[NCKH#20] Những tiến bộ trong xét nghiệm đánh giá tủy xương

Giới thiệu

Đánh giá tủy xương thông qua phân tích mẫu chọc hút (aspirate) và sinh thiết lõi (trephine biopsy) là một công cụ quan trọng trong chẩn đoán các bệnh lý huyết học như bệnh bạch cầu, u lympho, và u tủy. Truyền thống, phương pháp kính hiển vi thủ công vẫn là tiêu chuẩn vàng, nhưng những tiến bộ gần đây trong công nghệ kỹ thuật số và trí tuệ nhân tạo (AI) đang mở ra những cơ hội mới để tự động hóa và nâng cao hiệu quả phân tích. Bài viết này trình bày tổng quan về các tiến bộ trong đánh giá tủy xương, tập trung vào ứng dụng AI, các thách thức kỹ thuật, và triển vọng tích hợp vào quy trình huyết học lâm sàng.

Thực trạng đánh giá kỹ thuật số tủy xương

Phân tích kính hiển vi thủ công của mẫu chọc hút và sinh thiết tủy xương vẫn là tiêu chuẩn trong chẩn đoán bệnh lý huyết học. Đối với mẫu chọc hút, việc đánh giá thường yêu cầu độ phóng đại 1000x (mục tiêu 100x với dầu ngâm) để quan sát chi tiết hình thái tế bào. Tuy nhiên, các máy quét tiêu bản hiện tại chỉ đạt độ phóng đại tối đa 400x và không hỗ trợ dầu ngâm do khó khăn trong việc phân phối và kiểm soát dầu, có thể gây nhiễm bẩn hệ thống hình ảnh. Một số nghiên cứu đã chỉ ra rằng phân tích kỹ thuật số ở độ phóng đại 400x có tương quan tốt với phân tích thủ công ở 1000x, nhưng việc xác định các chi tiết tế bào tinh vi, như trong bệnh bạch cầu hoặc u tủy, vẫn đòi hỏi độ phóng đại cao hơn.

Để khắc phục hạn chế này, các hệ thống quét tiêu bản chuyên dụng đã được phát triển. Ví dụ, Morphogo sử dụng kính hiển vi kỹ thuật số với mục tiêu 100x, đơn vị nhỏ dầu tự động, và phần mềm tự động lấy nét để chụp ảnh độ phân giải 1000x. Tương tự, Scopio Labs đã phát triển các thiết bị X100 và X100HT, kết hợp ảnh độ phân giải thấp từ nhiều điều kiện chiếu sáng với mô hình tái tạo vật lý để đạt độ phân giải 1000x. Các thiết bị này đang được thử nghiệm trong các nghiên cứu đa trung tâm để đánh giá toàn bộ tiêu bản chọc hút tủy xương. Đối với sinh thiết lõi tủy xương, máy quét giải phẫu bệnh thông thường với mục tiêu 40x (tương đương 400x) phù hợp hơn, vì các mẫu này thường được phân tích ở độ phóng đại thấp hơn. Tuy nhiên, việc quét toàn bộ tiêu bản sinh thiết lõi vẫn chưa phổ biến trong thực hành lâm sàng.

Các nghiên cứu, như của Chen và cộng sự, đã chỉ ra rằng việc xem xét kỹ thuật số các mẫu tủy xương, hạch bạch huyết, và máu ngoại biên cải thiện hiệu quả hội chẩn, hỗ trợ ra quyết định lâm sàng, và tăng sự hài lòng của đội ngũ y tế. Mặc dù vậy, các nghiên cứu tương tự cho tủy xương vẫn còn hạn chế, và cần thêm các nghiên cứu xác nhận để đánh giá tác động của công nghệ kỹ thuật số đối với quy trình huyết học.

Ứng dụng trí tuệ nhân tạo trong đánh giá mẫu chọc hút tủy xương

AI, đặc biệt là mạng nơ-ron tích chập (CNN), đã được ứng dụng để tự động hóa phân tích mẫu chọc hút tủy xương. Các nghiên cứu ban đầu tập trung vào việc phân loại tế bào tự động. Chẳng hạn, Choi và cộng sự đã huấn luyện CNN để phân loại 10 loại tế bào dọc theo dòng tủy và hồng cầu, trong khi Matek và cộng sự phân loại 21 loại tế bào tủy xương trong nhiều bệnh lý huyết học khác nhau. Cả hai mô hình này đạt hiệu suất tương đương chuyên gia huyết học và cho thấy khả năng áp dụng liên cơ sở. Jin và Fu đã sử dụng hệ thống Morphogo để phân loại tế bào ở độ phóng đại 1000x, đạt được cải thiện đáng kể về hiệu suất.

