SO SÁNH GIÁ TRỊ HỖ TRỢ CHẨN ĐOÁN BỆNH UNG THƯ BIỂU MÔ TẾ BÀO ĐÁY CỦA DERMOSCOPY VỚI TRÍ TUỆ NHÂN TẠO
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: So sánh giá trị hỗ trợ chẩn đoán ung thư biểu mô tế bào đáy (BCC) của dermoscopy và trí tuệ nhân tạo (AI – mạng nơron tích chập, mô hình StackNet).
Đối tượng và phương pháp nghiên cứu: Nghiên cứu mô tả cắt ngang tiến cứu trên 110 bệnh nhân có tổn thương nghi ngờ BCC trên lâm sàng tại Bệnh viện Da liễu Trung ương.
Kết quả: Dermoscopy có độ nhạy 91,4% và độ đặc hiệu 73,7% trong chẩn đoán BCC, giúp nâng cao độ chính xác so với thăm khám lâm sàng đơn thuần; trong 124 tổn thương nghi ngờ trên lâm sàng, dermoscopy xác định đúng 96/105 tổn thương BCC thực sự. Trí tuệ nhân tạo (StackNet) cho độ nhạy 94,3% và độ đặc hiệu 78,9%, xác định đúng 99/105 tổn thương BCC, cho thấy hiệu quả hỗ trợ chẩn đoán cao hơn so với đánh giá lâm sàng bằng mắt thường. Giá trị hỗ trợ chẩn đoán của dermoscopy (AUROC = 0,826) và AI (AUROC = 0,866) đều ở mức tốt. Sự khác biệt trung bình về AUROC giữa hai phương pháp là 0,04; phép kiểm DeLong cho thấy sự khác biệt này không có ý nghĩa thống kê (p > 0,05).
Kết luận: Dermoscopy và trí tuệ nhân tạo (AI) đều nâng cao khả năng chẩn đoán của ung thư biểu mô tế bào đáy so với khám lâm sàng bằng mắt thường đơn thuần. Độ nhạy, độ đặc hiệu của AI trong chẩn đoán ung thư biểu mô tế bào đáy có giá trị cao. Giá trị hỗ trợ chẩn đoán BCC của dermoscopy và AI tương đương nhau và đều ở mức tốt, sự khác biệt giữa hai phương pháp không có ý nghĩa thống kê.
Chi tiết bài viết
Từ khóa
dermoscopy, trí tuệ nhân tạo, ung thư biểu mô tế bào đáy.
Tài liệu tham khảo
[2] Rubin AI, Chen EH, Ratner D. Basal-Cell Carcinoma. New England Journal of Medicine. 2005; 353(21):2262-2269. doi:10.1056/NEJMra044151
[3] Nguyễn Văn Thường. Ung thư biểu mô tế bào đáy. In: Hình Ảnh Lâm Sàng, Chẩn Đoán và Điều Trị Trong Chuyên Ngành Da Liễu. Vol 2. ; 2019:241-250
[4] Phạm Thị Minh Phương, Đặng Thị Lương, Nguyễn Văn Thường. Độ nhạy, độ đặc hiệu của Dermoscopy trong chẩn đoán ung thư biểu mô tế bào đáy tại bệnh viện Da liễu Trung ương. Tạp chí Y học Việt Nam. 2020:250-253
[5] Hekler A, Utikal JS, Enk AH, et al. Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images. European Journal of Cancer. 2019; 118:91-96. doi:10.1016/j.ejca.2019.06.012
[6] Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230-243. doi:10.1136/svn-2017-000101
[7] Chan G, Ho H. A study of dermoscopic features of pigmented basal cell carcinoma in Hong Kong Chinese. Hong Kong Journal of Dermatology and Venereology. 2008; 16(4):189-196
[8] Reiter O, Mimouni I, Gdalevich M, et al. The diagnostic accuracy of dermoscopy for basal cell carcinoma: A systematic review and meta-analysis. Journal of the American Academy of Dermatology. 2019;80(5):1380-1388. doi:10.1016/j.jaad.2018.12.026
[9] Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118. doi:10.1038/nature21056
[10] Assessment of Accuracy of an Artificial Intelligence Algorithm to Detect Melanoma in Images of Skin Lesions | Dermatology | JAMA Network Open | JAMA Network. Accessed July 11, 2022. https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2752995