Việc ứng dụng trí tuệ nhân tạo AI trong chẩn đoán hình ảnh y tế đã đánh dấu một kỷ nguyên mới trong lĩnh vực chăm sóc sức khỏe, tác động sâu sắc lên nền y học hiện đại. Những cải tiến bên trong AI, như các thuật toán học sâu (deep learning algorithms), mạng nơ-ron tích chập (convolutional neural networks), và mạng đối kháng tạo sinh (generative adversarial networks), đã cải thiện đáng kể độ chính xác và hiệu quả của phân tích hình ảnh y tế.
Bằng cách kết hợp các kỹ thuật AI tiên tiến và các ứng dụng thực tế của chúng, chúng ta có quyền trông chờ vào việc AI sẽ tiếp tục định hình tương lai của ngành y tế theo những hướng vô cùng tích cực.
Chẩn đoán hình ảnh là phương pháp rất quan trọng giúp cho bác sĩ và người bệnh hiểu rõ về hình thái, chức năng, cấu tạo sinh lý của cơ thể để từ đó đưa ra những phương án phòng ngừa và điều trị bệnh một cách hiệu quả nhất. Chẩn đoán hình ảnh thông qua việc sử dụng các biện pháp kỹ thuật hình ảnh như: X-quang, siêu âm, chụp cắt lớp vi tính – CT, cộng hưởng từ – MRI.
Vào giữa năm 1895, Wilhelm Röntgen một giáo sư vật lý thuộc đại học Wuzburrg của nước Đức đã tìm ra tia X. Chính ông đã thực hiện ca chụp X-quang đầu tiên trên thế giới, khai sinh ra ngành chẩn đoán hình ảnh hiện đại. Sau đó, Rontgen cũng đã được nhận giải Nobel Vật lý đầu tiên.
Từ đó đến nay, ngành chẩn đoán hình ảnh đã trải qua rất nhiều giai đoạn phát triển khác nhau và vẫn không ngừng tiến bộ, tạo thành lĩnh vực chủ chốt và được quan tâm đầu tư vô cùng mạnh mẽ.
Chẩn đoán hình ảnh bằng AI là việc sử dụng các thuật toán tiên tiến và kỹ thuật học máy (machine learning) để phân tích, diễn giải hình ảnh y khoa. Trí tuệ nhân tạo (AI) không chỉ nâng cao độ chính xác và hiệu quả trong việc xử lý hình ảnh phức tạp, mà còn góp phần đáng kể trong việc cải thiện chẩn đoán và lập kế hoạch điều trị cá nhân hóa cho bệnh nhân, mang lại những kết quả điều trị tốt hơn.
Trong những năm gần đây, sự phát triển vượt bậc của dữ liệu lớn (big data) đã thúc đẩy sự tiến bộ đáng kể trong việc xây dựng, tối ưu hóa các các mô hình AI. Các nghiên cứu về AI trong chẩn đoán hình ảnh xuất hiện ngày càng nhiều và đã được ứng dụng rộng rãi. Với năng lực hiện tại, AI trong chẩn đoán hình ảnh có ý nghĩa to lớn, hỗ trợ bác sĩ trong toàn bộ quy trình khám chữa bệnh bằng hình ảnh y tế, từ việc tạo ra hình ảnh nhanh chóng, chất lượng cao với chi phí thấp, đến phân tích, chẩn đoán bệnh bằng AI và tự động xuất báo cáo bằng AI.
Sử dụng AI để chẩn đoán hình ảnh không đơn thuần chỉ giúp tự động hóa quy trình mà còn làm thay đổi cơ bản phương thức tiếp cận chẩn đoán bệnh, nâng cao sự chính xác và hiệu quả của toàn bộ quá trình.
Chẩn đoán hình ảnh bằng AI giúp các chuyên gia y tế có thể phát hiện bệnh nhanh hơn, từ đó có những biện pháp can thiệp sớm hơn. Thông thường, các bác sĩ chẩn đoán hình ảnh sẽ mất không ít thời gian vào việc đọc và phân tích hình ảnh một cách kĩ lưỡng. Do đó, các công cụ chẩn đoán hình ảnh y tế được hỗ trợ bởi AI sẽ giúp các bác sĩ đưa ra quyết định lâm sàng hoặc cận lâm sàng một cách nhanh chóng với độ chính xác cao.
Công nghệ AI khi được tích hợp vào hình ảnh y tế có thể cải thiện độ chính xác của việc chẩn đoán và điều trị. Ví dụ, các công cụ AI và machine learning có thể phân biệt giữa các loại ung thư phổi khác nhau, cho phép bác sĩ chẩn đoán chính xác và có phương án điều trị hợp lý. Hơn nữa, hình ảnh y tế được hỗ trợ bởi AI có thể dự đoán chính xác hơn tỷ lệ sống sót của bệnh nhân ung thư dựa trên giai đoạn phát triển của khối u.
