Từ kính hiển vi đến điểm ảnh: kỷ nguyên mới của giải phẫu bệnh học kỹ thuật số

Những điểm chính cần ghi nhớ:

• • • • Giải phẫu bệnh học kỹ thuật số đang trở thành tiêu chuẩn mới ở khu vực châu Á – Thái Bình Dương, thay thế kính hiển vi quang học bằng các tiêu bản kỹ thuật số độ phân giải cao để tối ưu hóa quy trình làm việc và cải thiện chẩn đoán.
      • Vượt xa sự số hóa đơn thuần, số hóa toàn diện định hình lại toàn bộ quy trình chẩn đoán – tích hợp tự động hóa, trí tuệ nhân tạo và kết nối dữ liệu để mang lại kết quả nhanh hơn, chính xác hơn.
      • Phân tích hình ảnh dựa trên trí tuệ nhân tạo giúp tăng cường khả năng phát hiện, định lượng và phân loại, cải thiện tính khả thi của kết quả, đồng thời giúp các nhà giải phẫu bệnh học tập trung vào các trường hợp phức tạp hơn.
      • Các hệ sinh thái mở, có khả năng tương tác cho phép tích hợp các công cụ AI của bên thứ ba hàng đầu, đảm bảo tính linh hoạt, đổi mới và khả năng thích ứng lâu dài.
      • Việc áp dụng sớm giúp củng cố các quy trình chăm sóc ung thư, cho phép phát hiện sớm hơn, thời gian điều trị nhanh hơn và tiếp cận rộng rãi hơn với chuyên môn của các bác sĩ chuyên khoa – ngay cả ở những vùng xa xôi.

  Trên khắp khu vực châu Á – Thái Bình Dương, các phòng thí nghiệm giải phẫu bệnh học đang trải qua một sự chuyển đổi sâu sắc. Sự chuyển đổi từ kính hiển vi quang học truyền thống sang giải phẫu bệnh học kỹ thuật số không còn là một xu hướng mới nổi nữa – nó đang nhanh chóng trở thành tiêu chuẩn mới. Nói một cách đơn giản, giải phẫu bệnh học kỹ thuật số là quá trình chuyển đổi các tiêu bản kính thường được quan sát dưới kính hiển vi thành hình ảnh kỹ thuật số độ phân giải cao mà các nhà bệnh lý học có thể truy cập trên máy tính. Sự phát triển này không chỉ đơn thuần là vấn đề áp dụng công nghệ; mà còn là việc định hình lại quy trình chẩn đoán và giải quyết một số thách thức cấp bách nhất mà hệ thống chăm sóc sức khỏe đang phải đối mặt hiện nay. Giải phẫu bệnh học kỹ thuật số không chỉ là một sự thay thế hiện đại cho các lam kính truyền thống. Điều này thể hiện một sự thay đổi cơ bản trong cách chúng ta nhìn nhận, diễn giải và quản lý thông tin chẩn đoán. Câu hỏi đặt ra không còn là liệu giải phẫu bệnh học kỹ thuật số có trở nên phổ biến hay không, mà là khi nào và bằng cách nào các tổ chức có thể thực hiện quá trình chuyển đổi một cách hiệu quả.

Sự phát triển của các phòng thí nghiệm giải phẫu bệnh học: từ số hóa đến kỹ thuật số hóa hoàn toàn.

Quá trình chuyển đổi từ kính hiển vi quang học sang mô hình kỹ thuật số có thể được nhìn nhận qua hai giai đoạn: số hóa và chuyển đổi số. Quá trình số hóa bắt đầu bằng việc quét các lam kính hiển vi để tạo ra hình ảnh toàn bộ lam kính (WSI) nhằm mục đích lưu trữ hoặc chia sẻ. Mặc dù điều này đã giải quyết được nhiều vấn đề hậu cần – chẳng hạn như lưu trữ vật lý và tư vấn từ xa – nhưng nó không làm thay đổi quy trình làm việc của giải phẫu bệnh học [1]. Mặt khác, số hóa còn tiến xa hơn nhiều. Nó liên quan đến việc suy nghĩ lại và thiết kế lại toàn bộ quy trình chẩn đoán, trong đó hình ảnh kỹ thuật số trở thành trung tâm của mọi bước trong quy trình – từ chuẩn bị và phân tích mẫu đến hợp tác, báo cáo và tích hợp với các hệ thống lâm sàng khác [1]. Lợi ích của giải phẫu bệnh học kỹ thuật số là rất lớn, không chỉ đơn thuần là số hóa mà còn giúp chuyển đổi quy trình chẩn đoán và chăm sóc bệnh nhân:

