Ung thư tuyến tiền liệt là mối đe dọa phổ biến đối với sức khỏe của nam giới, đứng thứ hai về tử vong liên quan đến ung thư ở Hoa Kỳ. Mỗi năm, khoảng 250.000 người đàn ông ở Mỹ được chẩn đoán ung thư tuyến tiền liệt. Trong khi hầu hết các trường hợp có tỷ lệ mắc bệnh và tử vong thấp, một tập hợp con các trường hợp cần điều trị tích cực. Các bác sĩ tiết niệu đánh giá nhu cầu điều trị như vậy chủ yếu thông qua điểm Gleason, đánh giá sự xuất hiện của tuyến tiền liệt trên các slide mô học. Tuy nhiên, có sự thay đổi đáng kể trong việc giải thích, dẫn đến cả điều trị và điều trị quá mức.

Phương pháp hiện tại, dựa trên các slide mô học, có những hạn chế. Chỉ một phần nhỏ của sinh thiết được xem trong 2D, có nguy cơ bỏ lỡ các chi tiết quan trọng và việc giải thích các cấu trúc tuyến 3D phức tạp có thể mơ hồ khi xem trên các phần mô 2D. Hơn nữa, mô học thông thường phá hủy mô, hạn chế phân tích xuôi dòng. Để giải quyết những thiếu sót này, các nhà nghiên cứu đã phát triển các phương pháp bệnh lý 3D không phá hủy, cung cấp hình ảnh hoàn chỉnh của các mẫu sinh thiết trong khi vẫn bảo tồn tính toàn vẹn của mô.

Những tiến bộ gần đây bao gồm các kỹ thuật để có được bộ dữ liệu bệnh lý 3D, cho phép cải thiện đánh giá nguy cơ ung thư tuyến tiền liệt. Nghiên cứu được công bố trên Tạp chí Quang học Y sinh (JBO) khai thác toàn bộ sức mạnh của bệnh lý 3D bằng cách phát triển một mô hình học sâu để cải thiện phân đoạn 3D của cấu trúc mô tuyến rất quan trọng để đánh giá nguy cơ ung thư tuyến tiền liệt.

Nhóm nghiên cứu, dẫn đầu bởi Giáo sư Jonathan TC Liu từ Đại học Washington ở Seattle, đã đào tạo một mô hình học sâu, nnU-Net, trực tiếp trên dữ liệu phân đoạn tuyến tiền liệt 3D thu được từ các đường ống phức tạp trước đó. Mô hình của họ tạo ra hiệu quả phân đoạn ngữ nghĩa 3D chính xác của các tuyến trong bộ dữ liệu sinh thiết tuyến tiền liệt 3D của họ, được thu thập bằng kính hiển vi tấm ánh sáng mở (OTLS) được phát triển trong nhóm của họ. Các phân đoạn tuyến 3D cung cấp những hiểu biết có giá trị về thành phần mô, điều này rất quan trọng cho các phân tích tiên lượng.

Liu nhận xét, “Kết quả của chúng tôi cho thấy độ chính xác đáng chú ý của nnU-Net đối với phân đoạn tuyến tiền liệt 3D ngay cả với dữ liệu đào tạo hạn chế, cung cấp một giải pháp thay thế đơn giản và nhanh hơn cho các phương pháp phân đoạn tuyến 3D trước đây của chúng tôi. Đáng chú ý, nó duy trì hiệu suất tốt với đầu vào có độ phân giải thấp hơn, có khả năng giảm yêu cầu tài nguyên.”

Mô hình phân đoạn 3D dựa trên học sâu mới đại diện cho một bước tiến quan trọng trong bệnh lý tính toán ung thư tuyến tiền liệt. Bằng cách tạo điều kiện mô tả chính xác các cấu trúc tuyến, nó hứa hẹn sẽ hướng dẫn các quyết định điều trị quan trọng để cuối cùng cải thiện kết quả của bệnh nhân. Tiến bộ này nhấn mạnh tiềm năng của các phương pháp tính toán trong việc tăng cường chẩn đoán y tế. Tiến về phía trước, nó hứa hẹn cho y học cá nhân hóa, mở đường cho các can thiệp hiệu quả và nhắm mục tiêu hơn.

Vượt qua những hạn chế của mô học thông thường, bệnh lý 3D tính toán cung cấp khả năng mở khóa những hiểu biết có giá trị về tiến triển bệnh và điều chỉnh các can thiệp theo nhu cầu cá nhân của bệnh nhân. Khi các nhà nghiên cứu tiếp tục đẩy ranh giới của đổi mới y tế, nhiệm vụ chinh phục ung thư tuyến tiền liệt bước vào một kỷ nguyên mới về độ chính xác và khả năng.

Để biết chi tiết về sự tiến bộ gần đây, hãy xem bài viết Truy cập Mở Vàng của Rui Wang et al., “Phân đoạn ba chiều trực tiếp của tuyến tiền liệt với nnU-Net,” J. Biomed. Opt. 29(3) 036001 (2024), doi 10.1117/1.JBO.29.3.036001

Theo: Microscopy plus deep learning to advance prostate cancer diagnosis (spie.org)