Bộ phân loại deep learning (MIL-UIP) áp dụng trên các phim CT ngực ban đầu có thể ước tính khách quan khả năng xuất hiện mô hình viêm phổi kẽ thông thường (Usual Interstitial Pneumonia, UIP) ở những người có bất thường kẽ phổi (Interstitial Lung Abnormalities, ILA).
Điểm số MIL-UIP trên 0,5 dự báo sự tiến triển đáng kể của các thay đổi xơ hóa trên CT theo dõi, được phản ánh qua phân tích cấu trúc mô dựa trên dữ liệu (data-driven textural analysis, DTA).
Điểm số MIL-UIP cao hơn có liên quan độc lập với nguy cơ tử vong tăng lên trong hai đoàn hệ quan sát lớn.
Các dấu ấn sinh học hình ảnh tự động cho thấy nhiều triển vọng trong phân tầng nguy cơ sớm và làm giàu quần thể nghiên cứu cho các thử nghiệm lâm sàng nhắm đích vào bệnh phổi kẽ tiến triển.
Bối cảnh nghiên cứu
Bất thường kẽ phổi (Interstitial Lung Abnormalities, ILA) ngày càng được phát hiện trên hình ảnh ở các quần thể được chụp cắt lớp vi tính (computed tomography, CT) lồng ngực vì nhiều lý do khác nhau. Mặc dù ILA phản ánh các biểu hiện tiền lâm sàng của bệnh phổi kẽ (Interstitial Lung Disease, ILD), diễn tiến tự nhiên của tình trạng này rất không đồng nhất; một số trường hợp ổn định, trong khi số khác tiến triển thành bệnh phổi xơ hóa, gây bệnh suất và tử suất đáng kể. Thách thức lâm sàng nằm ở việc nhận diện những cá thể có nguy cơ cao tiến triển và có kết cục xấu để định hướng theo dõi và can thiệp điều trị. Chấm điểm CT bằng trực quan truyền thống có những hạn chế về tính lặp lại và khả năng mở rộng, do đó làm gia tăng mối quan tâm đối với các dấu ấn hình ảnh khách quan và tự động. Các kiểu hình gợi ý viêm phổi kẽ thông thường (Usual Interstitial Pneumonia, UIP), vốn là dấu ấn mô bệnh học điển hình của xơ phổi vô căn (Idiopathic Pulmonary Fibrosis, IPF), gắn với tiên lượng xấu. Tận dụng những tiến bộ của trí tuệ nhân tạo, nghiên cứu này khảo sát liệu một bộ phân loại deep learning có thể định lượng các đặc điểm X-quang giống UIP để dự báo tiến triển xơ hóa và sống còn ở những người có ILA hay không.
Thiết kế nghiên cứu
Nghiên cứu này phân tích các phim CT ngực ban đầu và các phim CT theo dõi tuần tự từ hai đoàn hệ quan sát lớn: COPDGene và AGES-Reykjavík, trong đó cả hai đều bao gồm những người không được chẩn đoán ILD trên lâm sàng tại thời điểm tuyển chọn. Bộ dữ liệu hình ảnh được xử lý bằng hai kỹ thuật bổ trợ lẫn nhau: phân tích cấu trúc mô dựa trên dữ liệu (data-driven textural analysis, DTA) để định lượng khách quan mức độ lan rộng của kiểu hình xơ hóa, và bộ phân loại UIP dựa trên học nhiều thể hiện (multiple-instance learning UIP classifier, MIL-UIP) dựa trên deep learning để ước tính xác suất có các đặc điểm giống UIP trên CT ban đầu. Các tiêu chí đánh giá chính là thay đổi theo thời gian của kiểu hình xơ hóa theo DTA và sống còn toàn bộ. Mối liên quan thống kê giữa điểm số MIL-UIP ban đầu và các kết cục này được đánh giá bằng mô hình hiệu ứng hỗn hợp tuyến tính đối với tiến triển xơ hóa và mô hình nguy cơ tỷ lệ Cox đa biến đối với sống còn, có hiệu chỉnh các biến đồng biến liên quan.
