Điểm nổi bật
1. Continuous Indexing of Fibrosis (CIF) là một công cụ định lượng được hỗ trợ bởi trí tuệ nhân tạo (AI), cung cấp đánh giá xơ hóa tủy xương một cách khách quan.
2. Điểm CIF tương quan chặt chẽ với phân độ xơ tủy (MF) thủ công truyền thống, đồng thời mang lại độ tái lập chẩn đoán tốt hơn.
3. Quy trình có hỗ trợ CIF cải thiện sự phù hợp giữa các quan sát viên và trong cùng một quan sát viên giữa các bác sĩ giải phẫu bệnh huyết học.
4. Việc tích hợp AI không làm tăng thời gian cần thiết cho đánh giá lam kính, qua đó hỗ trợ tính khả thi trong thực hành lâm sàng.
Bối cảnh nghiên cứu
Xơ hóa tủy xương (MF) là một đặc điểm bệnh học quan trọng trong nhiều bệnh lý tân sinh tăng sinh tủy và các rối loạn huyết học khác. Đánh giá chính xác mức độ xơ hóa thông qua sinh thiết tủy xương kim (bone marrow trephine biopsy, BMT) giúp định hướng chẩn đoán, tiên lượng và quyết định điều trị. Theo truyền thống, phân độ xơ hóa dựa trên đánh giá thủ công các lam nhuộm reticulin, vốn mang tính chủ quan và bán định lượng, dẫn đến khác biệt giữa các nhà giải phẫu bệnh và làm giảm khả năng tái lập chẩn đoán. Thách thức này cho thấy một nhu cầu lâm sàng chưa được đáp ứng đối với các phương pháp đánh giá xơ hóa được chuẩn hóa, định lượng và có khả năng tái lập, đủ để hỗ trợ quy trình chẩn đoán thường quy và các tiêu chí đánh giá trong thử nghiệm lâm sàng.
Thiết kế nghiên cứu
Đánh giá lâm sàng này bao gồm khoảng 1000 mẫu sinh thiết tủy xương kim (BMT) liên tiếp, không qua chọn lọc trước, phản ánh quần thể chẩn đoán trong thực hành thực tế. Một hội đồng quốc tế gồm 14 chuyên gia giải phẫu bệnh huyết học đã thực hiện phân độ xơ hóa trên các ảnh toàn bộ tiêu bản số hóa (whole-slide image, WSI) của các lát cắt tủy xương nhuộm reticulin. Nghiên cứu triển khai ba vòng đọc với ba giao thức đánh giá: (1) Đọc thủ công, (2) Đọc tuần tự có hỗ trợ CIF (các nhà giải phẫu bệnh xem điểm xơ hóa định lượng do AI tạo ra sau khi đọc thủ công), và (3) Đọc đồng thời có hỗ trợ CIF (thông tin CIF được xem song song trong quá trình đánh giá thủ công). Các giao thức này nhằm đánh giá việc tích hợp Continuous Indexing of Fibrosis do AI tạo ra ảnh hưởng như thế nào đến độ chính xác phân độ, tính tái lập và hiệu quả. Tiêu chí chính là mức độ phù hợp với thang điểm xơ tủy (myelofibrosis, MF) đồng thuận đã thiết lập, được đánh giá bằng các chỉ số phù hợp trong cùng người quan sát và giữa các quan sát viên, cùng với tương quan với các mức độ đồng thuận của chuyên gia. Các tiêu chí phụ bao gồm đánh giá khả năng phân biệt ranh giới chẩn đoán, đặc biệt tại chuyển tiếp MF-1 sang MF-2 có ý nghĩa lâm sàng, và thay đổi về thời gian đọc.
Kết quả chính
Các điểm xơ hóa CIF do AI tạo ra cho thấy hệ số tương quan Spearman mạnh là 0,770 với các mức MF đồng thuận theo đánh giá thủ công, cho thấy sự phù hợp rất tốt với đánh giá của chuyên gia. CIF cho thấy năng lực phân biệt vững chắc ở các ranh giới giữa các mức MF liền kề, vốn là vùng thường gây khó khăn trong phân độ thủ công.
