Mô hình nền tảng AI cách mạng hóa chẩn đoán và phân cấp ung thư tiền liệt tuyến không xâm lấn

Nền tảng nghiên cứu và gánh nặng bệnh tật

Ung thư tiền liệt tuyến là bệnh ác tính phổ biến thứ hai ở nam giới trên toàn thế giới. Tại Trung Quốc, tỷ lệ mắc bệnh này đã tăng do già hóa dân số và lối sống phương Tây hóa, hiện đứng thứ sáu trong số các khối u ác tính phổ biến nhất ở nam giới. Các cuộc khám sức khỏe định kỳ đã tiết lộ rằng khoảng một phần ba nam giới trên 50 tuổi có u nang tiền liệt tuyến trên siêu âm, và gần 10% có mức độ kháng nguyên đặc hiệu tiền liệt tuyến (PSA) bất thường, dấu hiệu gợi ý khả năng ác tính. Những phát hiện này thường gây ra lo lắng tâm lý đáng kể cho bệnh nhân do sự không chắc chắn trong chẩn đoán.

Hướng dẫn toàn cầu hiện tại khuyến nghị sử dụng hình ảnh cộng hưởng từ đa tham số (mpMRI) với hệ thống điểm báo cáo và dữ liệu hình ảnh tiền liệt tuyến (PI-RADS) để tinh chỉnh chẩn đoán ung thư tiền liệt tuyến. Tuy nhiên, hệ thống PI-RADS vẫn còn những hạn chế: (1) sự chủ quan đáng kể dựa trên kinh nghiệm của bác sĩ hình ảnh, dẫn đến sự khác biệt giữa các nhà quan sát lên tới 30%; và (2) độ chính xác chẩn đoán chưa hoàn hảo, trong đó ngay cả các chuyên gia cũng không thể xác nhận chắc chắn sự hiện diện hoặc mức độ của khối u chỉ dựa trên hình ảnh. Những thiếu sót này nhấn mạnh nhu cầu lâm sàng cấp bách về các công cụ dự đoán tin cậy, hiệu quả và không xâm lấn để hỗ trợ chẩn đoán các trường hợp nghi ngờ và đánh giá chính xác mức độ hung hiểm của khối u.

Thiết kế nghiên cứu

Một nhóm nghiên cứu đa ngành do Giáo sư Ren Shancheng dẫn đầu, hợp tác với các chuyên gia từ Bệnh viện Đại học Bắc Kinh số 3, Bệnh viện Đa khoa Đại học Y Nam Kinh, Bệnh viện Hữu nghị Bắc Kinh, Bệnh viện Đa khoa Đại học Thanh Đảo và Đại học An Huy, đã thiết kế một nghiên cứu đa trung tâm vững chắc. Họ tuyển chọn hồi cứu và triển vọng 5.747 bệnh nhân từ nhiều trung tâm, thu thập dữ liệu hình ảnh, bệnh lý và lâm sàng rộng rãi.

Sáng tạo cốt lõi là việc phát triển mô hình AI tiên tiến mang tên MRI-based Predicted Transformer for Prostate Cancer (MRI-PTPCa). Mô hình này tích hợp ba chuỗi MRI chuẩn — hình ảnh trọng lượng T2 (T2WI), hình ảnh khuếch tán (DWI) và bản đồ hệ số khuếch tán biểu kiến (ADC) — để dự đoán các đặc điểm xâm lấn bệnh lý mô học thường chỉ có sẵn từ sinh thiết hoặc mẫu phẫu thuật.

Các chiến lược kỹ thuật chính bao gồm tận dụng 1.296.950 cặp dữ liệu hình ảnh để đào tạo mô hình nền tảng. Mô hình sử dụng các phương pháp học máy tiên tiến bao gồm học tự giám sát, học đa nhiệm, kiến trúc Transformer và chuyển giao học để tăng cường khả năng chống lại sự khác biệt của hình ảnh, thiếu chuỗi, quá khớp và biến động máy quét.

Hiệu suất được đánh giá nghiêm ngặt thông qua các tập dữ liệu bên ngoài theo thời gian, không gian, nhân khẩu học và các nhóm triển vọng. Nhiều mô hình thử nghiệm lâm sàng đã được sử dụng, bao gồm việc sử dụng hệ thống AI độc lập, quy trình đọc song song AI-bác sĩ và thiết lập cảnh báo dựa trên AI.

Kết quả chính

MRI-PTPCa đã thể hiện sự đồng thuận đáng kể với các đánh giá bệnh lý chuẩn mực, với sự đồng thuận thống kê có ý nghĩa (P<0.001). Đặc biệt, độ chính xác chẩn đoán của nó trong việc phát hiện bất kỳ ung thư tiền liệt tuyến nào đạt diện tích dưới đường cong hoạt động của bộ nhận dạng (AUC) 0.983 (95% CI 0.98-0.986), và đối với ung thư tiền liệt tuyến có ý nghĩa lâm sàng, AUC là 0.978 (95% CI 0.975-0.98). Ngoài ra, độ chính xác phân cấp là 89.1% (95% CI 88.2%-89.9%), vượt trội hơn so với các mô hình lâm sàng và AI hiện tại.