• • • Hợp tác không biên giới: Truy cập đồng thời vào slide từ xa cho phép tư vấn theo thời gian thực, lấy ý kiến thứ hai nhanh chóng và nhận được sự hỗ trợ chuyên môn kịp thời hơn cho bệnh nhân ở các khu vực thiếu thốn dịch vụ y tế.
    • Kiểm soát chi phí và tối ưu hóa nguồn lực: Loại bỏ việc vận chuyển slide, dịch vụ chuyển phát nhanh và kho lưu trữ lớn giúp giảm chi phí, giảm lãng phí và tiết kiệm cho các mạng lưới lớn hàng trăm nghìn đô la mỗi năm.
    • Hiệu quả quy trình làm việc được cải thiện và thời gian xử lý nhanh hơn: Loại bỏ các nút thắt xử lý thủ công và cho phép truy cập mọi lúc giúp rút ngắn thời gian chẩn đoán tới 42% và cho phép xem xét nhiều hơn 15 lần slide mỗi giờ [3].
    • Độ chính xác và khả năng tái lập trong chẩn đoán: Các công cụ phân tích hình ảnh tích hợp giúp cải thiện độ chính xác, phân loại và định lượng dấu ấn sinh học – điều cần thiết để đưa ra các quyết định điều trị nhất quán và cá nhân hóa.

  Nhìn chung, giải phẫu bệnh học kỹ thuật số thúc đẩy một hệ sinh thái chẩn đoán kết nối, nơi sự hợp tác, hiệu quả chi phí, hiệu quả hoạt động và phân tích nâng cao cùng nhau hoạt động để cải thiện kết quả cho bệnh nhân và hệ thống chăm sóc sức khỏe. Mặc dù có những ưu điểm vượt trội này, việc ứng dụng rộng rãi giải phẫu bệnh học kỹ thuật số vẫn chưa đồng đều. Nhiều tổ chức phải đối mặt với những trở ngại liên quan đến vốn đầu tư ban đầu, nhu cầu đào tạo nhân viên và thiết kế lại quy trình làm việc, cũng như các yêu cầu nghiêm ngặt về bảo mật dữ liệu hoặc bản địa hóa. Tuy nhiên, những thách thức này ngày càng được giải quyết thông qua các chiến lược kỹ thuật số rõ ràng, sự tham gia tích cực của các bên liên quan và việc tập trung vào giá trị lâm sàng và vận hành lâu dài hơn là sự gián đoạn ngắn hạn. Chính trong bối cảnh này, cần phải hiểu rõ các động lực và rào cản chính của thị trường đang định hình sự phát triển của giải phẫu bệnh học kỹ thuật số.

Động lực thúc đẩy sự chuyển đổi: những thách thức và tiến bộ công nghệ

1. Những thách thức thúc đẩy việc áp dụng giải phẫu bệnh học kỹ thuật số.

Một số áp lực về cấu trúc và lâm sàng đang thúc đẩy các phòng thí nghiệm phải xem xét lại quy trình làm việc truyền thống và chuyển sang các giải pháp kỹ thuật số:

