Trong y tế, chẩn đoán hình ảnh là một lĩnh vực đòi hỏi bác sĩ phải có kiến thức chuyên môn, kinh nghiệm thực tế và khả năng nhận biết rất nhiều dấu hiệu khác nhau trên phim X-quang, CT hay MRI. Đây cũng là lĩnh vực có nguy cơ xuất hiện sai sót nếu bác sĩ thiếu kinh nghiệm hoặc không có đủ dữ liệu để đối chiếu.
Một trong những hướng ứng dụng trí tuệ nhân tạo được phát triển tại Việt Nam là xây dựng hệ thống AI hỗ trợ bác sĩ trong chẩn đoán hình ảnh. Mục tiêu không phải thay thế bác sĩ mà tạo thêm một công cụ hỗ trợ, giúp phát hiện những dấu hiệu bất thường và đưa ra cảnh báo để bác sĩ xem xét kỹ hơn.
Vì sao AI có thể hỗ trợ chẩn đoán hình ảnh?
Việc đọc một phim X-quang tưởng như đơn giản nhưng thực tế đòi hỏi người bác sĩ phải xử lý rất nhiều thông tin. Cùng một dấu hiệu trên hình ảnh có thể liên quan đến nhiều tình trạng bệnh khác nhau, trong khi biểu hiện của bệnh cũng có thể thay đổi tùy từng người.
Ngay cả giữa các bệnh viện, kinh nghiệm của bác sĩ cũng không hoàn toàn giống nhau. Một bệnh viện thường xuyên tiếp nhận một nhóm bệnh nhất định sẽ tích lũy được nhiều kinh nghiệm hơn về nhóm bệnh đó. Quá trình đào tạo, môi trường làm việc và đặc điểm bệnh tật của từng khu vực cũng có thể tạo ra sự khác biệt trong cách nhận diện hình ảnh.
Ở các cơ sở y tế tuyến dưới, vấn đề càng rõ rệt hơn khi số lượng bác sĩ chuyên sâu và trang thiết bị có thể còn hạn chế. Một bác sĩ ít kinh nghiệm có khả năng bỏ qua những dấu hiệu rất nhỏ trên phim, trong khi những dấu hiệu đó đôi khi lại có giá trị quan trọng trong việc phát hiện bệnh sớm.
Chẳng hạn, với ung thư phổi, các tổn thương có kích thước nhỏ có thể khó nhận biết trên hình ảnh. Theo thông tin được trình bày trong bài viết, tỷ lệ bỏ sót có thể lên tới 19% khi đường kính trung bình của nốt bằng hoặc dưới 16 mm.
Học từ kinh nghiệm của các bác sĩ
Để AI đưa ra kết quả có giá trị, điều quan trọng trước tiên là phải cung cấp cho hệ thống dữ liệu được đánh giá và gán nhãn một cách chính xác.
Trong dự án được đề cập, đội ngũ bác sĩ của Vinmec phối hợp với VinBrain đã tiến hành phân tích và gán nhãn gần 68.000 hình ảnh X-quang tim phổi. Các bác sĩ giàu kinh nghiệm xem xét hình ảnh, xác định những dấu hiệu bệnh lý và liên hệ chúng với các triệu chứng tương ứng.
Những dữ liệu này trở thành cơ sở để hệ thống AI học cách nhận biết các mẫu hình tương tự.
Quy trình kiểm tra cũng được đặt ra khá chặt chẽ. Một hình ảnh thông thường được hai bác sĩ cùng đọc và kiểm tra ít nhất hai lần nhằm hạn chế sai sót trong quá trình tạo dữ liệu huấn luyện.
Bên cạnh số hình ảnh được đội ngũ chuyên môn trực tiếp gán nhãn, hệ thống còn được bổ sung một nguồn dữ liệu rất lớn. Theo thông tin của dự án, hơn 800.000 ảnh X-quang được thu thập từ dữ liệu cộng đồng trên thế giới để tiếp tục phân loại và gán nhãn.
Số lượng dữ liệu càng lớn và chất lượng gán nhãn càng tốt thì AI càng có nhiều trường hợp để học hỏi, từ đó có khả năng nhận diện các dấu hiệu bất thường chính xác hơn.
AI đóng vai trò như một “bác sĩ thứ hai”
Cách hình dung phù hợp hơn về hệ thống này không phải là một cỗ máy tự đưa ra quyết định thay bác sĩ.
Thay vào đó, AI hoạt động giống một trợ lý. Khi nhận được một hình ảnh, hệ thống có thể đối chiếu với lượng lớn dữ liệu đã được học trước đó, phát hiện những điểm đáng chú ý và đưa ra cảnh báo.
Nếu phát hiện một dấu hiệu nghi ngờ, AI có thể gợi ý để bác sĩ cân nhắc thực hiện thêm các xét nghiệm chuyên sâu. Quyết định cuối cùng vẫn thuộc về nhân viên y tế dựa trên toàn bộ thông tin lâm sàng của bệnh nhân.
