ULTRASOUND-BASED RADIOMICS

 

Radiomics là một chuyên ngành khá mới liên quan đến việc trích xuất thông lượng cao các đặc điểm hình ảnh từ các hình ảnh y khoa [1-3]. Chúng được kết hợp với dữ liệu di truyền và lâm sàng, qua sử dụng các phương pháp trí tuệ nhân tạo để trích xuất các đặc điểm của khối u dựa trên sinh lý bệnh, sinh học phân tử và các thông tin liên quan khác, cung cấp các thực hành lâm sàng để hỗ trợ việc ra quyết định điều trị [4,5]. Hiện nay, radiomics có vai trò cần thiết trong chẩn đoán phụ trợ bệnh lý, dự đoán hành vi sinh học của khối u và đánh giá đáp ứng điều trị. Đã có một số nghiên cứu radiomics về chụp cắt lớp vi tính (CT), chụp cộng hưởng từ (MRI) và bệnh học  [6-9]. Là một nhánh quan trọng của hình ảnh y khoa, siêu âm là một phương pháp tạo hình thời gian thực, năng động và thuận tiện, không gây tổn thương bức xạ và phạm vi bao phủ rộng và nhiều chế độ hình ảnh [10]. Radiomics ultrasound là một công nghệ phát triển nhanh chóng với những thách thức và cơ hội đáng kể. Cho đến nay, đã có những nghiên cứu trong nhiều lĩnh vực khác nhau như tuyến giáp [11], vú [12], gan [13], sản khoa [14], tuyến tiền liệt [15] và trực tràng [8]. Với những cập nhật liên tục trong công nghệ xử lý hình ảnh và ứng dụng các thuật toán máy học (ML), radiomics ultrasound có triển vọng ứng dụng rộng rãi. Các đặc điểm radiomics không chỉ tương quan với dữ liệu bộ gen mà còn cung cấp thông tin bổ sung liên quan đến tính không đồng nhất của u trên toàn khối u để tiên lượng  sống còn  và phân tầng nguy cơ. Trong thời đại y học được cá nhân hóa, ultrasound-based radiomics có tiềm năng cải thiện khả năng chẩn đoán, tiên lượng và đánh giá đáp ứng điều trị.

Ứng dụng lâm sàng của US-based radiomics

Trong thực hành lâm sàng, US được sử dụng rộng rãi để phát hiện các bất thường về hình thái các cơ quan (Bảng I). Với sự phát triển của US-based radiomics, nhiều dấu ấn sinh học hình ảnh sẽ xuất hiện thông qua việc trích xuất sâu hơn hình ảnh  không thể nhìn thấy bằng mắt thường, cho phép chẩn đoán bệnh không xâm lấn sớm hơn và chính xác hơn.

Phân biệt lành tính và ác tính

Việc sử dụng phổ biến nhất của US-based radiomics là phân biệt giữa khối u lành tính và ác tính.
Do vị trí nông của tuyến giáp và chất lượng hình ảnh US cao US based radiomics  được áp dụng trước tiên để phân biệt giữa nhân giáp lành tính và ác tính [38-41]. Zhang và cộng sự [11] đã trích xuất các đặc điểm radiomics từ 2064 hình ảnh US đàn hồi và B mode được xác nhận về mặt bệnh lý của các nhân tuyến giáp và thiết lập mô hình chẩn đoán bằng cách sử dụng thuật toán random forest algorithm /rừng ngẫu nhiên/. Khả năng phân biệt nhân giáp lành tính và ác tính của mô hình này tốt hơn so với các bác sĩ hình ảnh có kinh nghiệm. Tương tự, có một số nghiên cứu về US based radiomics để chẩn đoán các khối u lành tính và ác tính ở vú, một số nghiên cứu chỉ trích xuất các đặc điểm US từ hình ảnh B-mode , trong khi những nghiên cứu khác kết hợp giữa hình ảnh B-mode và elastography [42,43]. Các đặc điểm của bệnh ung thư vú triple negative ở US không điển hình. Lee và cộng sự [44] đã phân biệt thành công ung thư vú triple negative với fibroadenoma vú bằng cách sử dụng phân tích  cấu trúc. Hệ thống Dữ liệu và Báo cáo Hình ảnh Vú (BI-RADS) là một phương pháp tiêu chuẩn để đánh giá các nốt ở vú. Tuy nhiên, sự khác biệt đáng kể giữa intra-observer và inter-observer dựa trên BI-RADS đã được báo cáo [45]. Luo và cộng sự [46] đã nghiên cứu 315 trường hợp tổn thương vú nguy cơ cao với BI-RADS 4 hoặc 5 và thiết lập mô hình dự đoán dựa trên radiomics kết hợp với phân loại BI-RADS. Mô hình cho thấy mức độ phân biệt cao giữa lành tính và ác tính (AUC 0,928; CI 95% [0.876, 0.908]). 