1. 1. 1. Nhu cầu chẩn đoán ngày càng tăng – Dân số già hóa, gánh nặng ung thư ngày càng gia tăng4, cùng với việc nhấn mạnh vào phát hiện sớm, đang tạo ra áp lực chưa từng có đối với các dịch vụ chẩn đoán [5].
      2. Cần có sự tư vấn từ bên ngoài và chuyên môn sâu rộng – Các trường hợp ngày càng phức tạp đòi hỏi sự tham vấn từ các nhà giải phẫu bệnh học chuyên khoa. Điều này đã dẫn đến sự xuất hiện của mô hình trung tâm và vệ tinh, trong đó các chuyên gia tập trung xem xét các trường hợp từ nhiều địa điểm [6].
      3. Hạn chế về nguồn nhân lực – Tình trạng thiếu hụt các nhà giải phẫu bệnh học có trình độ chuyên môn – đặc biệt là ở các vùng nông thôn hoặc vùng khó khăn – đòi hỏi các giải pháp có khả năng mở rộng và phân tán. Phân tích hình ảnh có sự hỗ trợ của AI có thể giúp thu hẹp khoảng cách bằng cách sàng lọc các bất thường tiềm ẩn, với sự xác nhận cuối cùng từ một nhà giải phẫu bệnh học [7].
      4. Các nút thắt trong quy trình làm việc của phòng thí nghiệm – Khối lượng mẫu vật ngày càng tăng, các quy trình rời rạc và sự phụ thuộc vào việc xử lý lam kính thủ công làm chậm thời gian xử lý và tăng nguy cơ sai sót [8].
      5. Khối lượng công việc và tình trạng kiệt sức của nhà giải phẫu bệnh học – Gánh nặng hành chính và khối lượng công việc ngày càng tăng tạo ra nhu cầu về các công cụ quy trình làm việc hỗ trợ phân loại, ưu tiên và xem xét nhanh chóng [8].
      6. Chi phí và sự thiếu hiệu quả trong hoạt động – Việc lưu trữ vật lý, vận chuyển tiêu bản và sao chép làm tăng thêm chi phí không cần thiết và sự không nhất quán trong báo cáo.
      7. Độ phức tạp của CNTT – Việc tích hợp dữ liệu giải phẫu bệnh học với hồ sơ bệnh án điện tử của bệnh viện và các hệ thống chẩn đoán khác vẫn là một trở ngại đáng kể trong nhiều môi trường.

2. Những tiến bộ công nghệ thúc đẩy quá trình số hóa

Đồng thời, làn sóng đổi mới đang giúp các phòng thí nghiệm vượt qua những thách thức này và hoàn toàn áp dụng quy trình làm việc kỹ thuật số:

1. 1. 1. Độ trưởng thành công nghệ – Máy quét toàn bộ tiêu bản tốc độ cao, lưu trữ dựa trên điện toán đám mây và cơ sở hạ tầng mạng an toàn hiện nay đã giúp việc số hóa quy mô lớn trở nên khả thi cho việc sử dụng thường xuyên.
      2. Dữ liệu và số hóa – Việc chuyển từ kính hiển vi tương tự sang hình ảnh kỹ thuật số mở ra cánh cửa cho giải phẫu bệnh học tính toán và phân tích quy mô lớn.
      3. Các thuật toán phân tích hình ảnh tiên tiến – các công cụ AI có thể cải thiện khả năng tái lập và độ tin cậy của các đánh giá giải phẫu bệnh học bằng cách chuẩn hóa việc diễn giải các đặc điểm tinh tế nhưng quan trọng về mặt lâm sàng, chẳng hạn như biểu hiện HER2 thấp. Các ứng dụng khác có thể mở rộng hơn nữa, phát hiện các đặc điểm tinh tế vượt quá giới hạn của mắt người, ví dụ như trạng thái MSI trực tiếp từ các tiêu bản H&E.
      4. AI với vai trò kiểm soát chất lượng – Ngoài chẩn đoán ban đầu, AI có thể đóng vai trò là người đánh giá thứ hai, phát hiện những điểm không nhất quán hoặc những phát hiện bị bỏ sót để nâng cao tính nhất quán.
      5. Tích hợp dữ liệu liền mạch – Việc liên kết hình ảnh giải phẫu bệnh học với các phương pháp chẩn đoán khác (chụp X-quang, giải trình tự gen) tạo ra cái nhìn toàn diện hơn về bệnh nhân.
      6. Hiệu quả và khả năng mở rộng – Quy trình làm việc kỹ thuật số hỗ trợ việc xem xét tập trung trên nhiều địa điểm, cho phép lấy ý kiến thứ hai nhanh chóng và giảm thời gian xử lý.
      7. Đổi mới do đại dịch thúc đẩy – COVID-19 đã làm nổi bật giá trị của xét nghiệm giải phẫu bệnh học từ xa và chẩn đoán bệnh lý qua mạng đối với sự liên tục trong chăm sóc bệnh nhân.

