Nhấn mạnh
– AI-RAPNO nêu bật những tiến bộ trong AI đặc thù cho nhi khoa về phân đoạn u, định lượng phản ứng và tiên lượng đồng thời nhấn mạnh những thách thức độc đáo của nhi khoa như dữ liệu nhỏ và giao thức hình ảnh không đồng nhất.
– Sáng kiến đề xuất các giao thức hình ảnh chuẩn, kiểm tra bên ngoài vững chắc, khả năng giải thích mô hình và cơ sở hạ tầng (quản lý dữ liệu, học tập liên bang) để cho phép chuyển đổi lâm sàng đáng tin cậy trong khung phản ứng RAPNO.
– Ứng dụng ưu tiên bao gồm phân đoạn thể tích tự động phù hợp với các tiêu chí RAPNO, tích hợp đa phương thức (hình ảnh, phân tử, lâm sàng) và sử dụng các đối chứng tổng hợp để hỗ trợ hiệu quả thử nghiệm, nhưng vẫn còn các rào cản quy định, đạo đức và vận hành.
Nền tảng và gánh nặng bệnh tật
U não nhi khoa là nguyên nhân hàng đầu gây tử vong do ung thư ở trẻ em trong các nước có thu nhập cao và đại diện cho một nhóm đa dạng các khối u với hình thái học, kiểu phân tử và hành vi lâm sàng khác nhau. Đánh giá phản ứng dựa trên hình ảnh chính xác và có thể tái tạo là quan trọng đối với quản lý lâm sàng, điều trị dựa trên nguy cơ và điểm kết thúc thử nghiệm. Các tiêu chí Đánh giá Phản ứng trong Thần kinh học Nhi khoa (RAPNO) được phát triển để cung cấp các định nghĩa chuẩn về phản ứng và tiến triển phù hợp với dân số nhi khoa, nhằm hòa hợp việc báo cáo điểm kết thúc giữa các thử nghiệm.
Trí tuệ nhân tạo (AI), đặc biệt là học sâu, có thể giảm đáng kể gánh nặng thủ công, tăng tính tái tạo của các dấu sinh học hình ảnh định lượng (ví dụ, thể tích u và tăng cường tương phản) và tích hợp dữ liệu phức tạp đa phương thức. Tuy nhiên, thần kinh học nhi khoa có những đặc điểm làm phức tạp việc áp dụng trực tiếp các hệ thống AI dành cho người lớn: tỷ lệ mắc thấp dẫn đến dữ liệu nhỏ, sự thay đổi trong hình thái não theo thời gian, phạm vi rộng hơn của các loại u với các biểu hiện hình ảnh riêng biệt và các giao thức hình ảnh không đồng nhất giữa các trung tâm và theo thời gian.
Thiết kế nghiên cứu và phạm vi của AI-RAPNO
Cố gắng AI-RAPNO (được chi tiết trong hai bài báo đồng hành được công bố trong Lancet Oncology) là sáng kiến đa ngành, hướng đến chính sách, xem xét phê bình tình trạng hiện tại của các phương pháp AI cho thần kinh học nhi khoa (phần 1) và đề xuất các thách thức, cơ hội và khuyến nghị triển khai cho chuyển đổi lâm sàng (phần 2). Công trình tổng hợp tài liệu đã công bố, các tiến bộ kỹ thuật trong phân đoạn và mô hình tiên lượng, và sự đồng thuận từ cộng đồng RAPNO để tạo ra hướng dẫn hành động cho các nhà nghiên cứu, nhà thử nghiệm, cơ quan quản lý và các đội ngũ lâm sàng.
Vì AI-RAPNO là một bài xem xét đồng thuận và chính sách thay vì một thử nghiệm lâm sàng chính, ‘điểm kết thúc’ của nó là thực tế: xác định các trường hợp sử dụng ưu tiên, định rõ mong đợi kiểm tra, và đề xuất cơ sở hạ tầng và con đường quy định cho phép các công cụ AI được tích hợp an toàn vào khung RAPNO và các thử nghiệm lâm sàng.
