Radiomics đa phương thức trong bệnh lý gan: Hiện trạng và hướng đi tương lai

Radiomics đa phương thức (Multimodal Radiomics) trong bệnh lý gan hiện là hướng nghiên cứu và ứng dụng cô giá trị chẩn đoán và tiên lượng vượt trội so với thận.

Vì gan là một tạng có cấu trúc phức tạp và nhận nguồn cấp máu kép (từ động mạch gan và tĩnh mạch cửa), một loại hình ảnh đơn lẻ thường không cung cấp đủ thông tin. Multimodal radiomics giải quyết vấn đề này bằng cách "dung hợp" (fusion) hàng ngàn dữ liệu định lượng từ nhiều loại hình ảnh khác nhau để tạo ra một tiếp cận toàn diện về khối u hoặc nhu mô gan.

Dưới đây là cách tiếp cận và những ứng dụng của phương pháp này trong bệnh lý gan:

1. Các chiến lược kết hợp Đa phương thức

Trong không gian radiomics, "đa phương thức" có thể được hiểu theo hai hướng chính:

Đa phương thức trên cùng một hệ thống (đặc biệt trong siêu âm): Thay vì chỉ phân tích hình B-mode truyền thống, các thuật toán trích xuất và kết hợp đồng thời các đặc trưng từ:

Siêu âm B-mode: Đánh giá kết cấu cấu trúc vi mô.

Siêu âm đàn hồi mô (Elastography/SWE): Cung cấp bản đồ định lượng về độ cứng của mô.

Siêu âm tăng cường độ tương phản (CEUS) và Doppler: Cung cấp thông tin về huyết động học và tưới máu vi mạch.

Đa phương thức xuyên hệ thống (Cross-modality):

 Kết hợp các bộ dữ liệu từ các nền tảng khác nhau, điển hình nhất là kết hợp CT đa thì (Multi-phase CT gồm thì không thuốc, động mạch, tĩnh mạch, thì muộn) với cộng hưởng từ MRI (DWI, T1, T2) hoặc kết hợp dữ liệu siêu âm với CT/MRI.

2. Ứng dụng trong Bệnh lý Gan

Đánh giá Ung thư biểu mô tế bào gan (HCC)

Đây là ứng dụng mang lại giá trị lâm sàng cao nhất của radiomics đa phương thức:

Dự đoán xâm lấn vi mạch (Microvascular Invasion - MVI): 

MVI là yếu tố chủ yếu gây tái phát ung thư gan nhưng sinh thiết hay trên CT/MRI không thể chẩn đoán trước mổ. Bằng cách kết hợp các đặc trưng kết cấu (texture) của rìa khối u từ CT thì động mạch và thì tĩnh mạch, các mô hình học máy có thể dự đoán MVI với độ chính xác cao, giúp phẫu thuật quyết định cắt biên gan rộng hơn.


Dự đoán đáp ứng điều trị: Multimodal radiomics được dùng để dự đoán xem bệnh nhân HCC có đáp ứng tốt với các liệu pháp như TACE (nút mạch hóa chất) hay đốt sóng cao tần (RFA) hay không, dựa trên sự phân bố mạch máu và hoại tử bên trong khối u thu thập từ hình ảnh đa thì.

Phân độ Xơ hóa Gan (Liver Fibrosis Staging)

Để phân biệt chính xác giữa các giai đoạn xơ gan (từ F0 đến F4), việc chỉ dùng siêu âm B-mode hoặc chỉ đo độ cứng (Elastography) đôi khi có độ nhiễu.


Mô hình radiomics đa phương thức sẽ lấy chỉ số độ cứng định lượng làm cơ sở, sau đó tinh chỉnh bằng các đặc trưng toán học về độ thô của nhu mô trích xuất từ hình B-mode. Sự kết hợp này cho chẩn đoán xơ hóa gan có độ tương đồng cao với kết quả sinh thiết.

Bệnh Gan nhiễm mỡ liên quan đến chuyển hóa (MASLD / NASH)

Khó phân biệt gan nhiễm mỡ đơn thuần với tình trạng viêm gan thoái hóa mỡ (NASH) nếu không sinh thiết.

Bằng cách kết hợp dữ liệu định lượng về độ suy giảm âm (attenuation) với các đặc trưng kết cấu không gian, các thuật toán AI có thể đánh giá mức độ tích tụ mỡ và viêm rải rác trong nhu mô gan một cách khách quan.