Các xu hướng và cơ hội mới nổi trong giải phẫu bệnh học kỹ thuật số

Những tiến bộ trong tự động hóa, trí tuệ nhân tạo và đổi mới mở không chỉ giúp tối ưu hóa hoạt động phòng thí nghiệm mà còn cho phép hiểu sâu hơn về lâm sàng và mở rộng hợp tác. Những tiến bộ này đang mở ra những con đường mới để cải thiện việc phát hiện bệnh, lập kế hoạch điều trị và cung cấp dịch vụ chăm sóc sức khỏe – đưa giải phẫu bệnh học kỹ thuật số trở thành động lực chính thúc đẩy sự chuyển đổi trong chẩn đoán.

1. Tự động hóa toàn diện và tích hợp quy trình làm việc

Một trong những sự thay đổi quan trọng nhất đang diễn ra là xu hướng hướng tới tự động hóa hoàn toàn. Các phòng thí nghiệm ngày càng hướng đến việc tự động hóa không chỉ quá trình chụp ảnh mà cả toàn bộ quy trình giải phẫu bệnh – từ theo dõi mẫu và quản lý mã vạch đến phân công ca bệnh, quét lam kính, quản lý hình ảnh và báo cáo kỹ thuật số. Khi được tích hợp với hệ thống thông tin phòng thí nghiệm (LIS) và hệ thống hồ sơ sức khỏe điện tử (EHR), nền tảng giải phẫu bệnh học kỹ thuật số có thể [6]:

• • • Tăng cường khả năng truy xuất nguồn gốc của từng mẫu vật từ khâu thu thập đến khi báo cáo.
    • Giảm thiểu các lỗi liên quan đến nhập liệu thủ công hoặc dán nhãn sai cho slide.
    • Hỗ trợ cộng tác từ xa và tham khảo ý kiến thứ hai mà không bị chậm trễ.
    • Tăng cường độ tin cậy trong chẩn đoán với độ rõ nét hình ảnh được nâng cao, phân tích hỗ trợ bởi AI và cộng tác thời gian thực.
    • Tự động hóa cho phép xử lý liên tục 24/7, giúp chuẩn bị, quét và xếp hàng chờ xem xét nhiều tiêu bản hơn – hỗ trợ các phòng thí nghiệm cung cấp kết quả nhanh hơn, ngay cả ngoài giờ làm việc tiêu chuẩn.

  Sự tích hợp này đặc biệt quan trọng trong môi trường quản lý khối lượng công việc lớn hoặc đang gặp tình trạng thiếu nhân viên. Tự động hóa cho phép các phòng thí nghiệm mở rộng quy mô hoạt động trong khi vẫn duy trì độ chính xác và năng suất, giúp bệnh nhân nhận được kết quả có thể thay đổi cuộc sống nhanh hơn.

2. Thuật toán được hỗ trợ bởi trí tuệ nhân tạo

Khi quá trình số hóa tạo ra khối lượng lớn dữ liệu hình ảnh chất lượng cao, các nhà giải phẫu bệnh học hiện có cơ hội hợp tác chặt chẽ với các nhà khoa học dữ liệu, kỹ sư và chuyên gia trí tuệ nhân tạo để trích xuất những thông tin vượt xa giới hạn của việc đánh giá trực quan thông thường. Về bản chất, các thuật toán được hỗ trợ bởi trí tuệ nhân tạo là các mô hình máy tính – thường dựa trên học sâu và các kỹ thuật học máy tiên tiến khác – được huấn luyện để nhận dạng các đặc điểm cụ thể trong hình ảnh bệnh lý. Bằng cách học hỏi từ các tập dữ liệu lớn, được chú thích bởi các chuyên gia, các thuật toán này có thể phát hiện, phân đoạn, định lượng và phân loại các cấu trúc hiển vi với độ nhất quán cao. Chúng có thể được thiết kế cho nhiều nhiệm vụ khác nhau [9, 10, 11, 12]:

