Ứng dụng kính hiển vi kỹ thuật số trong tế bào học hiện đại

Sự phát triển của công nghệ hình ảnh số đang tạo ra những thay đổi đáng kể trong lĩnh vực tế bào học. Trước đây, việc quan sát và đánh giá tiêu bản chủ yếu phụ thuộc vào kính hiển vi quang học truyền thống, vốn bị giới hạn bởi góc nhìn hẹp, khó chia sẻ hình ảnh và không thể lưu trữ trọn vẹn để phục vụ hội chẩn hay đào tạo. Theo Khalbuss cùng các cộng sự (2011), sự ra đời của kỹ thuật số hoá hình ảnh, từ camera gắn trên kính hiển vi đến hệ thống chụp ảnh toàn bộ lam (Whole Slide Imaging, WSI) đã mở ra khả năng tiếp cận mới, giúp xem, lưu trữ và truyền tải tiêu bản một cách linh hoạt và hiệu quả hơn.

Trong lĩnh vực tế bào học, hình ảnh kỹ thuật số được ứng dụng trong rất nhiều hoạt động khác nhau: từ đào tạo trực tuyến, thay thế các buổi thảo luận qua kính đa đầu, tổ chức hội nghị giữa nhiều cơ sở, xây dựng nội dung cho các trang thông tin chuyên ngành, đến kiểm tra năng lực định kỳ, thực hiện tế bào học từ xa và hỗ trợ hội chẩn trực tuyến. Bên cạnh đó, hình ảnh số còn được tích hợp vào các hệ thống sàng lọc tự động nhằm nâng cao hiệu quả phát hiện bất thường trên tiêu bản.

Khả năng truy cập và chia sẻ hình ảnh nhanh chóng giúp cải thiện rõ rệt chất lượng cũng như hiệu quả của dịch vụ tế bào học. Khi chuyên gia phù hợp có thể xem đúng tiêu bản vào đúng thời điểm mà không cần chờ vận chuyển lam kính hay di chuyển bác sĩ, thời gian xử lý và hội chẩn được rút ngắn đáng kể.

Bài viết này sẽ trình bày những tiến bộ gần đây của công nghệ hình ảnh số trong tế bào học, các ứng dụng tiềm năng của nó, đồng thời phân tích những hạn chế và rào cản hiện còn tồn tại trong quá trình triển khai thực tế.

1. Kính hiển vi kỹ thuật số là gì?

Kính hiển vi kỹ thuật số (digital microscope) là hệ thống kính hiển vi sử dụng cảm biến thu ảnh và máy tính để tạo, xử lý và hiển thị hình ảnh ở dạng số thay vì quan sát trực tiếp qua thị kính. Ảnh thu được từ mẫu vật được chuyển đổi thành ảnh số gồm các phần tử rời rạc được gọi là pixels, cho phép thực hiện nhiều thao tác xử lý, tăng cường ảnh và phân tích tự động.

Theo Gonzalez & Woods, một ảnh số được định nghĩa là hàm hai chiều f(x, y), trong đó giá trị f tại mỗi điểm (x, y) biểu thị mức xám/độ sáng (intensity) của ảnh tại vị trí đó. Khi x, y và intensity đều là các giá trị rời rạc hữu hạn, ta gọi đó là digital image, bao gồm các phần tử ảnh (pixels) có vị trí và giá trị xác định (Gonzalez & Woods, 3rd ed., Ch.1, p.2–3).

Dựa trên nền tảng này, kính hiển vi kỹ thuật số hoạt động theo nguyên lý:

• Thu nhận ảnh bằng camera hoặc cảm biến (CMOS/CCD).
• Chuyển đổi hình ảnh quang học thành dữ liệu số gồm các pixel.
• Xử lý ảnh trên máy tính bằng các thuật toán số (tăng cường độ tương phản, lọc nhiễu, phân tích vùng tế bào…).
• Hiển thị, lưu trữ hoặc chia sẻ ảnh trên màn hình hoặc qua mạng.

