Chẩn đoán hình ảnh

• Tổng quan siêu âm
• Giải phẫu siêu âm 
• Các mặt cắt cơ bản siêu âm bụng
• Tổn thương cơ bản trên siêu âm
• Siêu âm gan
• Siêu âm đường mật-túi mật
• Siêu âm tuyến tuỵ
• Siêu âm lách
• Siêu âm hệ tiết niệu
• Siêu âm hệ tiêu hoá
• Siêu âm hệ sinh dục
• Siêu âm cấp cứu
• Giới thiệu siêu âm phụ khoa
• Giới thiệu siêu âm đánh giá thai kỳ
  
• Giới thiệu siêu âm tuyến vú
• Giới thiệu siêu âm tuyến giáp
• Giới thiệu siêu âm mô mềm, hạch và tuyến nước bọt
• Giới thiệu siêu âm nhi
• Giới thiệu siêu âm mạch máu
• Giới thiệu siêu âm tim căn bản
• Ôn tập, kiểm tra, đánh giá

Theo BS.CK2 Nguyễn Phúc Minh - Trưởng khoa Ngoại Tiêu hóa, Bệnh viện Bình Dân, trong thực tế lâm sàng tại Bệnh viện Bình Dân: u bụng là nhóm bệnh lý không quá phổ biến, nhưng mỗi ca bệnh lại là một bài toán hóc búa, đòi hỏi sự hội chẩn của cả một đội ngũ y bác sĩ. Tầm quan trọng của vấn đề này lớn đến mức việc chẩn đoán và xử trí u bụng đã được đưa vào giáo trình của các trường đại học. Trong bối cảnh y học hiện đại với triết lý "lấy bệnh nhân làm trung tâm", việc quy tụ sức mạnh tập thể để giải quyết các ca bệnh phức tạp chính là minh chứng rõ nét nhất cho tinh thần này.

Về mặt vị trí, u bụng có thể được phân thành các nhóm chính: u trong ổ bụng, u sau phúc mạc và u vùng chậu. Mỗi vị trí lại liên quan đến những nguồn gốc bệnh lý và mức độ ác tính khác nhau, đòi hỏi sự tham gia của nhiều chuyên khoa đặc thù. Một khối u vùng chậu có thể cần sự phối hợp của các bác sĩ niệu khoa, hậu môn trực tràng hay sản phụ khoa để có thể đánh giá và can thiệp một cách toàn diện.

Thách thức đầu tiên đối với đội ngũ y tế là xác định bản chất của khối phồng vùng bụng: Liệu đây có phải là một khối u thực sự, hay chỉ là tình trạng bụng to do nguyên nhân khác (u giả), hoặc đơn thuần là một tổn thương từ thành bụng? Ngay từ bước đầu tiên này, vai trò của các phương tiện chẩn đoán hình ảnh đã trở nên cực kỳ cần thiết để có những định hướng ban đầu chính xác.

Từ đó, có thể thấy chẩn đoán chính xác không chỉ là bước khởi đầu mà còn là nền tảng quyết định sự thành công của toàn bộ chiến lược điều trị sau này.

Mục tiêu hình ảnh học trước mổ: Không chỉ “có u” mà là “mổ thế nào”

BS.CK2 Nguyễn Phúc Minh nhấn mạnh, tiếp cận đa chuyên khoa là một yếu tố then chốt trong chẩn đoán và xử trí, đặc biệt với u khổng lồ hoặc u có tiềm năng ác tính cao. Mục tiêu của đa chuyên khoa không chỉ là “chẩn đoán cho đúng”, mà còn để phối hợp tối ưu kết quả phẫu thuật, đồng thời giảm các bất trắc, rủi ro và biến cố bất ngờ trong phòng mổ.

Từ góc nhìn thực hành, báo cáo viên cho rằng bước đầu tiên có tính quyết định là chẩn đoán và lập kế hoạch trước phẫu thuật, mà muốn làm được thì “phải nhờ vào hình ảnh học hiện tại”. Nói cách khác, hình ảnh học không chỉ là “chụp để biết có u”, mà còn là nền tảng để dự báo cuộc mổ sẽ đi đến đâu, khó ở chỗ nào và cần ai tham gia ngay từ đầu.

Sự phát triển của y học đã mang đến một loạt phương tiện hình ảnh học, từ kỹ thuật cơ bản như siêu âm đến các công nghệ cao cấp hơn như chụp cắt lớp vi tính (CT) hay cộng hưởng từ (MRI). Trong nhiều trường hợp phức tạp, việc kết hợp đa phương tiện hình ảnh học là yêu cầu bắt buộc để có được cái nhìn toàn diện và chính xác nhất về khối u.

