3. Vai trò của ứng dụng trí tuệ nhân tạo vindr trong dự báo nguy cơ ác tính của nốt phổi đơn độc
Nội dung chính của bài viết
Tóm tắt
Nốt phổi đơn độc là dạng tổn thương khá thường gặp do nhiều nguyên nhân gây nên. Các nguyên nhân lành tính bao gồm u lao, harmatoma, hạch lympho tại phổi, sarcoidosis, u nấm. Các nguyên nhân ác tính gồm: ung thư phổi, ung thư di căn phổi, u lympho… Trí tuệ nhân tạo trong chẩn đoán nốt phổi đơn độc nhăm mục đích phát hiện sớm tổn thương, chẩn đoán chính xác và tiên lượng tình trạng bệnh. chúng tôi nhằm đánh giá vai trò của Trí tuệ nhân tạo (AI) VinDr trong dự đoán nguy cơ của SPN và so sánh hiệu suất của nó với các phương pháp truyền thống trong chẩn đoán. Nghiên cứu mô tả với 23 bệnh nhân nốt phổi đơn độc được sinh thiết phổi xuyên thành ngực chẩn đoán và so sánh giữa kết quả mô bệnh học với phân tích AI cho kết quả tính đồng thuận ở mức tốt giữa 2 phương pháp, độ nhạy của AI là 83,3%, độ đặc hiệu là 100%, giá trị dự đoán âm tính 62,5%. Hơn nữa, có sự đồng thuận tốt giữa phân tích AI và kết quả mô bệnh học. Nghiên cứu của chúng tôi cho thấy rằng AI có tiềm năng trở thành một công cụ cần thiết trong việc dự đoán nguy cơ ác tính của nốt phổi đơn độc (Solitary Pulmonary Nodule-SPN).
Chi tiết bài viết
Từ khóa
Nốt phổi đơn độc, ung thư phổi, AI- Artificial Intelligence
Tài liệu tham khảo
2. Huang P, Lin CT, Li Y, et al. Prediction of lung cancer risk at follow-up screening with low-dose CT: a training and validation study of a deep learning method. Lancet Digit Healt. 2019; 1(7): e353-e362.
3. S.k. L, Mohanty SN, K. S, N. A, Ramirez G. Optimal deep learning model for classification of lung cancer on CT images. Future Gener Comput Syst. 2019; 92: 374-382. doi:10.1016/j.future.2018.10.009.
4. Bi WL, Hosny A, Schabath MB, et al. Artificial intelligence in cancer imaging: Clinical challenges and applications. CA Cancer J Clin. 2019; 69(2): 127-157. doi:10.3322/caac.21552.
5. Trịnh Thị Hương. Nhận Xét Kết Quả Sinh Thiết Xuyên Thành Ngực Dưới Hướng Dẫn Chụp Cắt Lớp vi Tính Tổn Thương Nốt Phổi. Luận văn chuyên khoa cấp 2. Đại học Y Hà Nội; 2018.
6. Laurent F, Latrabe V, Vergier B, Montaudon M, Vernejoux JM, Dubrez J. CTguided transthoracic needle biopsy of pulmonary nodules smaller than 20 mm: results with an automated 20-gauge coaxial cutting needle. Clin Radiol. 2000; 55(4): 281-287. doi:10.1053/crad.1999.0368.
7. Lung Cancer Survival Rates | 5-Year Survival Rates for Lung Cancer. Accessed November 7, 2021. https://www.cancer.org/cancer/lung-cancer/detection-diagnosis-staging/survival-rates.html.
8. Tandon YK, Bartholmai BJ, Koo CW. Putting artificial intelligence (AI) on the spot: machine learning evaluation of pulmonary nodules. J Thorac Dis. 2020; 12(11). doi:10.21037/jtd-2019-cptn-03.
9. Onishi Y, Teramoto A, Tsujimoto M, et al. Multiplanar analysis for pulmonary nodule classification in CT images using deep convolutional neural network and generative adversarial networks. Int J Comput Assist Radiol Surg. 2020; 15(1): 173-178. doi:10.1007/s11548-019-02092-z.
10. Chen K, Nie Y, Park S, et al. Development and Validation of Machine Learning–based Model for the Prediction of Malignancy in Multiple Pulmonary Nodules: Analysis from Multicentric Cohorts. Clin Cancer Res. 2021; 27(8): 2255-2265. doi:10.1158/1078-0432.CCR-20-4007.
11. Massion PP, Antic S, Ather S, et al. Assessing the Accuracy of a Deep Learning Method to Risk Stratify Indeterminate Pulmonary Nodules. Am J Respir Crit Care Med. 2020; 202(2): 241-249. doi:10.1164/rccm.201903-0505OC.