Computer Vision trong y tế là gì (Computer Vision in Healthcare)

1. Tổng quan về Computer Vision trong y tế

Computer Vision trong y tế là một lĩnh vực ứng dụng trí tuệ nhân tạo (AI) nhằm giúp máy tính có khả năng tiếp nhận, xử lý và hiểu thông tin từ hình ảnh hoặc video liên quan đến sức khỏe con người. Thay vì chỉ lưu trữ hình ảnh dưới dạng dữ liệu trực quan để bác sĩ quan sát, hệ thống Computer Vision có thể phân tích những dữ liệu này, nhận diện các đặc điểm bất thường và chuyển chúng thành thông tin có giá trị hỗ trợ quá trình khám, chẩn đoán và điều trị.

Trong môi trường y tế, dữ liệu đầu vào của Computer Vision rất đa dạng, bao gồm X-quang, CT, MRI, siêu âm, ảnh nội soi, hình ảnh mô bệnh học, ảnh da liễu, video phẫu thuật và video ghi lại hoạt động của bệnh nhân. Ngoài ra, camera được đặt trong phòng bệnh, phòng mổ hoặc khu vực phục hồi chức năng cũng có thể trở thành nguồn dữ liệu cho các hệ thống thị giác máy tính.

Điểm quan trọng là Computer Vision không đơn thuần “nhìn” hình ảnh. Hệ thống có thể học cách nhận biết các mẫu hình ảnh liên quan đến bệnh lý, xác định vị trí tổn thương, phân loại mức độ bất thường hoặc theo dõi sự thay đổi của bệnh nhân theo thời gian.

Trong thực tế, công nghệ này thường đóng vai trò hỗ trợ bác sĩ, thay vì thay thế hoàn toàn chuyên môn của nhân viên y tế. Kết quả do AI tạo ra có thể được sử dụng như một lớp thông tin bổ sung để bác sĩ xem xét cùng với bệnh sử, xét nghiệm và các dữ liệu lâm sàng khác.

2. Computer Vision hoạt động như thế nào trong y tế?

Một hệ thống Computer Vision y tế thường trải qua nhiều bước từ thu nhận dữ liệu đến đưa ra kết quả phân tích.

Bước 1: Thu thập hình ảnh hoặc video

Dữ liệu được lấy từ các thiết bị y tế hoặc hệ thống camera, chẳng hạn:

Máy X-quang.
Máy CT.
Máy MRI.
Máy siêu âm.
Thiết bị nội soi.
Kính hiển vi kỹ thuật số.
Camera trong phòng bệnh.
Camera trong phòng phẫu thuật.
Camera hỗ trợ phục hồi chức năng.

Bước 2: Tiền xử lý dữ liệu

Hình ảnh y tế có thể có nhiều vấn đề như nhiễu, độ sáng không đồng nhất, độ phân giải khác nhau hoặc dữ liệu dư thừa. Vì vậy, hệ thống thường cần chuẩn hóa dữ liệu trước khi đưa vào mô hình AI.

Một số thao tác có thể bao gồm:

Điều chỉnh kích thước hình ảnh.
Chuẩn hóa cường độ điểm ảnh.
Giảm nhiễu.
Tăng độ tương phản.
Loại bỏ vùng không cần thiết.
Chuẩn hóa dữ liệu giữa các thiết bị khác nhau.

Bước 3: Phân tích bằng mô hình AI

Sau khi được xử lý, hình ảnh được đưa vào mô hình học máy hoặc học sâu. Mô hình có thể học những đặc trưng liên quan đến bệnh lý từ một lượng lớn dữ liệu đã được gán nhãn.

Ví dụ, một mô hình được huấn luyện trên hàng nghìn ảnh X-quang có thể học cách phân biệt giữa hình ảnh phổi bình thường và những hình ảnh có dấu hiệu bất thường.

Bước 4: Nhận diện và định vị bất thường

Hệ thống không chỉ có thể trả lời “có bất thường hay không”, mà còn có thể xác định vị trí của vùng nghi ngờ.

Ví dụ:

Khoanh vùng khối u.
Xác định vị trí tổn thương.
Đánh dấu vùng viêm.
Xác định vị trí gãy xương.
Phân biệt mô khỏe mạnh và mô bệnh.
Đếm số lượng tế bào hoặc tổn thương.

