Điểm nổi bật
Loạn sản xơ (Fibrous dysplasia, FD), u xơ–xi măng hóa (cemento-ossifying fibroma, COF) và loạn sản xương–xi măng (cemento-osseous dysplasia, COD) là các tổn thương hàm có hình ảnh mô bệnh học tương tự nhau, gây nhiều thách thức chẩn đoán trong thực hành giải phẫu bệnh. Một mô hình deep learning sử dụng ResNet-50 và chiến lược huấn luyện đa tiêu bản giám sát yếu đã cho thấy hiệu năng vượt trội so với các bác sĩ giải phẫu bệnh răng hàm mặt giàu kinh nghiệm, đạt AUC 0,86 và độ chính xác 71%. Các bản đồ nhiệt xác suất trực quan của mô hình xác định chính xác những đặc điểm hình thái mô học then chốt giúp phân biệt tổn thương, cho thấy tiềm năng của mô hình như một công cụ hỗ trợ chẩn đoán bổ trợ cho các phương pháp chẩn đoán truyền thống.
Bối cảnh
Các tổn thương xơ–xương của hàm, bao gồm FD, COF và COD, là một nhóm bệnh lành tính nhưng đa dạng về lâm sàng, được đặc trưng bởi sự thay thế xương bình thường bằng mô xơ và mức độ chất khoáng hóa khác nhau. Những tổn thương này có các đặc điểm mô bệnh học chồng lấp, thường gây khó khăn cho bác sĩ giải phẫu bệnh răng hàm mặt trong chẩn đoán thường quy. Việc phân biệt chính xác là rất quan trọng vì mỗi thực thể có biểu hiện lâm sàng, tiên lượng và ý nghĩa điều trị khác nhau. FD, thường là một bất thường phát triển, có thể ổn định hoặc thoái lui; trong khi đó, COF thường cần phẫu thuật cắt bỏ do khả năng tăng trưởng, và COD đòi hỏi xử trí bảo tồn vì tính chất lành tính và thường không triệu chứng.
Chẩn đoán truyền thống dựa trên đánh giá hình thái của bác sĩ giải phẫu bệnh răng hàm mặt, kết hợp với dữ liệu lâm sàng và X-quang. Tuy nhiên, do các tổn thương này có tính tương đồng về mô học, sự khác biệt giữa các người đọc vẫn là một vấn đề đáng lo ngại, có thể dẫn đến quyết định lâm sàng chưa tối ưu. Trong những năm gần đây, trí tuệ nhân tạo (AI), đặc biệt là deep learning áp dụng trong giải phẫu bệnh số hóa, đã nổi lên như một chiến lược đầy hứa hẹn nhằm nâng cao độ chính xác và tính nhất quán của chẩn đoán thông qua phân tích khách quan các mẫu hình ảnh phức tạp trên quy mô lớn.
Thiết kế nghiên cứu
Nghiên cứu hồi cứu, đa trung tâm này tổng hợp một đoàn hệ gồm 338 ca được phân loại là FD (n=130), COF (n=146) và COD (n=62) từ ba cơ sở. Tổng cộng 1.218 ảnh whole slide image (WSI) nhuộm hematoxylin và eosin (H&E) đã được số hóa và xử lý tiền phân tích để chuẩn hóa.
Nghiên cứu sử dụng kiến trúc mạng nơ-ron tích chập ResNet-50 làm nền tảng cho phân loại bằng deep learning. Bốn chiến lược huấn luyện khác nhau đã được đánh giá: (1) giám sát đầy đủ, đơn tiêu bản; (2) giám sát đầy đủ, đa tiêu bản; (3) giám sát yếu, đơn tiêu bản; và (4) giám sát yếu, đa tiêu bản, với trọng tâm đặc biệt vào khung multiple-instance learning, trong đó các dự đoán ở mức tiêu bản được tổng hợp thành chẩn đoán ở mức ca bệnh.
Tiêu chí đánh giá chính là hiệu năng chẩn đoán, được đo bằng diện tích dưới đường cong ROC (AUC) và độ chính xác trên một tập kiểm thử độc lập. Kết quả của mô hình được đối chiếu với đánh giá chẩn đoán của các bác sĩ giải phẫu bệnh răng hàm mặt chuyên gia, chỉ dựa trên tiêu bản mô học mà không có bối cảnh lâm sàng.