Khi kết hợp MRI-PTPCa với mpMRI, hiệu suất chẩn đoán và phân cấp không xâm lấn của nó gần như tương đương với đánh giá bệnh lý, là tiêu chuẩn chẩn đoán hiện tại liên quan đến sinh thiết xâm lấn.

Quan trọng hơn, mô hình này hứa hẹn có tác động lâm sàng đáng kể bằng cách có thể giảm các sinh thiết tiền liệt tuyến không cần thiết, do đó giảm thiểu sự khó chịu, biến chứng và chi phí y tế cho bệnh nhân.

Sự giải thích của mô hình và mối tương quan sinh học

Để làm rõ quá trình ra quyết định của mô hình AI, nhóm nghiên cứu đã so sánh các đặc điểm hình ảnh của MRI-PTPCa với bệnh lý đại diện sau cắt bỏ tiền liệt tuyến, bản đồ nhiệt trực quan hóa AI và các đặc điểm hình ảnh định lượng. Một mối tương quan tích cực đáng kể đã được quan sát giữa điểm số MRI-PTPCa và các nhóm điểm Gleason thực tế, khẳng định khả năng của mô hình phản ánh chính xác mức độ hung hiểm của khối u.

Bằng cách sử dụng Bản đồ Kích hoạt Lớp (CAM), mô hình đã nổi bật các vùng giải phẫu quan trọng góp phần vào việc dự đoán khối u, nhất quán với các diễn giải hình ảnh của chuyên gia. Phân tích định lượng đã thể hiện sự đồng thuận cao giữa các đóng góp của các chuỗi T2WI, DWI và ADC và các tiêu chí đồng thuận PI-RADS.

Quan trọng hơn, các đặc điểm hình ảnh tổng hợp có mối tương quan đáng kể với các chỉ số tế bào, hình thái và kết cấu khối u (P<0.01), xác nhận mối liên kết giữa các kiểu hình ảnh học và các đặc điểm bệnh lý mô học. Ngoài ra, các đặc điểm mã hóa của MRI-PTPCa đã thể hiện mối liên hệ đáng kể với các chỉ số sinh học phân tử PSA (PSA tổng, PSA tự do và tỷ lệ PSA tự do/tổng), đề xuất khả năng suy luận sinh học khối u ở cấp độ phân tử từ dữ liệu hình ảnh.

Bình luận chuyên gia

Nghiên cứu đột phá này minh họa sự tích hợp các phương pháp AI tiên tiến với hình ảnh học và bệnh lý lâm sàng, đặt ra tiêu chuẩn mới cho chẩn đoán ung thư tiền liệt tuyến. Mô hình MRI-PTPCa giải quyết các hạn chế quan trọng của các đánh giá hình ảnh hiện tại bằng cách cung cấp công cụ khách quan, có thể tái tạo và chính xác cao cho chẩn đoán và phân cấp không xâm lấn. Sự kiểm chứng rộng rãi của nó trên các quần thể và nền tảng hình ảnh đa dạng hỗ trợ khả năng tổng quát hóa tiềm năng.

Tuy nhiên, vẫn còn những cân nhắc về quy trình triển khai, tích hợp vào các đường dẫn lâm sàng hiện có và phân tích hiệu quả chi phí. Cần các nghiên cứu dài hạn hơn để đánh giá tác động thực tế đối với tỷ lệ sinh thiết, kết quả bệnh nhân và sử dụng nguồn lực y tế. Ngoài ra, cần tiếp tục nỗ lực để tinh chỉnh sự giải thích của mô hình và đảm bảo hiệu suất công bằng trên các nhóm nhân khẩu học.

Kết luận

Việc phát triển và kiểm chứng mô hình nền tảng AI MRI-PTPCa đánh dấu một bước tiến đổi mới trong chẩn đoán không xâm lấn ung thư tiền liệt tuyến. Bằng cách thu thập định lượng các đặc điểm bệnh lý mô học từ các chuỗi MRI thông thường, mô hình này nâng cao độ chính xác chẩn đoán và phân cấp, giảm thiểu gánh nặng của bệnh nhân liên quan đến các thủ tục xâm lấn. Nghiên cứu do Giáo sư Ren và các cộng sự dẫn đầu nhấn mạnh vai trò ngày càng tăng của AI như một phụ tá không thể thiếu trong chẩn đoán chính xác ung thư, hứa hẹn cải thiện chăm sóc bệnh nhân và tối ưu hóa quy trình lâm sàng trong quản lý ung thư tiền liệt tuyến.

Tài liệu tham khảo

Shao L, Liang C, Yan Y, Zhu H, Jiang X, Bao M, Zang P, Huang X, Zhou H, Nie P, Wang L, Li J, Zhang S, Ren S. Mô hình nền tảng MRI-đường lối học cho chẩn đoán và phân cấp không xâm lấn ung thư tiền liệt tuyến. Nat Cancer. 2025 Sep 2. doi: 10.1038/s43018-025-01041-x. Epub ahead of print. PMID: 40897909.