Bước 5: Trả kết quả cho nhân viên y tế

Kết quả có thể được hiển thị dưới dạng:

Điểm xác suất.
Nhãn phân loại.
Vùng được đánh dấu trên ảnh.
Bản đồ nhiệt.
Phân vùng cơ quan hoặc tổn thương.
Cảnh báo ưu tiên.
Báo cáo tự động.

Thông tin này sau đó được bác sĩ kết hợp với các dữ liệu lâm sàng khác để đưa ra quyết định.

3. Những kỹ thuật Computer Vision phổ biến trong y tế

3.1. Image Classification

Phân loại hình ảnh là bài toán xác định hình ảnh thuộc nhóm nào.

Ví dụ:

X-quang bình thường hoặc bất thường.
Tổn thương lành tính hoặc nghi ngờ ác tính.
Phân loại các loại bệnh trên ảnh da.
Phân loại mô bệnh học.

Mô hình thường trả về một hoặc nhiều nhãn cùng với xác suất tương ứng.

3.2. Object Detection

Object Detection được sử dụng khi cần vừa phát hiện đối tượng vừa xác định vị trí của đối tượng đó trong hình ảnh.

Trong y tế, công nghệ này có thể được sử dụng để tìm:

Khối u.
Polyp.
Tổn thương.
Gãy xương.
Nốt bất thường.
Các cấu trúc giải phẫu.

Kết quả thường được biểu diễn bằng các vùng hoặc khung giới hạn trên hình ảnh.

3.3. Image Segmentation

Segmentation đi sâu hơn Object Detection bằng cách xác định chính xác từng vùng hoặc từng điểm ảnh thuộc về đối tượng cần phân tích.

Ví dụ, thay vì chỉ tạo một khung xung quanh khối u, hệ thống có thể phân tách chính xác phần mô được nghi ngờ là khối u.

Một số kiến trúc nổi bật trong bài toán này là U-Net và các biến thể của nó.

Segmentation đặc biệt hữu ích trong:

Đo kích thước khối u.
Phân tích cơ quan.
Xác định vùng tổn thương.
Lập kế hoạch phẫu thuật.
Phân tích mô bệnh học.

3.4. CNN

Convolutional Neural Network (CNN) là một trong những kiến trúc quan trọng trong Computer Vision.

CNN có khả năng tự học các đặc trưng trực quan từ hình ảnh. Ở những tầng đầu, mô hình có thể nhận biết các đặc điểm đơn giản như cạnh và kết cấu; ở các tầng sâu hơn, nó có thể học những cấu trúc phức tạp hơn liên quan đến đối tượng hoặc bệnh lý.

CNN đã được ứng dụng rộng rãi trong phân tích X-quang, CT, MRI, ảnh da và ảnh mô học.

3.5. Transfer Learning

Việc huấn luyện một mô hình từ đầu cần lượng dữ liệu rất lớn. Trong y tế, dữ liệu được gán nhãn thường tốn nhiều thời gian và cần chuyên gia.

Transfer Learning giải quyết một phần vấn đề này bằng cách sử dụng mô hình đã được huấn luyện trước trên tập dữ liệu lớn, sau đó tinh chỉnh mô hình bằng dữ liệu y tế chuyên biệt.

Cách tiếp cận này có thể giúp giảm yêu cầu về dữ liệu và thời gian huấn luyện.

3.6. Transformer và Vision Transformer

Transformer vốn nổi bật trong lĩnh vực xử lý ngôn ngữ nhưng sau đó được áp dụng cho hình ảnh.

Vision Transformer có khả năng xem hình ảnh như một tập hợp các vùng nhỏ và học mối quan hệ giữa những vùng này.

Các kiến trúc dựa trên Transformer ngày càng được nghiên cứu trong:

Phân tích ảnh y tế.
Phân đoạn cơ quan.
Phát hiện tổn thương.
Phân tích hình ảnh đa phương thức.
Kết hợp hình ảnh với dữ liệu bệnh án.

4. Các ứng dụng quan trọng của Computer Vision trong y tế

4.1. Phân tích hình ảnh y khoa

Đây là một trong những ứng dụng phổ biến nhất.

AI có thể hỗ trợ phân tích:

X-quang.
CT.
MRI.
Siêu âm.
Nội soi.
Ảnh mô bệnh học.

