AI ghép ảnh X-quang phẳng với bản quét 3D để dẫn đường phẫu thuật ra sao?

Một ống thông đi qua mạch máu, một ống nội soi luồn qua khe nhỏ: bác sĩ có thể nhìn thấy dụng cụ trên X-quang trong lúc phẫu thuật, nhưng ảnh ấy chỉ là hình chiếu phẳng. Câu hỏi khó là dụng cụ đang nằm ở đâu và quay theo hướng nào bên trong cơ thể ba chiều. Kỹ thuật xvr được phát triển để trả lời câu hỏi đó bằng cách đối chiếu X-quang thời gian thực với bản quét CT hoặc MRI trước phẫu thuật, đạt độ chính xác dưới milimét trong các thử nghiệm được nêu. [1]

Điểm đáng chú ý nằm ở cách hệ thống thích nghi. Thay vì buộc một mô hình AI duy nhất phải hiểu mọi cơ thể, xvr tạo dữ liệu mô phỏng từ chính bản quét của từng bệnh nhân, rồi điều chỉnh mô hình trong khoảng năm phút. Nhờ vậy, ảnh phẳng có thể cung cấp thêm thông tin về vị trí tương đối giữa dụng cụ và các cấu trúc giải phẫu, dù công nghệ này vẫn đang được phát triển cho những tình huống phức tạp hơn. [1]

Vì sao một ảnh phẳng gây khó khăn?

X-quang ghi lại cách tia X đi qua cơ thể trên một mặt phẳng quan sát. Nhiều cấu trúc nằm chồng lên nhau trong cùng hình ảnh, nên người xem phải suy ra chiều sâu và hướng của dụng cụ từ những dấu hiệu hạn chế. Trong các thủ thuật ít xâm lấn, bác sĩ đưa ống thông hoặc dụng cụ khác qua một đường rạch nhỏ và dùng máy X-quang di động để quan sát từ các góc khác nhau. Hình ảnh giúp theo dõi tiến trình, nhưng không tự động cho biết chính xác đầu dụng cụ đang ở vị trí nào trong không gian. [1]

Để biến thông tin phẳng thành định vị ba chiều, ảnh X-quang trong lúc làm thủ thuật cần được đăng ký với bản quét CT hoặc MRI đã chụp trước đó. “Đăng ký ảnh” ở đây có nghĩa là tìm cách đặt hai loại hình ảnh vào cùng một hệ quy chiếu, sao cho bác sĩ có thể xem dụng cụ liên hệ với xương, mạch máu hoặc cơ quan trên bản quét. Ví dụ, một dấu chấm trên ảnh phẳng chỉ có ý nghĩa đầy đủ hơn khi hệ thống xác định được nó tương ứng với vị trí nào trong cơ thể ba chiều. [1]

Vì sao AI trước đây chưa đủ ổn định?

Cách làm thủ công đòi hỏi bác sĩ phải nhập thông số về vị trí hoặc tự chọn các mốc giải phẫu trên màn hình. Công việc này chậm và nặng tính kinh nghiệm, nhất là khi ảnh có chất lượng hạn chế hoặc thủ thuật cần diễn ra nhanh. Một mô hình AI dùng chung tưởng như có thể giải quyết vấn đề, nhưng cơ thể người khác nhau đáng kể về hình dạng, kích thước, vùng được chụp và loại hình ảnh. Mô hình hoạt động tốt ở một nhóm bệnh nhân vì thế có thể kém tin cậy ở nhóm khác. [1]

Khó khăn còn nằm ở dữ liệu huấn luyện. Muốn dạy mô hình nhận biết nhiều kiểu cơ thể và nhiều tình huống đăng ký ảnh, các nhà phát triển cần dữ liệu y khoa được đánh dấu chính xác ở quy mô lớn. Xvr chọn một hướng khác: mô hình không cần ngay từ đầu phải hoạt động hoàn hảo trên mọi người, mà được thiết kế để thích nghi riêng với người đang được điều trị. Đây là thay đổi trong cách đặt bài toán, từ “một mô hình cho tất cả” sang “một mô hình được điều chỉnh cho từng ca”. [1]

Xvr tạo dữ liệu cho từng bệnh nhân thế nào?

