Nổi bật
- Một hệ thống xử lý hình ảnh được điều khiển bởi trí tuệ nhân tạo đã được phát triển để tự động phân đoạn các hạch bạch huyết và phân loại mở rộng ngoại nút (iENE) trên các quét CT trước điều trị trong ung thư họng dương tính với HPV (OPC).
- Mô hình trí tuệ nhân tạo đạt độ chính xác cao (AUC 0.81) trong việc phát hiện iENE so với đánh giá của các chuyên gia thần kinh chẩn đoán hình ảnh, giải quyết các hạn chế của việc diễn giải hình ảnh chủ quan.
- iENE được dự đoán bởi trí tuệ nhân tạo có liên quan độc lập với tỷ lệ sống sót tổng thể kém hơn, tỷ lệ sống sót không tái phát và kiểm soát xa, vượt trội hơn so với đánh giá của các chuyên gia chẩn đoán hình ảnh trong việc phân biệt tiên lượng.
- Cách tiếp cận này cung cấp một công cụ phân loại rủi ro có thể tái tạo và mở rộng cho ung thư họng dương tính với HPV, nhấn mạnh tiềm năng của trí tuệ nhân tạo để tăng cường kế hoạch điều trị cá nhân hóa.
Nền tảng nghiên cứu
Ung thư họng (OPC) liên quan đến nhiễm virus u nhú người (HPV) đại diện cho một thực thể lâm sàng và sinh học riêng biệt với tiên lượng thuận lợi hơn so với các trường hợp âm tính với HPV. Mặc dù vậy, sự hiện diện của mở rộng ngoại nút (ENE)—sự lan rộng của ung thư vượt qua bao màng của hạch bạch huyết—là một yếu tố tiên lượng xấu được công nhận rõ ràng trong các ung thư đầu cổ. Đặc biệt trong ung thư họng dương tính với HPV, việc phát hiện mở rộng ngoại nút dựa trên hình ảnh (iENE) từ các quét CT trước điều trị đã được liên kết với kết quả lâm sàng kém hơn. Tuy nhiên, iENE hiện chưa được bao gồm trong hệ thống phân giai thứ 8 của Ủy ban Ung thư Liên Mỹ (AJCC) cho ung thư họng liên quan đến HPV, một phần do những thách thức bao gồm thiếu tiêu chuẩn hình ảnh chuẩn, phụ thuộc vào chuyên môn chẩn đoán hình ảnh và sự biến đổi giữa các nhà quan sát. Để cải thiện tiên lượng và phân loại rủi ro, cần có các phương pháp khách quan và có thể tái tạo hơn để phát hiện iENE.
Thiết kế nghiên cứu
Nghiên cứu này được thực hiện tại một trung tâm điều trị ung thư ở Montreal, Canada. Bệnh nhân trưởng thành mắc ung thư họng dương tính với HPV lâm sàng (cN+) đã nhận điều trị hóa xạ liệu trước khi phẫu thuật từ tháng 1 năm 2009 đến tháng 1 năm 2020 được bao gồm. Các đối tượng được theo dõi đến tháng 1 năm 2024. Các quét CT lập kế hoạch trước điều trị được thu thập, và các bác sĩ điều trị ung thư bằng xạ trị cung cấp phân đoạn khối u bạch huyết làm tiêu chuẩn tham chiếu.
Đối với phân đoạn hạch bạch huyết, nghiên cứu đã phát triển mô hình học sâu nnU-Net, một khung công nghệ mạng nơron tích chập mạnh mẽ và linh hoạt được tối ưu hóa cho phân đoạn hình ảnh y tế. Đối với việc phân loại iENE, hệ thống xử lý so sánh việc trích xuất đặc trưng hình ảnh định lượng—các đặc trưng hình ảnh phản ánh hình dạng, kết cấu và cường độ—với các phương pháp học sâu để xác định phương pháp tối ưu cho việc dự đoán mở rộng ngoại nút.
Các chỉ số kết quả chính bao gồm độ chính xác phân loại iENE được dự đoán bởi trí tuệ nhân tạo so với đánh giá đồng thuận của các chuyên gia chẩn đoán hình ảnh, được lượng hóa bằng diện tích dưới đường cong đặc trưng hoạt động nhận biết (AUC). Sau đó, mối liên quan giữa iENE được dự đoán bởi trí tuệ nhân tạo và kết quả điều trị ung thư được phân tích, tập trung vào tỷ lệ sống sót tổng thể (OS), tỷ lệ sống sót không tái phát (RFS), kiểm soát xa (DC) và kiểm soát tại chỗ vùng (LRC).
Kết quả chính
Trong số 397 bệnh nhân (trung bình 62.3 tuổi; 80 nữ và 317 nam), mô hình dựa trên trí tuệ nhân tạo sử dụng các đặc trưng hình ảnh định lượng đạt AUC 0.81 cho phân loại iENE, chứng minh khả năng phân biệt tốt. Quan trọng là, bệnh nhân có iENE được dự đoán bởi trí tuệ nhân tạo có kết quả 3 năm kém hơn đáng kể: OS là 83.8% so với 96.8% trong các trường hợp âm tính với trí tuệ nhân tạo; RFS là 80.7% so với 93.7%; và DC là 84.3% so với 97.1%. Kiểm soát tại chỗ vùng không cho thấy sự khác biệt đáng kể.