3. Cách thức Dung hợp Dữ liệu (Data Fusion Workflow)

Để xử lý dữ liệu đa phương thức, hệ thống thường áp dụng hai chiến lược:

Dung hợp mức đặc trưng (Feature-level fusion):

 Hệ thống trích xuất hàng ngàn đặc trưng từ tất cả các phương thức (ví dụ: 1000 từ B-mode, 1000 từ Elastography), sau đó gộp chung vào một ma trận khổng lồ. Các thuật toán giảm chiều dữ liệu (như LASSO, PCA) sẽ lọc ra một "chữ ký radiomics" (radiomic signature) duy nhất trước khi đưa vào mô hình dự đoán.

Dung hợp mức quyết định (Decision-level fusion): Xây dựng các mô hình AI dự đoán độc lập cho từng loại hình ảnh, sau đó kết hợp xác suất đầu ra (bằng cách lấy trung bình hoặc gán trọng số) để đưa ra kết luận chẩn đoán cuối cùng.


--------

Chẩn đoán hình ảnh siêu âm đa phương thức trong bệnh lý gan: Hiện trạng và hướng đi tương lai
Tiên Trung , Tiểu Yến Tạ 

Tóm tắt


Siêu âm đa phương thức, bao gồm hình ảnh B-mode, siêu âm tăng cường độ tương phản (CEUS) và siêu âm đàn hồi, đã chứng minh giá trị đáng kể trong việc đánh giá cả các bệnh gan lan tỏa như xơ gan và gan nhiễm mỡ, cũng như các tổn thương gan khu trú như ung thư biểu mô tế bào gan (HCC). Kỹ thuật radiomics, bao gồm cả radiomics thủ công và các phương pháp học sâu, đã nổi lên như một chiến lược đầy hứa hẹn để tăng cường đánh giá bệnh gan dựa trên siêu âm. Các nghiên cứu gần đây đã áp dụng radiomics trên siêu âm đa phương thức, đạt được thành công đáng kể trong việc phân loại bệnh gan nhiễm mỡ, phân giai đoạn xơ gan và cải thiện chẩn đoán, phân tầng nguy cơ và dự đoán tiên lượng trong HCC.


Các bệnh về gan, bao gồm cả các bệnh lý lan tỏa như xơ gan và gan nhiễm mỡ, cũng như các tổn thương khu trú như ung thư biểu mô tế bào gan (HCC), vẫn là gánh nặng sức khỏe toàn cầu. Chẩn đoán chính xác và kịp thời rất quan trọng để lập kế hoạch điều trị hiệu quả và cải thiện kết quả điều trị cho bệnh nhân. Siêu âm đa phương thức (US), bao gồm hình ảnh B-mode, siêu âm tăng cường độ tương phản (CEUS) và siêu âm đàn hồi, cho phép đánh giá toàn diện hình thái, tưới máu và độ cứng của mô gan, trở thành kỹ thuật nền tảng trong đánh giá và quản lý bệnh gan. Tuy nhiên, việc diễn giải thông thường của siêu âm đa phương thức thường mang tính định tính và phụ thuộc vào người thực hiện, điều này hạn chế khả năng tái lập và độ chính xác chẩn đoán của nó.

Radiomics—quá trình trích xuất và phân tích các đặc điểm định lượng, đa chiều từ hình ảnh y khoa—nổi lên như một công cụ mạnh để chuyển đổi hình ảnh tiêu chuẩn thành dữ liệu có thể khai thác được. Trong những năm gần đây, trí tuệ nhân tạo (AI), bao gồm cả các phương pháp chẩn đoán hình ảnh y khoa thủ công (HR) và các phương pháp dựa trên học sâu (DL), đã chứng minh tiềm năng đáng kể trong việc chẩn đoán bệnh gan, bao gồm đặc điểm bệnh không xâm lấn, chẩn đoán sớm, phân tầng nguy cơ và dự đoán kết quả.4].

Siêu âm đa phương thức, bao gồm siêu âm B-mode, siêu âm tăng cường độ tương phản (CEUS) và siêu âm đàn hồi, cung cấp hình ảnh toàn diện hơn về hình thái, tưới máu và độ cứng của mô gan. Trí tuệ nhân tạo (AI) không chỉ hỗ trợ phân tích định lượng trong các phương thức siêu âm đơn lẻ, nâng cao tính khách quan và khả năng tái lập chẩn đoán, mà còn cung cấp các khung mạnh mẽ cho việc kết hợp và tích hợp dữ liệu đa phương thức. Sự kết hợp này cho phép mô hình nắm bắt được các mối tương quan giữa các phương thức mà người quan sát thường không thể nhận biết được, từ đó cải thiện độ chính xác, tính ổn định và hỗ trợ quyết định lâm sàng trong đánh giá bệnh gan.

Mặc dù sự quan tâm ngày càng tăng và nhiều nghiên cứu về chẩn đoán hình ảnh dựa trên siêu âm, vẫn còn thiếu hiểu biết có hệ thống về cách các phương thức siêu âm khác nhau và các phương pháp trí tuệ nhân tạo đóng góp vào chẩn đoán và tiên lượng bệnh gan. Hơn nữa, các thách thức như tính không đồng nhất của hình ảnh, khả năng tái tạo, khả năng giải thích của mô hình và xác thực lâm sàng vẫn cần được giải quyết.

