Trí tuệ nhân tạo trong chẩn đoán và quản lý bệnh lý hắc mạc: Tổng quan toàn diện

Bs Ngô Hữu Thế
17.11.26
Last Updated

Nghiên cứu tổng quan của Gagliardi và cộng sự (2026) về ứng dụng trí tuệ nhân tạo (AI) trong chẩn đoán và quản lý bệnh lý hắc mạc đã tổng hợp dữ liệu từ nhiều nghiên cứu, nhấn mạnh vai trò của AI trong việc phân tích các tập dữ liệu hình ảnh phức tạp. Hắc mạc là lớp mạch máu dày đặc nuôi dưỡng võng mạc ngoài, đóng vai trò quan trọng như một dấu ấn sinh học (biomarker) cho cả bệnh lý tại mắt và bệnh lý hệ thống.

Thách thức trong chẩn đoán hắc mạc

Việc đo lường chính xác các cấu trúc hắc mạc gặp nhiều rào cản kỹ thuật, được định nghĩa là "choroidal challenge". Ba vấn đề chính bao gồm: hình thái các ranh giới hắc mạc không rõ ràng, giải phẫu phức tạp của mạch máu và mô đệm, cùng với sự biến thiên sinh lý theo tuổi, nhịp sinh học và tình trạng hệ thống. Các phương pháp phân đoạn thủ công tốn thời gian và có độ biến thiên giữa các người đọc cao. Các phương pháp bán tự động (semiautomated) hoặc tự động (automated) hiện nay vẫn hạn chế ở những vùng có độ tương phản thấp và thường thất bại khi áp dụng cho các thay đổi bệnh lý.

Ý nghĩa lâm sàng và hệ thống

Các dấu ấn sinh học hắc mạc đã tiến hóa từ các chỉ số phẳng sang tái tạo đa chiều. Độ dày hắc mạc (Choroidal thickness - ChT) là chỉ số khách quan đầu tiên, được đo bằng khoảng cách giữa màng Bruch (Bruch membrane - BM) và giao diện hắc mạc-củng mạc. Chỉ số mạch máu hắc mạc 2D (2D Choroidal Vascularity Index - 2D-CVI) cho phép đánh giá cấu trúc thông qua tỷ lệ diện tích lòng mạch trên tổng diện tích hắc mạc. 2D-CVI đã chứng minh giá trị trong việc dự đoán tiên lượng thị lực ở bệnh nhân cận thị nặng và đáp ứng với điều trị anti-VEGF trong phù hoàng điểm do đái tháo đường (DME).

Ứng dụng AI trong phân đoạn và trích xuất dấu ấn

AI, đặc biệt là các kiến trúc học sâu (deep learning) như mạng thần kinh tích chập (Convolutional Neural Networks - CNNs) và Visual Transformers (ViTs), đã tạo ra bước ngoặt trong phân đoạn tự động. Các mô hình này giúp khắc phục hạn chế của phân đoạn thủ công, cho phép trích xuất các dấu ấn 3D như thể tích hắc mạc (CVol), đường kính mạch máu hắc mạc trung bình (MChVD) và khoảng cách giữa các mạch máu (IVD). Tuy nhiên, độ chính xác của các chỉ số này vẫn phụ thuộc vào chất lượng hình ảnh đầu vào và quá trình phân đoạn ban đầu.

Chỉ số/Kết cụcKết quả theo tài liệu
Độ chính xác phân đoạn 2D (CNN+Transformer)>400 lần nhanh hơn thủ công, ICC = 0.627
Độ chính xác phân đoạn 3D (CNN)DSC = 85.96%, HD = 2.54 voxels
Độ chính xác phân loại PCV (CNN)Accuracy = 0.83
Độ chính xác phân loại CNV (CNN)Accuracy = 89.7%, AUC = 0.99
Bình luận: Thông tin theo Gagliardi et al., 2026; đối chiếu guideline hiện hành khi áp dụng lâm sàng. Hạn chế lớn nhất hiện nay là sự thiếu hụt các tập dữ liệu lớn, đa trung tâm và thiếu các thử nghiệm lâm sàng tiền cứu để đánh giá tác động thực sự của AI lên quyết định điều trị. Hầu hết các công cụ hiện tại vẫn mang tính chất khám phá (exploratory).
  • Cần chuẩn hóa quy trình thu thập hình ảnh (scan geometry, bước sóng, thời điểm chụp) để đảm bảo tính đồng nhất.
  • Cần xây dựng các bộ dữ liệu mở (open benchmarks) với các nhiệm vụ và chỉ số đánh giá chung để so sánh công bằng.
  • Cần thực hiện các thử nghiệm lâm sàng tiền cứu (prospective impact trials) để chứng minh AI thay đổi kết cục bệnh nhân.
  • Cần tăng cường tính minh bạch của mô hình (model transparency) để bác sĩ lâm sàng có thể tin tưởng và hiểu được lý do đưa ra quyết định của AI.
  • Cần tích hợp dữ liệu đa phương thức (multimodal integration) bao gồm hình ảnh võng mạc, hắc mạc và dữ liệu hệ thống để có cái nhìn toàn diện về sức khỏe bệnh nhân.

Tài liệu tham khảo:

Gagliardi OM, Chhablani J, Lupidi M, Saturno MC, Lambiase A, Iannetta D. Artificial intelligence (AI) and the choroidal challenge: A comprehensive review of AI applications in choroidal imaging. Survey of Ophthalmology. 2026. doi:10.1016/j.survophthal.2026.10.006

Xem thêm