Với những đo lường chính xác này, các bác sĩ giờ đây thuận tiện hơn trong việc đưa ra các liệu trình điều trị cá nhân hóa, phù hợp với tình trạng của bệnh nhân.
Thông qua phân tích hình ảnh y tế được hỗ trợ bởi AI, các bác sĩ có thể nhận được hỗ trợ quyết định và rút ngắn thời gian chẩn đoán, giúp bác sĩ được giải phóng nguồn lực. Với phương pháp sàng lọc ung thư truyền thống, các bác sĩ điều trị phải gắn nhãn và đánh giá hàng ngàn hình ảnh để phát hiện các tế bào ung thư. Điều này làm tăng đáng kể khối lượng công việc của họ và kéo dài thời gian chẩn đoán.
Các công cụ AI chẩn đoán hình ảnh y tế có thể giúp tự động hóa quá trình phân tích, do đó giảm bớt khối lượng công việc thủ công. Ngoài ra, công nghệ này còn mở rộng khả năng của các nhà cung cấp dịch vụ chăm sóc sức khỏe bằng cách giảm thời gian phân tích và giúp khắc phục tình trạng thiếu hụt chuyên gia y tế trên toàn cầu.
Dù là thông qua chẩn đoán kịp thời hơn hay can thiệp chính xác hơn, công nghệ AI trong chẩn đoán hình ảnh y tế đã chứng mình được khả năng cải thiện kết quả điều trị tổng thể cho bệnh nhân. Ví dụ, trong các tình huống chăm sóc cấp cứu như đột quỵ, chẩn đoán bệnh bằng AI có thể tiết kiệm thời gian đáng kể với tỉ lệ chính xác cao, gia tăng tỉ lệ sống sót đáng kể cho bệnh nhân. Trong một số trường hợp, việc chẩn đoán hình ảnh bằng AI cho các trường hợp đột quỵ có thể giảm thời gian từ khi thực hiện chụp CT đến can thiệp từ 281 xuống còn 243 phút.
Hầu hết các ứng dụng AI chẩn đoán ảnh X-quang hiện tại cung cấp các ước tính về khả năng một bệnh nhân nhất định có thể gặp biến chứng dựa trên hình ảnh X-quang. Ví dụ, một hệ thống AI có thể kết luận rằng một tổn thương ở vú của một bệnh nhân có 10% khả năng là ác tính. Một bác sĩ X-quang có thể lựa chọn tiến hành sinh thiết, nhưng hệ thống AI có thể không hiểu được mức độ nghiêm trọng của vấn đề và cho rằng 10% khả năng ung thư là không đáng kể để thực hiện sinh thiết.
Việc thiết kế các thuật toán AI chính xác cũng khó khăn như việc hiểu cách tích hợp các hệ thống AI vào quy trình làm việc hàng ngày trong X-quang. Vai trò và trách nhiệm của bác sĩ X-quang có thể thay đổi và quy trình làm việc cũng có thể sẽ thay đổi theo. Tuy nhiên, không thể hoàn toàn kỳ vọng rằng các thuật toán sẽ đưa ra quyết định lâm sàng hoàn toàn tự động, bất kể độ chính xác và hiệu quả của chúng.
Dù có nhiều ứng dụng của AI trong chẩn đoán hình ảnh y tế, nhiều nhà cung cấp dịch vụ y tế vẫn chưa sẵn sàng cho việc chuyển đổi số y tế. Dữ liệu nghiên cứu và dữ liệu bệnh nhân của họ bị phân tách, các biện pháp bảo mật đã lỗi thời, phần cứng cần nâng cấp và các hệ thống thiếu khả năng tương tác. Việc tích hợp AI trong một môi trường như vậy có thể tạo ra nhiều rào cản hơn.
Thiếu dữ liệu gán nhãn chất lượng cao là một vấn đề phổ biến trên các lĩnh vực và ngành nghề, và X-quang cũng không phải là ngoại lệ. Việc tiếp cận dữ liệu hình ảnh rõ ràng và có gán nhãn để đào tạo AI y tế không phải là điều dễ dàng.
Số lượng các trường hợp sử dụng phần mềm trí tuệ nhân tạo (AI) trong khoa học dữ liệu lâm sàng và thực hành X-quang đang ngày càng tăng. Hãy cùng VinBrain tìm hiểu 5 ứng dụng AI cho chẩn đoán hình ảnh nổi bật nhất.
Một trong những ứng dụng AI phổ biến trong chẩn đoán hình ảnh đó là khả năng phát hiện các bất thường trên hình ảnh của X-quang ngực thẳng. Với sự giúp sức của AI, bác sĩ có thể chẩn đoán vô cùng chính xác những bất thường dù chỉ ở kích cỡ rất nhỏ hoặc những nốt mờ.