Hệ thống có thể tìm kiếm những dấu hiệu bất thường mà bác sĩ cần chú ý, từ đó giúp quá trình đọc ảnh trở nên nhanh và có hệ thống hơn.

Ví dụ, trong X-quang ngực, AI có thể đánh dấu những vùng có dấu hiệu đáng chú ý để bác sĩ xem xét trước.

4.2. Phát hiện và phân tích khối u

Computer Vision có thể được huấn luyện để nhận diện những đặc điểm hình ảnh liên quan đến khối u.

Đối với CT hoặc MRI, hệ thống có thể:

Phát hiện vùng nghi ngờ.
Khoanh vùng khối u.
Đo kích thước.
Theo dõi sự thay đổi qua nhiều lần chụp.
Hỗ trợ phân loại mức độ bất thường.

Việc tự động hóa một phần quy trình có thể giúp bác sĩ nhanh chóng tập trung vào những vùng cần kiểm tra kỹ hơn.

4.3. Hỗ trợ phát hiện ung thư

Computer Vision được nghiên cứu trong nhiều lĩnh vực ung thư khác nhau.

Ung thư da

AI có thể phân tích hình ảnh tổn thương trên da để nhận diện các đặc điểm đáng ngờ.

Ung thư vú

Hệ thống có thể hỗ trợ phân tích hình ảnh tuyến vú nhằm tìm kiếm những vùng bất thường.

Ung thư phổi

AI có thể phân tích CT phổi để tìm các nốt hoặc đặc điểm hình ảnh cần được kiểm tra thêm.

Ung thư đại trực tràng

Trong nội soi, Computer Vision có thể phân tích video theo thời gian thực và hỗ trợ phát hiện polyp hoặc những vùng bất thường.

5. Computer Vision trong phẫu thuật

Trong phòng mổ, dữ liệu hình ảnh và video xuất hiện liên tục. Đây là môi trường phù hợp cho Computer Vision vì hệ thống có thể phân tích hình ảnh theo thời gian thực.

Một số ứng dụng gồm:

Nhận diện cấu trúc giải phẫu

AI có thể hỗ trợ xác định các cơ quan, mô hoặc cấu trúc quan trọng trong trường nhìn của camera phẫu thuật.

Theo dõi dụng cụ

Hệ thống có thể nhận biết vị trí và chuyển động của dụng cụ phẫu thuật.

Hỗ trợ phẫu thuật robot

Computer Vision là một thành phần quan trọng trong các hệ thống phẫu thuật có robot, giúp hệ thống hiểu được hình ảnh từ camera và môi trường xung quanh.

Kiểm tra vật tư

AI có thể hỗ trợ kiểm tra các vật dụng được sử dụng trong quá trình phẫu thuật nhằm giảm nguy cơ bỏ sót.

Phân tích quy trình phẫu thuật

Video phẫu thuật có thể được phân tích để đánh giá các bước thực hiện, thời gian, chuyển động và hiệu quả của quy trình.

6. Theo dõi bệnh nhân bằng camera

Không phải mọi ứng dụng Computer Vision trong y tế đều cần hình ảnh X-quang hoặc CT.

Camera thông thường cũng có thể được sử dụng để theo dõi bệnh nhân.

Ví dụ, hệ thống có thể nhận biết:

Bệnh nhân đang nằm.
Bệnh nhân đang ngồi.
Bệnh nhân đang đứng.
Bệnh nhân cố gắng rời khỏi giường.
Bệnh nhân bị ngã.
Bệnh nhân có chuyển động bất thường.

Khi phát hiện tình huống cần chú ý, hệ thống có thể gửi cảnh báo cho nhân viên y tế.

Điều này đặc biệt hữu ích ở những khu vực có nhiều bệnh nhân nhưng số lượng nhân viên chăm sóc có hạn.

7. Theo dõi dấu hiệu sức khỏe

Computer Vision còn có thể được sử dụng để ước tính một số thông tin liên quan đến tình trạng sức khỏe thông qua hình ảnh hoặc video.

Ví dụ, hệ thống có thể nghiên cứu:

Chuyển động cơ thể.
Tư thế.
Nhịp chuyển động.
Biểu hiện trên khuôn mặt.
Một số đặc điểm sinh lý có thể quan sát từ camera.

Trong phòng phẫu thuật, Computer Vision còn được nghiên cứu để hỗ trợ ước tính lượng máu mất trong quá trình can thiệp.