B-mode US có khả năng hạn chế trong việc chẩn đoán các bệnh gan khu trú. Trong một nghiên cứu đa trung tâm [47], phân tích radiomics của 2143 tổn thương gan khu trú cho thấy mô hình US based radiomics có độ chính xác và độ đặc hiệu cao khi phân biệt tổn thương gan lành tính và ác tính, và khả năng chẩn đoán cao hơn so với các bác sĩ chuyên môn  kinh nghiệm 15 năm, và độ chính xác chẩn đoán tương đương với CT có contrast. Peng và cộng sự [13] đã sử dụng phương pháp US based radiomics để phân biệt giữa các phân nhóm phụ bệnh lý  của ung thư gan nguyên phát trước phẫu thuật, giúp chẩn đoán và điều trị lâm sàng chính xác. Tương tự, Qin và cộng sự [48] đã phát triển các mô hình US based radiomics để xác định nguồn gốc của các khối u nguyên phát trong bệnh gan di căn, với các giá trị AUC đạt yêu cầu phản ánh trong huấn luyện và test thử nghiệm. Prostate HistoScanning (PHS) là một hệ thống dựa trên máy tính (ML phân loại) được đào tạo để xác định các thay đổi gợi ý đến PCa trong unprocessed 3 D reconstructed US radiofrequency data /dữ liệu tần số vô tuyến siêu âm tái tạo 3D chưa qua xử lý/. Một nghiên cứu gần đây báo cáo rằng những bệnh nhân nghi ngờ PCa có thể được hưởng lợi từ việc bổ sung PHS nhắm mục tiêu sinh thiết có hướng dẫn [49]. Bên cạnh đó, US based radiomics cũng được ứng dụng trong chẩn đoán phân biệt khối u buồng trứng lành tính và ác tính [50], polyp túi mật thật và giả [51] và ung thư nội mạc tử cung [52].

Tổn thương gan lan toả

Đánh giá chính xác độ xơ hóa gan là rất quan trọng để ra quyết định điều trị và tiên lượng bệnh [53].
Cho đến nay, sinh thiết gan vẫn là tiêu chuẩn vàng để phân loại xơ hóa gan. Tuy nhiên, sinh thiết là thủ thuật xâm lấn và sai số lấy mẫu có ảnh hưởng đến kết quả. Ngoài ra, sinh thiết gan gây chảy máu, nhiễm trùng và các biến chứng nghiêm trọng khác. Do đó, một số nghiên cứu đã sử dụng US based radiomics để phân loại xơ hóa gan. Các phương thức và thuật toán ML khác nhau của US đã được sử dụng để dự đoán phân loại xơ hóa gan, và tất cả đều có độ chính xác chẩn đoán tốt [37,54-56]. Một nghiên cứu tiền cứu đa trung tâm [57] sử dụng DL trên US đàn hồi sóng biến dạng (SWE) của gan đã báo cáo hiệu quả chẩn đoán cải thiện đáng kể để đánh giá xơ hóa gan trong viêm gan B mạn tính, với khả năng chẩn đoán xơ hóa gan F4 và ≥F3 tiến gần đến mức giải phẫu bệnh lý.
Liu và cộng sự [58] đã sử dụng mạng thần kinh phức hợp để phân tích các đặc điểm hình ảnh radiomics của bao gan và sau đó sử dụng SMV để phân biệt bệnh nhân xơ hóa gan; AUC đạt 0,92.
Tang và cộng sự [59] đã phát triển một mô hình ML dựa trên các thông số định lượng của US bằng cách sử dụng SWE ở chuột và độ chính xác phân loại của bệnh viêm gan nhiễm mỡ được cải thiện đáng kể.