Tuy nhiên, bước tiến đột phá thực sự nằm ở công nghệ dựng hình 3D. Công nghệ này cho phép tái tạo hình ảnh khối u trong không gian ba chiều, đo lường chính xác thể tích, hình dáng và mối tương quan của nó với các cơ quan và mạch máu xung quanh. Tầm quan trọng đặc biệt của kỹ thuật này là khả năng đánh giá mức độ dính của khối u vào các tạng lân cận và các mạch máu lớn.

Với nhóm nguy cơ chảy máu, BS.CK2 Nguyễn Phúc Minh nhận định, trong phẫu thuật lớn, ngoài gây mê hồi sức và kiểm soát nhiễm trùng, chảy máu - mất máu là trở ngại “rất lôi thôi” nếu không có kế hoạch mạch máu đi kèm. Bác sĩ chia sẻ một tình huống thực tế: có trường hợp u bụng to, không dựng hình trước mổ, đến lúc phẫu thuật mới phát hiện u dính động mạch chủ; khi bóc tách, động mạch chủ bị tổn thương và phải báo động phẫu thuật mạch máu vào ghép ngay. May mắn là bệnh viện có chuyên khoa mạch máu, nhưng điều kiện bắt buộc vẫn là phải dự trù vật liệu ghép.

Từ đó, bác sĩ kết luận, hình ảnh 3D giúp dự đoán rủi ro mạch máu và chủ động mời phẫu thuật mạch máu tham gia trước mổ, thay vì xử trí bị động khi biến cố xảy ra.

Mô phỏng phẫu thuật và in 3D: Từ “trên màn hình” ra “không gian thật”

BS.CK2 Nguyễn Phúc Minh chia sẻ thêm một hướng phát triển cao hơn: từ dựng hình 3D, có thể xây dựng mô hình ảo để mô phỏng cuộc mổ. Bác sĩ kể lại trải nghiệm quan sát tại Nhật: đội phẫu thuật lên kế hoạch chi tiết trước ngày mổ dựa trên mô hình ảo, xác định sẽ tiếp cận đường nào (đường bụng, đường chậu, đường trước, đường sau), tìm mạch máu nào trước. Thậm chí, nếu mạch máu tăng sinh nhiều, có thể phối hợp chuyên ngành mạch máu để thuyên tắc mạch rồi mới tiến hành phẫu thuật.

Một bước nữa là in 3D. Từ mô hình ảo, công nghệ in 3D có thể tạo ra một mô hình vật lý của khối u và các cấu trúc liên quan. Việc cầm trên tay mô hình này giúp toàn bộ ê-kíp hình dung trực quan về kích thước thật và độ khó của ca mổ. Hiện nay, chi phí cho một lần in 3D như vậy tại TPHCM dao động trong khoảng 2 - 3 triệu đồng.

Chiến lược xử trí đa chuyên khoa: Phẫu thuật chủ lực, điều trị hỗ trợ đi kèm

Sau khi chẩn đoán và lập kế hoạch, phần xử trí vẫn đòi hỏi đa chuyên khoa. BS.CK2 Nguyễn Phúc Minh khẳng định, nhiều trường hợp, phẫu thuật viên không thể “đi một mình” nếu thiếu đồng nghiệp mạch máu đứng sau hỗ trợ.

Đa chuyên khoa có thể bao gồm nhiều lĩnh vực như tiêu hóa, đại trực tràng, tiết niệu, sản khoa, phẫu thuật mạch máu, gây mê hồi sức, chẩn đoán hình ảnh… và thậm chí là kỹ sư phần mềm, kỹ sư dựng hình trong bối cảnh công nghệ ngày càng tham gia sâu vào quy trình điều trị.

Trong đó, phẫu thuật cắt bỏ khối u vẫn được xem là phương pháp điều trị chủ lực. Mục tiêu tối thượng là đạt được diện cắt an toàn (R0), nghĩa là không còn bất kỳ tế bào ung thư nào tại rìa phẫu thuật. Đây là yếu tố tiên quyết để giảm thiểu nguy cơ tái phát, mang lại hy vọng chữa khỏi lâu dài cho người bệnh. Song song đó là đảm bảo an toàn tối đa, đặc biệt là kiểm soát nguy cơ chảy máu. Nếu không có sự phối hợp chặt chẽ, tỷ lệ biến chứng trong các ca mổ phức tạp có thể tăng lên hơn 20%.

