Ứng dụng trí tuệ nhân tạo trong chẩn đoán mô bệnh học bệnh lý ung thư tuyến tụy

Sự xuất hiện và phát triển của ung thư tuyến tụy rất phức tạp và có thể thay đổi tình trạng của bệnh nhân. Về vấn đề này, có thể áp dụng ứng dụng trí tuệ nhân tạo để chẩn đoán và thu được kết quả xử lý dữ liệu khách quan. Tuy nhiên, ứng dụng trí tuệ nhân tạo trong y tế không độc lập và hầu hết chỉ được sử dụng như một công cụ phụ trợ. Bài viết dưới đây nói về ứng dụng trí tuệ nhân tạo vào trong chẩn đoán mô bệnh học bệnh lý ung thư thư tuyến tụy.

1. Vai trò của trí tuệ nhân tạo trong chẩn đoán ung thư tuyến tụy

Thuật toán “Deep Learning” đề cập đến thuật toán hình ảnh ANN với nhiều lớp ẩn. Sử dụng kỹ thuật này, các dấu hiệu khối u nang, amylase, tế bào học và các thông tin khác được nhập vào và sau đó kết hợp với hai dữ liệu, lớp đầu ra cho biết tổn thương nang tụy là lành tính hay ác tính. Một số nhà nghiên cứu cũng đã đề xuất một khung phân loại có giám sát để mở rộng chẩn đoán ung thư tuyến tụy, với điều kiện là hồ sơ biểu hiện của một tế bào có thể được nhập để tiết lộ danh tính của nó.

Thuật toán học sâu, dữ liệu được truyền từ lớp này sang lớp khác, từ lớp đầu vào đến lớp đầu ra.

Các dự án đầu vào cụ thể khi bắt đầu lập mô hình là cần thiết cho máy học và phân tích mạng thần kinh. Tuy nhiên, đối với những nhà nghiên cứu chưa thực hiện phân tích dữ liệu, sẽ không rõ dữ liệu thô là gì và không cần thiết. Dữ liệu vô ích chỉ làm tăng khối lượng công việc và cũng có thể trở thành tính đặc hiệu và độ nhạy của mô hình. Trong khi đó, chỉnh sửa mô hình cũng đặt ra một vấn đề đáng kể. Mặc dù AI có thể tiết kiệm thời gian, nhưng ngưỡng và khối lượng công việc trong việc thiết lập các chương trình AI là điều cấm kỵ đối với những người không chuyên và thiếu nền tảng về toán học và lập trình. .

Sự xuất hiện và phát triển của ung thư tuyến tụy rất phức tạp và có thể thay đổi tình trạng của bệnh nhân. Về vấn đề này, có thể áp dụng ứng dụng trí tuệ nhân tạo để chẩn đoán và thu được kết quả xử lý dữ liệu khách quan. Tuy nhiên, ứng dụng trí tuệ nhân tạo trong y tế không độc lập và hầu hết chỉ được sử dụng như một công cụ phụ trợ. Nhưng với sự phát triển và cải tiến liên tục, trí tuệ nhân tạo cuối cùng có thể có một ứng dụng phổ quát hơn.

2. Hệ thống ứng dụng trí tuệ nhân tạo phải có sự kết hợp của các chuyên gia từ nhiều lĩnh vực

Mối quan hệ giữa ứng dụng trí tuệ nhân tạo và hình ảnh liên quan đến kiến thức từ nhiều lĩnh vực khác nhau như bệnh học, X quang, ung thư và khoa học máy tính. Do đó, một hệ thống trí tuệ nhân tạo thông minh hơn có thể được xây dựng thông qua công việc kết hợp của các chuyên gia từ nhiều lĩnh vực. Việc thu thập hình ảnh bằng trí tuệ nhân tạo được thảo luận dựa trên việc phân đoạn tuyến tụy từ hình ảnh. Phương pháp phân đoạn truyền thống là phương pháp khớp mô phỏng từ trên xuống, dựa trên số lượng lớn đầu vào bản đồ và hợp nhất nhãn tuyến tụy cố định. Tuy nhiên, cũng có phương pháp phân đoạn tụy từ dưới lên để chia nhỏ vùng hình ảnh tổng hợp thành vùng tụy và vùng không tụy. Phân đoạn dựa trên các đặc điểm trực quan của hình ảnh có thể cải thiện độ chính xác của phân đoạn tuyến tụy. Có báo cáo rằng phương pháp phân đoạn tuyến tụy từ dưới lên đã được tối ưu hóa. Với sự cải tiến của mạng lưới thần kinh tích chập sâu, phương pháp này có thể xử lý sự xuất hiện phức tạp của tuyến tụy trong hình ảnh CT.

Dựa trên những điều trên, chúng ta có thể thấy rằng việc ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư tuyến tụy đã có những bước tiến đáng kể và không ngừng được cải thiện.

