Đánh giá thuật toán trí tuệ nhân tạo DRAID™ endo trong phát hiện tổn thương ung thư dạ dày trên hình ảnh nội soi
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu được thực hiện với mục tiêu đánh giá độ chính xác trong khả năng phát hiện và khoanh vùng tổn thương ung thư dạ dày (UTDD) trên hình ảnh nội soi của thuật toán AI (hệ thống DrAid™ Endo) hỗ trợ phát hiện tổn thương. Nghiên cứu mô tả cắt ngang được thực hiện tại Viện Nghiên cứu và Đào tạo Tiêu hóa Gan mật (IGH) từ 04/2024 đến 12/2024. Thuật toán được kiểm chứng trên tập ảnh tĩnh bao gồm 934 ảnh nội soi dạ dày không có tổn thương và 122 ảnh nội soi UTDD ở 4 chế độ ánh sáng (WLI, BLI, LCI, FICE) với chuẩn vàng là gán nhãn của chuyên gia. Độ chính xác được đánh giá bằng các chỉ số gồm: độ nhạy (Se), độ đặc hiệu (Sp) và độ chính xác (Acc). Tỷ lệ nhận đúng tổn thương của AI là 89,5% trên tổng số tổn thương. Các chỉ số Se, Sp và Acc lần lượt là 90,2%, 100% và 98,7%. 22/122 ảnh (18,3%) có tổn thương được AI khoanh vùng rộng/hẹp hơn so với khoanh vùng gốc của chuyên gia. Thuật toán phát hiện tổn thương UTDD của DrAidEndo có độ chính xác cao, cần mở rộng nghiên cứu trên nội soi thời gian thực và tăng cường dữ liệu tổn thương tiền ung thư để đánh giá toàn diện hơn hệ thống này.
Chi tiết bài viết
Từ khóa
Trí tuệ nhân tạo, AI, nội soi tiêu hóa, ung thư dạ dày, độ chính xác chẩn đoán
Tài liệu tham khảo
2. Viện Ung thư Quốc gia. Tình hình bệnh ung thư tại Việt Nam theo GLOBOCAN 2022. 2024; https://nci.vn/tin-tuc/tinh-hinh-benh-ung-thu-tai-viet-nam-theo-globocan-2022-58.
3. Ezoe Y, Muto M, Uedo N, et al. Magnifying narrowband imaging is more accurate than conventional white-light imaging in diagnosis of gastric mucosal cancer. Gastroenterology. 2011; 141(6): 2017-2025 e2013. Doi:10.1053/j.gastro.2011.08.007.
4. Hamashima C, Systematic Review G, Guideline Development Group for Gastric Cancer Screening G. Update version of the Japanese Guidelines for Gastric Cancer Screening. Jpn J Clin Oncol. 2018; 48(7): 673-683. Doi:10.1093/jjco/hyy077.
5. Zhang Z, Gao N, Liu K, et al. Risk factors of missed early gastric cancer in endoscopic resected population: a retrospective, case-control study. Surg Endosc. 2024; 38(8): 4380-4389. Doi:10.1007/s00464-024-10970-0.
6. Shimodate Y, Mizuno M, Doi A, et al. Gastric superficial neoplasia: high miss rate but slow progression. Endosc Int Open. 2017; 5(8): E722-e726. Doi:10.1055/s-0043-110076
7. Quách Trọng Đức, Hà Văn Đến. Tần suất và đặc điểm carcinôm dạ dày giai đoạn tiến triển ở bệnh nhân đã từng được nội soi dạ dày nhưng chưa xác định bệnh. Tạp chí Y học Thành phố Hồ Chí Minh. 2018; 22(6): 56-62.
8. Dohi O, Yagi N, Majima A, et al. Diagnostic ability of magnifying endoscopy with blue laser imaging for early gastric cancer: a prospective study. Gastric Cancer. 2017; 20(2): 297-303. Doi:10.1007/s10120-016-0620-6.
9. Zhang Q, Wang F, Chen ZY, et al. Comparison of the diagnostic efficacy of white light endoscopy and magnifying endoscopy with narrow band imaging for early gastric cancer: a meta-analysis. Gastric Cancer. 2016; 19(2): 543-552. Doi:10.1007/s10120-015-0500-5.
10. Klang E, Sourosh A, Nadkarni GN, Sharif K, Lahat A. Deep Learning and Gastric Cancer: Systematic Review of AI-Assisted Endoscopy. Diagnostics (Basel). 2023; 13(24). Doi:10.3390/diagnostics13243613.
11. Dao HV, Nguyen BP, Nguyen TT, et al. Application of artificial intelligence in gastrointestinal endoscopy in Vietnam: a narrative review. Ther Adv Gastrointest Endosc. 2024; 17: 26317745241306562. Doi:10.1177/26317745241306562.
12. Lee GJ, Park SJ, Kim SJ, Kim HH, Park MI, Moon W. Effectiveness of Premedication with Pronase for Visualization of the Mucosa during Endoscopy: A Randomized, Controlled Trial. Clinical endoscopy. 2012; 45(2): 161-164. Doi:10.5946/ce.2012.45.2.161.
13. Reis D, Kupec J, Hong J, Daoudi A. Real-time flying object detection with YOLOv8. arXiv 2023. arXiv preprint arXiv:230509972. 2023.
14. Lin T-Y, Maire M, Belongie S, et al. Microsoft coco: Common objects in context. Paper presented at: European conference on computer vision2014.
15. Hu B, El Hajj N, Sittler S, Lammert N, Barnes R, Meloni-Ehrig A. Gastric cancer: Classification, histology and application of molecular pathology. J Gastrointest Oncol. 2012; 3(3): 251-261. Doi:10.3978/j.issn.2078-6891.2012.021.
16. Tamaki R, Amano F, Hashida T, Satake H, Yasui H, Tsuji A. The Outcome of Treatment for Patients with Borrmann Type 4 Advanced Gastric Cancer. Journal of Cancer Therapy. 2016; 7(12): 953-962. Doi:10.4236/jct.2016.712092.
17. Huang Q, Shi J Fau - Sun Q, Sun Q Fau - Gold JS, et al. Clinicopathological characterisation of small (2 cm or less) proximal and distal gastric carcinomas in a Chinese population. 2015(1465-3931 (Electronic)).
18. Zhang K, Wang H, Cheng Y, et al. Early gastric cancer detection and lesion segmentation based on deep learning and gastroscopic images. Sci Rep. 2024; 14(1): 7847. Doi:10.1038/s41598-024-58361-8.
19. Niikura R, Aoki T, Shichijo S, et al. Artificial intelligence versus expert endoscopists for diagnosis of gastric cancer in patients who have undergone upper gastrointestinal endoscopy. Endoscopy. 2022; 54(8): 780-784. Doi:10.1055/a-1660-6500.
20. Đào Việt Hằng, Nguyễn Thị Huyền Trang, Vũ Thị Thu Uyên, et al. Trải nghiệm và sự chấp nhận của các bác sĩ nội soi về việc triển khai hệ thống tích hợp thuật toán trí tuệ nhân tạo hỗ trợ trong nội soi tiêu hoá tại Việt Nam. Tạp chí Y học Việt Nam. 2024; 542:272-276. Doi:10.51298/vmj.v542i3.11223.
21. Jha D, Sharma V, Dasu N, et al. GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided Gastrointestinal Disease Detection. Paper presented at: Machine Learning for Multimodal Healthcare Data; Octobor 10th, 2024; Marrakech, Morocco.