Trong một nghiên cứu của Đại học Johns Hopkins ở Baltimore, các bác sĩ chẩn đoán hình ảnh đã phát triển một mạng nơ-ron tích chập (Deep convolutional neural network – DCNN), nó không những xác định được canxi hóa động mạch vành trên phim X quang ngực mà còn tính được nguy cơ với bệnh mạch vành. Hơn nữa, nó hoạt động độc lập với các yếu tố nguy cơ truyền thống, như hút thuốc lá hoặc bệnh tiểu đường .
Tiến sĩ Peter Kamel, tác giả của nghiên cứu viết “chúng tôi chứng minh rằng DCNN có thể phát hiện canxi hóa động mạch vành trên phim chụp Xquang ngực , mặc dù với độ nhạy thấp, nhưng điều này tương quan với nguy cơ bệnh mạch vành của từng bệnh nhân cụ thể”.
Trước đây, AI được sử dụng trong việc tính toán tự động điểm vôi hóa động mạch vành (thang điểm Agatston) từ phim chụp CT. Tuy nhiên, phim chụp CT có chi phí và mức độ phơi nhiễm bức xạ cao hơn so với chụp X quang ngực thông thường. Một phương pháp tự động sàng lọc vôi hóa động mạch vành trên phim Xquang ngực có thể cung cấp thông tin tiên lượng có ý nghĩa về mặt lâm sàng ở những bệnh nhân bị bệnh động mạch vành tiềm ẩn.
Điểm vôi hóa mạch vành (thang điểm Agatston) là gì?
Điểm vôi hóa mạch vành là định lượng mức độ nghiêm trọng của canxi động mạch vành do xơ vữa, nó có thể dự đoán biến cố tim mạch trong tương lai và tử vong do mọi nguyên nhân ở những bệnh nhân có nguy cơ mắc bệnh mạch vành . Điểm vôi hóa mạch vành có thể được sử dụng kết hợp với dữ liệu từ nghiên cứu đa sắc tộc về xơ vữa động mạch (MESA) để đưa ra phân vị điểm vôi hóa tương ứng với những bệnh nhân có cùng độ tuổi, giới tính và chủng tộc không mắc bệnh tim mạch lâm sàng.
Điểm vôi hóa mạch vành thường được thực hiện trên CT tim có mắc điện cực, không tiêm thuốc cản quang, và được tính toán bằng cách sử dụng diện tích vôi hóa trên các mặt cắt ngang có trọng số bởi độ đậm nhạt (tỷ trọng) của CT.
Mặc dù trước đây, giá trị tiên lượng của vôi hóa động mạch vành đã được chứng minh trên X quang trước khi có kỹ thuật CT tính điểm vôi hóa mạch vành, nhưng việc đánh giá và báo cáo chỉ là ngẫu nhiên, đặc biệt ở những bệnh nhân không nghi ngờ bệnh mạch vành.
Trong nghiên cứu này, Kamel và các đồng nghiệp đã hỏi rằng liệu một mô hình tự động DCNN có thể phát hiện sự hiện diện của canxi động mạch vành trên phim chụp X-quang ngực hay không, và nó có liên quan với nguy cơ bệnh tim mạch hay không?
Hình ảnh vôi hóa mạch vành là một đường cong mờ trên phim chụp X quang ngực (A, B, D, E) và rõ ràng hơn trên phim CT tương ứng (C, F).
Họ đã thu thập dữ liệu hình ảnh từ trên một nghìn bệnh nhân, các bệnh nhân này được chụp cả CT đo điểm vôi hóa mạch vành và chụp X-quang ngực. Việc chụp CT nhằm mục đích phân tầng nguy cơ tim mạch, trong khi chụp X-quang ngực được thực hiện với các chỉ định khác nhau, chẳng hạn như đau ngực , ho và khó thở.
Tổng số điểm canxi Agatston đo trên CT và điểm số của mỗi động mạch vành (thân chung động mạch vành trái, động mạch liên thất trước, động mạch mũ và động mạch vành phải) được xác định để thiết lập thông số chuẩn, sau đó dùng nó để đào tạo AI trên X quang ngực. AI sẽ được đào tạo để biết rằng trên phim X quang ngực có vôi hóa hay không vôi hóa mạch vành, vôi hóa ở những động mạch vành nào, tổng điểm canxi hóa ở trên hay dưới các ngưỡng khác nhau. Kết quả phân loại các hình ảnh thử nghiệm được so sánh với điểm số nguy cơ bệnh tim mạch do xơ vữa động mạch vành được thiết lập trong 10 năm trong mỗi nhóm thuần tập.
Kết quả nghiên cứu cho thấy, với trường hợp AI phát hiện được trên phim X quang có vôi hóa mạch vành được dự đoán nguy cơ bị bệnh mạch vành trong 10 năm cao hơn là 17.2% so với 11.9% ở nhóm không phát hiện thấy vôi hóa (điểm Agatston = 0), (với p< 0.001). Với phương pháp hồi quy đa biến đã chứng minh thuật toán có thể dự đoán điểm số canxi không phụ thuộc vào các yếu tố nguy cơ tim mạch truyền thống.
AI cũng có một số hạn chế khi phát hiện canxi hóa mạch vành, chẳng hạn nó sẽ bị nhiễu khi bệnh nhân có đặt máy khử rung tim, hay đã đặt stent động mạch vành. Tất nhiên, trong trường hợp này thì việc phát hiện và tính toán điểm số vôi hóa mạch vành trở thành thứ yếu so với bệnh sử tim mạch của bệnh nhân.
Với kết quả hiện tại, độ chính xác trong việc xác định vôi hóa mạch vành và sự tương quan với nguy cơ tim mạch của AI vẫn còn ở mức khiêm tốn. Tuy nhiên, nghiên cứu đóng vai trò như một bằng chứng về khái niệm rằng DCNN hay AI có thể xác định vôi hóa động mạch vành và nguy cơ tim mạch trên X-quang ngực mà Bác sĩ chẩn đoán hình ảnh thông thường bỏ qua. Ví dụ, chụp X-quang ngực thường xuyên được chỉ định trong đánh giá ban đầu về cơn đau ngực tại khoa cấp cứu, nếu sử dụng AI để xác định sự hiện diện của vôi hóa động mạch vành có thể hữu ích trong việc hướng dẫn đánh giá chẩn đoán tiếp theo trong bệnh cảnh cấp tính.
Kết quả của nghiên cứu này có thể đóng vai trò là một thí điểm cho các ứng dụng trong tương lai của AI. Tác giả của nghiên cứu kết luận: “Ở đây, chúng tôi chứng minh khả năng trích xuất thông tin từ hình ảnh y tế không được ghi nhận dễ dàng trên đánh giá của con người có thể ảnh hưởng đến quản lý lâm sàng và công việc chẩn đoán.