Mô hình trí tuệ nhân tạo vượt trội hơn so với đánh giá của các chuyên gia chẩn đoán hình ảnh trong việc phân biệt tiên lượng, với các chỉ số nhất quán cao hơn cho OS (0.64 so với 0.55), RFS (0.67 so với 0.60), và DC (0.79 so với 0.68). Phân tích hồi quy đa biến điều chỉnh các yếu tố nhiễu đã biết—tuổi, loại khối u, loại hạch bạch huyết, và số lượng hạch bạch huyết bị ảnh hưởng—xác nhận rằng iENE được dự đoán bởi trí tuệ nhân tạo vẫn là một yếu tố dự đoán độc lập của tỷ lệ sống sót kém hơn: các tỷ lệ nguy cơ điều chỉnh (aHR) là 2.82 cho OS, 4.20 cho RFS, và 12.33 cho DC.
Những kết quả này cho thấy rằng thuật toán trí tuệ nhân tạo không chỉ xác định các đặc trưng hình ảnh liên quan đến sự hiện diện của ENE mà còn chuyển đổi những kết quả này thành dự đoán kết quả lâm sàng có ý nghĩa.
Bình luận chuyên gia
Nghiên cứu này tiên phong trong việc tích hợp trí tuệ nhân tạo trong việc đánh giá tinh vi dựa trên hình ảnh của mở rộng ngoại nút trong ung thư họng liên quan đến HPV. Bằng cách tự động hóa phân đoạn hạch bạch huyết và trích xuất đặc trưng, cách tiếp cận này giảm thiểu sự biến đổi giữa các nhà đọc, một hạn chế lớn đã gặp phải trong việc diễn giải hình ảnh cho ENE. Giá trị tiên lượng cao của iENE được dự đoán bởi trí tuệ nhân tạo cho thấy nó có thể trở thành một dấu hiệu sinh học quan trọng để tinh chỉnh phân loại rủi ro và điều chỉnh cường độ điều trị.
Tuy nhiên, nghiên cứu này bị hạn chế bởi thiết kế đơn tổ chức, có thể hạn chế khả năng tổng quát hóa các kết quả. Sự biến đổi trong các giao thức thu thập CT giữa các trung tâm và sự đa dạng nhân khẩu học nhấn mạnh nhu cầu về các nghiên cứu xác thực bên ngoài. Ngoài ra, mặc dù phân tích hình ảnh định lượng vượt trội hơn so với học sâu trong nghiên cứu này cho việc phân loại iENE, sự kết hợp của các phương pháp này hoặc tích hợp hình ảnh đa chế độ có thể nâng cao hiệu suất chẩn đoán.
Các hướng dẫn hiện tại không bao gồm iENE dựa trên hình ảnh trong phân giai hoặc quyết định điều trị cho ung thư họng dương tính với HPV. Nếu được xác thực bên ngoài, việc phát hiện iENE dựa trên trí tuệ nhân tạo có thể ảnh hưởng đến quy trình lâm sàng, hướng dẫn điều trị tích cực hơn hoặc cân nhắc điều trị bổ trợ trong các bệnh nhân được đánh giá có nguy cơ cao. Điều này nhấn mạnh vai trò đang tiến triển của các công cụ trí tuệ nhân tạo trong điều trị ung thư cá nhân hóa.
Nghiên cứu trong tương lai nên giải quyết xác thực triển vọng, tích hợp với các dấu hiệu sinh học khác bao gồm dữ liệu phân tử và bệnh lý mô học, và khả năng triển khai thực tế, đặc biệt là ở các trung tâm có chuyên môn chẩn đoán hình ảnh hạn chế.
Kết luận
Nghiên cứu này chứng minh rằng một hệ thống xử lý dựa trên trí tuệ nhân tạo sử dụng các quét CT trước điều trị có thể phát hiện chính xác mở rộng ngoại nút dựa trên hình ảnh trong ung thư họng dương tính với HPV và dự đoán độc lập các kết quả điều trị ung thư kém hơn. Mô hình vượt trội hơn so với đánh giá của các chuyên gia chẩn đoán hình ảnh trong độ chính xác tiên lượng, cung cấp một giải pháp có thể mở rộng cho một thách thức lâm sàng quan trọng. Việc áp dụng các công cụ trí tuệ nhân tạo như vậy có thể tinh chỉnh hồ sơ rủi ro của bệnh nhân và ảnh hưởng đến các chiến lược điều trị cá nhân hóa. Tuy nhiên, xác thực bên ngoài và đánh giá trong các môi trường lâm sàng đa dạng là cần thiết trước khi triển khai lâm sàng rộng rãi.
Tài trợ và ClinicalTrials.gov
Nghiên cứu gốc không chỉ định các nguồn tài trợ hoặc chi tiết đăng ký thử nghiệm lâm sàng trong nội dung được cung cấp. Tham khảo thêm đến bản công bố gốc có thể làm rõ các khía cạnh này.
Tham khảo
Dayan GS, Hénique G, Bahig H, Nelson K, Brodeur C, Christopoulos A, Filion E, Nguyen-Tan PF, O’Sullivan B, Ayad T, Bissada E, Tabet P, Guertin L, Desilets A, Kadoury S, Letourneau-Guillon L. Mô hình trí tuệ nhân tạo cho việc phát hiện mở rộng ngoại nút dựa trên hình ảnh và dự đoán kết quả trong ung thư họng dương tính với virus u nhú người. JAMA Otolaryngol Head Neck Surg. 2025 Sep 30:e253225. doi: 10.1001/jamaoto.2025.3225. Epub ahead of print. PMID: 41026592; PMCID: PMC12486138.