Đánh giá các hành vi sinh học của khối u và cấu hình phân tử

Tiến triển của ung thư đi kèm với những thay đổi sinh lý và sinh hóa phức tạp trong khối u và mô xung quanh. Các đặc điểm hình thái của tổn thương nguyên phát có mối quan hệ nhất định với hành vi sinh học của khối u, chẳng hạn như di căn hạch, độ xâm lấn, mức độ bệnh lý và sự biệt hóa [60]. Tuy nhiên, một số đặc điểm hình thái vi mô này không thể nhìn thấy bằng mắt thường. Các dấu ấn sinh học hình ảnh dự kiến ​​sẽ được trích xuất thông qua phân tích radiomics và hành vi sinh học của những tổn thương này có thể được đánh giá không xâm lấn trước phẫu thuật. Di căn hạch là cơ sở cần thiết cho việc phân giai đoạn di căn hạch (TNM). Xác định di căn hạch trước phẫu thuật  có tầm quan trọng lớn trong việc lựa chọn phương pháp điều trị và tiên lượng bệnh nhân [61].

Một phân tích tổng hợp cho thấy US, CT và MRI không thể đánh giá chính xác tình trạng di căn hạch vì các phương pháp chẩn đoán hình ảnh hiện nay chủ yếu dùng kích thước hạch bạch huyết làm tiêu chí duy nhất cho di căn. Radiomics, mặt khác, cung cấp một giải pháp cho vấn đề này[62]. Chen và cộng sự [63] đã phân tích hồi cứu các đặc điểm radiomics của 115 bệnh nhân ung thư trực tràng và thiết lập một mô hình dự đoán đa tham số và hiệu chuẩn trong dự đoán hạch di căn trong ung thư trực tràng sử dụng US, elastography và hình ảnh CT của các tổn thương nguyên phát, các mô cận ung thư và hạch cực đại. Tương tự, một số nghiên cứu đã tiến hành phân tích hình ảnh radiomics đa phương thức của US cho ung thư biểu mô nhú tuyến giáp (PTC) và đã báo cáo cải thiện đáng kể độ chính xác của dự đoán hạch cổ di căn trong PTC [64-66]. Jin và cộng sự [67] đã phát triển một phương pháp  radiomics không xâm lấn dựa trên kết cấu các tính năng từ hình ảnh US để phát hiện di căn hạch  ở bệnh nhân ung thư cổ tử cung giai đoạn đầu. ML với nhiều phương pháp cũng đã được sử dụng để xây dựng các mô hình khác nhau, chẳng hạn như mô hình xạ hình và mô hình xạ hình-lâm sàng, cho dự đoán di căn hạch nách trong giai đoạn sớm ung thư vú [12,68,69].

Một số nghiên cứu đã chứng minh mối quan hệ chặt chẽ giữa các đặc điểm hình ảnh khối u và di truyền học, có thể cung cấp cơ sở sinh học cho ứng dụng lâm sàng của xạ hình [3]. Gần đây, Kwon et al [70] đã thực hiện một phân tích siêu âm radiomics từ 96 trường hợp PTC được xác nhận bởi bệnh lý; 86 tính năng radiomics đã thu được và một mô hình dự đoán được thành lập, cho thấy hiệu suất vừa phải và dự đoán đột biến BRAF trong PTC. Tuy nhiên, trong một nghiên cứu [71], các đặc điểm radiomics được trích xuất từ ​​527 hình ảnh của US cho thấy giá trị hạn chế như một dấu ấn sinh học không xâm lấn để dự đoán sự hiện diện của đột biến BRAF V600E của PTC không tinh kích thước.

Các đặc điểm radiomics cung cấp các dấu ấn sinh học có giá trị. Có một số phân tích định lượng về hình ảnh của US phản ánh sinh học khối u ở tế bào và mức độ phân tử. Guo và cộng sự [72] đã chứng minh rằng các đặc điểm US radiomics được trích xuất từ ​​hình ảnh ung thư vú có thể phân biệt các khối u có biểu hiện thụ thể estrogen và progesterone khác nhau (AUC = 87,7%). Vi mạch xâm lấn (MVI) [73], được định nghĩa là sự xâm lấn của các tế bào u trong một không gian mạch máu được lót bởi nội mô, đã được chứng minh rộng rãi như một yếu tố dự báo tái phát sớm của ung thư biểu mô tế bào gan (HCC). Hu et al [74] đã trích xuất các đặc trưng của radiomics US của 482 bệnh nhân mắc ung thư biểu mô tế bào gan trên US và thành lập mô hình dự đoán lâm sàng-X quang kết hợp AFP và kích thước khối u, cho thấy một giá trị dự đoán tuyệt vời cho  MVI positivity.