2. Vai trò của hình ảnh trong tế bào học

Cytology là một lĩnh vực trong đó toàn bộ quá trình chẩn đoán phụ thuộc vào khả năng quan sát và phân tích hình thái tế bào. Các đặc điểm như kích thước và cấu trúc nhân, chất nhiễm sắc, ranh giới tế bào, sự hiện diện của tế bào bất thường hay dấu hiệu của nhiễm HPV đều chỉ có thể nhận diện thông qua hình ảnh rõ ràng và ổn định. Theo Khalbuss cùng các cộng sự (2011), tế bào học được xem là một ngành “phụ thuộc hình ảnh”, nghĩa là chất lượng hình ảnh quan sát quyết định trực tiếp đến độ tin cậy của kết luận chẩn đoán.

Trong các hướng dẫn của Tổ chức Y tế Thế giới (WHO), chất lượng tiêu bản và khả năng quan sát hình thái là yếu tố quyết định độ nhạy và độ đặc hiệu của sàng lọc ung thư cổ tử cung. Những tiêu bản bị ảnh hưởng bởi các lỗi kỹ thuật như phết quá dày, hiện tượng khô tiêu bản, tế bào chồng lấp hoặc bị che khuất bởi mảnh vụn viêm sẽ đều có nguy cơ làm giảm khả năng phát hiện tổn thương. Theo Hoda và cộng sự (2013) cũng ghi nhận rằng hiện tượng nhiễu kỹ thuật (artefact) này là nguyên nhân quan trọng gây âm giả hoặc làm sai lệch mức độ tổn thương khi đọc lam.

Bên cạnh đó, những giới hạn vốn có của kính hiển vi quang học cũng ảnh hưởng đến độ nhất quán của kết quả. Việc quan sát chỉ diễn ra tại thời điểm soi, không thể lưu trữ đầy đủ vùng đã xem để phục vụ đối chiếu, đào tạo hay kiểm tra chất lượng. Hội chẩn giữa các cơ sở phải dựa vào việc vận chuyển lam kính, vừa mất thời gian, vừa có nguy cơ làm hỏng mẫu hoặc lạc mất mẫu. Ngoài ra, sự khác biệt về kinh nghiệm giữa các bác sĩ dẫn đến sự biến thiên đáng kể trong đánh giá hình thái tế bào – một thách thức được đề cập rộng rãi trong hệ thống Bethesda.

Những yếu tố này cho thấy rằng hình ảnh đóng vai trò trung tâm trong tế bào học, nhưng phương pháp quan sát truyền thống bằng kính quang học vẫn còn nhiều hạn chế. Điều này đặt ra nhu cầu về các giải pháp hiện đại hơn, cho phép tạo ra hình ảnh ổn định, có thể lưu trữ, chia sẻ và phân tích một cách khách quan. Chính trong bối cảnh đó, kính hiển vi kỹ thuật số và các hệ thống số hóa lam trở thành bước tiến tất yếu nhằm nâng cao chất lượng chẩn đoán, chuẩn hóa quy trình và mở ra cơ hội ứng dụng các công nghệ tự động hóa trong tương lai.

3. Ứng dụng của kính hiển vi kỹ thuật số trong tế bào học

Ảnh số và các hệ thống kính hiển vi kỹ thuật số được ứng dụng rộng rãi trong tế bào học nhằm nâng cao hiệu quả chẩn đoán, đào tạo và quản lý dữ liệu. Những ứng dụng trọng tâm bao gồm:

3.1. Giáo dục và đào tạo

Ảnh tế bào được số hóa cho phép xây dựng các bộ sưu tập nhiều ca bệnh tiêu biểu để phục vụ giảng dạy ở nhiều cấp độ chuyên môn. Người học có thể truy cập hình ảnh qua máy tính, quan sát chi tiết cấu trúc tế bào, xem lại nhiều lần và luyện tập nhận diện được các tổn thương thường gặp cũng như hiếm gặp ở các ca bất thường. Việc đào tạo trở nên linh hoạt, không phụ thuộc vào kính hiển vi vật lý hay khoảng cách vị trí địa lý. Các chương trình đào tạo nội bộ và đào tạo từ xa đều được hỗ trợ hiệu quả, dễ dàng từ nguồn ảnh số chất lượng cao.