Kết quả chính và tiến bộ kỹ thuật
1. Công cụ AI cụ thể cho mỗi nhiệm vụ trong hình ảnh nhi khoa
Các công trình kỹ thuật gần đây cho thấy rằng các mô hình học sâu có thể đạt hiệu suất cao trong phân đoạn u và định lượng thể tích khi được huấn luyện trên các tập dữ liệu nhi khoa được quản lý phù hợp. Các tiến bộ bao gồm các mạng nơ-ron cuộn 3D (CNNs) và kiến trúc dựa trên chú ý được tùy chỉnh cho các chuỗi MRI đa phương thức (T1, sau tương phản T1, T2, FLAIR). Các mô hình đặc thù cho nhi khoa vượt trội hơn các mô hình huấn luyện cho người lớn trong nhiều loại u nhi khoa vì chúng học các mô hình hình thái học cụ thể cho từng độ tuổi và loại u.
2. Đồng bộ với các tiêu chí RAPNO
AI cho phép tự động hóa việc lấy các tiêu chí trung tâm của RAPNO, bao gồm các phép đo hai chiều, gánh nặng u thể tích và tỷ lệ tăng cường tương phản. Định lượng thể tích tự động có thể giảm biến đổi giữa các người đọc và giảm thời gian mỗi nghiên cứu. Sự tích hợp của các tiêu chí được AI đưa ra vào các mẫu báo cáo RAPNO sẽ giúp tiêu chuẩn hóa việc bắt điểm kết thúc giữa các thử nghiệm và chăm sóc lâm sàng dài hạn.
3. Tích hợp đa phương thức và tiên lượng
Bên cạnh phân đoạn, các mô hình AI đa phương thức kết hợp hình ảnh với genôm, trạng thái lâm sàng (tuổi, triệu chứng) và phơi nhiễm điều trị có thể cải thiện việc dự đoán sống không tiến triển, phản ứng điều trị và tác dụng muộn. Các mô hình tích hợp này có tiềm năng cả trong việc phân loại rủi ro cá nhân và làm giàu hoặc phân tầng các nhóm thử nghiệm lâm sàng.
4. Đối chứng tổng hợp và hiệu quả thử nghiệm
AI có thể hỗ trợ việc tạo các cánh tay đối chứng lịch sử hoặc tổng hợp chất lượng cao sử dụng các đăng ký được chú thích tốt và các điểm kết thúc hình ảnh được hòa hợp. Khi được kiểm tra cẩn thận, các cách tiếp cận này có thể giảm số lượng bệnh nhân cần thiết cho các thử nghiệm ngẫu nhiên trong các u nhi khoa hiếm, tăng tốc đánh giá các tác nhân mới và tối thiểu hóa phơi nhiễm với các liệu pháp không hiệu quả.
5. Khoảng cách kỹ thuật và kiểm tra
Các hạn chế quan trọng vẫn tồn tại: dữ liệu nhỏ và phân mảnh, sự khác biệt trong thu thập MRI (độ mạnh từ trường, tham số chuỗi), kiểm tra bên ngoài hạn chế, và xu hướng báo cáo hiệu suất nội bộ lạc quan mà không báo cáo các nghiên cứu hiệu chỉnh hoặc tác động quyết định. Khả năng giải thích mô hình thường không đủ cho sự chấp nhận lâm sàng, và ít nghiên cứu triển vọng chứng minh tính hữu ích lâm sàng hoặc cải thiện kết quả khi AI được sử dụng để hướng dẫn chăm sóc.
Thách thức triển khai lâm sàng
Dữ liệu không đồng nhất và thiếu hụt
Các nghiên cứu thần kinh học nhi khoa thường nhỏ và phân tán qua nhiều tổ chức. Sự khác biệt trong các giao thức MRI, liều lượng và thời gian tăng cường, và xử lý sau cụ thể cho từng tổ chức thách thức sự tổng quát hóa của mô hình. Việc chia sẻ dữ liệu tập trung bị hạn chế bởi các luật bảo mật và sự đồng ý đa dạng, đặc biệt là đối với các nhóm cũ.
Tổng quát hóa và độ bền của mô hình
Các mô hình được huấn luyện ở một trung tâm thường suy giảm khi áp dụng cho dữ liệu bên ngoài. Kiểm tra độ bền qua các máy quét, nhà cung cấp và giao thức thu thập là cần thiết; điều này bao gồm kiểm tra ứng suất cho sự thay đổi giải phẫu liên quan đến tuổi và cho hình ảnh sau phẫu thuật nơi sẹo, sản phẩm máu hoặc phần cứng có thể gây nhiễu phân đoạn.
