[NCKH#16] Hình ảnh kỹ thuật số (DI) và trí tuệ nhân tạo (AI) trong phân loại tế bào máu

Giới thiệu

Xét nghiệm máu toàn bộ với phân loại tế bào (Complete Blood Count with Differential – CBCDIF) là một trong những xét nghiệm thường quy phổ biến nhất trong y học. Việc phát hiện và phân loại các tế bào máu bất thường, như tế bào blast hoặc tế bào lymphoma, đóng vai trò quan trọng trong chẩn đoán các bệnh lý huyết học. Tuy nhiên, phân loại tế bào thủ công qua kính hiển vi quang học (Optical Microscopy – OM) đòi hỏi thời gian và chuyên môn cao. Trong hai thập kỷ qua, hình ảnh số (DI) kết hợp với trí tuệ nhân tạo (AI) đã mang lại một giải pháp bán tự động, cải thiện hiệu quả và độ chính xác trong phân loại tế bào máu. Bài viết này trình bày tổng quan về các công nghệ DI và AI trong huyết học, những lợi ích, hạn chế, và triển vọng tương lai.

Tổng quan về hình ảnh số và phân loại tế bào bằng AI

Hình ảnh số trong huyết học liên quan đến việc sử dụng camera kỹ thuật số hoặc hệ thống tích hợp để chụp ảnh các tế bào máu từ lam máu ngoại vi hoặc tủy xương. Các hệ thống này, như CellaVision (DM1200, DM9600, DC-1) và Scopio, tự động quét lam máu, xác định vị trí tế bào, và chụp ảnh độ phân giải cao (thường sử dụng vật kính dầu 100x). Sau đó, trí tuệ nhân tạo, thường là mạng nơ-ron nhân tạo (Artificial Neural Network – ANN), phân tích hình ảnh để đưa ra phân loại tế bào sơ bộ (pre-classification), ví dụ như bạch cầu đa nhân trung tính (neutrophil), bạch cầu lympho (lymphocyte), hoặc tế bào blast. Kết quả này được nhân viên phòng thí nghiệm kiểm tra và xác nhận trước khi báo cáo chính thức.

Lịch sử phát triển

Công nghệ DI trong huyết học bắt đầu từ khi camera số trở nên phổ biến. Ban đầu, hình ảnh được chụp qua kính hiển vi bằng camera gắn ngoài hoặc điện thoại thông minh. Tuy nhiên, các hệ thống này yêu cầu người vận hành phải tự tìm tế bào và chọn góc chụp, làm giảm hiệu quả. Năm 2001, Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) phê duyệt DiffMaster Octavia, thiết bị đầu tiên tích hợp DI và AI để tự động chụp ảnh và phân loại tế bào, với điều kiện phải được vận hành bởi nhân viên được đào tạo về nhận diện bạch cầu. Các hệ thống hiện đại như CellaVision và Scopio đã cải tiến công nghệ này, sử dụng robot và AI để tự động hóa quy trình quét, chụp ảnh, và phân loại.

Công nghệ và ứng dụng

Công nghệ hình ảnh số

Các hệ thống DI hiện đại sử dụng vật kính dầu (100x) để chụp ảnh tế bào với độ phóng đại cao (500-1000x), đảm bảo hình ảnh rõ nét để phân tích hình thái học. Ví dụ, CellaVision DM9600 chụp ảnh “snapshot” của từng tế bào và cung cấp ảnh toàn cảnh (overview image) để đánh giá hình thái hồng cầu và ước lượng tiểu cầu. Scopio X100HT cung cấp chế độ “Full Field” hiển thị toàn bộ vùng lam máu, giúp đánh giá các bất thường như cục tiểu cầu (platelet clumps) tại rìa lam (feathered edge).

Phân loại tế bào bằng AI

AI, thông qua ANN, phân tích các đặc điểm hình thái học như kích thước, hình dạng hạt nhân, và cấu trúc bào tương để đưa ra phân loại sơ bộ. Các hệ thống như CellaVision Advanced Red Blood Cell Application (ARBCA) có khả năng phân loại hồng cầu thành 21 loại hình thái khác nhau, bao gồm hồng cầu lưỡi liềm (sickle cells) và hồng cầu mảnh (schistocytes). Hệ thống này cũng phát hiện các bao thể trong tế bào, như thể Pappenheimer, và ký sinh trùng như malaria, mặc dù độ nhạy chưa đạt mức tối ưu cho mục đích lâm sàng.

Ứng dụng trong các mẫu khác

Ngoài máu ngoại vi, công nghệ DI và AI còn được áp dụng cho dịch cơ thể (body fluids) như dịch não tủy (CSF), dịch màng bụng, và dịch màng phổi. CellaVision Body Fluid Application cung cấp phân loại tế bào 5 thành phần với độ chính xác cao (90% cho CSF, 83% cho các dịch khác). Các nghiên cứu cũng đang mở rộng ứng dụng cho tủy xương, mặc dù lam tủy xương phức tạp hơn do tế bào không đồng đều và thường nằm gần nhau.

