Nổi bật
Nghiên cứu này báo cáo việc phát triển và thẩm định ngoại bộ của một mạng deep learning được thiết kế để tự động phân đoạn các cấu trúc tai trong từ phim CT lâm sàng trước phẫu thuật, bao gồm CT cone-beam và CT xoắn ốc với độ phân giải xuống tới 625 ;BC [需核实: 基于上下文推测译为”μm”]。Khai thác bộ dữ liệu độc đáo gồm 100 tiêu bản xác người được chụp bằng chụp ảnh tương phản pha dùng bức xạ synchrotron (Synchrotron-radiation phase contrast imaging, SR-PCI), mạng đã huấn luyện cho thấy hiệu năng vượt trội so với phân đoạn thủ công của các bác sĩ tai mũi họng và bác sĩ chẩn đoán hình ảnh chuyên gia, qua đó thiết lập một chuẩn vàng lâm sàng mới.
Bối cảnh
Tai trong giữ vai trò then chốt đối với thính giác và thăng bằng; do đó, việc khảo sát và xác định chính xác giải phẫu phức tạp của cơ quan này là rất cần thiết cho lập kế hoạch các phẫu thuật tai như cấy ốc tai điện tử và xử trí các bệnh lý tai trong. Chụp CT quy ước, mặc dù được sử dụng rộng rãi, thường có độ phân giải và độ tương phản hạn chế, gây khó khăn cho việc phân đoạn chính xác các cấu trúc tai trong tinh vi. Phân đoạn thủ công bởi chuyên gia tốn nhiều thời gian và chịu ảnh hưởng của sai khác giữa các quan sát viên cũng như ngay trong cùng một quan sát viên, làm giảm tính tái lập và hiệu quả lâm sàng. Các kỹ thuật phân đoạn hình ảnh hiện đại ứng dụng trí tuệ nhân tạo (Artificial Intelligence, AI), đặc biệt là deep learning, mở ra khả năng tự động hóa và chuẩn hóa quy trình này. Tuy nhiên, việc phát triển các mô hình có độ chính xác cao vẫn bị hạn chế do khó khăn trong việc thu được các phân đoạn chân lý nền (ground truth) có độ phân giải cao để huấn luyện các thuật toán vững chắc trên nhiều quy trình chụp hình ảnh lâm sàng khác nhau.
Thiết kế nghiên cứu và phương pháp
Nghiên cứu này tận dụng các ưu thế độc đáo của chụp ảnh tương phản pha dùng bức xạ synchrotron (Synchrotron-radiation phase contrast imaging, SR-PCI) để tạo ra các phân đoạn chân lý nền 3D chi tiết của giải phẫu tai trong từ 100 tiêu bản xương thái dương xác người. Các tiêu bản này đồng thời được chụp bằng nhiều phương thức và quy trình CT lâm sàng, bao gồm CT cone-beam và CT xoắn ốc, tạo thành 4.784 bộ dữ liệu ghép cặp với độ phân giải và thông số thu nhận khác nhau. Một mạng phân đoạn dựa trên deep learning đã được huấn luyện trên bộ dữ liệu lớn này để học các ranh giới giải phẫu phức tạp có thể quan sát trên CT lâm sàng, với sự định hướng từ các tham chiếu SR-PCI có độ chính xác cao.
Hiệu năng của mô hình được đánh giá trên một bộ dữ liệu riêng biệt chưa từng được xem trước đó và được so sánh với các phân đoạn thủ công do bảy chuyên gia độc lập trong lĩnh vực thực hiện, gồm các bác sĩ tai mũi họng và bác sĩ chẩn đoán hình ảnh. Ngoài ra, nghiên cứu còn so sánh với phân đoạn trung bình của các chuyên gia và phân đoạn đồng thuận được suy ra bằng thuật toán simultaneous truth and performance level estimation (STAPLE), được thiết kế để gộp nhiều chú giải của chuyên gia thành một chân lý nền đồng thuận theo xác suất.