Kết quả chính
Trong bốn chiến lược, mô hình giám sát yếu đa tiêu bản đạt hiệu năng phân loại cao nhất với AUC 0,86 và độ chính xác 0,71 trên tập kiểm thử. Hiệu năng này vượt qua các bác sĩ giải phẫu bệnh răng hàm mặt giàu kinh nghiệm, nhấn mạnh khả năng phân biệt ưu việt của mô hình khi chỉ diễn giải hình ảnh mô học.
Trực quan hóa bằng bản đồ nhiệt xác suất cho thấy mô hình đã định vị và làm nổi bật thành công các vùng hình thái mô học then chốt để phân biệt tổn thương. Các vùng này bao gồm sự khác biệt về mật độ tế bào của mô đệm xơ, kiểu hình và mật độ tạo xương, cũng như mối liên quan giữa các thành phần khoáng hóa với mô xơ—những dấu ấn chẩn đoán đã được công nhận trong thực hành bệnh học truyền thống.
Đáng chú ý, hiệu năng của mô hình phản ánh giá trị gia tăng của việc tích hợp nhiều tiêu bản cho mỗi ca bệnh, mô phỏng bối cảnh chẩn đoán thực tế khi bác sĩ giải phẫu bệnh xem xét nhiều lát cắt để đạt được sự thống nhất.
Mặc dù kết quả khả quan, nghiên cứu vẫn thừa nhận một số hạn chế, bao gồm cỡ mẫu tương đối khiêm tốn và phạm vi địa lý còn hạn chế, điều này có thể ảnh hưởng đến khả năng khái quát hóa của mô hình. Các quần thể bệnh nhân đa dạng hơn và các nền tảng quét số hóa khác nhau nên được đưa vào các nghiên cứu tiếp theo để xác nhận độ vững chắc và giá trị lâm sàng.
Nhận định của chuyên gia
Nghiên cứu này đánh dấu một bước tiến quan trọng trong việc ứng dụng AI vào giải phẫu bệnh răng hàm mặt, cho thấy các mô hình deep learning không chỉ có thể tương đương mà còn có khả năng vượt qua các bác sĩ giải phẫu bệnh giàu kinh nghiệm trong những nhiệm vụ chẩn đoán phức tạp. Việc sử dụng phương pháp giám sát yếu với multiple-instance learning khai thác hiệu quả nhãn ở mức tiêu bản mà không cần chú giải chi tiết đến từng pixel, vốn rất tốn nguồn lực.
Tuy nhiên, các công cụ AI nên được xem là phương tiện hỗ trợ bổ sung chứ không thay thế chuyên môn của con người. Dữ liệu lâm sàng, hình ảnh học và phân tử vẫn giữ vai trò không thể thiếu trong đánh giá toàn diện tổn thương. Các nghiên cứu tương lai có thể khảo sát các mô hình AI đa phương thức tích hợp mô học với hình ảnh X-quang và các dấu ấn di truyền nhằm tiếp tục tinh chỉnh độ chính xác chẩn đoán và cá thể hóa điều trị.
Kết luận
Nghiên cứu này khẳng định tính khả thi và tiềm năng lâm sàng của mô hình deep learning giám sát yếu đa tiêu bản trong việc phân biệt các tổn thương xơ–xương của hàm bằng hình ảnh mô học. Khi vượt qua các bác sĩ giải phẫu bệnh chuyên gia về độ chính xác chỉ với mô học đơn thuần, cách tiếp cận này có thể đóng vai trò là một công cụ bổ trợ vững chắc cho quy trình bệnh học truyền thống, qua đó có khả năng giảm mơ hồ chẩn đoán và cải thiện xử trí người bệnh. Việc mở rộng bộ dữ liệu với các ca bệnh đa dạng về địa lý và tích hợp dữ liệu chẩn đoán đa phương thức sẽ là những bước tiếp theo then chốt để xác lập khả năng áp dụng rộng rãi và tác động trong thực tế.
Reference
Zhang AB, Li PY, Xue J, Zhang JY, You Z, Ge SH, Xu ZX, Sun ZP, Chang DX, Sun LS, Li TJ. Deep Learning on Histology Images for Differentiating Fibro-osseous Lesions of the Jaw. J Dent Res. 2026 Oct;105(11):1419-1428. doi: 10.1177/00220345261415888. Epub 2026 Feb 24. PMID: 41733218.