3. Ứng dụng trí tuệ nhân tạo trong chẩn đoán mô bệnh học ung thư tuyến tụy

Các nhà nghiên cứu bệnh học cần xác định các mô bị bệnh trong các phần mô khác nhau, đây là một quá trình tốn nhiều thời gian và công sức. Ngay cả những chuyên gia có kinh nghiệm cũng có thể gặp rủi ro do phán đoán chủ quan. Cũng như ứng dụng trí tuệ nhân tạo trong chẩn đoán hình ảnh, phương pháp này cũng rất quan trọng trong lĩnh vực giải phẫu bệnh, nơi các phần mô được số hóa bằng máy tính.

Đầu tiên, hệ thống trí tuệ nhân tạo phân chia lumen và nhân từ các mảnh mô cũng như trích xuất các đặc điểm vectơ từ nhân biểu mô gấp mười lần. Các ô khác nhau có các vectơ đặc trưng khác nhau. Một thuật toán nhân biểu mô được sử dụng để xác định nhân biểu mô. Các đặc điểm hình thái của bệnh sau đó có thể được trích xuất. Cuối cùng, một bộ phân loại trí tuệ nhân tạo được sử dụng để phân loại.

Dựa trên khung học tự động, các ô có thể được phân đoạn chính xác hơn bằng cách kết hợp thông tin từ dưới lên và từ trên xuống. Sau khi các mẫu mô của bệnh nhân được thu thập, các bức ảnh mô được thu thập thống nhất. Mô hình mạng thần kinh kết tụ của mạng thần kinh kết tụ sâu được sử dụng để tạo bản đồ xác suất của sự phân bố hạt nhân mô. Sau đó, phương pháp hợp nhất vùng lặp lại được sử dụng để khởi tạo hình dạng của biểu đồ xác suất. Tiếp theo, kết hợp mô hình cấu tạo thưa thớt với lựa chọn ổn định và mô hình biến dạng lực đẩy cục bộ, một thuật toán phân đoạn mới được đề xuất để phân tách một hạt nhân.

4. Ưu điểm của việc so khớp với các hình ảnh nhuộm mô bệnh học khác nhau

Do các tính năng học tập tính năng của mạng lưới thần kinh sâu và các tính năng hình dạng cấp cao trước khi lập mô hình, phương pháp được đề xuất này đủ phổ biến và có thể được áp dụng cho các mẫu nhuộm, mô bệnh học khác nhau. Mô hình này không chỉ ít bị ảnh hưởng bởi sự chồng chéo của các mô và tế bào bệnh lý mà còn tương đối nhạy cảm với nhiễu hình ảnh và cường độ không đồng đều. Các bộ dữ liệu nhuộm mô khác nhau được thử nghiệm, có thể xác định và dán nhãn vùng tiêu điểm hạt nhân.

5. Mạng nơ-ron đóng vai trò phân tích hình ảnh

Ngoài bộ phân loại trí tuệ nhân tạo, mạng lưới thần kinh cũng đóng vai trò quan trọng trong việc phân tích hình ảnh để xác định bệnh lý lành tính hay ác tính. Sau khi thu thập một lượng nhất định khối u tuyến tụy bằng kim nhỏ chọc hút bệnh lý, một hình ảnh bệnh lý được chụp để xử lý trước (hình ảnh thang độ xám và giảm nhiễu). Sau đó, thuật toán phân cụm K-means được sử dụng để trích xuất giá trị cao nhất của các pixel cho đến khi tất cả đều bằng nhau. Phần hình ảnh cần xác định được phân đoạn để mô có thể thu được các đặc điểm nhân cơ bản, được sử dụng để đánh giá các đặc điểm hình thái tế bào. Các tính năng này được đưa vào perceptron đa lớp trí tuệ nhân tạo (một mạng nơ ron phi tuyến tính tuyến tính) làm vectơ đầu vào và các quyết định do perceptron này đưa ra được gửi đến perceptron lớp thứ hai bằng cách sử dụng đánh giá. giá hình ảnh.

6. Độ chính xác chẩn đoán của tổn thương lành tính và ác tính có thể được đánh giá bằng các phương pháp thống kê

Bởi vì có một số trường hợp xác nhận nhất định, độ chính xác chẩn đoán của tổn thương lành tính và ác tính có thể được đánh giá bằng các phương pháp thống kê (hồi quy logistic, hồi quy bội số, diện tích dưới đường cong và bình phương R). Khác với chẩn đoán hình ảnh, chẩn đoán bệnh lý chú ý nhiều hơn đến độ chính xác. Do đó, ứng dụng của trí tuệ nhân tạo có rất nhiều cơ hội để cải thiện độ chính xác của chẩn đoán bổ trợ, điều này chắc chắn sẽ mất một thời gian dài để phát triển.