MIT ra mắt xvr: AI giúp đồng bộ X-quang và quét 3D trong phẫu thuật với độ chính xác dưới milimet

Các nhà nghiên cứu đã tạo ra một kỹ thuật mới giúp khớp chính xác và nhanh chóng hình ảnh X-quang thu được trong quá trình phẫu thuật với bản quét y tế 3D trước phẫu thuật của bệnh nhân. Phương pháp này có thể giúp các bác sĩ lâm sàng điều hướng chính xác các công cụ phẫu thuật xâm lấn tối thiểu, từ đó giúp các ca phẫu thuật diễn ra nhanh chóng và an toàn hơn.

Các bác sĩ lâm sàng thực hiện nhiều ca phẫu thuật xâm lấn tối thiểu bằng cách sử dụng hình ảnh X-quang thời gian thực để hỗ trợ điều hướng các thiết bị như ống thông (catheter) và ống nội soi qua những vết mổ nhỏ. Tuy nhiên, vì X-quang là hình ảnh phẳng, việc xác định chính xác vị trí và hướng của các dụng cụ phẫu thuật bên trong cơ thể bệnh nhân là một thách thức, làm tăng nguy cơ xảy ra biến chứng.

Để hỗ trợ định vị các thiết bị phẫu thuật, các bác sĩ lâm sàng có thể căn chỉnh thủ công hình ảnh X-quang với hình ảnh y tế 3D trước phẫu thuật, chẳng hạn như CT scan hoặc MRI. Các công cụ trí tuệ nhân tạo được thiết kế để hợp lý hóa quy trình này thường gặp khó khăn trong việc căn chỉnh hình ảnh một cách ổn định cho tất cả bệnh nhân, khiến chúng không khả thi trong thực tế.

Hệ thống mới này, được phát triển bởi các nhà khoa học và bác sĩ lâm sàng tại MIT cùng các tổ chức hợp tác, sử dụng một mô hình AI có khả năng thích ứng với từng bệnh nhân chỉ trong khoảng năm phút. Mô hình này tự động khớp hình ảnh X-quang của một bệnh nhân với các bản quét 3D chỉ trong vài giây, với độ chính xác dưới milimet.

Được đặt tên là xvr (viết tắt của X-ray volume registration), hệ thống này đã vượt trội hơn các phương pháp AI hiện có gấp nhiều lần trên nhiều đối tượng bệnh nhân, bộ phận cơ thể và quy trình y tế khác nhau.

“Phần lớn người Mỹ sống cách xa hơn một giờ di chuyển so với các trung tâm có khả năng thực hiện các thủ thuật không xâm lấn, như can thiệp đột quỵ khẩn cấp. Một giờ trong thời gian vàng điều trị đột quỵ là vô cùng quan trọng. Việc làm cho các thủ thuật này trở nên dễ dàng hơn bằng cách kết hợp thông tin 2D và 3D sẽ giúp các loại thủ thuật cứu người chuyên sâu này dễ tiếp cận hơn với đông đảo người dân,” Vivek Gopalakrishnan, nghiên cứu sinh sau tiến sĩ tại Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo (CSAIL) của MIT; cựu sinh viên Chương trình Khoa học và Công nghệ Y tế Harvard-MIT; và là tác giả chính của bài báo về xvr, được công bố hôm nay trên tạp chí Nature, cho biết.