Xem xét quy định và đạo đức
Các công cụ AI được sử dụng để đánh giá phản ứng trong các thử nghiệm hoặc quyết định lâm sàng có thể đáp ứng các định nghĩa của thiết bị y tế và phải thỏa mãn các con đường quy định (ví dụ, FDA phần mềm là thiết bị y tế). Yêu cầu bao gồm minh bạch về dữ liệu huấn luyện, hiệu suất trên các nhóm phụ, và giám sát sau thị trường. Các vấn đề đạo đức bao gồm chủ quyền dữ liệu, sự đồng ý thông báo cho việc sử dụng dữ liệu thứ cấp, và sự thiên vị có thể ảnh hưởng đến các nhóm u không đại diện.
Tích hợp vào quy trình làm việc lâm sàng
Bên cạnh hiệu suất thuật toán, triển khai yêu cầu tích hợp với PACS, hệ thống báo cáo chẩn đoán hình ảnh và biểu mẫu báo cáo thử nghiệm. Sự chấp nhận của bác sĩ hình ảnh phụ thuộc vào các đầu ra rõ ràng, có thể giải thích và bằng chứng cho thấy AI giảm khối lượng công việc hoặc cải thiện độ chính xác chẩn đoán mà không giới thiệu các rủi ro mới.
Lời khuyên từ AI-RAPNO
1. Chuẩn hóa và hòa hợp thu thập hình ảnh
Phát triển và thúc đẩy các giao thức MRI tối ưu hóa cho nhi khoa cho các loại u phổ biến và thời điểm (chẩn đoán, phản ứng sớm, theo dõi) để giảm sự biến đổi thu thập. Khi hòa hợp không khả thi, ghi chú siêu dữ liệu thu thập và áp dụng các phương pháp hòa hợp sau hoc.
2. Quản lý các tập dữ liệu được chú thích chất lượng cao
Thiết lập các đăng ký đa tổ chức với các chú thích chuẩn được ánh xạ đến các điểm kết thúc RAPNO. Sử dụng các giao thức chú thích chung, sự đồng thuận đa người đọc, và các tập dữ liệu phiên bản có thể hỗ trợ việc đánh giá chuẩn mực và phát triển mô hình có thể tái tạo.
3. Nhấn mạnh kiểm tra bên ngoài và hiệu chỉnh
Yêu cầu kiểm tra bên ngoài đa tổ chức, đa nhà cung cấp là một phần của việc báo cáo mô hình. Trình bày các chỉ số hiệu chỉnh và phân tích nhóm phụ (ví dụ, các nhóm tuổi, loại u phụ). Nghiên cứu xác nhận lâm sàng triển vọng và các thử nghiệm triển khai ngẫu nhiên nên được ưu tiên khi khả thi.
4. Hỗ trợ học tập liên bang và bảo mật
Để vượt qua các hạn chế chia sẻ dữ liệu, đầu tư vào học tập liên bang và các cách tiếp cận bảo mật khác cho phép huấn luyện mô hình qua các tổ chức mà không tập trung dữ liệu thô. Thiết lập các khung quản lý dữ liệu và các mẫu đồng ý phù hợp với đạo đức nghiên cứu nhi khoa.
5. Xác định các tiêu chuẩn quy định và báo cáo
Tham gia sớm với các cơ quan quản lý để làm rõ mong đợi đối với các công cụ AI được sử dụng để đánh giá phản ứng. Khuyến khích việc áp dụng các tiêu chuẩn báo cáo như TRIPOD-AI và CLAIM, và yêu cầu công bố công khai các trọng số và mã mô hình khi đạo đức và pháp lý cho phép để hỗ trợ đánh giá độc lập.
Bình luận chuyên gia và các lưu ý
AI-RAPNO đại diện cho một bản đồ hướng dẫn thực tế kết nối sự đổi mới kỹ thuật và nhu cầu lâm sàng. Sự nhiệt tình cho định lượng thể tích tự động và tiên lượng đa phương thức phải được cân nhắc kỹ lưỡng: các mô hình nên chứng minh rằng chúng thay đổi hành vi của bác sĩ theo cách mang lại lợi ích cho bệnh nhân, cải thiện hiệu quả thử nghiệm hoặc tạo ra các điểm kết thúc đáng tin cậy hơn. Việc áp dụng sẽ phụ thuộc vào việc chứng minh rõ ràng về an toàn, công bằng giữa các nhóm phụ và hiệu quả về chi phí trong quy trình làm việc thực tế.