Các nghiên cứu sau này tích hợp các mô hình CNN với các kỹ thuật như Faster R-CNN để phát hiện và phân loại tế bào, tạo ra các quy trình tự động từ đầu đến cuối. Wang và Taybeh đã phát triển các mô hình phân loại vùng quan tâm (ROI) để xác định các khu vực tế bào và spicule trên tiêu bản, kết hợp với phân loại tế bào để tạo biểu đồ phân bố tế bào. Lewis và cộng sự đã xây dựng một quy trình tự động tương tự, so sánh số lượng tế bào đếm tự động với số lượng do chuyên gia thực hiện, cho thấy mối tương quan mạnh mẽ. Đặc biệt, các hệ thống này có thể phân tích hơn 500 tế bào, giảm độ biến thiên so với phân tích thủ công thông thường.

Một cách tiếp cận khác là học yếu giám sát (weakly supervised learning), như nghiên cứu của Manescu, sử dụng nhãn cấp tiêu bản (chẩn đoán tủy) để phân biệt bệnh bạch cầu dòng tủy cấp tính mà không cần chú thích cấp tế bào. Cách tiếp cận này phù hợp khi chẩn đoán bệnh lý quan trọng hơn số lượng tế bào.

Ứng dụng trí tuệ nhân tạo trong đánh giá sinh thiết lõi tủy xương

AI cũng được ứng dụng trong phân tích sinh thiết lõi tủy xương, chia thành hai nhóm chính: (1) mô hình tập trung cho các thành phần riêng lẻ và (2) mô hình tổng quát cho chẩn đoán hoặc tiên lượng. Barancova và cộng sự đã sử dụng CNN để định lượng tế bào plasma từ nhuộm miễn dịch CD138, đạt độ chính xác cao trong các tỷ lệ tế bào plasma khác nhau. Van Eekelen và cộng sự đã phát triển mô hình phân đoạn để định lượng độ đặc tế bào tủy xương và các dòng tế bào như tủy, hồng cầu, và tiểu cầu. Song và cộng sự sử dụng mạng nơ-ron tự mã hóa để kết hợp phát hiện và phân loại tế bào, cải thiện khả năng nhận diện các yếu tố tủy và hồng cầu.

Các mô hình tổng quát hơn, như của Inshaid, sử dụng CNN để xác định các đặc điểm mô học mới liên quan đến chuyển dạng tế bào lớn trong u lympho nang và bệnh bạch cầu lympho mãn tính. Brick và cộng sự dự đoán các bất thường phân tử và tiên lượng trong hội chứng rối loạn sinh tủy, cho thấy khả năng của AI trong việc phát hiện các đặc điểm mà con người khó nhận ra.

Thách thức và triển vọng

Mặc dù tiềm năng của AI trong đánh giá tủy xương là rất lớn, vẫn còn nhiều rào cản. Thứ nhất, việc thiếu máy quét tiêu bản 1000x cho mẫu chọc hút là một hạn chế kỹ thuật lớn. Thứ hai, cần đầu tư vào lưu trữ tiêu bản kỹ thuật số, tài nguyên tính toán, và đào tạo nhân sự. Các vấn đề về bảo mật dữ liệu, đảm bảo chất lượng, và quy định pháp lý cũng cần được giải quyết. Cuối cùng, cách tiếp cận triển khai AI (tập trung hay phân tán) vẫn đang được tranh luận. Mô hình tập trung cho phép sử dụng dữ liệu đa cơ sở, tăng tính tổng quát, trong khi mô hình phân tán phù hợp hơn với nhu cầu cụ thể của từng cơ sở.

AI có thể đóng vai trò hỗ trợ (phân tích song song với chuyên gia) hoặc phân loại sơ bộ (triage) để xác định các trường hợp phức tạp cần xem xét thủ công. Dù ở vai trò nào, AI sẽ cải thiện khả năng phân tích dữ liệu mô học, miễn dịch, và di truyền phân tử, giúp chuyên gia huyết học đưa ra chẩn đoán chính xác và nhanh chóng hơn. Tuy nhiên, vai trò của chuyên gia huyết học vẫn không thể thay thế, chuyển sang giám sát thiết kế, ứng dụng, và tinh chỉnh mô hình AI.

Kết luận

Các tiến bộ trong công nghệ kỹ thuật số và AI đang mở ra một kỷ nguyên mới cho đánh giá tủy xương, với khả năng tự động hóa phân tích, cải thiện độ chính xác, và giảm biến thiên. Mặc dù còn nhiều thách thức về kỹ thuật, tài chính, và quy định, tiềm năng của AI trong việc nâng cao hiệu quả chẩn đoán và chăm sóc bệnh nhân là rất lớn. Sự hợp tác giữa các nhà huyết học, nhà khoa học dữ liệu, và kỹ sư phần mềm sẽ đóng vai trò quan trọng trong việc định hình tương lai của lĩnh vực này.

Nguồn: Lewis & Pozdnyakova. Advances in Bone Marrow Evaluation. 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!