Sau phẫu thuật, các phương pháp điều trị bổ trợ như hóa trị có thể được chỉ định để kiểm soát bệnh và ngăn ngừa tái phát. Thực tế tại Bệnh viện Bình Dân đã chứng minh sự thành công của phương pháp này qua nhiều ca bệnh phức tạp.

Một trường hợp u bụng khổng lồ, nội soi tiêu hóa chỉ thấy tổn thương nhỏ nghi ngờ, nhưng khối u quá lớn chiếm gần toàn bộ ổ bụng; khi mổ, xác định u xuất phát từ dạ dày và phát triển kiểu “lồi ra” chiếm chỗ, làm cuộc mổ khó khăn. Một ca u Sarcoma hiếm gặp trên một người phụ nữ đang mang thai. Ê-kíp đã phẫu thuật thành công khối u khổng lồ với mục tiêu cao cả là "trả lại thể tích trong bụng cho tử cung phát triển", cứu sống cả mẹ và con.

Khép lại báo cáo, BS.CK2 Nguyễn Phúc Minh nhấn mạnh: tiếp cận đa chuyên khoa trong xử trí u bụng là rất cần thiết. Trong đó, hình ảnh học cần ứng dụng công cụ tiên tiến (đa phương tiện, dựng hình 3D, mô phỏng, in 3D) để lập kế hoạch tỉ mỉ trước mổ. Song song, hội chẩn và phối hợp ê-kíp đa chuyên khoa là điều kiện quan trọng để hướng tới cuộc mổ an toàn, giảm biến chứng, tối ưu khả năng cắt bỏ triệt căn và hỗ trợ điều trị sau mổ nhằm hạn chế tái phát.

PGS.TS.BS.CK2 Huỳnh Quang Huy - Chủ tịch Hội Hình ảnh Ung thư Việt Nam nhấn mạnh ba thuật ngữ nền tảng: trí tuệ nhân tạo, học máy và học sâu.

Trí tuệ nhân tạo (Artificial Intelligence - AI) là khái niệm bao trùm nhất, chỉ công nghệ mô phỏng trí thông minh của con người trong máy móc, cho phép hệ thống có khả năng học hỏi, lý luận, giải quyết vấn đề và đưa ra quyết định.

Học máy (Machine Learning - ML) là một tập hợp con của AI. Trong Học máy, mô hình sẽ học hỏi từ dữ liệu được cung cấp. Tuy nhiên, quá trình này phụ thuộc nhiều vào kinh nghiệm và việc lựa chọn các đặc trưng (features) của chuyên gia. Con người phải trích xuất các đặc trưng quan trọng từ dữ liệu và đưa vào thuật toán để mô hình học theo.

Học sâu (Deep Learning - DL) là  một nhánh chuyên sâu hơn của Học máy. Công nghệ này sử dụng các mạng nơ-ron sâu (Deep Neural Networks - DNN) phức tạp, cho phép mô hình tự động học các đặc trưng trực tiếp từ dữ liệu thô, mà không cần sự can thiệp thủ công của con người để lựa chọn đặc trưng.

Trong lĩnh vực chẩn đoán hình ảnh, mạng nơ-ron tích chập (Convolutional Neural Network - CNN), một loại mô hình Học sâu, đã chứng tỏ hiệu năng vượt trội. CNN được thiết kế chuyên biệt để xử lý dữ liệu hình ảnh (như CT, MRI, X-quang, siêu âm) và có khả năng tự động nhận diện các mẫu từ đơn giản đến phức tạp. Bên cạnh đó, Radiomics, một ứng dụng của Học máy, cũng đóng vai trò quan trọng. Dù cần ít dữ liệu hơn và có khả năng giải thích được mô hình, Radiomics lại phụ thuộc vào các đặc trưng được định nghĩa trước bởi con người.

Nhận thấy sự đánh đổi giữa hiệu suất cao của Học sâu và khả năng diễn giải của Radiomics, nhiều nghiên cứu hiện nay đã đề xuất kết hợp cả hai phương pháp. Sự cộng hưởng này không chỉ giúp nâng cao hiệu suất chẩn đoán mà còn tăng cường sự tin cậy và khả năng chấp nhận của các mô hình AI trong môi trường lâm sàng, giải quyết một trong những rào cản lớn nhất của công nghệ "hộp đen". Chính từ những khối xây dựng công nghệ này, AI đang được triển khai trên khắp cơ thể người, trở thành "đôi mắt thứ hai" cho các bác sĩ trong cuộc chiến với bệnh tật.

