Tóm tắt
Ung thư nói chung và ung thư vú nói riêng luôn là vấn đề được quan tâm trên toàn thế giới. Ung thư vú là ung thư được chẩn đoán thường gặp nhất ở nữ giới. Trên phạm vi toàn cầu khi xét cả hai giới, ung thư vú đứng thứ hai về số ca mắc mới và đứng thứ tư về tử vong do ung thư.
Cùng với tỷ lệ mắc ngày càng tăng của ung thư vú thì việc áp dụng công nghệ mới giúp chẩn đoán, phân loại, tiên lượng và điều trị cũng ngày càng phát triển. Trong những năm gần đây, học sâu (deep learning) đã phát triển nhanh chóng và vượt trội trong nhiệm vụ phân tích dữ liệu y tế nói chung và dữ liệu hình ảnh mô bệnh học nói riêng. Nhiều nghiên cứu đã khám phá tiềm năng của học sâu trong phân tích hình ảnh mô học như phát hiện và phân vùng hình ảnh tổn thương, chấm điểm nhuộm hóa mô miễn dịch, phát hiện phân bào... Trong hầu hết các trường hợp, các nhà bệnh học dựa vào hình ảnh nhuộm Hematoxylin và Eosin để chẩn đoán. Hiện nay, phần lớn các thuật toán được phát triển để phân tích hình ảnh mô bệnh học trên tiêu bản nhuộm Hematoxylin và Eosin. Tuy nhiên, để xác định các phân nhóm ung thư vú, phân biệt khối u bình thường và ác tính và hướng điều trị, cần phải thực hiện hóa mô miễn dịch của mô vú kết hợp với đánh giá mô học trên tiêu bản nhuộm Hematoxylin và Eosin.
Ki-67 là dấu ấn miễn dịch phản ánh hoạt tính tăng sinh của tế bào. Chỉ số Ki-67 thường được dùng để đánh giá mức độ tăng sinh, có giá trị tiên lượng, đánh giá nguy cơ, hỗ trợ quyết định và theo dõi đáp ứng điều trị trong ung thư vú. Chỉ số Ki-67 cao thường phản ánh mức độ tăng sinh tế bào mạnh mẽ, qua đó dự báo một tiên lượng lâm sàng xấu hơn. Đặc biệt trong ung thư vú, nhiều nghiên cứu đã chứng minh Ki-67 có mối tương quan chặt chẽ với tính ác tính sinh học của khối u, thường đi kèm với độ mô học cao và các đặc điểm lâm sàng - giải phẫu bệnh bất lợi. Dấu ấn sinh học này không bộc lộ trực tiếp trên tiêu bản nhuộm Hematoxylin và Eosin mà phải được đánh giá bằng các kỹ thuật nhuộm miễn dịch. Kết quả đánh giá hóa mô miễn dịch Ki-67 có thể chịu ảnh hưởng bởi yếu tố chủ quan của người đọc tiêu bản và quá trình xử lý tiêu bản. Biến thiên này có nguy cơ tác động đến độ tin cậy của việc đánh giá nguy cơ và các quyết định điều trị tối ưu cho người bệnh. Bên cạnh đó, quy trình nhuộm hoá mô miễn dịch đòi hỏi khoảng thời gian thực hiện nhất định, hạ tầng phòng xét nghiệm chuyên dụng, tiêu chuẩn kiểm soát chất lượng và sự tham gia trực tiếp của kỹ thuật viên có chuyên môn, làm gia tăng chi phí và hạn chế tính khả thi tại các cơ sở y tế có nguồn lực hạn chế. Để cải thiện thời gian thực hiện, hiệu quả chẩn đoán và tiết kiệm chi phí, những nhà nghiên cứu đã tìm cách đọc Ki-67 từ các tiêu bản nhuộm Hematoxylin và Eosin thông qua mô hình học sâu. Năm 2020, Yiqing Liu và cộng sự đã đưa ra mô hình thuật toán học sâu dự đoán biểu hiện của Ki-67 trên hình ảnh nhuộm Hematoxylin và Eosin của khối u thần kinh nội tiết. Một nghiên cứu khác năm 2024 của Martino và cộng sự đã đề xuất mô hình dự đoán Ki-67 dương tính trên hình ảnh ung thư biểu mô tế bào vảy miệng. Gần đây nhất, Abadh K. Chaurasia và cộng sự (2025) đã thực hiện định lượng tự động biểu hiện Ki-67 trong ung thư vú từ các tiêu bản nhuộm Hematoxylin và Eosin bằng mô hình hồi quy dựa trên transformer.
Việc ứng dụng mô hình học sâu để dự đoán biểu hiện của Ki-67 thông qua hình ảnh nhuộm Hematoxylin và Eosin của ung thư biểu mô tuyến vú còn rất mới trên thế giới, đặt biệt là tại Việt Nam. Xuất phát từ thực tiễn trên, chúng tôi tiến hành thực hiện đề tài: “Nghiên cứu ứng dụng deep learning dự đoán tế bào dương tính với Ki-67 trên hình ảnh nhuộm Hematoxylin và Eosin của mẫu mô ung thư biểu mô tuyến vú” với các mục tiêu:
- Xây dựng bộ dữ liệu thông tin và hình ảnh hoá mô miễn dịch Ki-67 ung thư biểu mô tuyến vú.
- Ứng dụng mô hình deep learning (học sâu) để dự đoán tế bào dương tính với Ki-67 trực tiếp từ tiêu bản nhuộm Hematoxylin và Eosin.