3.2. Thay thế soi kính nhiều đầu (multi-headed microscope)

Trong thực hành trước đây, để nhiều người cùng xem một lam, phòng xét nghiệm thường sử dụng kính hiển vi nhiều đầu (multiheaded microscope). Bài báo cho biết, với sự xuất hiện của ảnh số, các buổi thảo luận dạng này có thể được thay thế bằng ảnh số hiển thị trên màn hình lớn hoặc chia sẻ qua mạng nội bộ:

• Mỗi người tham gia có thể quan sát cùng một trường nhìn trên màn hình.
• Có thể dừng hình, phóng to, đánh dấu vùng tổn thương để thảo luận.
• Không cần tất cả cùng ngồi quanh một kính hiển vi, giảm giới hạn về không gian và trang thiết bị.

Điều này giúp tối ưu hoá nguồn lực, nhất là ở các trung tâm đào tạo lớn, nơi số lượng người học đông nhưng dụng cụ soi kính nhiều đầu hạn chế.

3.3. Hội chẩn và tham vấn từ xa

Các chuyên gia có thể đánh giá tiêu bản ở bất kỳ nơi nào, hỗ trợ kịp thời cho những cơ sở thiếu nhân lực hoặc những trường hợp cần ý kiến chuyên môn bổ sung. Hình thức này giúp rút ngắn thời gian chẩn đoán, giảm chi phí vận chuyển lam kính và nâng cao khả năng tiếp cận với đội ngũ chuyên gia trong lĩnh vực tế bào học.

3.4. Kiểm tra năng lực tế bào học

Ảnh số hiện được sử dụng rộng rãi trong các chương trình kiểm tra năng lực tế bào học (cytology proficiency testing), giúp chuẩn hóa quy trình đánh giá. Thay vì gửi lam kính đến từng thí sinh, các bộ tiêu bản số hóa được tạo ra để mọi người tham gia đều quan sát cùng một trường nhìn, loại bỏ sự biến thiên do thao tác soi kính. Cách tiếp cận này đảm bảo tính công bằng, giảm nguy cơ hư hỏng hoặc thất lạc lam, đồng thời đơn giản hóa việc tổ chức các kỳ đánh giá ở quy mô lớn.

3.5. Hỗ trợ sàng lọc tự động lam Pap

Các hệ thống xử lý ảnh số có khả năng khoanh vùng những khu vực nghi ngờ trên lam Pap giúp định hướng cho kỹ thuật viên trong quá trình sàng lọc. Công nghệ này góp phần phân bổ hợp lý khối lượng công việc, giảm tải thao tác đọc lam thủ công và đồng thời tăng khả năng phát hiện các bất thường nhỏ vốn dễ bị bỏ sót. Đây cũng là nền tảng quan trọng để tiến tới các kỹ thuật phân tích định lượng tiên tiến hơn, bao gồm phân tích hình thái tế bào và đo lường tự động dựa trên thuật toán.

3.6. Lưu trữ và quản lý dữ liệu hình ảnh

Ảnh tế bào số có thể được lưu trữ lâu dài, không bị biến đổi theo thời gian như lam kính nhuộm truyền thống. Các ca bệnh hiếm gặp hoặc quan trọng có thể được số hoá và lưu trong kho dữ liệu điện tử, dễ dàng tìm kiếm và chia sẻ giữa các khoa phòng hoặc giữa các cơ sở khác nhau. Việc lưu trữ trên nền tảng web giúp xây dựng ngân hàng hình ảnh phục vụ nghiên cứu, giảng dạy và tham khảo lâm sàng.

4. Ưu điểm vượt trội của Digital microscope so với hiển vi quang học truyền thống

5. Từ Digital Microscope đến Digital Cytology

Quá trình số hóa trong tế bào học bắt đầu từ việc sử dụng kính hiển vi kỹ thuật số (digital microscope). Đây là các hệ thống ghi nhận hình ảnh trường nhìn (field of view) bằng camera gắn trên kính hiển vi quang học. Những hình ảnh này giúp phục vụ đào tạo kỹ thuật viên, hội chẩn từ xa. Tuy nhiên, do chỉ ghi nhận từng vùng nhỏ của tiêu bản, dữ liệu thu được còn phân mảnh, khó tái lập tiêu điểm và không thể phản ánh đầy đủ toàn bộ cấu trúc lam (Bishop cùng các cộng sự.., 2018; Pantanowitz cùng các cộng sự., 2011). Chính vì vậy, phương pháp này chưa đáp ứng yêu cầu chuẩn hóa dữ liệu trong môi trường tế bào học hiện đại.

