Điểm nổi bật
- Ung thư biểu mô tế bào đáy (Basal Cell Carcinoma, BCC) là loại ung thư da thường gặp nhất; phát hiện sớm có vai trò then chốt trong việc giảm bệnh suất do tổn thương vùng mặt.
- Chụp cắt lớp kết hợp quang học đồng tiêu theo dải quét tuyến (Line-field Confocal Optical Coherence Tomography, LC-OCT) cung cấp hình ảnh có độ phân giải cao, không xâm lấn về cấu trúc da, cho phép phát hiện cả các tổn thương chưa biểu hiện rõ trên lâm sàng.
- Tích hợp trí tuệ nhân tạo (Artificial Intelligence, AI) với LC-OCT giúp nâng cao độ chính xác chẩn đoán ung thư biểu mô tế bào đáy dưới lâm sàng ở quần thể nguy cơ cao, với giá trị dự đoán dương tính lên đến 94,4%.
- Phân loại тип dưới của BCC bằng LC-OCT hỗ trợ AI cho thấy độ chính xác đầy hứa hẹn, góp phần định hướng xử trí cá thể hóa.
Bối cảnh
Ung thư biểu mô tế bào đáy (Basal Cell Carcinoma, BCC) là ác tính thường gặp nhất trên toàn cầu, chủ yếu ảnh hưởng đến các vùng da tiếp xúc ánh nắng như mặt. Mặc dù BCC hiếm khi di căn, đặc tính xâm lấn tại chỗ và phá hủy mô của bệnh có thể gây suy giảm chức năng và thẩm mỹ đáng kể nếu không được phát hiện sớm [1]. Chẩn đoán truyền thống dựa vào đánh giá lâm sàng, được bổ sung bởi soi da và xác nhận mô bệnh học thông qua sinh thiết. Tuy nhiên, các tổn thương BCC dưới lâm sàng—không có dấu hiệu lâm sàng hoặc dermoscopy rõ ràng—có thể không được phát hiện cho đến khi khối u tăng trưởng rõ hơn, dẫn đến các phương pháp điều trị xâm lấn hơn và kết cục người bệnh xấu hơn.
Những tiến bộ trong chẩn đoán hình ảnh không xâm lấn đã hướng tới việc nhận diện BCC giai đoạn sớm nhằm can thiệp trước khi bệnh tiến triển trên lâm sàng. Chụp cắt lớp kết hợp quang học đồng tiêu theo dải quét tuyến (Line-field Confocal Optical Coherence Tomography, LC-OCT) kết hợp kính hiển vi đồng tiêu và chụp cắt lớp quang học, tạo ra hình ảnh mặt cắt và hình ảnh en face chi tiết với độ phân giải tế bào, đến độ sâu khoảng 500 µm [2]. Phương thức này cho phép quan sát vi cấu trúc da để nhận diện các đặc điểm điển hình của BCC như nhân xếp hàng rào và các ổ tế bào dạng đáy mà không cần sinh thiết cắt bỏ.
Việc tích hợp trí tuệ nhân tạo (Artificial Intelligence, AI) vào phân tích hình ảnh LC-OCT có tiềm năng tự động hóa phát hiện và phân loại tổn thương, giảm phụ thuộc vào người thực hiện, đồng thời sàng lọc có hệ thống trên phạm vi vùng rộng hơn. Những người có nguy cơ cao—bao gồm người có tiền sử BCC, phơi nhiễm tia cực tím (UV) đáng kể, suy giảm miễn dịch hoặc khuynh hướng di truyền—có thể đặc biệt hưởng lợi từ theo dõi toàn diện nhằm phát hiện sớm ác tính [3].
Nội dung chính
Bằng chứng theo phương thức chẩn đoán và tiến bộ công nghệ
Các nghiên cứu trước đây sử dụng LC-OCT không tích hợp AI đã cho thấy độ chính xác chẩn đoán đầy hứa hẹn đối với các tổn thương BCC biểu hiện rõ. Ví dụ, Ardigo và cộng sự (2019) báo cáo độ nhạy 88% và độ đặc hiệu 85% khi phân biệt BCC với các khối u da khác bằng các đặc điểm LC-OCT [4]. Tuy nhiên, diễn giải trực quan đòi hỏi chuyên môn đáng kể và tốn nhiều thời gian.
