những bước tiếp theo mang tính quyết định. Về lâu dài, các mô hình dự đoán nguy cơ hỗ trợ bởi AI có thể định hình lại mô hình sàng lọc và dự phòng ung thư buồng trứng, qua đó giảm tử vong do căn bệnh nghiêm trọng này.

Tài trợ và thử nghiệm lâm sàng

Bản tóm tắt được cung cấp không nêu rõ nguồn tài trợ hoặc thông tin đăng ký thử nghiệm lâm sàng. Bộ dữ liệu thử nghiệm PLCO đã được sử dụng; đây là một thử nghiệm ngẫu nhiên đa trung tâm quy mô lớn do National Cancer Institute tài trợ nhằm đánh giá các phương pháp sàng lọc ung thư.

Tài liệu tham khảo

1. Chapman GC, Fedorenko O, Sheyn D, Reid A, Taylor L, Ray S, Lynam SK. Leveraging artificial intelligence in the early detection of ovarian cancer: Development and validation of a risk prediction model. Gynecologic Oncology. 2026 Aug 28;212:199-206. PMID: 42664614.

2. Menon U, Gentry-Maharaj A, Hallett R, et al. Sensitivity and specificity of multimodal and ultrasound screening for ovarian cancer, and stage distribution of detected cancers: results of the prevalence screen of the UK Collaborative Trial of Ovarian Cancer Screening (UKCTOCS). Lancet Oncol. 2009;10(4):327-340.

3. Jacobs IJ, Menon U, Ryan A, et al. Ovarian cancer screening and mortality in the UK Collaborative Trial of Ovarian Cancer Screening (UKCTOCS): a randomised controlled trial. Lancet. 2016;387(10022):945-956.

4. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29.

5. Vawat S, Rawal R, Awasthi M. Artificial intelligence and ovarian cancer: a narrative review. J Ovarian Res. 2023;16(1):42.