• • • Các thuật toán phát hiện xác định sự hiện diện hoặc vắng mặt của các đặc điểm bệnh lý, chẳng hạn như tế bào ác tính hoặc di căn.
    • Các thuật toán phân đoạn vạch ra các vùng quan tâm, ví dụ như xác định ranh giới khối u hoặc làm nổi bật mô đệm.
    • Các thuật toán định lượng đo lường mức độ biểu hiện của các dấu ấn sinh học trong các xét nghiệm mô học miễn dịch (IHC), chẳng hạn như HER2, PD-L1, ER, PR hoặc Ki-67.
    • Các thuật toán phân loại gán các loại chẩn đoán dựa trên hình thái học hoặc các mẫu dấu ấn sinh học, chẳng hạn như phân biệt giữa các loại ung thư biểu mô.

  Những công cụ này có khả năng hoạt động theo hai cách bổ sung cho nhau. Với vai trò là trợ lý tuyến đầu, họ có thể sàng lọc trước các tiêu bản để xác định các trường hợp có khả năng liên quan cần xem xét, giúp tối ưu hóa việc phân công công việc trong các phòng thí nghiệm có khối lượng công việc lớn. Với vai trò là người đánh giá cấp hai, họ có thể đóng vai trò như một biện pháp kiểm soát chất lượng, cung cấp sự so sánh nhất quán, khách quan với sự diễn giải của con người và giúp xác định những đặc điểm tinh tế có thể bị bỏ sót trong quá trình đánh giá thủ công. Ví dụ, một số mô hình AI có thể phát hiện đáng tin cậy biểu hiện HER2-thấp, một dấu hiệu có thể ảnh hưởng đến các quyết định điều trị nhưng đôi khi khó xác định chắc chắn dưới kính hiển vi [13]. Các thuật toán được coi là công cụ chẩn đoán bổ trợ giúp xác định những bệnh nhân đủ điều kiện để được điều trị bằng các liệu pháp nhắm mục tiêu. Phạm vi ứng dụng đang mở rộng nhanh chóng. Một số thuật toán tập trung vào các loại khối u cụ thể, chẳng hạn như ung thư tuyến tiền liệt, ung thư vú hoặc ung thư đại trực tràng, trong khi những thuật toán khác được thiết kế để đánh giá các dấu ấn sinh học tiên lượng hoặc dự đoán. Các mô hình mới nổi thậm chí có thể tích hợp các đặc điểm mô bệnh học với dữ liệu gen, hình ảnh học và lâm sàng để dự báo sự tiến triển của bệnh, ước tính nguy cơ tái phát hoặc dự đoán phản ứng có thể xảy ra của bệnh nhân đối với một liệu pháp nhất định [9,10]. Giá trị lớn nhất của AI nằm ở việc tạo ra một quy trình chẩn đoán cộng sinh, trong đó các nhiệm vụ lặp đi lặp lại, tốn nhiều thời gian – chẳng hạn như đếm hình ảnh phân bào, phân loại tiêu bản hoặc các phép đo định lượng phức tạp – được giao cho các thuật toán. Điều này giúp các nhà giải phẫu bệnh học có thể dành nhiều thời gian hơn cho việc diễn giải tinh tế và thảo luận trường hợp đa ngành. Kết quả không chỉ là thời gian xử lý nhanh hơn mà còn mang lại những hiểu biết chẩn đoán chi tiết và có thể tái tạo được nhiều hơn – giúp thúc đẩy lời hứa về y học chính xác đồng thời duy trì vai trò trung tâm của nhà bệnh lý học trong việc chăm sóc bệnh nhân [11].