Điểm đáng chú ý nằm ở khả năng tích lũy kinh nghiệm. Một bác sĩ dù có nhiều năm thực hành cũng chỉ có thể trực tiếp tiếp xúc với một lượng bệnh nhân nhất định. Trong khi đó, hệ thống AI có thể được huấn luyện trên hàng trăm nghìn hình ảnh và sử dụng những dữ liệu đó để hỗ trợ việc nhận diện các trường hợp tương tự.
Theo cách này, kinh nghiệm của những bác sĩ có chuyên môn cao có thể được chuyển hóa thành dữ liệu và thuật toán, sau đó trở thành công cụ hỗ trợ cho nhiều bác sĩ khác.
Ý nghĩa đặc biệt với tuyến y tế cơ sở
Giá trị lớn của công nghệ nằm ở khả năng thu hẹp khoảng cách giữa các cơ sở y tế.
Tại những trung tâm lớn, bệnh nhân thường có cơ hội được tiếp cận với bác sĩ giàu kinh nghiệm và hệ thống thiết bị hiện đại. Ngược lại, ở vùng sâu, vùng xa hoặc tuyến huyện, nguồn nhân lực chuyên môn có thể hạn chế hơn.
Nếu các cơ sở này có thể sử dụng một hệ thống AI được huấn luyện bằng dữ liệu và kinh nghiệm của các chuyên gia, bác sĩ tại địa phương sẽ có thêm một công cụ để kiểm tra những trường hợp khó.
Điều này đặc biệt hữu ích trong những chương trình sàng lọc bệnh trên diện rộng. Thay vì chỉ phụ thuộc hoàn toàn vào số lượng chuyên gia có sẵn, các hệ thống chẩn đoán hình ảnh tích hợp AI có thể hỗ trợ xử lý một lượng lớn hình ảnh trong thời gian ngắn.
Tiềm năng trong phòng chống bệnh lao
Bài viết cũng đề cập đến kỳ vọng sử dụng công nghệ trong chiến lược phòng chống bệnh lao.
Để phát hiện và kiểm soát bệnh lao trên quy mô lớn, một phương án được đưa ra là sử dụng các xe chuyên dụng có hệ thống X-quang để đến nhiều khu vực khác nhau thực hiện sàng lọc.
Tuy nhiên, nếu số lượng hình ảnh thu được rất lớn mà không có đủ nhân lực chuyên môn để đọc phim thì hiệu quả của chương trình sẽ bị hạn chế.
AI có thể trở thành một lớp hỗ trợ quan trọng trong quy trình này: hệ thống phân tích hình ảnh, đánh dấu những trường hợp đáng nghi ngờ và giúp nhân viên y tế tập trung kiểm tra kỹ hơn những trường hợp có nguy cơ.
Cách tiếp cận này có thể giúp công tác sàng lọc được triển khai trên phạm vi rộng hơn, đặc biệt tại những nơi thiếu bác sĩ chuyên khoa.
Từ AI học bác sĩ đến bác sĩ học AI
Một điểm quan trọng của mô hình này là mối quan hệ hai chiều giữa con người và công nghệ.
Ở giai đoạn đầu, AI học từ dữ liệu do các bác sĩ chuyên môn cung cấp. Nhưng khi hệ thống được đưa vào thực tế, những kết quả và cảnh báo của AI cũng có thể trở thành một nguồn tham khảo để bác sĩ kiểm tra, đối chiếu và nâng cao khả năng nhận diện hình ảnh.
Vì vậy, thay vì coi AI và bác sĩ là hai lực lượng cạnh tranh, mô hình được hướng tới là sự phối hợp giữa năng lực chuyên môn của con người và khả năng xử lý dữ liệu quy mô lớn của máy tính.
Nếu bác sĩ có chuyên môn tốt kết hợp với công nghệ tốt, hiệu quả cuối cùng có thể được nâng lên đáng kể.
Một hướng đi có thể mở rộng cho toàn ngành y
Ý tưởng lớn phía sau hệ thống không đơn thuần là tạo ra một phần mềm đọc X-quang. Xa hơn, đó là xây dựng một kho tri thức y khoa có khả năng tập hợp kinh nghiệm của nhiều chuyên gia rồi biến kinh nghiệm đó thành công cụ hỗ trợ có thể sử dụng rộng rãi.
Nếu được triển khai thành công trên diện rộng, mô hình này có thể giúp các bác sĩ ở nhiều tuyến tiếp cận với một “nguồn kinh nghiệm số” lớn hơn rất nhiều so với những gì họ có thể tích lũy thông qua thực hành cá nhân.
Trong tương lai, AI kết hợp với các công nghệ kết nối như IoT có thể tham gia sâu hơn vào quá trình phát hiện bệnh, hỗ trợ chẩn đoán, dự đoán nguy cơ và phòng bệnh.
Tuy nhiên, giá trị của công nghệ vẫn phụ thuộc rất lớn vào chất lượng dữ liệu, chuyên môn của đội ngũ xây dựng hệ thống và cách AI được sử dụng trong thực hành y khoa.
Nói cách khác, mục tiêu không phải tạo ra một “bác sĩ máy” thay thế con người, mà là dùng công nghệ để đưa kiến thức và kinh nghiệm của những chuyên gia giỏi đến gần hơn với nhiều bác sĩ và bệnh nhân.