Tương tự, Yao và cộng sự [75] đã thực hiện một phân tích radiomics hình ảnh đa phương thức của US của 177 bệnh nhân tổn thương gan, trích xuất các đặc điểm radiomics và thiết lập năm mô hình ML, cho thấy hiệu suất chẩn đoán và dự đoán tốt để phân biệt lành tính và ác tính và mức độ của các dấu ấn sinh học như như PD-1, Ki-67 và MVI. Ung thư đường mật (ICC) là một bệnh ung thư nguyên phát tích cực có nguồn gốc trong biểu mô ống mật chủ [76]. Không giống như HCC, phẫu thuật cắt bỏ hiện là phương pháp điều trị duy nhất cho bệnh nhân ICC [77]. Một nghiên cứu [78] đã trích xuất các đặc điểm radiomics tiên đoán nhất để đánh giá MVI, xâm nhập perineural, biệt hóa, Ki-67, VEGFR và CK7 trong ICC và báo cáo rằng các tính năng này có hiệu quả vừa phải trong việc dự đoán không xâm lấn  hành vi sinh học của ICC.

Tumor deposits/Khối u lắng đọng (TDs) trong ung thư trực tràng được định nghĩa là các focal clusters/cụm tiêu điểm/ của ung thư biểu mô tuyến nằm ở quanh trực tràng hoặc mỡ quanh trực tràng gần khối u nguyên phát và không kết hợp với khối u nguyên phát hoặc các hạch bạch huyết [79]. TDs có liên quan đến giai đoạn TNM. TD positive có nghĩa là khối u hung hãn hơn và tiên lượng xấu hơn. Rất khó để chẩn đoán xác định TD positive bằng hình ảnh thông thường và chỉ có thể xác định được bệnh lý hậu phẫu. Chen và cộng sự [80] đã phân tích US và độ đàn hồi các đặc điểm hình ảnh của US của 127 bệnh nhân ung thư trực tràng và tiên lượng tiền phẫu của TD-positive.

Ra quyết định điều trị và đánh giá tiên lượng

Cắt bỏ phẫu thuật (SR) và cắt bỏ bằng tần số vô tuyến (RFA) là hai chiến lược điều trị chính để chẩn đoán ung thư biểu mô tế bào gan sớm [81]. Tuy nhiên, sự lựa chọn điều trị cho cá nhân vẫn còn tranh cãi. Liu et al [82] tối ưu hóa việc điều trị HCC sớm dựa trên DL của radiomics trong CEUS, không chỉ dự đoán tỷ lệ sống không tiến triển (progression-free survival, PFS) của bệnh nhân RFA và SR nhưng cũng xác định rằng 17,3% bệnh nhân RFA và 27,3% bệnh nhân SR cần được trao đổi các lựa chọn, có thể làm tăng PFS 2 năm lần lượt là 12% và 15%. Liu và cộng sự [83] đã phát triển và xác thực mô hình radiomics DL dựa trên CEUS (R-DLCEUS), một mô hình ML dựa trên radiomics của đường cong cường độ thời gian CEUS (R-TIC) và ML dựa trên radiomics của hình ảnh thang xám (chế độ R-B) để dự đoán đáp ứng điều trị của bệnh nhân ung thư biểu mô tế bào gan sau khi cá nhân hóa hóa trị liệu động mạch qua gan. Các R-DLCEUS đã báo cáo hiệu quả chẩn đoán cao nhất của 0,93 (KTC 95%, 0,80-0,98) và có thể đạt được hiệu quả dự đoán chính xác và được cá nhân hóa. Tương tự, Ma et al [84] đã phát triển một mô hình kết hợp dựa trên tiền phẫu thuật hình ảnh CEUS động, US thường quy và các yếu tố lâm sàng của tổn thương HCC để dự đoán tái phát sớm và muộn ở bệnh nhân có một tổn thương HCC đơn lẻ có đường kính ≤5 cm sau khi cắt đốt bằng nhiệt, cho thấy hiệu quả tốt (nhóm huấn luyện: AUC 0,89, nhóm thử nghiệm: AUC 0,84). Park và cộng sự [85] đã đánh giá và dự đoán khả năng sống không bệnh của PTC dựa trên các đặc điểm radiomics B-mode US, dự kiến ​​sẽ cung cấp được chẩn đoán và điều trị cá nhân hóa, và giảm đi việc điều trị quá mức ung thư tuyến giáp. Các nghiên cứu về US radiomics hiện tại chủ yếu dựa trên hình ảnh từ một thời điểm duy nhất, trong khi hiệu quả điều trị được dự đoán thông qua phân tích so sánh hình ảnh từ nhiều mốc thời gian trong quá trình điều trị. Một nghiên cứu đa trung tâm cho thấy rằng US radiomics có thể theo dõi đáp ứng điều trị với neoadjuvant chemotherapy/ hóa trị bổ trợ tân sinh/ ở ung thư vú tiến triển tại chỗ.