3. Hệ sinh thái mở và hợp tác với các nhà cung cấp thuật toán AI

Một động lực quan trọng thứ ba định hình nên bức tranh này là sự trỗi dậy của các hệ sinh thái giải phẫu bệnh học kỹ thuật số mở. Các nền tảng giải phẫu bệnh học kỹ thuật số hiện đại ngày càng được thiết kế để tích hợp các thuật toán AI của bên thứ ba từ nhiều đối tác khác nhau, tạo ra một môi trường mô-đun, có khả năng tương tác và thân thiện với đổi mới. Thay vì ràng buộc người dùng vào một bộ công cụ độc quyền duy nhất, các nền tảng này cho phép các nhà giải phẫu bệnh học triển khai các mô-đun AI hàng đầu từ nhiều nhà cung cấp trực tiếp trong một giao diện xem thống nhất, giảm bớt gánh nặng đào tạo và hỗ trợ việc áp dụng quy trình làm việc liền mạch. Nhiều thuật toán trong số này cung cấp những hiểu biết chuyên sâu – chẳng hạn như phân loại khối u, phát hiện di căn hoặc định lượng dấu ấn sinh học – bổ sung cho chuyên môn của nhà giải phẫu bệnh học chứ không phải thay thế nó. Cách tiếp cận này đảm bảo việc báo cáo nhanh hơn, nhất quán hơn và có ý nghĩa lâm sàng hơn. Mô hình mở này đã thu hút đầu tư toàn cầu đáng kể, với hơn 1,7 tỷ USD được hướng tới các giải pháp bệnh lý kỹ thuật số do AI điều khiển kể từ năm 2014, bao gồm sự tăng vọt 42% chỉ riêng trong năm 2021 [14]. Mặc dù tốc độ đổi mới diễn ra nhanh chóng, việc triển khai vào quy trình làm việc lâm sàng thường quy vẫn còn nhiều thách thức, bị cản trở bởi các yêu cầu về quy định và nhu cầu về các giải pháp không phụ thuộc vào phần cứng và có khả năng thích ứng với các hạn chế về CNTT tại địa phương. Đáng chú ý, các công ty như Qritive ở khu vực châu Á – Thái Bình Dương là minh chứng cho cách các công ty khởi nghiệp có thể mang lại giá trị cho lĩnh vực này bằng cách cung cấp các mô-đun AI tại chỗ, không phụ thuộc vào phần cứng, giải quyết các ưu tiên khu vực như ung thư tuyến tiền liệt, ung thư đại tràng và ung thư gan, đồng thời đảm bảo chủ quyền dữ liệu. Tóm lại, sự kết hợp giữa tự động hóa phòng thí nghiệm bệnh lý toàn diện, thuật toán phân tích dựa trên trí tuệ nhân tạo và hệ sinh thái mở, được thúc đẩy bởi trí tuệ nhân tạo, tạo ra một mạng lưới kết nối và thích ứng, chuyển đổi dữ liệu chẩn đoán tĩnh thành những thông tin chi tiết có thể hành động được. Khả năng kết nối này – giữa các đối tác, các loại dữ liệu và khu vực địa lý – cho phép các nhà cung cấp dịch vụ chăm sóc sức khỏe nâng cao độ chính xác chẩn đoán, tối ưu hóa quy trình làm việc và đảm bảo rằng đúng bệnh nhân nhận được đúng phương pháp điều trị vào đúng thời điểm.

Những lĩnh vực cần ưu tiên khi công nghệ giải phẫu bệnh học kỹ thuật số ngày càng hoàn thiện.