Kết quả chính
Mạng deep learning cho thấy độ chính xác phân đoạn vượt trội so với từng chuyên gia riêng lẻ, chú giải trung bình của các chuyên gia và phân đoạn đồng thuận STAPLE. So với chuẩn vàng SR-PCI, thuật toán đạt hệ số tương đồng Dice (Dice similarity coefficient, DSC) là 0,922 — một chỉ số cho thấy mức độ chồng lấp thể tích rất tốt giữa cấu trúc tai trong dự đoán và chân lý nền. Hơn nữa, các chỉ số độ chính xác không gian như khoảng cách Hausdorff tuyệt đối tối đa (maximum absolute Hausdorff distance, 0,329 mm) và khoảng cách Hausdorff trung bình (average Hausdorff distance, 0,006 mm) phản ánh sai lệch hình học rất nhỏ, xác nhận tính chính xác của phân đoạn. Đáng chú ý, mô hình duy trì hiệu năng ổn định trên các phim CT lâm sàng với các quy trình khác nhau và độ phân giải xuống tới 625 ;BC [需核实: 基于上下文推测译为”μm”], cho thấy tính linh hoạt và tiềm năng triển khai rộng rãi trong thực hành lâm sàng.
Đây là phương pháp tự động phân đoạn tai trong đầu tiên được chứng minh là vượt qua việc xác định ranh giới của chuyên gia con người, qua đó giải quyết một nút thắt quan trọng trong lập kế hoạch trước phẫu thuật và quy trình chẩn đoán. Khả năng khái quát hóa của thuật toán trên nhiều kiểu thu nhận CT lâm sàng khác nhau cho thấy phương pháp này có thể áp dụng trong môi trường lâm sàng thường quy mà không cần các quy trình chụp hình ảnh được chuẩn hóa quá mức.
Bình luận của chuyên gia
Nghiên cứu này là minh chứng cho sức mạnh của việc kết hợp các phương thức chụp ảnh tiên tiến như SR-PCI với các phương pháp AI hiện đại để nâng cao mức độ xác định giải phẫu vượt qua các giới hạn truyền thống. Phân đoạn tai trong do chuyên gia thực hiện từ trước đến nay thường chịu ảnh hưởng của biến thiên do giải phẫu nhỏ và phức tạp, đồng thời đòi hỏi nhiều thời gian và chuyên môn sâu. Bằng cách xây dựng một phương pháp deep learning đã được thẩm định, tự động hóa và có độ chính xác rất cao, công trình này có thể giúp rút gọn quy trình lập kế hoạch phẫu thuật, giảm khác biệt giữa các quan sát viên và góp phần cải thiện kết cục lâm sàng trong chuyên ngành tai mũi họng.
Tuy nhiên, việc triển khai trên thực tế lâm sàng vẫn cần được thẩm định tiền cứu trên phim chụp của bệnh nhân sống, đánh giá hiệu năng ở tai trong có bệnh lý, tích hợp vào quy trình làm việc lâm sàng, và khảo sát tác động lên quá trình ra quyết định phẫu thuật. Sự phối hợp liên tục giữa các nhà khoa học hình ảnh, bác sĩ tai mũi họng và nhà phát triển AI sẽ là yếu tố then chốt để chuyển hóa tiến bộ công nghệ này thành thực hành thường quy.
Kết luận
Mạng phân đoạn deep learning dựa trên synchrotron đại diện cho một bước tiến quan trọng trong công nghệ chẩn đoán hình ảnh tai trong. Bằng việc vượt trội hơn phân đoạn thủ công của chuyên gia trên nhiều quy trình chụp và mức độ phân giải khác nhau, phương pháp này thiết lập một chuẩn vàng lâm sàng mới cho việc xác định tai trong trước phẫu thuật. Tiến bộ này hứa hẹn nâng cao độ chính xác trong lập kế hoạch phẫu thuật tai và cung cấp một giải pháp có khả năng mở rộng, thích ứng với nhiều bối cảnh lâm sàng khác nhau. Các nghiên cứu trong tương lai nên tập trung vào mối liên hệ với kết cục lâm sàng, tích hợp tự động hóa và khả năng mở rộng phương pháp này sang các vùng giải phẫu phức tạp khác.
Tài trợ và đăng ký
Nghiên cứu gốc không nêu rõ nguồn tài trợ hoặc thông tin đăng ký thử nghiệm lâm sàng.
Tài liệu tham khảo
1. Micuda A, Rioux K, Helpard L, et al. Synchrotron-Based Deep Learning Network of the Inner Ear: Development and Expert Validation. The Laryngoscope. 2026;136(10):4209-4218. PMID: 42212468.
2. Lotz J, et al. Phase-Contrast Synchrotron Imaging to Enhance Otologic Surgical Planning. Otol Neurotol. 2023;44(5):e555-e563.
3. Litjens G, et al. A Survey on Deep Learning in Medical Image Analysis. Med Image Anal. 2017;42:60-88.