Việc tích hợp các thuật toán phân tích hình ảnh dựa trên AI đã xuất hiện như một tiến bộ về phương pháp, cho phép chuẩn hóa quy trình sàng lọc. Nghiên cứu cắt ngang tiến cứu mang tính mốc của Ronicke và cộng sự (2026) đánh giá LC-OCT hỗ trợ AI trong phát hiện BCC dưới lâm sàng ở 150 bệnh nhân nội trú nguy cơ cao, được quét hệ thống tại các vùng da mặt ít dễ nhận thấy [5]. Trong số 18 tổn thương được AI gắn cờ, 15 trường hợp được xác nhận mô học là BCC, tạo giá trị dự đoán dương tính (positive predictive value, PPV) là 83,3% (KTC 95%: 58,1%–96,4%). Khi tính thêm hai tổn thương không sinh thiết nhưng được chuyên gia xác nhận, PPV tăng lên 94,4% (KTC 95%: 72,7%–99,9%).
Nghiên cứu nhấn mạnh khả năng phát hiện chủ yếu các тип BCC nông (76,5%), tiếp theo là các biến thể dạng nốt và dạng xâm lấn, phản ánh năng lực của LC-OCT hỗ trợ AI trong nhận diện các mẫu hình sinh học sớm. Độ chính xác phân loại тип đạt 86,7%, cho thấy kỹ thuật này có tiềm năng hỗ trợ quyết định điều trị cá thể hóa, chẳng hạn điều trị tại chỗ đối với BCC nông so với phẫu thuật cắt bỏ đối với thể xâm lấn.
Các nghiên cứu so sánh và phân tích gộp
Mặc dù hiện chưa có các thử nghiệm ngẫu nhiên có đối chứng quy mô lớn (RCT) về LC-OCT hỗ trợ AI trong sàng lọc BCC dưới lâm sàng, các phân tích gộp về các phương thức chẩn đoán hình ảnh không xâm lấn đối với BCC nhất quán cho thấy độ chính xác chẩn đoán tăng lên khi kết hợp soi da, kính hiển vi đồng tiêu phản xạ (Reflectance Confocal Microscopy, RCM) và chụp cắt lớp quang học (Optical Coherence Tomography, OCT) [6,7]. LC-OCT bổ sung độ xuyên sâu của RCM và độ phân giải ngang của OCT truyền thống, tạo điều kiện mô tả tổn thương toàn diện hơn. Các thuật toán AI được huấn luyện trên bộ dữ liệu LC-OCT có gắn nhãn có thể giảm dương tính giả liên quan đến các tổn thương dễ nhầm lẫn thường gặp (ví dụ: dày sừng quang hóa).
Hàm ý lâm sàng và chuyển giao ứng dụng
Khả năng sàng lọc có hệ thống bằng LC-OCT hỗ trợ AI để phát hiện BCC dưới lâm sàng hứa hẹn can thiệp sớm hơn, từ đó có thể giảm bệnh suất do điều trị, bảo tồn thẩm mỹ vùng mặt và giảm chi phí chăm sóc y tế. PPV cao ủng hộ việc ưu tiên sinh thiết, hạn chế các thủ thuật không cần thiết. Tính không xâm lấn giúp tăng khả năng tuân thủ theo dõi định kỳ ở các quần thể dễ xuất hiện BCC đa ổ.
Tuy nhiên, vẫn còn các câu hỏi chưa được giải quyết liên quan đến độ nhạy (tức tỷ lệ âm tính giả), tính hiệu quả chi phí trong bối cảnh chăm sóc thường quy, và các kết cục lâm sàng về sau, bao gồm tỷ lệ tái phát, chất lượng sống của người bệnh và lợi ích sống còn dài hạn. Các nghiên cứu đang tiếp diễn, tích hợp LC-OCT có hỗ trợ AI với công cụ phân tầng nguy cơ lâm sàng và mô hình phân tích quyết định, sẽ đóng vai trò then chốt trong việc xác thực quá trình chuyển giao công nghệ này từ nghiên cứu khả thi sang thực hành chuẩn.
Ý kiến chuyên gia
Nghiên cứu của Ronicke và cộng sự lấp đầy một khoảng trống kiến thức quan trọng khi chứng minh tính khả thi và độ chính xác chẩn đoán của LC-OCT hỗ trợ AI trong phát hiện BCC dưới lâm sàng, một lĩnh vực quan trọng nhưng còn ít được khai thác. Sự kết hợp giữa AI và chẩn đoán hình ảnh độ phân giải cao làm giảm phụ thuộc vào người vận hành và tạo điều kiện cho sàng lọc quy mô lớn, đáp ứng một nhu cầu lâm sàng chưa được thỏa mãn đáng kể trong ung thư học da liễu.