Khi giải phẫu bệnh học kỹ thuật số chuyển từ ý tưởng thành hiện thực, việc lựa chọn đối tác phù hợp trở thành bước quan trọng để phát huy hết tiềm năng của nó. Khi đánh giá nhà cung cấp giải pháp giải phẫu bệnh học kỹ thuật số, các phòng thí nghiệm nên tìm kiếm đối tác cung cấp hỗ trợ toàn diện – từ quét tiêu bản chất lượng cao đến phân tích hình ảnh và tích hợp dữ liệu dựa trên trí tuệ nhân tạo – đảm bảo quy trình làm việc liền mạch thay vì một tập hợp các công cụ rời rạc. Điều quan trọng không kém là cam kết của nhà cung cấp đối với tính mở: khả năng tích hợp và đưa các thuật toán của bên thứ ba vào một hệ sinh thái mở sẽ thúc đẩy sự đổi mới và đảm bảo tính bền vững của nền tảng trong tương lai. Song song đó, nhà cung cấp được lựa chọn – hay nhà cung cấp thuật toán AI – cần chứng minh được chuyên môn vững chắc trong lĩnh vực dịch vụ và hỗ trợ. Ngoài việc chỉ đơn thuần cung cấp công nghệ, họ còn phải có khả năng cung cấp hỗ trợ kỹ thuật kịp thời, đào tạo liên tục và bảo trì chủ động để đảm bảo hoạt động không bị gián đoạn và hiệu suất hệ thống tối ưu. Cuối cùng, chuyên môn vững chắc trong việc nắm vững các tiêu chuẩn pháp lý, bảo mật dữ liệu và các biện pháp bảo vệ an ninh mạng là điều cần thiết để bảo vệ dữ liệu bệnh nhân nhạy cảm đồng thời duy trì sự tuân thủ trên nhiều khu vực khác nhau. Những yếu tố này đảm bảo rằng chuyển đổi số không chỉ mang lại tốc độ và hiệu quả mà còn cả khả năng phục hồi và giá trị lâu dài.

Kỷ nguyên mới của giải phẫu bệnh học kỹ thuật số

Sự chuyển đổi từ kính hiển vi quang học sang số hóa hoàn toàn đang biến đổi ngành giải phẫu bệnh học từ một lĩnh vực chuyên biệt thành một nhu cầu thiết yếu trong lâm sàng. Trên khắp khu vực châu Á – Thái Bình Dương – đặc biệt là đang phát triển mạnh ở Đông Nam Á – bệnh lý học kỹ thuật số mang đến cơ hội then chốt để tăng cường các lộ trình chăm sóc ung thư, ví dụ như thông qua phát hiện sớm hơn, giảm sự chậm trễ và điều trị cá nhân hóa hơn. Khi kết hợp với phân tích hình ảnh dựa trên trí tuệ nhân tạo, các nền tảng này giúp cải thiện độ chính xác chẩn đoán, cho phép hợp tác đa ngành và cung cấp khả năng tiếp cận kịp thời với chuyên môn của các chuyên gia – ngay cả ở những vùng xa xôi. Điều này đặc biệt quan trọng đối với các loại ung thư có tỷ lệ mắc cao như ung thư phổi và ung thư vú, nơi việc chẩn đoán sớm có thể cải thiện đáng kể tỷ lệ sống sót. Các hệ sinh thái mở, có khả năng tương tác lẫn nhau đảm bảo hơn nữa khả năng thích ứng, tích hợp các công cụ của bên thứ ba đã được kiểm chứng và tuân thủ quy định, giúp đảm bảo tính bền vững của cơ sở hạ tầng chẩn đoán trong tương lai. Các giải pháp được kiểm chứng lâm sàng, được định hình bởi các nhà giải phẫu bệnh học và thử nghiệm trên các bộ dữ liệu đại diện, đảm bảo tính nhất quán, trong khi an ninh mạng mạnh mẽ và phần cứng có khả năng mở rộng cho phép áp dụng an toàn và liền mạch trên toàn bộ chu trình chăm sóc. Trong kỷ nguyên chăm sóc sức khỏe được định hình bởi độ chính xác, tốc độ và khả năng kết nối, giãi phẫu bệnh học kỹ thuật số không chỉ là một bước đột phá mà còn là xương sống mới của chẩn đoán hiện đại.

Tài liệu tham khảo:

[1] Eloy, C., et al. 2025. “Chuyển đổi số trong ngành bệnh lý học – Bản báo cáo ý kiến ​​chuyên gia của Hiệp hội Bệnh lý học Châu Âu.” Virchows Archiv. doi:10.1007/s00428-025-04090-w.