AI tác nghiệp: Chẩn đoán chính xác hơn trên toàn cơ thể

Sức mạnh của AI trong chẩn đoán hình ảnh không chỉ giới hạn ở một lĩnh vực mà đã được ứng dụng rộng rãi trên nhiều cơ quan khác nhau của cơ thể. Bằng cách phân tích các hình ảnh y học với tốc độ và độ chính xác cao, AI đang mang lại những lợi ích thiết thực, hỗ trợ các bác sĩ đưa ra chẩn đoán nhanh chóng và hiệu quả hơn.

Trong chẩn đoán các bệnh lý lồng ngực, AI đang trở thành một công cụ không thể thiếu, đặc biệt trong việc phát hiện sớm ung thư phổi. Một ví dụ điển hình là trường hợp một bệnh nhân nam 56 tuổi có một nốt phổi bị bỏ sót trên phim X-quang trong lần đọc đầu tiên; chỉ khi áp dụng hồi cứu một công cụ AI, nốt phổi này mới được xác định chính xác, mà ba năm sau đã được chẩn đoán là ung thư. Một trường hợp khác cho thấy khả năng phản ứng tức thời của AI: một bệnh nhân nam 39 tuổi bị tràn khí màng phổi đã được AI phát hiện ngay lập tức sau khi chụp phim, hệ thống tự động gửi cảnh báo khẩn cấp đến bác sĩ, giúp bệnh nhân được can thiệp kịp thời.

Một nghiên cứu thực hiện tại Bệnh viện Chợ Rẫy đã cho thấy những con số ấn tượng về hiệu quả: thời gian đọc phim X-quang ngực được rút ngắn từ 55 giây xuống chỉ còn 16 giây, trong khi độ nhạy trong phát hiện tổn thương tăng vọt từ 73% lên 97% và độ đặc hiệu từ 84% lên 95%. Ngoài ra, AI còn có khả năng phân loại các nốt phổi theo hệ thống Lung-RADS và theo dõi sự thay đổi kích thước, giúp phát hiện sớm ung thư phổi với độ nhạy lên đến 94,4%.

Trong lĩnh vực hình ảnh học sọ não và tim mạch, AI đóng vai trò quan trọng trong việc sàng lọc và phát hiện các bệnh lý nguy hiểm, giúp bác sĩ hạn chế tối đa việc bỏ sót tổn thương. Đối với sọ não, các mô hình AI có khả năng gợi ý các vùng tổn thương đáng ngờ, giúp các bác sĩ chẩn đoán hình ảnh tập trung sự chú ý và đưa ra kết luận chính xác hơn.

Riêng với tim mạch, AI cung cấp một bộ công cụ phân tích tự động và mạnh mẽ, vượt xa các phép đo thủ công. Công nghệ này có thể tự động nhận diện, tính toán thể tích các buồng tim, phát hiện và định lượng mức độ hẹp động mạch vành. Quan trọng hơn, nó có thể thực hiện các phân tích chuyên sâu như đánh giá mức độ vôi hóa, định lượng mảng xơ vữa, phân loại theo hệ thống CAD-RADS, và thậm chí đo lường phân suất dự trữ lưu lượng vành (FFR) trực tiếp từ phim chụp CT, cung cấp những thông tin tiên lượng quý giá cho việc điều trị.

AI đang cải thiện đáng kể độ chính xác trong chẩn đoán các bệnh lý ở gan, thận, tuyến tiền liệt và tuyến giáp. Đối với chẩn đoán xơ gan, AI đạt hiệu suất rất cao trên siêu âm, CT và MRI (diện tích dưới đường cong ROC lần lượt là 0,92, 0,96 và 0,85). Với ung thư gan (HCC), các mô hình CNN trên ảnh CT đạt độ chính xác từ 82% đến 98%, một hiệu suất được chứng minh là vượt trội hơn các bác sĩ mới vào nghề và ngang bằng với các chuyên gia nhiều năm kinh nghiệm.

Có lẽ một trong những lợi ích tức thì và sâu sắc nhất của AI là khả năng giải phóng các bác sĩ khỏi gánh nặng công việc. Bằng cách tự động sàng lọc và xác nhận tới 76,46% các ca chụp không có dấu hiệu nguy hiểm, công nghệ này cho phép chuyên gia tập trung trí lực và thời gian quý báu vào những trường hợp phức tạp nhất, nơi kinh nghiệm của con người thực sự tạo ra khác biệt. Hơn nữa, với tuyến giáp, hệ thống T-net (phiên bản AI của TI-RADS) đã cho thấy hiệu suất chẩn đoán cao hơn đáng kể so với hệ thống phân loại truyền thống.