Khi áp dụng hỗ trợ CIF, cả giao thức đọc tuần tự và đọc đồng thời đều cải thiện đáng kể độ tái lập chẩn đoán. Mức độ phù hợp giữa các quan sát viên tăng rõ rệt, trong đó đọc tuần tự có hỗ trợ cho mức cải thiện lớn nhất: tăng 12,6 điểm phần trăm (khoảng tin cậy 95% [CI], 10,5–14,8) về mức độ phù hợp giữa các nhà giải phẫu bệnh. Hơn nữa, mức độ phù hợp giữa các lần đọc có hỗ trợ CIF và tiêu chuẩn đồng thuận được cải thiện thêm 3,0 điểm phần trăm (CI 95%, 0,4–5,7) so với đọc thủ công.
Cả hai giao thức có hỗ trợ CIF đều làm giảm rõ rệt sự bất đồng chẩn đoán, đặc biệt quanh ngưỡng phân độ MF-1/MF-2 — một ranh giới lâm sàng quan trọng có ảnh hưởng đến quản lý người bệnh.
Đáng chú ý, việc bổ sung hỗ trợ AI không làm tăng thời gian cần thiết cho đánh giá tiêu bản, qua đó ủng hộ khả năng tích hợp phương pháp này vào quy trình chẩn đoán chuẩn mà không làm giảm hiệu quả.
Bình luận của chuyên gia
Phân độ xơ hóa tủy xương vẫn là một trụ cột của chẩn đoán giải phẫu bệnh huyết học, nhưng bị hạn chế bởi mức độ khác biệt cao giữa các quan sát viên và ngay cả trong cùng một quan sát viên do tính diễn giải chủ quan. Việc tích hợp các công cụ định lượng dựa trên AI như CIF giúp giải quyết thách thức này bằng cách cung cấp các chỉ số khách quan, có khả năng tái lập, bổ trợ cho đánh giá chuyên môn. Sự cải thiện đáng kể về độ tái lập và mức độ phù hợp trên một hội đồng chuyên gia quốc tế rộng lớn nhấn mạnh tiềm năng của CIF trong việc chuẩn hóa đánh giá xơ hóa phục vụ chẩn đoán.
Ứng dụng AI này phù hợp với xu hướng chuyển dịch ngày càng rõ sang giải phẫu bệnh tính toán, trong đó các thuật toán tăng cường độ chính xác chẩn đoán, giảm biến thiên và hỗ trợ ra quyết định lâm sàng nhất quán. Ngoài ra, khả năng phân biệt nhạy các ranh giới phân độ xơ hóa quan trọng của CIF hứa hẹn cải thiện các tiêu chí đánh giá trong thử nghiệm lâm sàng dựa trên xơ hóa, vốn thường đòi hỏi các thước đo chính xác và định lượng về bệnh lý tủy xương.
Hạn chế bao gồm nhu cầu xác nhận bên ngoài trên các quần thể và bối cảnh phòng xét nghiệm đa dạng để bảo đảm tính khái quát hóa. Bên cạnh đó, việc tích hợp liền mạch vào quy trình giải phẫu bệnh số hiện có và đào tạo nhân viên y tế sẽ rất quan trọng để triển khai trong thực tế.
Kết luận
Đánh giá lâm sàng toàn diện này xác lập CIF như một công cụ hỗ trợ AI có tính tái lập, hiệu quả và khả thi trong thực hành lâm sàng để đánh giá định lượng xơ hóa tủy xương. CIF cải thiện mức độ đồng thuận chẩn đoán và độ nhạy trong phân độ xơ hóa mà không làm tăng khối lượng công việc, mở ra một tiêu chuẩn mới cho thực hành giải phẫu bệnh huyết học. Các nghiên cứu tương lai nên tập trung vào các nghiên cứu xác nhận quy mô rộng hơn, hoàn thiện khả năng diễn giải của AI, và khám phá giá trị của CIF trong theo dõi diễn tiến bệnh dọc thời gian cũng như đánh giá đáp ứng điều trị.
Quỹ tài trợ và ClinicalTrials.gov
Chi tiết về nguồn tài trợ nghiên cứu và tình trạng đăng ký không được nêu trong tóm tắt. Thông tin bổ sung có thể được tra cứu từ bài báo gốc.
Tài liệu tham khảo
Ruane S, Cooper RA, Pescia C, et al. Clinical evaluation of AI-assisted quantitative marrow fibrosis assessment using Continuous Indexing of Fibrosis (CIF). Leukemia. 2026 Sep 16. PMID: 42749757. Available at: https://pubmed.ncbi.nlm.nih.gov/42749757/