Tồn tại và cơ hội trong tương lai

Dựa theo điểm đánh giá chất lượng radiomics [87], hình ảnh chất lượng cao, thu thập dữ liệu được chuẩn hóa và xử lý, thêm thông tin từ hình ảnh mới của nhiều thời điểm hơn, nghiên cứu dựa trên cơ sở sinh học phân tử và bệnh học có thể cải thiện chất lượng của các nghiên cứu về radiomics[19].
Các phần tương đối không cố định của US, sự phụ thuộc vào người khám và sự không nhất quán của cài đặt thiết bị và thông số là những lý do chính tại sao sự phát triển của radiomics không theo kịp sự phát triển của các phương pháp chẩn đoán hình ảnh y khoa khác. Ngoài ra, các tính năng của US chỉ có thể được trích xuất từ ​​một phần của tổn thương, vì vậy nó không thể phản ánh toàn bộ khối u, cũng là một hạn chế của việc áp dụng phương pháp US radiomics. Hiện tại, số lượng hình ảnh trong hầu hết các nghiên cứu US radiomics là hàng trăm, vẫn chỉ là số nhỏ khi thực tế là hàng nghìn trường hợp. Hơn nữa, hầu hết  là nghiên cứu đơn độc, điều này làm hạn chế tính tổng quát của các mô hình ML. Phần lớn các nghiên cứu dựa trên US radiomics là hồi cứu.
Thiết kế tương lai có thể cải thiện chất lượng của nghiên cứu nhưng cần khối lượng công việc và thời gian nhiều hơn. Một thách thức khác là khả năng  giải thích giữa các đặc điểm hình ảnh radiomics được trích xuất hiện tại và các đặc điểm lâm sàng.
Với sự cải tiến của công nghệ xử lý hình ảnh, phát triển các phương pháp trí tuệ nhân tạo phù hợp với máy US và liên tục cải tiến độ phân giải của thiết bị, US radiomics đã gia tăng triển vọng. DL đã được chứng minh là cải thiện hiệu suất  đáng kể so với các phương pháp ML truyền thống [88]. TL cũng là một phương pháp hiệu quả để phân loại các cơ sở dữ liệu tương đối nhỏ hiện có. TL đã được đề xuất để có thể áp dụng nhiều hơn trong phân tích hình ảnh US radiomics.

Những thiếu sót của hình ảnh US có thể được bù đắp bằng cách liên tục tăng số lượng hình ảnh và xác nhận bên ngoài để cải thiện hiệu quả chẩn đoán. Bên cạnh đó, để đạt được tính nhất quán của hình ảnh, tiêu chuẩn thu nhận hình ảnh thống nhất [2,89,90], các tham số máy và ROI outline sites /nơi chọn ROI / là cần thiết [19]. Cũng thế, sự phát triển của radiomics dựa trên DL đa phương thức các mô hình (B mode, Doppler, CEUS và đo độ đàn hồi sóng biến dạng) cung cấp thông tin bổ sung có thể nâng cao hiệu quả chẩn đoán [36].Với cải tiến của công nghệ xử lý video động, video động CEUS hoặc siêu âm 3-D  cung cấp nhiều dữ liệu không gian-thời gian và giá trị hơn, lĩnh vực nghiên cứu US radiomics sẽ có bước đột phá trong thời gian tới.