Bài đánh giá này nhằm mục đích cung cấp một cái nhìn tổng quan toàn diện về bối cảnh hiện tại của chẩn đoán hình ảnh siêu âm đa phương thức trong bệnh gan, tập trung vào: (1) Đặc điểm kỹ thuật và tiềm năng chẩn đoán hình ảnh của siêu âm B-mode, CEUS và siêu âm đàn hồi; (2) Ứng dụng các mô hình HR và DL trong cả bệnh gan lan tỏa và khu trú dựa trên siêu âm đa phương thức; (3) Thảo luận về những hạn chế, thách thức, nhu cầu lâm sàng chưa được đáp ứng và triển vọng tương lai cho việc chuyển giao lâm sàng.






Hình 1: Quy trình làm việc của radiomics thủ công và học sâu. LASSO, thuật toán co rút và lựa chọn tuyệt đối tối thiểu; RFE, loại bỏ đặc trưng đệ quy; LR, hồi quy logistic; SVM,  vectơ máy hỗ trợ; CNN, mạng nơ-ron tích chập; GNN, mạng nơ-ron đồ thị; RNN, mạng nơ-ron hồi quy.

Radiomics, kỹ thuật trích xuất dữ liệu định lượng, đang phát triển mạnh trong quản lý bệnh gan với phương pháp luận  được cải tiến liên tục. Các nghiên cứu trước đây, chủ yếu là nghiên cứu hồi cứu và dựa trên một phương thức hình ảnh duy nhất, đã cho thấy tiềm năng trong chẩn đoán, đánh giá điều trị và dự đoán tiên lượng của một số bệnh gan. Tuy nhiên, vẫn cần thêm các nghiên cứu đa trung tâm và nghiên cứu tiền cứu để xác nhận tính hữu ích lâm sàng, đặc biệt là trong tiên lượng.

Những trở ngại chính hiện nay đối với việc ứng dụng radiomics trong bệnh gan nằm ở việc thu thập dữ liệu chất lượng cao và giải thích cơ chế trên cơ sở sinh học. Việc chia sẻ dữ liệu nhiều tổ chức và hợp tác chặt chẽ về làm sạch và dán nhãn dữ liệu sẽ giải quyết được vấn đề này. Đồng thời, cần phát triển các thuật toán trí tuệ nhân tạo với độ chính xác và cải thiện giải thích nhằm tạo thuận lợi cho việc chuyển giao và ứng dụng lâm sàng rộng rãi hơn.

SUY THẬN và SIÊU ÂM

Măc dù hình ảnh không thể thay thế hoàn toàn xét
nghiệm sinh hóa nhưng dùng siêu âm để phân giai đoạn suy thận có thê xem xét như sau:

1. Đối với Siêu âm truyền thống (mắt thường quan sát)

Siêu âm B-mode thường quy không thể phân chia chính xác suy thận mạn thành 5 giai đoạn tiêu chuẩn (CKD 1-5). Chỉ có thể dựa vào hình ảnh để đánh giá mức độ tổn thương một cách tương đối:

Giai đoạn sớm (Độ 1, 2): Thường không thể phát hiện hay phân biệt qua siêu âm vì kích thước và cấu trúc vỏ thận trông vẫn hoàn toàn bình thường.

Giai đoạn muộn (Độ 3, 4, 5): Siêu âm sẽ thấy rõ sự thay đổi hình thái (thận teo nhỏ dưới 9cm, nhu mô vỏ thận tăng âm sáng lên, mỏng đi và mất ranh giới tủy - vỏ). Tuy nhiên, chỉ có thể kết luận chung là "hình ảnh tổn thương bệnh thận mạn tính" chứ không thể phân giai đoan suy thận bằng hình siêu âm B-mode.

2. Đối với Siêu âm tích hợp AI và Radiomics (Phân tích dữ liệu định lượng)

Đây là lĩnh vực mà câu trả lời chuyển thành "có thể phân giai đoạn suy thận ".

Bằng cách sử dụng các thuật toán trích xuất đặc trưng hình ảnh siêu âm, các mô hình học máy hiện nay đã chứng minh khả năng dự đoán và phân lớp các giai đoạn suy thận (từ 1 đến 5) với độ chính xác cao trong các nghiên cứu.


Hệ thống có thể tìm ra được mối tương quan toán học chặt chẽ giữa sự biến đổi kết cấu vi thể (pixel) của nhu mô thận trên ảnh siêu âm với chỉ số sinh hóa eGFR. Thậm chí, nó có thể phân biệt được thận đang ở giai đoạn suy giảm chức năng sớm (độ 1, 2) mà trên siêu âm B-mode không thể nhận ra.