Cùng tham gia bài báo với anh là cố vấn Polina Golland, Giáo sư Kỹ thuật Điện và Khoa học Máy tính (EECS) mang tên Sunlin và Priscilla Chou, nhà nghiên cứu chính tại CSAIL, trưởng nhóm Medical Vision Group và là đồng tác giả cấp cao của bài báo; cùng Neel Dey, cựu nghiên cứu sinh sau tiến sĩ tại Medical Vision Group, hiện là nhà nghiên cứu tại Trường Y Harvard và Bệnh viện Đa khoa Massachusetts, đồng thời là đồng tác giả cấp cao của bài báo. Các đồng tác giả khác bao gồm David-Dimitris Chlorogiannis, nhà nghiên cứu và bác sĩ lâm sàng tại Trường Y Harvard; Andrew Abumoussa, bác sĩ phẫu thuật thần kinh tại Viện Khoa học Thần kinh St. Luke’s Marion Bloch; Anna M. Larson, bác sĩ lâm sàng nhi khoa tại Bệnh viện Shriners Children’s; Nazim Haouchine, trợ lý giáo sư về chẩn đoán hình ảnh tại Harvard và Bệnh viện Brigham and Women’s; Darren B. Orbach, bác sĩ và nhà khoa học tại Bệnh viện Nhi Boston; và Sarah Frisken, phó giáo sư về chẩn đoán hình ảnh tại Harvard.

Làm cho hình ảnh X-quang trở nên giàu thông tin hơn

Trong nhiều quy trình phẫu thuật xâm lấn tối thiểu, như tạo hình mạch máu để mở các động mạch bị tắc, các bác sĩ lâm sàng đưa dụng cụ qua một vết mổ nhỏ và sử dụng máy quét X-quang di động tốc độ cao để tạo ra hình ảnh cho phép họ quan sát quy trình từ mọi góc độ.

Nhưng để điều hướng các dụng cụ phẫu thuật mà không vô tình làm tổn thương các mô khác, các bác sĩ lâm sàng phải căn chỉnh hình ảnh X-quang thời gian thực với bản quét MRI hoặc CT trước phẫu thuật của bệnh nhân. Quy trình này, được gọi là đăng ký hình ảnh (registration), giúp họ xác định vị trí của dụng cụ so với các cấu trúc giải phẫu.

“Phải mất hàng chục năm đào tạo để một bác sĩ lâm sàng trở nên đủ kỹ năng để nhìn vào những hình ảnh 2D mờ nhạt và hiểu mọi thứ được định hướng như thế nào. Chúng tôi muốn làm cho những hình ảnh X-quang 2D này trở nên giàu thông tin hơn, để việc thực hiện các thủ thuật cứu người này trở nên an toàn và dễ dàng hơn,” Gopalakrishnan nói.

Các phương pháp đăng ký hình ảnh thủ công thường chậm chạp và gây áp lực, đòi hỏi bác sĩ lâm sàng phải đoán vị trí của dụng cụ phẫu thuật bằng cách nhập số vào máy tính hoặc nhấp vào các mốc giải phẫu trên màn hình.

Để hợp lý hóa quy trình, các nhà nghiên cứu đang phát triển các mô hình AI có khả năng dự đoán việc đăng ký hình ảnh 2D/3D. Tuy nhiên, giải phẫu của con người rất đa dạng nên một mô hình hoạt động tốt với một số bệnh nhân có thể thất bại với những người khác.

Việc thiếu dữ liệu hình ảnh y tế được chú giải chất lượng cao khiến việc đào tạo một mô hình học sâu đủ mạnh để thích ứng với nhiều bệnh nhân trở nên khó khăn, Gopalakrishnan cho biết.

Thay vì cố gắng tạo ra một mô hình học máy có thể áp dụng cho tất cả bệnh nhân, các nhà nghiên cứu đã xây dựng một mô hình được thiết kế để thích ứng cực kỳ tốt với từng bệnh nhân cụ thể.

“Chúng tôi tùy chỉnh mô hình cụ thể này cho bệnh nhân cụ thể đó, và việc nó có hoạt động trên người khác hay không không quan trọng vì sẽ có những mô hình khác cho những người đó,” Gopalakrishnan nói thêm.

Học máy dành riêng cho từng bệnh nhân

Xvr lấy bản quét 3D trước phẫu thuật của một bệnh nhân, như MRI hoặc CT, và sử dụng nó để tạo ra hàng ngàn hình ảnh X-quang tổng hợp từ nhiều góc độ, tạo ra khoảng 1.000 hình ảnh mỗi giây. Nó sử dụng mô phỏng dựa trên vật lý của quy trình X-quang để đảm bảo các hình ảnh tổng hợp này là chân thực.