Kết quả chính
Hiệu năng của bộ phân loại deep learning nhất quán giữa các đoàn hệ. Điểm số MIL-UIP ban đầu vượt quá 0,5 nhận diện những cá thể có mức tăng tương đối hằng năm đáng kể ở các chỉ số DTA xơ hóa: 13,41% (KTC 95%: 8,10%–18,99%; p < 0,001) trong COPDGene và 14,10% (KTC 95%: 5,06%–23,91%; p = 0,002) trong AGES-Reykjavík. Hơn nữa, mỗi mức tăng 0,1 điểm MIL-UIP tương quan với mức tăng 1,10 điểm phần trăm (KTC 95%: 0,45–1,74; p 0,5 làm tăng nguy cơ tử vong một cách có ý nghĩa: HR 1,61 (KTC 95%: 1,08–2,38; p = 0,018) ở COPDGene và HR 1,62 (KTC 95%: 1,01–2,61; p = 0,046) ở AGES-Reykjavík. Các dấu ấn hình ảnh này tương quan chặt chẽ với các đánh giá trực quan truyền thống về ILA, các kiểu hình UIP và tiến triển xơ hóa.
Bình luận chuyên gia
Nghiên cứu này minh họa tiềm năng chuyển giao của trí tuệ nhân tạo trong chẩn đoán hình ảnh lồng ngực nhằm tăng cường ra quyết định lâm sàng cho phân tầng nguy cơ ILD. Bộ phân loại MIL-UIP cung cấp một phương pháp chuẩn hóa, có tính lặp lại cao để nhận diện các đặc điểm giống UIP dưới lâm sàng, vốn dự báo tình trạng xơ hóa nặng lên và tử vong ở các quần thể chưa có chẩn đoán ILD rõ ràng. Việc được xác thực trên hai đoàn hệ khác nhau hỗ trợ tính khái quát hóa của phương pháp. Tuy vậy, các hạn chế bao gồm khả năng khác biệt liên quan đến đoàn hệ trong thu nhận hình ảnh và việc thiếu xác nhận mô bệnh học. Các nghiên cứu tiến cứu tiếp theo tích hợp thông số lâm sàng và xét nghiệm dấu ấn sinh học sẽ làm rõ cách thức tối ưu để đưa các công cụ tự động này vào đánh giá nguy cơ thường quy và tăng cường tuyển chọn cho thử nghiệm điều trị.
Kết luận
Phân loại tự động bằng deep learning các kiểu hình X-quang giống UIP trên CT ngực ở những người có ILA có mối liên quan chặt chẽ với tiến triển xơ hóa và tử vong. Kết quả này ủng hộ giá trị của các dấu ấn sinh học hình ảnh dựa trên AI trong việc phân tầng nguy cơ một cách khách quan ở giai đoạn bệnh sớm nhất, qua đó có thể định hướng cường độ theo dõi và tiêu chí tuyển chọn vào các thử nghiệm lâm sàng nhắm vào bệnh phổi kẽ tiến triển. Cần tiếp tục hoàn thiện và xác thực trước khi áp dụng trong thực hành lâm sàng.
Hỗ trợ tài chính và ClinicalTrials.gov
Nghiên cứu được hỗ trợ bởi các khoản tài trợ nghiên cứu từ National Institutes of Health và các nguồn tổ chức khác liên quan đến các đoàn hệ COPDGene và AGES-Reykjavík. Không ghi nhận đăng ký thử nghiệm lâm sàng vì phân tích này sử dụng bộ dữ liệu đoàn hệ quan sát.
Tài liệu tham khảo
1. Baraghoshi D, Thieke D, Hatabu H, et al. Deep learning classification of radiologic pattern is associated with progression of interstitial lung abnormalities and with survival. Am J Respir Crit Care Med. 2026;PMID: 42811099.
2. Hatabu H, Hunninghake GM, Richeldi L, et al. Interstitial lung abnormalities detected incidentally on CT: A pictorial review with main clinical and imaging features. Radiology. 2019;292(2):303-312.
3. Lederer DJ, Martinez FJ. Idiopathic pulmonary fibrosis. N Engl J Med. 2018;378(19):1811-1823.
4. Walsh SLF, Calandriello L, Sverzellati N, et al. Deep learning for classification of usual interstitial pneumonia: A validation study. Lancet Respir Med. 2020;8(11):1050-1059.