[2] Zia, S., et al. 2025. “Cập nhật về các ứng dụng của bệnh lý học kỹ thuật số: chẩn đoán ban đầu; bệnh lý học từ xa, giáo dục và nghiên cứu.” Diagnostic Pathology 20 (17). doi:10.1186/s13000-025-01610-9.

[3] Menter, T., et al. 2020. “Tham khảo xét nghiệm mô đông lạnh trong phẫu thuật bằng phân tích hình ảnh toàn bộ tiêu bản từ xa – xác thực và so sánh với kính hiển vi robot từ xa.” Journal of Clinical Pathology 73 (6): 350–352.

[4] International Agency for Research on Cancer. 2022. Global Cancer Observatory. Truy cập ngày 10 tháng 8 năm 2025. https://gco.iarc.fr/.

[5] Zehra, T., et al. 2023. “Đề xuất phương hướng ứng dụng bệnh lý học kỹ thuật số hỗ trợ bởi trí tuệ nhân tạo trong các tổ chức có nguồn lực hạn chế ở các nước đang phát triển.” Diagnostic Pathology 18 (1): 68. doi:10.1186/s13000-023-01352-6.

[6] Mosquera-Zamudio, A., M. Gomez-Suarez, J. Sprockel, J.C. Riaño-Moreno, E.A.M. Janssen, L. Pantanowitz, and R. Parra-Medina. 2024. “Toàn cầu hóa mạng lưới chẩn đoán bệnh từ xa với ứng dụng trí tuệ nhân tạo tại Colombia: Đề cương nghiên cứu chương trình GLORIA.” Journal of Pathology Informatics 15: 100394. doi:10.1016/j.jpi.2024.100394.

[7] Walsh, E., and N.M. Orsi. 2024. “Tình trạng khó khăn hiện nay của lực lượng chuyên gia bệnh lý học toàn cầu: một đánh giá ngắn gọn.” Diagnostic Pathology 19 (163). doi:10.1186/s13000-024-01590-2.

[8] Edayan, J.M., et al. 2024. “Informatics in Medicine Unlocked” 50: 101566. doi:10.1016/j.imu.2024.101566.

[9] Go, H. 2022. “Giải phẫu bệnh kỹ thuật số và ứng dụng trí tuệ nhân tạo trong giải phẫu bệnh.” Brain Tumor Research and Treatment 10 (2): 76–82.

[10] Shafi, S., and A.V. Parwani. 2023. “Trí tuệ nhân tạo trong chẩn đoán bệnh lý.” Diagnostic Pathology 18 (109).

[11] Jarrahi, M.H., et al. 2022. “Chìa khóa để ứng dụng hiệu quả trí tuệ nhân tạo trong bệnh lý học kỹ thuật số: Thiết lập quy trình làm việc cộng sinh giữa các nhà bệnh lý học và máy móc.” Journal of Pathology Informatics 13: 100156.

[12] Gaffney, H., and K.M. Mirza. 2025. “Bệnh lý học trong kỷ nguyên trí tuệ nhân tạo: Định hướng đổi mới và ứng dụng để bảo tồn sự hiểu biết của con người.” Academic Pathology 12: 100166.

[13] Mulder, D., et al. 2025. “Việc sử dụng phần mềm hỗ trợ trí tuệ nhân tạo để đào tạo diễn giải IHC HER2 thấp và HER2 cực thấp nhằm nâng cao độ chính xác chẩn đoán của các nhà bệnh lý học và bệnh nhân, mở rộng tiêu chí đủ điều kiện điều trị nhắm mục tiêu HER2.” Tóm tắt được trình bày tại Hội nghị thường niên ASCO năm 2025.

[14] Nghiên cứu Signify. 2023. “Đầu tư vào giải phẫu bệnh học kỹ thuật số đã trưởng thành, các nhà đầu tư mạo hiểm trở nên chọn lọc hơn.” Truy cập ngày 4 tháng 9 năm 2025. https://www.signifyresearch.net/insights/complimentary-digital-pathology-vc-investment-analysis/.