Trong sản phụ khoa, AI đang hỗ trợ đắc lực cho việc theo dõi sức khỏe và phát hiện các dị tật bẩm sinh của thai nhi. Các ứng dụng chính bao gồm tự động đo lường các chỉ số sinh trắc học như độ mờ da gáy và cân nặng, tự động nhận diện các mặt cắt chuẩn của tim thai để gợi ý bất thường. Đặc biệt, một mô hình AI đã chứng tỏ khả năng dự đoán 9 loại dị tật não khác nhau với độ chính xác lên đến 99%, một bước tiến vượt bậc trong chẩn đoán trước sinh.

Những thành tựu trên khắp cơ thể người cho thấy tiềm năng to lớn của AI, nhưng để công nghệ này thực sự trở thành một phần không thể thiếu trong y học, chúng ta phải đối mặt và vượt qua những rào cản đáng kể phía trước.

Những thách thức và rào càn phía trước

Mặc dù sở hữu những ưu điểm vượt trội, việc triển khai rộng rãi AI trong y khoa vẫn còn đối mặt với nhiều rào cản lớn về mặt kỹ thuật, đạo đức và pháp lý.

Nhiều mô hình Học sâu hoạt động như một "hộp đen". Chúng có thể đưa ra kết quả chính xác nhưng lại không thể giải thích được lý do đằng sau quyết định của mình. Điều này tạo ra một rào cản về lòng tin, khiến các chuyên gia y tế khó có thể hoàn toàn tin tưởng vào công nghệ.

Ngoài ra, các mô hình AI đòi hỏi một nguồn dữ liệu huấn luyện khổng lồ, đa dạng và chất lượng cao. Bên cạnh đó, việc ứng dụng AI trong lâm sàng cũng yêu cầu hệ thống phần cứng và phần mềm đủ mạnh để xử lý khối lượng dữ liệu lớn.

Sự tích hợp AI đòi hỏi sự hợp tác chặt chẽ giữa bác sĩ lâm sàng và các nhà phát triển công nghệ. Tuy nhiên, sự khác biệt về mục tiêu giữa giới học thuật (tập trung vào nghiên cứu) và ngành công nghiệp (tập trung vào sản phẩm) vẫn là một rào cản lớn, làm chậm quá trình phát triển các công cụ vừa chính xác về kỹ thuật, vừa phù hợp với nhu cầu thực tiễn.

Một câu hỏi lớn vẫn chưa có lời giải đáp thỏa đáng: "Ai sẽ chịu trách nhiệm khi có sai sót chẩn đoán: Mô hình AI hay con người?". Việc xác định trách nhiệm pháp lý là một trong những thách thức lớn nhất cản trở việc tích hợp AI vào quy trình lâm sàng.

Không chỉ vậy, việc sử dụng dữ liệu bệnh nhân để huấn luyện AI đặt ra các thách thức nghiêm trọng về đạo đức, đòi hỏi các quy định chặt chẽ để bảo vệ thông tin nhạy cảm và quyền riêng tư của người bệnh. Việc giải quyết những thách thức này không chỉ là vấn đề công nghệ, mà còn là nền tảng để định hình một tương lai nơi con người và máy móc có thể hợp tác một cách hiệu quả và an toàn.

AI là công cụ, không phải “người thay thế”

Kết thúc báo cáo, PGS.TS.BS.CK2 Huỳnh Quang Huy khẳng định: AI trong chẩn đoán hình ảnh đã chứng minh được khả năng nâng cao độ chính xác, rút ngắn thời gian đọc, hỗ trợ phát hiện sớm, phân tầng nguy cơ và tiên lượng trên nhiều cơ quan từ phổi, gan, thận đến tuyến giáp và thai nhi. Tuy nhiên, AI không thể thay thế vai trò của bác sĩ, nhất là trong đánh giá bối cảnh lâm sàng, ra quyết định cuối cùng và chịu trách nhiệm với người bệnh.

Do đó, tương lai của hình ảnh học không phải là “AI hoặc bác sĩ” mà là “AI và bác sĩ”, nơi trí tuệ nhân tạo được xây dựng và sử dụng một cách có trách nhiệm, minh bạch, an toàn, để trở thành trợ thủ đắc lực cho đội ngũ chẩn đoán hình ảnh và mang lại lợi ích thiết thực cho người bệnh.