Một mô hình AI dựa trên học sâu đã đạt độ chính xác 84,2% trong việc phân biệt lentigo maligna (LM) với các tổn thương sắc tố lành tính ở vùng mặt.
Sự hỗ trợ của AI đã cải thiện độ chính xác chẩn đoán của bác sĩ nội trú da liễu từ 64,9% lên 74,0%, trong đó riêng khả năng phát hiện LM tăng 16,5%.
Nghiên cứu tập trung vào các tổn thương ở vùng mặt trên nền da tổn thương do nắng kéo dài, một bối cảnh khó khăn và còn ít được đại diện trong nghiên cứu AI về tổn thương da.
Các phát hiện ủng hộ AI như một công cụ bổ trợ nhằm nâng cao độ tự tin chẩn đoán và giá trị đào tạo trong thực hành da liễu lâm sàng.
Bối cảnh nghiên cứu
Lentigo maligna (LM) là một phân nhóm của melanoma in situ, thường gặp chủ yếu ở da vùng mặt phơi nắng mạn tính ở người cao tuổi. Việc phân biệt LM trên lâm sàng và bằng dermoscopy với các tổn thương sắc tố lành tính—như pigmented actinic keratosis, solar lentigo hoặc seborrheic keratosis—vốn rất khó khăn do có nhiều đặc điểm chồng lấp, đặc biệt trên nền da bị tổn thương do nắng. Phát hiện sớm và chính xác là rất quan trọng để xử trí phù hợp và ngăn ngừa tiến triển thành melanoma xâm lấn. Tuy nhiên, các phương pháp chẩn đoán quy ước có thể chịu ảnh hưởng bởi khác biệt giữa người quan sát và đòi hỏi bác sĩ da liễu có kinh nghiệm chuyên sâu.
Trí tuệ nhân tạo (AI), đặc biệt là convolutional neural networks (CNN), đã cho thấy tiềm năng trong phân loại tự động tổn thương da. Tuy vậy, các mô hình AI trước đây còn chưa đại diện đầy đủ cho các tổn thương ở vùng mặt trên nền da bị tổn thương do nắng mạn tính, làm hạn chế khả năng khái quát hóa trong chẩn đoán LM. Nhu cầu chưa được đáp ứng đối với các công cụ dễ tiếp cận và chính xác hơn đã thúc đẩy nghiên cứu hồi cứu này nhằm phát triển một mô hình học sâu chuyên biệt cho các tổn thương sắc tố vùng mặt và đánh giá ảnh hưởng của mô hình này lên hiệu suất chẩn đoán của bác sĩ nội trú da liễu.
Thiết kế nghiên cứu
Nghiên cứu hồi cứu này phân tích 722 tổn thương sắc tố vùng mặt đã được xác nhận mô bệnh học, bao gồm 190 ca LM, 230 ca pigmented actinic keratoses (PAK) và 302 ca solar lentigines/seborrheic keratoses (SL/SK). Tổng cộng 894 hình ảnh dermoscopy đã được sử dụng. Bộ dữ liệu được chia, trong đó 20% dành làm bộ kiểm tra độc lập và 80% còn lại dùng cho kiểm định chéo phân tầng 5 lần.
Kiến trúc học sâu được sử dụng là một convolutional neural network dựa trên Xception, được huấn luyện cho cả phân loại nhị phân (LM so với không LM) và phân loại ba nhóm (LM, PAK, SL/SK). Sau đó, một nghiên cứu trên người đọc được tiến hành với sự tham gia của 26 bác sĩ nội trú da liễu. Các bác sĩ nội trú được yêu cầu chẩn đoán tổn thương trước tiên khi không có hỗ trợ, sau đó có hỗ trợ từ mô hình AI, nhằm đánh giá tác động lên độ chính xác chẩn đoán.
Kết quả chính
Mô hình AI đạt độ chính xác phân loại trung bình 84,2% ± 2,5%, với độ nhạy cao 90,0% ± 11,5% và độ đặc hiệu 81,9% ± 1,2% trong phát hiện LM. Các chỉ số này phản ánh hiệu năng vững chắc trong việc phân biệt LM với các tổn thương sắc tố vùng mặt khác, mặc dù bối cảnh nền da bị tổn thương do nắng rất phức tạp.
Trong nghiên cứu trên người đọc, độ chính xác chẩn đoán ban đầu của bác sĩ nội trú da liễu là 64,9%. Khi được hỗ trợ bởi AI, độ chính xác này tăng có ý nghĩa lên 74,0% (p < .0001). Đáng chú ý, mức cải thiện lớn nhất được ghi nhận ở chẩn đoán LM, với mức tăng độ chính xác 16,5%, cho thấy giá trị lâm sàng rõ rệt của công cụ AI trong phát hiện melanoma in situ.
