Xây dựng phần mềm trí tuệ nhân tạo trong chẩn đoán mô bệnh học hạch di căn của ung thư phổi

Xây dựng phần mềm trí tuệ nhân tạo (AI) chẩn đốn mơ bệnh học hạch di ung thư phổi TS BS Phạm Hoàng Ngọc Hoa cộng Trung tâm Giải phẫu bệnh – Tế bào học, Bệnh viện Bạch Mai Trường Đại học Nagasaki, Nhật Bản Đặt vấn đề • Ứng dụng A.I đặc biệt deep learning y học lên xu hướng giới, lợi ích rõ ràng mà mang lại chẩn đốn điều trị • Chẩn đốn hạch di ung thư bước quan trọng nhằm phân độ ung thư đưa định điều trị phù hợp • Tuy nhiên việc sàng lọc nhiều tiêu hạch công việc dễ gây mệt mỏi nhàm chán, dẫn đến khả xảy sai sót chẩn đốn • Trong loại ung thư, ung thư phổi nguyên nhân gây tử vong nhiều giới • Đây đề tài chưa có cơng bố quốc tế Source: Halo AI ® in automated breast cancer metastasis challenge Phương pháp nghiên cứu • 349 tiêu H&E hạch (160 hạch di 189 hạch không di theo kết GPB thường quy) bệnh nhân ung thư phổi thu thập bệnh viện ĐH Nagasaki Kameda, Nhật Bản từ năm 2014-2018 • 233 tiêu để dạy máy (training), 10 tiêu để kiểm định ban đầu (validation) 106 tiêu để đánh giá thuật toán (testing) • Mục tiêu: Xây dựng phần mềm ứng dụng trí tuệ nhân tạo (A.I.) có khả phát tế bào ung thư phổi di hạch Giảm thiểu lỗi sai thường gặp phần mềm A.I chẩn đoán ung thư di hạch Di vs Không di - Tiêu scan máy Aperio Scancope CS2 (Leica) vật kính 40x - Xây dựng thuật toán phần mềm Halo v.2.2 (Indica Labs, USA) - Pilot study: Bước đầu tạo khoảng 4000 thích cho phân loại u khơng u để training thuật toán deep learning (VGG - CNN) 3900 thích 3000 thích • Sử dụng cửa sổ “real time” để kiểm tra tức khả phân loại thuật tốn • Model chúng tơi ban đầu dường phát u tốt Đỏ: vùng u tiên đốn, xanh: mơ nền, Đường vàng: tiêu chuẩn vàng BS Lỗi sai!!! Khó khăn ban đầu • Nhiều vùng dương tính giả lớn • Những lỗi sai giả u thường gặp: mô bào, tâm mầm nang lympho -> Hướng giải quyết: Làm bước tiếp theo: cho thêm nhiều thích (10,000) thêm nhiều bước dạy nhắc lại (iteration) (10,000,000 lần) Kết quả: nhiều lỗi sai tương tự Nguyên nhân: cắt ngưỡng u (tumor threshold) đồ nóng (heatmap) phần mềm bị cố định 50% (mức thấp) Lỗi sai!! Tìm hướng giải Tạo model deep learning đưa nang lympho thành phân loại riêng, gồm loại: Nang lympho, u mô khác Nang lympho Mô u Mô khác (2371 thích) (3902 thích) (3030 thích) Kết quả: • • Độ phân giải cao: 0.25 µm/ pixel 740,000 bước dạy nhắc lại Dương tính giả nang lympho Nang lympho Mơ u Mơ khác Dương tính giả mơ u Quyết định bạn gì? Chờ đợi phiên phần mềm Halo có chức chỉnh ngưỡng u dành cho người dùng? Tiếp tục cung cấp thêm thật nhiều data (Big Data) cho thuật toán? Chờ đợi giúp đỡ kĩ sư máy tính hãng? Đầu hàng chuyển sang đề tài nghiên cứu khác? • Giả thuyết mới: sử dụng bước (2 models) cho mục tiêu: - Bước 1: loại bỏ nang lympho phản ứng - Bước 2: tìm kiếm u hạch loại bỏ nang lympho => giảm sai sót tăng độ xác cho mục tiêu phát u di hạch Bước 1: Phát loại bỏ nang lympho ✓ Các nang lympho có hình dáng kích thước tương đồng ✓ Xây dựng model khác để chọn model hiệu nhất: Random forest classifier (model 1) – phân loại • Chỉ cần thích ít, nhỏ • Mục tiêu phát nang lympho Deep learning (model 2) - phân loại • Cần số lượng thích vừa phải • Mục tiêu phát nang lympho Nang lympho (20 thích) Nang lympho (1243 thích) Mơ khác (45 thích) Mơ khác (1089 thích) • • • Độ phân giải thấp: 4.4 µm/ pixel Độ phân giải cao: 1.04 µm/ pixel 33,500 bước dạy nhắc lại Bước 2: Xây dựng model phát u • • • • Deep learning (Model 3) - phân loại: U khơng u Cần số lượng thích nhiều, đa dạng Độ phân giải cao: 0.25 µm/ pixel 10,000,000 bước dạy nhắc lại Mục tiêu phát tế bào u tiêu hạch Mơ u (4196 thích) Mơ khác (5959 thích) Phương pháp đánh giá kết • Bước 1: Hình ảnh chia thành nhỏ (100 x 100 µm) so sánh với hình vẽ thích BS GPB (tiêu chuẩn vàng) Ơ nhỏ coi là: - Dương tính thật: khu vực tiên đoán u trùng >50% với tiêu chuẩn vàng - Dương tính giả: khu vực tiên đốn u trùng