Các hạn chế của bài xem xét bao gồm sự tiến hóa nhanh chóng của lĩnh vực này – các kiến trúc mới và các sáng kiến liên bang đang xuất hiện liên tục – và sự khác biệt trong mức độ trưởng thành của bằng chứng giữa các trường hợp sử dụng. Các bên liên quan nên coi các khuyến nghị là thực hành tốt nhất đang tiến triển thay vì các quy định cứng nhắc.
Kết luận và hướng đi trong tương lai
AI có tiềm năng biến đổi đánh giá phản ứng trong thần kinh học nhi khoa bằng cách cung cấp các dấu sinh học có thể tái tạo, định lượng và đa phương thức phù hợp với các tiêu chí RAPNO. Để thực hiện tiềm năng này, cần có sự đầu tư phối hợp vào hình ảnh chuẩn, quản lý dữ liệu, kiểm tra bên ngoài, tham gia quy định và nghiên cứu triển khai lâm sàng. Với những yếu tố này, các công cụ dựa trên AI có thể cải thiện thiết kế thử nghiệm, cho phép chăm sóc cá nhân hóa và cuối cùng cải thiện kết quả cho trẻ em mắc u não.
Kinh phí và clinicaltrials.gov
Các kết quả của AI-RAPNO là sản phẩm của cộng đồng Đánh giá Phản ứng trong Thần kinh học Nhi khoa (RAPNO) và được báo cáo trong hai bài báo chính sách Lancet Oncology đồng hành. Người đọc nên tham khảo các ấn phẩm gốc để biết chi tiết về các tiết lộ kinh phí và khai báo của tác giả. Không có đăng ký cụ thể clinicaltrials.gov nào liên quan đến bài xem xét chính sách AI-RAPNO; các nghiên cứu xác nhận triển vọng được khuyến nghị nên được đăng ký trong các danh sách thử nghiệm chuẩn.
Tài liệu tham khảo
1. Kann BH, Vossough A, Brüningk SC, Familiar AM, Aboian M, Linguraru MG, Yeom KW, Chang SM, Hargrave D, Mirsky D, Storm PB, Huang RY, Resnick AC, Weller M, Mueller S, Prados M, Peet AC, Villanueva-Meyer JE, Bakas S, Fangusaro J, Nabavizadeh A, Kazerooni AF; Nhóm Đánh giá Phản ứng trong Thần kinh học Nhi khoa (RAPNO). Trí tuệ nhân tạo cho Đánh giá Phản ứng trong Thần kinh học Nhi khoa (AI-RAPNO), phần 1: xem xét tình trạng hiện tại của nghệ thuật. Lancet Oncol. 2025 Nov;26(11):e597-e606. doi: 10.1016/S1470-2045(25)00484-X. PMID: 41167227.
2. Kazerooni AF, Familiar AM, Aboian M, Brüningk SC, Vossough A, Linguraru MG, Huang RY, Hargrave D, Peet AC, Resnick AC, Storm PB, Mirsky D, Yeom KW, Weller M, Prados M, Chang SM, Mueller S, Villanueva-Meyer JE, Bakas S, Fangusaro J, Kann BH, Nabavizadeh A; Nhóm Đánh giá Phản ứng trong Thần kinh học Nhi khoa (RAPNO). Trí tuệ nhân tạo cho Đánh giá Phản ứng trong Thần kinh học Nhi khoa (AI-RAPNO), phần 2: thách thức, cơ hội và khuyến nghị cho chuyển đổi lâm sàng. Lancet Oncol. 2025 Nov;26(11):e607-e618. doi: 10.1016/S1470-2045(25)00489-9. PMID: 41167228.
3. Menze BH, Jakab A, Bauer S, et al. Bảng đánh giá phân đoạn u não đa phương thức (BRATS). IEEE Trans Med Imaging. 2015;34(10):1993-2024. doi:10.1109/TMI.2014.2377694.
4. Ostrom QT, Gittleman H, Fulop J, et al. Báo cáo Thống kê CBTRUS: Các u não và hệ thần kinh trung ương nguyên phát được chẩn đoán tại Hoa Kỳ, 2013-2017. Neuro Oncol. 2020;22(Suppl 2):iv1–iv96. doi:10.1093/neuonc/noaa200.
5. U.S. Food & Drug Administration. Kế hoạch Hành động Thiết bị Y tế Phần mềm dựa trên Trí tuệ nhân tạo/Học máy (AI/ML). FDA; 2021. Có sẵn tại: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligencemachine-learning-ai-ml-based-software-medical-device (đã truy cập năm 2025).