Lợi ích của công nghệ DI và AI

1. Tăng độ chuẩn hóa: Các hệ thống DI và AI giảm thiểu sự khác biệt giữa các nhân viên phòng thí nghiệm, cải thiện tính nhất quán trong phân loại tế bào. Ví dụ, nghiên cứu của European LeukemiaNet cho thấy độ đồng thuận giữa các nhà huyết học tăng từ 82% lên đáng kể khi sử dụng hình ảnh số.
2. Cải thiện hiệu quả: Tự động hóa quá trình quét và phân loại sơ bộ giúp giảm thời gian tìm tế bào trên lam máu, đặc biệt với mẫu có số lượng tế bào thấp. Hệ thống DM9600 có thể xử lý 40 lam/giờ, trong khi Scopio X100HT xử lý 30 lam/giờ.
3. Khả năng xem xét từ xa: Các hệ thống này cho phép nhân viên phòng thí nghiệm hoặc bác sĩ xem xét hình ảnh từ xa, giảm thời gian vận chuyển lam máu và hỗ trợ các cơ sở thiếu nhân lực.
4. Lưu trữ và đào tạo: Hình ảnh số có thể được lưu trữ trong thời gian dài (vài tháng đến vài năm), hỗ trợ so sánh mẫu hiện tại với mẫu trước đó và sử dụng trong đào tạo.

Thách thức và hạn chế

1. Độ nhạy trong phát hiện tế bào bất thường: Độ nhạy của AI trong phát hiện tế bào blast dao động từ 65% đến 83%, với độ đặc hiệu từ 9% đến 99%. Một số nghiên cứu chỉ ra rằng AI có hiệu suất thấp hơn trong việc phát hiện tế bào blast lympho so với tế bào blast dòng tủy.
2. Khó khăn tại rìa lam: Các hệ thống DI ban đầu gặp khó khăn trong việc phát hiện cục tiểu cầu hoặc tế bào bất thường tại rìa lam. Mặc dù các cải tiến như “Feathered Edge” của CellaVision và chế độ “Full Field” của Scopio đã khắc phục phần nào, dữ liệu về hiệu quả vẫn còn hạn chế.
3. Yêu cầu xác nhận thủ công: Mặc dù AI cung cấp phân loại sơ bộ, kết quả vẫn cần được kiểm tra bởi nhân viên có chuyên môn, làm tăng thời gian xử lý trong một số trường hợp.
4. Chi phí và tài nguyên: Việc triển khai hệ thống DI và AI đòi hỏi đầu tư vào thiết bị, không gian lưu trữ dữ liệu, và đào tạo nhân viên. Các vấn đề bảo mật dữ liệu cũng cần được giải quyết khi sử dụng hệ thống xem xét từ xa.

Triển vọng tương lai

Sự tích hợp giữa DI, AI, và các dòng phân tích tự động (như Sysmex XN9000 hoặc hệ thống của Beckman Coulter) hứa hẹn tạo ra quy trình xét nghiệm máu hoàn toàn tự động, từ phân tích CBCDIF đến quét lam và phân loại tế bào. Các thuật toán học máy tiên tiến có thể cải thiện độ nhạy và đặc hiệu trong phát hiện tế bào bất thường. Ngoài ra, việc tiêu chuẩn hóa quy trình xác nhận (validation) theo hướng dẫn của Hội đồng Tiêu chuẩn hóa Huyết học Quốc tế (ICSH) sẽ thúc đẩy ứng dụng rộng rãi của công nghệ này.

Kết luận

Hình ảnh số kết hợp với trí tuệ nhân tạo đang cách mạng hóa việc phân loại tế bào máu trong phòng thí nghiệm huyết học. Các hệ thống như CellaVision và Scopio cung cấp giải pháp bán tự động, cải thiện độ chuẩn hóa, hiệu quả, và khả năng xem xét từ xa. Mặc dù còn tồn tại những hạn chế về độ nhạy và chi phí triển khai, những tiến bộ trong công nghệ và tích hợp học máy hứa hẹn sẽ nâng cao khả năng chẩn đoán các bệnh lý huyết học, đặc biệt trong việc phát hiện sớm các tế bào bất thường. Với sự phát triển không ngừng, công nghệ này sẽ tiếp tục đóng vai trò quan trọng trong việc tối ưu hóa quy trình xét nghiệm và chăm sóc bệnh nhân.

Nguồn: Bowers KA, Nakashima MO. Digital Imaging and AI Preclassification in Hematology. Clin Lab Med 2024.

Trên đây là phần tóm lược nội dung của bài báo do QLAB biên dịch. Để xem đầy đủ nội dung vui lòng tham khảo bài báo gốc.

Thông tin bài báo khoa học:

Nếu bạn đang quan tâm nghiên cứu này hoặc cần bản gốc của nghiên cứu, hãy liên hệ Zalo: 0913.334.212 để được hỗ trợ.

Nếu bạn thấy bài viết mang lại giá trị cho mình, hãy mời chúng tôi ly cà phê bằng cách quét mã phía dưới nhé!