Radiomics trong siêu âm thận là một bước ngoặt lớn trong việc phân độ suy thận (đặc biệt là bệnh thận mạn - CKD). Thay vì chỉ dựa vào hình B-mode để đánh giá "độ sáng" hay "kích thước", radiomics biến hình ảnh siêu âm thành hàng ngàn dữ liệu định lượng (quantitative data) để đánh giá cấu trúc vi thể của nhu mô thận, từ đó lâp tương quan với mức độ suy giảm chức năng lọc.

Dưới đây là quy trình (workflow) chi tiết cách radiomics trích xuất dữ liệu và tiến hành phân độ suy thận:

1. Tiền xử lý và Phân vùng (Segmentation)

Chuẩn hóa hình ảnh: Hình ảnh siêu âm B-mode thô thường chứa nhiễu đốm (speckle noise). Quá trình tiền xử lý giúp chuẩn hóa thang độ xám để dữ liệu có tính đồng nhất giữa các máy siêu âm khác nhau.


Xác định vùng quan tâm (ROI - Region of Interest): 

Các thuật toán (thường là Deep Learning như U-Net) sẽ tự động phân viền và tách riêng các khu vực: toàn bộ thận, lớp vỏ thận (cortex), và vùng tủy thận (medulla). Lớp vỏ thận thường là khu vực mang lại nhiều giá trị chẩn đoán nhất vì đây là nơi tập trung các cầu thận và dễ bị xơ hóa.

2. Trích xuất đặc trưng định lượng (Feature Extraction)

Đây là "trái tim" của phương pháp radiomics. Từ ROI đã chon, hệ thống sẽ trích xuất hàng trăm đến hàng ngàn đặc trưng toán học:

Đặc trưng thống kê bậc 1 (First-order features):

 Phân tích biểu đồ histogram của cường độ pixel (như độ lệch - skewness, độ nhọn - kurtosis). Nó giúp định lượng chính xác "độ hồi âm" thay vì ước lượng bằng mắt.


Đặc trưng kết cấu bậc 2 (Second-order/Texture features): 

Sử dụng các ma trận phức tạp như GLCM (Gray-Level Co-occurrence Matrix) hay GLRLM (Gray-Level Run Length Matrix). Các ma trận này đánh giá sự phân bố không gian của các pixel. 

Ý nghĩa lâm sàng: Khi thận bị suy, các mô chức năng bị thay thế bởi mô xơ (collagen), làm thay đổi tính đồng nhất của kết cấu nhu mô. Radiomics có thể "đọc" được sự xơ hóa này thông qua các chỉ số kết cấu.


Đặc trưng bậc cao: Áp dụng các bộ lọc (như Wavelet, Laplacian of Gaussian) để làm nổi bật các cấu trúc vi mô bị ẩn giấu trong nhu mô.

3. Lựa chọn đặc trưng (Feature Selection)

Với hàng ngàn đặc trưng được trích xuất, hệ thống sẽ đối mặt với tình trạng "nhiễu" dữ liệu. Các thuật toán học máy (như LASSO, PCA) được áp dụng để giữ lại một bộ "chữ ký radiomics" (radiomic signature) tối ưu nhất—gồm những đặc trưng có mối tương quan chặt chẽ nhất với sự suy giảm chức năng thận.

4. Xây dựng mô hình Phân độ (Classification and Staging)

Bộ đặc trưng tối ưu sẽ được đưa vào các mô hình học máy (như Random Forest, Support Vector Machine - SVM, hoặc Neural Networks) để phân lớp tình trạng bệnh:

Phân độ theo eGFR: Hệ thống AI sẽ đối chiếu dữ liệu hình ảnh với chỉ số sinh hóa eGFR (độ lọc cầu thận ước tính) của bệnh nhân để phân loại tự động suy thận từ giai đoạn 1 đến giai đoạn 5.


Phát hiện sớm (Early Detection): 

Ở giai đoạn CKD 1 hoặc 2, thận thường chưa teo nhỏ và hình ảnh siêu âm trên B-mode hoàn toàn bình thường. Tuy nhiên, mô hình radiomics có thể nhận diện được những biến đổi kết cấu vi thể để cảnh báo suy thận sớm trước khi có biểu hiện hình thái rõ rệt.


Đánh giá mức độ xơ hóa mô kẽ: 

Một số mô hình được huấn luyện dựa trên tiêu chuẩn vàng là kết quả sinh thiết thận, cho phép radiomics dự đoán mức độ xơ hóa của ống thận - mô kẽ (từ nhẹ, trung bình đến nặng) một cách không xâm lấn.