Hệ thống bắt đầu từ bản quét 3D trước phẫu thuật của bệnh nhân. Từ đó, nó dùng mô phỏng dựa trên vật lý của quá trình tạo X-quang để sinh ra nhiều ảnh giả lập từ các hướng khác nhau. Những ảnh này không phải dữ liệu lấy từ một người khác rồi gán sang bệnh nhân mới; chúng được tạo dựa trên cấu trúc đã hiện diện trong bản quét của chính người đó. Mục đích là giúp AI học cách bản quét 3D ấy có thể xuất hiện dưới dạng ảnh X-quang phẳng. [1]

Nếu huấn luyện một mô hình riêng hoàn toàn từ đầu, quá trình này có thể mất khoảng mười hai giờ, quá lâu cho các tình huống cần xử lý nhanh. Vì vậy, nhóm nghiên cứu dùng dữ liệu từ hơn 2.000 bản quét 3D, thuộc nhiều độ tuổi, vùng cơ thể và phương thức chụp, để huấn luyện trước một mô hình nền. Khi gặp bệnh nhân mới, mô hình nền được điều chỉnh bằng dữ liệu mô phỏng riêng trong khoảng năm phút. Sau bước thích nghi, hệ thống có thể đăng ký ảnh trong vài giây với độ chính xác tương đương cách huấn luyện riêng từ đầu. [1]

Kết quả cho biết điều gì?

Trong đánh giá được mô tả, xvr được thử trên một bộ dữ liệu đăng ký ảnh 2D và 3D từ năm bệnh viện, gồm nhiều loại xương và hệ cơ quan ở cả người lớn lẫn trẻ em. Hệ thống vượt các phương pháp AI trước đó về độ chính xác và khả năng hoạt động ổn định trên nhiều bệnh nhân, bộ phận cơ thể và thủ thuật. Cụm “dưới milimét” mô tả mức sai lệch trong phép đối chiếu được báo cáo, chứ không có nghĩa mọi vị trí của dụng cụ trong mọi ca lâm sàng đều chắc chắn chính xác như nhau. [1]

Ý nghĩa thực tế của kết quả nằm ở việc giảm bớt phần suy đoán khi điều khiển dụng cụ qua đường rạch nhỏ. Khi ảnh X-quang được đặt đúng với bản quét 3D, bác sĩ có thêm cách nhìn về quan hệ giữa dụng cụ và mô xung quanh. Điều đó có thể hỗ trợ các thủ thuật nhanh và chính xác hơn, đồng thời mở hướng ứng dụng cho công nghệ phẫu thuật robot. Tuy nhiên, xvr là công cụ hỗ trợ định vị, không thay thế quyết định chuyên môn hay biến ảnh phẳng thành một bản đồ hoàn hảo của cơ thể. [1]

Điều gì vẫn chưa được giải quyết?

Một cơ thể đang được phẫu thuật không phải lúc nào cũng đứng yên. Các bộ phận chuyển động, thay đổi tư thế hoặc biến dạng có thể khiến mối tương ứng giữa bản quét trước phẫu thuật và hình ảnh thời gian thực trở nên khó hơn. Nhóm nghiên cứu cho biết họ còn muốn làm xvr nhanh hơn để dùng theo thời gian thực, kiểm tra độ tin cậy trong thêm nhiều tình huống và mở rộng hệ thống cho những trường hợp có bộ phận cơ thể chuyển động. [1]

Vì thế, cách nhìn hợp lý về phát minh này không phải là một cỗ máy tự mình dẫn đường cho mọi ca mổ. Xvr giải quyết một nút thắt cụ thể: nối hình ảnh 2D đang xuất hiện trong phòng mổ với thông tin 3D đã có của chính bệnh nhân. Nếu các bước đánh giá tiếp theo xác nhận hiệu quả trong nhiều bối cảnh, lớp kết nối ấy có thể làm cho những thủ thuật vốn đòi hỏi đào tạo lâu năm và hình ảnh khó đọc trở nên dễ hỗ trợ hơn. Điều thay đổi không phải hình dạng của X-quang, mà là lượng thông tin bác sĩ có thể rút ra từ nó. [1]