Bước phát triển tiếp theo là công nghệ quét toàn bộ lam – Whole Slide Imaging (WSI). Đây là hệ thống quét toàn bộ tiêu bản thành một ảnh số siêu phân giải, bao gồm cả nhiều lớp tiêu điểm (z-stack) để mô phỏng đặc tính ba chiều của mẫu tế bào. Trong tế bào học nhúng dịch (liquid-based cytology), tính đồng nhất của lam giúp việc quét trở nên thuận lợi hơn, ít gặp biến thiên về chất lượng ảnh (Bishop cùng các cộng sự., 2018).

Khi dữ liệu đã được số hóa toàn diện qua WSI, lĩnh vực tế bào học số (digital cytology) bắt đầu hình thành. Khái niệm này không chỉ bao gồm việc quét lam, mà mở rộng sang quản lý dữ liệu, chia sẻ hình ảnh, hội chẩn từ xa và chuẩn hóa quy trình QA/QC trong phòng xét nghiệm. Các khuyến nghị của Hội Tế bào học Hoa Kỳ (American Society of Cytopathology – ASC) nhấn mạnh rằng “Digital cytology” cải thiện hiệu quả làm việc, tăng khả năng tiếp cận và tạo nền tảng cho tự động hóa sàng lọc (Leong cùng các cộng sự., 2020).

Ở giai đoạn phát triển cao hơn, sàng lọc tế bào học hỗ trợ bằng trí tuệ nhân tạo (AI-assisted cytology screening) bắt đầu được ứng dụng. Các mô hình học sâu (deep learning) có khả năng xác định vùng nghi ngờ, phân loại tế bào bất thường, và đề xuất các vùng cần chú ý trên ảnh lam WSI. Nhiều nghiên cứu cho thấy AI không chỉ giúp tăng độ nhạy phát hiện tổn thương mà còn giảm gánh nặng công việc cho nhân viên tế bào học (Huss cùng các cộng sự., 2020; Zhang cùng các cộng sự., 2022). Các nền tảng thương mại như hệ thống phân tích số hóa của Hologic minh chứng rõ ràng cho khả năng triển khai thực tế của AI trong sàng lọc ung thư cổ tử cung.

Như vậy, sự chuyển đổi từ kính hiển vi số đến tế bào học số là một quá trình tiến hóa toàn diện, đi từ mục tiêu đơn thuần là ghi hình đến việc xây dựng một hệ sinh thái dữ liệu chuẩn hóa, có khả năng tích hợp tự động hóa và trí tuệ nhân tạo. Đây là nền tảng quan trọng cho chuyển đổi số trong xét nghiệm tế bào học hiện đại.

6. Tài liệu tham khảo

1. Khalbuss, W. E., Pantanowitz, L., & Monaco, S. E. (2011). Digital imaging in cytopathology. Acta Cytologica, 55(4), 291–301.
2. Hoda, R. S., Solomon, A. C., & Gerkin, R. D. (2013). Artifacts in cytopathology. Diagnostic Cytopathology, 41(11), 1024–1030.
3. World Health Organization. (2014). Comprehensive cervical cancer control: A guide to essential practice (2nd ed.).
4. Bishop, J. A., Nakhleh, R. E., & Illei, P. B. (2018). Whole-slide imaging: An overview. Advances in Anatomic Pathology, 25(3), 174–178.
5. Pantanowitz, L., Valenstein, P. N., Evans, A. J., et al. (2011). Review of the current state of whole slide imaging in pathology. Journal of Pathology Informatics, 2(1), 36.
6. Pantanowitz, L., Dickinson, K., Evans, A., et al. (2013). ATA clinical guidelines for telepathology. Journal of Pathology Informatics, 4, 7.
7. Leong, A. S.-Y., Zarka, M. A., & Pantanowitz, L. (2020). Digital cytology: Current state and future applications. Journal of Pathology Informatics, 11, 19.
8. Zhang, L., Li, M., Wang, H., et al. (2022). Deep learning–based cytology screening for cervical cancer: A real-world study. Cancer Cytopathology, 130(2), 128–138.
9. Gonzalez, R. C., & Woods, R. E. (2008). Digital image processing (3rd ed.). Pearson.