Những thông tin này có thể bổ sung cho các thiết bị theo dõi y tế truyền thống.

8. Phục hồi chức năng từ xa

Computer Vision mở ra khả năng thực hiện một phần quá trình phục hồi chức năng tại nhà.

Camera có thể ghi lại chuyển động của bệnh nhân trong khi thực hiện bài tập.

AI sau đó có thể:

Nhận diện tư thế.
Theo dõi chuyển động của các khớp.
Đếm số lần thực hiện bài tập.
Phát hiện động tác chưa đúng.
Đánh giá sự tiến bộ theo thời gian.

Ví dụ, bệnh nhân có thể thực hiện một bài tập vận động trước camera và hệ thống phân tích xem động tác có gần với tư thế được yêu cầu hay không.

Điều này giúp chuyên gia y tế có thêm dữ liệu để theo dõi quá trình phục hồi mà không nhất thiết phải để bệnh nhân đến cơ sở y tế trong mọi buổi tập.

9. Phát hiện té ngã

Phát hiện té ngã là một ứng dụng đáng chú ý của Computer Vision.

Camera có thể liên tục phân tích chuyển động của bệnh nhân hoặc người cao tuổi. Nếu mô hình nhận thấy một chuỗi chuyển động phù hợp với tình huống té ngã, hệ thống có thể gửi cảnh báo.

Mục tiêu là rút ngắn thời gian từ khi sự cố xảy ra đến khi nhân viên chăm sóc biết được sự cố.

Ngoài bệnh viện, công nghệ này còn có tiềm năng được sử dụng trong các cơ sở chăm sóc người cao tuổi và môi trường hỗ trợ tại nhà.

10. Quản lý vệ sinh và kiểm soát nhiễm khuẩn

Computer Vision còn có thể được sử dụng bên ngoài quá trình chẩn đoán.

Camera và AI có thể hỗ trợ giám sát:

Việc sử dụng trang phục bảo hộ.
Quy trình vệ sinh tay.
Tình trạng vệ sinh của một số khu vực.
Các khu vực có tần suất sử dụng cao.
Luồng di chuyển của con người.

Từ dữ liệu này, bệnh viện có thể xác định những khu vực cần được vệ sinh thường xuyên hơn hoặc phát hiện những hành vi chưa tuân thủ quy trình.

11. Phân loại và ưu tiên bệnh nhân

Trong các bệnh viện lớn, số lượng hình ảnh y khoa cần đọc có thể rất lớn.

Computer Vision có thể hỗ trợ quá trình triage bằng cách phân tích sơ bộ các hình ảnh và đánh dấu những trường hợp có dấu hiệu nghiêm trọng.

Ví dụ:

Hình ảnh có dấu hiệu đột quỵ.
Bất thường ở phổi.
Tổn thương nghiêm trọng.
Gãy xương.
Một số dấu hiệu cấp cứu.

Thay vì tất cả hình ảnh được xử lý theo một thứ tự giống nhau, hệ thống có thể giúp đưa những trường hợp cần chú ý lên trước.

Điều này đặc biệt hữu ích trong môi trường cấp cứu, nơi thời gian xử lý có thể ảnh hưởng đáng kể đến kết quả điều trị.

12. Đào tạo nhân viên y tế

Computer Vision cũng có thể được ứng dụng trong đào tạo bác sĩ và nhân viên y tế.

Trong môi trường mô phỏng, camera có thể ghi lại thao tác của học viên và AI phân tích:

Tư thế.
Chuyển động.
Trình tự thao tác.
Thời gian thực hiện.
Những bước thực hiện chưa chính xác.

Đối với đào tạo phẫu thuật, hệ thống có thể hỗ trợ đánh giá kỹ năng dựa trên dữ liệu khách quan hơn thay vì chỉ dựa vào nhận xét thủ công.

13. Hỗ trợ quản lý bệnh viện

Computer Vision không chỉ phục vụ bác sĩ mà còn có thể cải thiện hoạt động vận hành của bệnh viện.

Ví dụ:

Đếm số lượng người.
Phân tích mật độ tại khu vực chờ.
Theo dõi hàng đợi.
Phân tích mức độ sử dụng phòng.
Theo dõi luồng di chuyển.
Tối ưu hóa việc sử dụng cơ sở vật chất.