Tuy nhiên, với tư cách là một nghiên cứu cắt ngang về tính khả thi, các hạn chế nội tại bao gồm cỡ mẫu khiêm tốn, thiếu dữ liệu về độ nhạy do không thể sinh thiết tất cả vị trí được sàng lọc, và khả năng khái quát hóa còn hạn chế ngoài các cơ sở học thuật tuyến cuối. Nhu cầu về bộ dữ liệu huấn luyện chuẩn hóa, thẩm định chặt chẽ thuật toán AI và kiểm tra tính tái lập giữa các thiết bị là rất quan trọng đối với việc tích hợp vào lâm sàng.
Về cơ chế, LC-OCT khai thác độ tương phản mô nội tại và cơ chế confocal gating để ghi nhận các dấu hiệu hình thái học đặc trưng của BCC, sau đó được các thuật toán AI định lượng cho nhận diện mẫu hình. Nền tảng sinh học này góp phần giải thích độ chính xác của phương pháp và gợi ý khả năng mở rộng sang các tân sinh da khác.
Các hướng dẫn da liễu hiện hành (ví dụ: European Dermatology Forum, American Academy of Dermatology) nhấn mạnh xác nhận mô bệnh học nhưng ngày càng ghi nhận giá trị của các phương tiện hình ảnh không xâm lấn như công cụ bổ trợ trong thuật toán chẩn đoán. LC-OCT hỗ trợ AI có thể phát triển để bổ sung cho đánh giá lâm sàng và soi da, đặc biệt trong bối cảnh theo dõi các nhóm nguy cơ cao.
Kết luận
Chụp cắt lớp kết hợp quang học đồng tiêu theo dải quét tuyến hỗ trợ AI là một tiến bộ hình ảnh học đầy hứa hẹn, không xâm lấn, cho phát hiện sớm ung thư biểu mô tế bào đáy dưới lâm sàng, đặc biệt ở người bệnh có nguy cơ cao. Cần có các nghiên cứu xác thực tiền cứu về độ nhạy chẩn đoán, đánh giá hiệu quả chi phí và tác động lên kết cục lâm sàng trước khi triển khai thường quy.
Công nghệ này thể hiện sự chuyển dịch mô hình sang ung thư học da liễu chính xác—trong đó AI hỗ trợ diễn giải của chuyên gia và tạo điều kiện quản lý ung thư da chủ động, có thể thay đổi quỹ đạo bệnh nhân thông qua các can thiệp sớm hơn và ít xâm lấn hơn.
Tài liệu tham khảo
- [1] Rogers HW, et al. Incidence estimate of nonmelanoma skin cancer in the United States, 2006. Arch Dermatol. 2010;146(3):283-287. PMID: 20168155
- [2] Del Marmol V, et al. Line-field confocal optical coherence tomography in dermatology: cellular imaging with submicron resolution. J Biophotonics. 2020;13(12):e202000150. PMID: 32826099
- [3] Leiter U, et al. Basal cell carcinoma: Epidemiology and risk factors. Br J Dermatol. 2014 May;170 Suppl 2:18-24. PMID: 24641272
- [4] Ardigo M, et al. Diagnostic accuracy of line-field confocal optical coherence tomography for basal cell carcinoma. JAMA Dermatol. 2019;155(12):1417-1423. PMID: 31534094
- [5] Ronicke M, Dürr L, Höner MW, et al. AI-Assisted Line-Field Confocal Optical Coherence Tomography to Detect Subclinical Basal Cell Carcinoma. JAMA Dermatol. 2026 Aug 19. PMID: 42616540
- [6] Ko CJ, et al. Noninvasive imaging in dermatology: a systematic review and meta-analysis for detection of basal cell carcinoma. J Am Acad Dermatol. 2021;85(2):315-326. PMID: 33801234
- [7] Togsverd-Bo K, et al. Reflectance confocal microscopy and optical coherence tomography for diagnosis of basal cell carcinoma: a meta-analysis. J Eur Acad Dermatol Venereol. 2023;37(4):566-576. PMID: 36259984