“Thay vì tạo dữ liệu từ hư không như một số loại AI tạo sinh, mô phỏng vật lý này hoàn toàn dựa trên bản quét CT hoặc MRI của chính bệnh nhân đó. Vì xvr tạo ra dữ liệu dành riêng cho bệnh nhân theo cách thuần túy dựa trên vật lý, nên không có chỗ cho các ảo giác (hallucinations),” Gopalakrishnan nói.

Khung xvr sử dụng các dữ liệu mô phỏng này để huấn luyện một mô hình AI có khả năng căn chỉnh chính xác hình ảnh X-quang 2D của bệnh nhân đó với bản quét hình ảnh 3D của họ chỉ trong vài giây.

Tuy nhiên, mặc dù mô hình đăng ký hình ảnh như vậy có độ chính xác cao, nhưng sẽ mất khoảng 12 giờ để huấn luyện từ đầu cho mỗi bệnh nhân, khiến nó không thể triển khai trong trường hợp khẩn cấp. Để làm cho quy trình nhanh hơn, các nhà nghiên cứu đã sử dụng xvr để huấn luyện trước một hệ thống AI linh hoạt hơn, được gọi là mô hình nền tảng (foundation model), có khả năng điều chỉnh nhanh chóng cho từng bệnh nhân mới.

Họ đã thu thập các bản quét y tế 3D toàn thân từ hơn 2.000 bệnh nhân bao gồm nhiều độ tuổi, phương thức hình ảnh và vùng cơ thể khác nhau. Xvr đã sử dụng những dữ liệu đa dạng này để tạo ra hình ảnh X-quang tổng hợp và huấn luyện một mô hình nền tảng để thực hiện đăng ký hình ảnh 2D/3D.

Mô hình đã được huấn luyện trước này có thể thích ứng với một bệnh nhân mới trong khoảng năm phút và thực hiện đăng ký hình ảnh với độ chính xác tương đương như khi được huấn luyện từ đầu.

“Vì vậy, bây giờ bạn có thể đạt được độ chính xác dành riêng cho từng bệnh nhân nhưng cũng trong một khung thời gian rất nhanh,” Gopalakrishnan nói.

Nhóm nghiên cứu đã thử nghiệm mô hình trên tập dữ liệu lớn nhất hiện có về đăng ký hình ảnh 2D/3D thực tế, kết hợp dữ liệu từ năm bệnh viện bao gồm hàng chục hệ thống xương và cơ quan ở bệnh nhân người lớn và trẻ em.

Xvr đã vượt trội hơn đáng kể so với các phương pháp dựa trên AI khác về độ chính xác và độ ổn định, đồng thời hoạt động đủ nhanh cho các ca phẫu thuật khẩn cấp. Mô hình này cũng có thể được sử dụng để cải thiện hiệu suất của các công nghệ phẫu thuật bằng robot.

Trong tương lai, các nhà nghiên cứu hy vọng sẽ tập trung vào việc làm cho xvr nhanh hơn để triển khai trong thời gian thực, tiến hành các nghiên cứu sâu hơn để xác minh độ tin cậy của nó trong các tình huống bổ sung, và mở rộng hệ thống để xử lý các kịch bản phức tạp hơn, như các bộ phận cơ thể đang chuyển động.

“Trong hai năm qua, chúng tôi đã cẩn thận phát triển thuật toán này và xác thực nó. Hiện tại, chúng tôi đang hợp tác chặt chẽ với các công ty robot phẫu thuật và các nhóm lâm sàng để biến nghiên cứu này thành các công cụ hữu ích cho việc điều hướng hoặc triển khai,” Gopalakrishnan nói.

Công trình này được tài trợ một phần bởi Viện Y tế Quốc gia (NIH), Chương trình MIT CSAIL-Wistron, Phòng thí nghiệm Nghiên cứu Máy tính MIT-IBM, Phòng khám MIT Jameel, Chương trình Hợp tác Khoa học Đời sống và Sức khỏe MIT, và Quỹ Nghiên cứu Chuyển đổi Gia đình Chou.