Những dữ liệu này có thể giúp bệnh viện phát hiện điểm nghẽn trong quy trình và phân bổ nguồn lực hiệu quả hơn.

14. Lợi ích của Computer Vision trong y tế

Lợi ích	Ý nghĩa
Tăng tốc độ xử lý	AI có thể phân tích số lượng lớn hình ảnh trong thời gian ngắn.
Hỗ trợ phát hiện sớm	Hệ thống có thể nhận diện những dấu hiệu đáng chú ý ngay từ giai đoạn đầu.
Giảm tải cho bác sĩ	AI đảm nhận một phần công việc phân tích và sàng lọc ban đầu.
Tăng tính nhất quán	Máy tính có thể áp dụng cùng một quy trình phân tích cho nhiều trường hợp.
Hỗ trợ ưu tiên ca bệnh	Những trường hợp có nguy cơ cao có thể được đánh dấu để xử lý trước.
Theo dõi liên tục	Camera AI có thể hoạt động liên tục mà không bị giới hạn bởi thời gian làm việc của con người.
Cá nhân hóa chăm sóc	Dữ liệu hình ảnh theo thời gian có thể giúp theo dõi tiến triển của từng bệnh nhân.
Tối ưu vận hành	AI có thể hỗ trợ quản lý phòng bệnh, hàng đợi và nguồn lực.
Hỗ trợ từ xa	Một số hoạt động theo dõi và phục hồi có thể thực hiện ngoài bệnh viện.

15. Những hạn chế và thách thức

Mặc dù có tiềm năng lớn, Computer Vision trong y tế vẫn tồn tại nhiều vấn đề cần giải quyết trước khi triển khai rộng rãi.

15.1. Chất lượng dữ liệu

AI phụ thuộc rất lớn vào dữ liệu dùng để huấn luyện.

Nếu dữ liệu:

quá ít;
không đa dạng;
có sai sót;
gán nhãn không chính xác;
tập trung vào một nhóm bệnh nhân nhất định;

thì mô hình có thể hoạt động tốt trong môi trường thử nghiệm nhưng kém hiệu quả khi đưa vào bệnh viện khác.

15.2. Khả năng tổng quát hóa

Một mô hình được huấn luyện trên hình ảnh từ một loại máy hoặc một bệnh viện chưa chắc hoạt động tốt trên dữ liệu từ cơ sở khác.

Sự khác biệt về:

thiết bị chụp;
chất lượng hình ảnh;
quy trình bệnh viện;
nhóm bệnh nhân;
đặc điểm dân số;

có thể ảnh hưởng đến hiệu quả của AI.

Do đó, mô hình cần được đánh giá và kiểm chứng trong nhiều môi trường thực tế.

15.3. Quyền riêng tư

Hình ảnh y tế và video bệnh nhân chứa thông tin cá nhân rất nhạy cảm.

Vì vậy, hệ thống cần chú trọng:

mã hóa dữ liệu;
kiểm soát quyền truy cập;
ẩn danh dữ liệu;
bảo vệ hệ thống lưu trữ;
kiểm soát quá trình truyền dữ liệu;
hạn chế việc sử dụng dữ liệu ngoài mục đích được cho phép.

Trong một số trường hợp, Edge AI có thể được sử dụng để xử lý dữ liệu ngay tại thiết bị thay vì gửi toàn bộ hình ảnh lên máy chủ hoặc cloud.

16. Vấn đề về tính minh bạch của AI

Một vấn đề quan trọng là bác sĩ cần hiểu tại sao hệ thống lại đưa ra một kết quả nhất định.

Ví dụ, nếu AI đánh dấu một vùng trên ảnh là đáng ngờ, người sử dụng cần có khả năng xem vùng nào đã khiến mô hình đưa ra cảnh báo.

Do đó, các phương pháp như:

Heatmap.
Attention map.
Explainable AI.
Visualization.

có thể giúp con người hiểu rõ hơn quá trình AI đưa ra dự đoán.

Tuy nhiên, việc hiển thị vùng chú ý không đồng nghĩa với việc AI đã đưa ra một lời giải thích hoàn chỉnh. Đây vẫn là lĩnh vực cần được nghiên cứu và đánh giá kỹ.

17. AI không thay thế bác sĩ

Một trong những cách hiểu sai về Computer Vision trong y tế là cho rằng AI có thể thay thế hoàn toàn bác sĩ.