Các kết quả này cho thấy hỗ trợ AI có thể bổ sung hiệu quả năng lực chẩn đoán của con người, đặc biệt đối với người đang trong quá trình đào tạo, từ đó nâng cao độ tự tin chẩn đoán và có thể giúp phát hiện LM sớm hơn.
Bình luận của chuyên gia
Nghiên cứu này cung cấp một góc nhìn chuyển dịch quan trọng về tính hữu ích của AI trong một thách thức lâm sàng tinh tế—phân biệt LM với các tổn thương sắc tố lành tính trên da mặt bị tổn thương do ánh nắng. Việc sử dụng một bộ dữ liệu được tuyển chọn kỹ, phản ánh một nhóm bệnh nhân nguy cơ cao, làm tăng thêm giá trị lâm sàng của nghiên cứu.
Hạn chế bao gồm thiết kế hồi cứu và tập trung vào bộ dữ liệu chỉ dựa trên hình ảnh, không tích hợp bối cảnh lâm sàng (ví dụ: tiền sử bệnh, diễn tiến tổn thương). Ngoài ra, nghiên cứu trên người đọc chỉ bao gồm bác sĩ nội trú da liễu, vì vậy kết quả có thể chưa đại diện cho bác sĩ tuyến cộng đồng hoặc bác sĩ da liễu chuyên gia. Việc thẩm định tiền cứu và đưa thêm dữ liệu đa phương thức có thể cải thiện hiệu năng và khả năng ứng dụng của mô hình.
Các khuyến cáo gần đây nhấn mạnh nhu cầu về các công cụ bổ trợ trong đào tạo dermoscopy và hỗ trợ ra quyết định lâm sàng. Khả năng đã được chứng minh của AI trong việc nâng cao độ chính xác chẩn đoán của bác sĩ nội trú ủng hộ việc tích hợp công nghệ này vào giáo dục và thực hành da liễu. Tuy nhiên, sự giám sát của con người vẫn giữ vai trò then chốt để xử trí các biểu hiện không điển hình và các yếu tố riêng của từng bệnh nhân.
Kết luận
Nghiên cứu này cho thấy tiềm năng của dermoscopy hỗ trợ AI trong việc cải thiện độ chính xác phát hiện lentigo maligna giữa bối cảnh các tổn thương sắc tố vùng mặt khó chẩn đoán trên nền da bị tổn thương do nắng. Mức cải thiện đáng kể trong hiệu suất chẩn đoán của bác sĩ nội trú da liễu cho thấy các công cụ AI như vậy có thể là phương tiện bổ trợ giá trị trong cả thực hành lâm sàng và đào tạo da liễu.
Các nghiên cứu trong tương lai nên tập trung vào các nghiên cứu triển khai tiền cứu, trong điều kiện thực tế, tích hợp dữ liệu lâm sàng và đánh giá trên nhiều mức độ kinh nghiệm người dùng khác nhau để thẩm định và tối ưu hóa mô hình AI. Về lâu dài, kết hợp AI với đánh giá của bác sĩ lâm sàng là một hướng đi thực tiễn nhằm nâng cao chẩn đoán LM sớm và có thể cải thiện kết cục của bệnh nhân.
Kinh phí và ClinicalTrials.gov
Nghiên cứu gốc không báo cáo nguồn kinh phí cụ thể hoặc đăng ký ClinicalTrials.gov, phù hợp với thiết kế hồi cứu của nghiên cứu.
Tài liệu tham khảo
1. Yilmaz A, Erol Mart HM, Temelkuran B, Akay BN. Improved detection of lentigo maligna with AI-assisted dermoscopy: A reader study in facial pigmented lesions. J Am Acad Dermatol. 2026;95(4):1035-1042. PMID: 42336217.
2. Ferris LK, Wiggins T, Schmults CD. Dermatologic Surgery in High-Risk Patients: Approaches to Lentigo Maligna. Dermatol Clin. 2021;39(3):341-350.
3. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29.
4. Kittler H, Pehamberger H, Wolff K, Binder M. Diagnostic accuracy of dermoscopy. Lancet Oncol. 2002;3(3):159-165.
5. Tschandl P, Rinner C, Apalla Z, et al. Human–computer collaboration for skin cancer recognition. Nat Med. 2020;26(8):1229-1234.