DrAid™ X-quang Ngực của VinBrain, một trong những giải pháp AI cho y tế tiêu biểu ở Đông Nam Á được FDA Hoa Kỳ thông qua, có khả năng phát hiện và phân loại tới 54 bất thường liên quan đén các bệnh về phổi, tim, trung thất và xương. Khả năng phát hiện sớm, chính xác của sản phẩm này được ghi nhận có thể gia tăng tăng hiệu quả làm việc của bác sĩ lên đến 30%, đồng thời, độ chính xác trong các chẩn đoán cũng tăng lên tới 25%.
Ngoài ra, VinBrain cũng đang sở hữu nhiều giải pháp AI cho chẩn đoán hình ảnh y tế khác. Những giải pháp này cũng đang được ứng dụng tại hơn 128 cơ sở y tế tại Việt Nam và quốc tế
Một trong ứng dụng nổi bật của chẩn đoán hình ảnh tim mạch bằng AI là khả năng dự đoán nguy cơ phát triển nhịp tim không đều của bệnh nhân bằng cách phân tích điện tâm đồ. AI có thể cải thiện việc hiển thị hình ảnh tim bằng cách tô màu các buồng tim trên các hình ảnh siêu âm tim đen trắng trong thời gian thực, giúp hợp lý hóa quy trình làm việc của bác sĩ X-quang.
Philips đã phát triển một hệ thống dựa trên AI, gọi là HeartModel, có khả năng tạo ra mô hình tim có màu và chiếu hình ảnh 3D động của nó với các chuyển động thành tim và sự thay đổi thể tích của tâm thất trái (LV) và tâm nhĩ trái (LA) trong chu kỳ tim.
Để xác định chính xác loại khối u, các bác sĩ cần thực hiện sinh thiết, chụp cộng hưởng từ MRI và xét nghiệm máu. Sau khi xác định loại khối u, họ có thể sử dụng các công cụ AI trong radiomics (Tạo hình dữ liệu hóa) để phân loại khối u vào các cấp độ khác nhau.
AI đã phân loại chính xác các cấp độ của khối u não với rất ít trường hợp dương tính giả hoặc âm tính giả. Một nghiên cứu về chẩn đoán trong phẫu thuật cho thấy AI có thể phân loại khối u não trong vòng dưới 150 giây so với 20-30 phút bằng các phương pháp thông thường. Điều này có nghĩa là các bác sĩ có thể tin tưởng vào AI như một công cụ hỗ trợ cho các quyết định lâm sàng của họ để đưa ra được các phương pháp điều trị tốt nhất.
Việc báo cáo là một nhiệm vụ tốn nhiều thời gian và dễ xảy ra sai sót, do đó thường là nguồn gây ra sự khó chịu cho các bác sĩ chẩn đoán hình ảnh. Hơn nữa, không có các tiêu chuẩn báo cáo cố định, dẫn đến sự biến đổi và thiếu khả năng tương thích giữa các dữ liệu do các bác sĩ cung cấp.
Các công cụ xử lý ngôn ngữ tự nhiên mang lại những khả năng quý giá để tối ưu hóa việc báo cáo hình ảnh y tế, từ việc chuyển đổi nhanh chóng lời nói thành văn bản đến việc biên soạn báo cáo tự động và cấu trúc logic của chúng để cải thiện sự hiểu biết. Ngoài việc báo cáo hình ảnh y tế, các giải pháp dựa trên AI còn có thể thực hiện các nhiệm vụ liên quan, chẳng hạn như nâng cao chất lượng quét hình ảnh.
Startup AI của Đức, Vara, đã hợp tác với Trung tâm Tham chiếu Chụp nhũ ảnh miền Bắc ở Oldenburg để thực hiện một nghiên cứu, trong đó các nhà nghiên cứu đã đánh giá 2.396 hình chụp nhũ ảnh từ những phụ nữ sau này được chẩn đoán mắc ung thư giữa khoảng (interval cancer). AI đã phát hiện và xác định chính xác vị trí của 27,5% các trường hợp âm tính giả và 12,2% các trường hợp ung thư dấu hiệu tối thiểu. Điều này có nghĩa là AI có thể phát hiện các dấu hiệu ung thư vú mà nhiều bác sĩ X-quang không thể nhìn thấy ở giai đoạn sớm nhất của bệnh.
Nguồn:
https://www.onixnet.com/blog/how-ai-powered-medical-imaging-is-transforming-healthcare/
https://www.itransition.com/ai/radiology
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10740686/
https://www.sciencedirect.com/science/article/pii/S2666990024000132
Top