Trên thực tế, một hệ thống Computer Vision chỉ phân tích một phần thông tin.

Bác sĩ còn phải xem xét:

Bệnh sử.
Triệu chứng.
Kết quả xét nghiệm.
Thuốc đang sử dụng.
Tiền sử bệnh.
Các hình ảnh y khoa khác.
Diễn biến của bệnh nhân.

Vì vậy, mô hình phù hợp nhất trong nhiều trường hợp là AI hỗ trợ quyết định lâm sàng.

AI có thể làm nhiệm vụ sàng lọc, phát hiện dấu hiệu đáng chú ý và cung cấp thêm thông tin; quyết định cuối cùng vẫn cần được thực hiện trong quy trình chuyên môn phù hợp.

18. Tương lai của Computer Vision trong y tế

Trong tương lai, Computer Vision có xu hướng chuyển từ việc chỉ phân tích một hình ảnh riêng lẻ sang việc hiểu nhiều loại dữ liệu cùng lúc.

Ví dụ, một hệ thống có thể kết hợp:

Hình ảnh y tế + video + bệnh án điện tử + kết quả xét nghiệm + dữ liệu theo dõi bệnh nhân

để tạo ra một bức tranh toàn diện hơn về tình trạng sức khỏe.

Một số hướng phát triển đáng chú ý gồm:

AI đa phương thức

Mô hình có thể đồng thời hiểu hình ảnh, văn bản và dữ liệu lâm sàng.

Phân tích thời gian thực

AI không chỉ phân tích ảnh sau khi chụp mà có thể xử lý video ngay trong lúc nội soi, phẫu thuật hoặc theo dõi bệnh nhân.

Edge AI

Một phần xử lý được thực hiện trực tiếp trên camera hoặc thiết bị, giúp giảm độ trễ và hạn chế việc truyền dữ liệu nhạy cảm.

AI cá nhân hóa

Mô hình có thể theo dõi dữ liệu của từng bệnh nhân theo thời gian thay vì chỉ đưa ra kết luận từ một lần kiểm tra.

Hỗ trợ y tế từ xa

Computer Vision có thể giúp bác sĩ theo dõi bệnh nhân ở nhà và hỗ trợ phục hồi chức năng từ xa.

Phẫu thuật thông minh

AI có thể ngày càng hỗ trợ nhận diện giải phẫu, theo dõi dụng cụ và phân tích quy trình phẫu thuật theo thời gian thực.

19. Kết luận

Computer Vision đang trở thành một thành phần quan trọng trong quá trình chuyển đổi số của ngành y tế. Bằng cách kết hợp camera, hình ảnh y khoa và các mô hình học máy, công nghệ này cho phép máy tính thực hiện nhiều nhiệm vụ trước đây phụ thuộc gần như hoàn toàn vào khả năng quan sát và phân tích của con người.

Các ứng dụng nổi bật trải dài từ chẩn đoán hình ảnh, phát hiện ung thư, phân tích mô bệnh học đến hỗ trợ phẫu thuật, giám sát bệnh nhân, phát hiện té ngã, phục hồi chức năng và tối ưu hóa hoạt động bệnh viện.

Giá trị lớn nhất của Computer Vision không nhất thiết nằm ở việc thay thế con người, mà ở khả năng xử lý khối lượng dữ liệu hình ảnh lớn, phát hiện những dấu hiệu cần chú ý, cung cấp thông tin nhanh chóng và hỗ trợ nhân viên y tế đưa ra quyết định có cơ sở hơn.

Tuy nhiên, để công nghệ thực sự tạo ra lợi ích trong môi trường lâm sàng, việc xây dựng mô hình có độ chính xác cao mới chỉ là một phần của bài toán. Hệ thống còn phải được kiểm chứng trên dữ liệu thực tế, bảo đảm quyền riêng tư, tích hợp với quy trình bệnh viện, đánh giá tính công bằng và có cơ chế để chuyên gia y tế kiểm soát kết quả.

Vì vậy, hướng phát triển phù hợp của Computer Vision trong y tế là xây dựng một hệ thống cộng tác giữa con người và AI, trong đó máy tính đảm nhiệm khả năng xử lý dữ liệu ở quy mô lớn, còn bác sĩ sử dụng chuyên môn lâm sàng để diễn giải kết quả và đưa ra quyết định chăm sóc bệnh nhân.