Viễn cảnh chẩn đoán bệnh nan y nhờ sự trợ giúp của AI

Ngày càng xuất hiện nhiều bằng chứng cho thấy trí tuệ nhân tạo có thể chẩn đoán bệnh nan y như ung thư. Nhưng vẫn còn những câu hỏi liên quan tới đạo đức và kỹ thuật nằm ở phía trước.

Trong phòng khám nọ, một bệnh nhân đang hồi hộp, lo lắng chờ kết quả xét nghiệm. Một bác sỹ chuyên khoa bước vào, mang theo tin tốt và tin xấu. Tin xấu là bệnh nhân được chẩn đoán mắc ung thư. Thế nhưng, tin tốt là bệnh được phát hiện khi mới ở giai đoạn đầu. Triển vọng được chữa khỏi bệnh là rất cao.

Viễn cảnh AI trong phòng khám

Điều này diễn ra là bởi phòng khám kia có trang bị hàng loạt công cụ chẩn đoán dựa trên trí tuệ nhân tạo (AI).

Sau khi phân tích toàn bộ tiền sử bệnh lý của bệnh nhân để tìm những dấu hiệu tiềm ẩn, một chương trình dựa trên AI kết luận rằng bệnh nhân có nguy cơ mắc ung thư cao. Do đó, nhân viên y tế của phòng khám đã chỉ định bệnh nhân làm các xét nghiệm hình ảnh chuyên sâu.

Một chương trình dựa trên AI khác sau đó phân tích kết quả xét nghiệm và kết luận rằng bệnh nhân có các dấu hiệu mắc ung thư giai đoạn đầu.

Một chương trình thứ ba sẽ xem xét tiền sử bệnh lý và lịch sử dùng thuốc của bệnh nhân, qua đó hỗ trợ bác sỹ trong quá trình kê đơn thuốc, để tránh các phản ứng thuốc không mong muốn.

Cuối cùng, một chương trình thứ tư sẽ giúp hợp lý hóa các thủ tục hành chính và hỗ trợ lên lịch hẹn với các bác sỹ chuyên khoa.

Hiện nay, viễn cảnh AI được tích hợp vào mọi khâu trong quá trình chăm sóc sức khỏe, như kịch bản nêu trên, dường như vẫn là điều khá xa vời. Thế nhưng, nhiều trung tâm nghiên cứu và các tập đoàn hàng đầu thế giới vẫn đang hy vọng có thể biến điều tưởng chừng như chỉ tồn tại trong phim này trở thành hiện thực trong tương lai gần.

Sự trỗi dậy của các nền tảng AI sáng tạo như ChatGPT đã làm dấy lên cuộc tranh luận toàn cầu về tương lai của mối quan hệ giữa con người và máy móc.

AI sáng tạo có thể xử lý và tạo mới nội dung dựa trên nguồn ngữ liệu có sẵn. Đồng thời, các hệ thống AI sáng tạo hiện nay có giao diện trực quan và dễ tương tác hơn nhiều so với các thế hệ trước kia.

[AI đang tái định hình nền công nghiệp trò chơi điện tử trên toàn cầu]

Đây là lý do khiến một số nơi bắt đầu sử dụng các nền tảng AI sáng tạo như ChatGPT cho mục đích trị liệu và hỗ trợ tinh thần của bệnh nhân.

AI mới chỉ bắt đầu được ứng dụng vào lĩnh vực chăm sóc sức khỏe. Loại AI này có tiềm năng cách mạng hóa, làm thay đổi toàn diện bộ mặt ngành chăm sóc sức khỏe. Nhưng sự tham gia của AI cũng đặt ra nhiều câu hỏi phức tạp, chưa có lời giải đáp đầy đủ.

Liệu AI có thể thực sự giúp bác sỹ dự báo và chẩn đoán bệnh tật, đặc biệt là bệnh nan y? Liệu AI có thể giúp bác sỹ điều trị bệnh nhân tốt hơn? Cần phải áp dụng những nguyên tắc gì khi làm việc cùng AI? Chúng ta sẽ đối mặt với những rủi ro gì khi có AI là cộng sự?

Hiện, AI đã cho thấy tiềm năng đầy hứa hẹn trong việc chẩn đoán, dự đoán và thậm chí là điều trị một số loại bệnh khác nhau. Thế nhưng, vẫn còn quá sớm để nói trước bất cứ điều gì.

Con đường đi đến thành công luôn có những trở ngại nhất định. Còn rất nhiều những hạn chế kỹ thuật cần khắc phục để có thể phát huy hết tiềm năng của công nghệ AI trong lĩnh vực y tế.

Đó là chưa tính tới những lo ngại về vấn đề đạo đức xoay quanh việc sử dụng AI khi đưa ra quyết định y tế với bệnh nhân.

Không phải là ý tưởng mới

AI trong lĩnh vực y tế không phải là một ý tưởng mới. Vào những năm 1970, Đại học Stanford (Mỹ) đã phát triển một công cụ có tên MYCIN nhằm hỗ trợ bác sỹ trong việc chẩn đoán, điều trị nhiễm trùng máu và viêm màng não.

Công cụ này hoạt động như một lưu đồ thông minh, dựa trên dữ liệu có sẵn, đặt ra một loạt các câu hỏi về tình hình sức khỏe bệnh nhân và dựa trên các câu trả lời "có" hoặc "không" để định hướng, hỗ trợ bác sỹ, đưa ra đề xuất phác đồ điều trị.

MYCIN được sử dụng cho mục đích cụ thể là hỗ trợ bác sỹ trong việc chẩn đoán nhiễm trùng. Trong nhiệm vụ cụ thể này, MYCIN cho thấy hiệu suất và độ chính xác tương đương với một chuyên gia về bệnh do vi khuẩn gây ra.

Tuy nhiên, đây cũng là một trong những hạn chế nổi bật của MYCIN. Công cụ này hoạt động dựa trên một tập hợp các quy tắc cố định được lập trình từ trước. Do đó, MYCIN thiếu khả năng học hỏi từ dữ liệu mới, không thể thích ứng và cải thiện hiệu suất theo thời gian.

Kể từ khi MYCIN ra mắt, AI y tế đã đi được một chặng đường dài. Ngày nay, có nhiều loại AI khác nhau đang được nghiên cứu và phát triển trên khắp thế giới, phục vụ các nhiệm vụ cũng rất khác nhau.

Tại Mỹ, chỉ từ năm 2018 đến 2019, tỷ lệ sử dụng AI trong các tổ chức nghiên cứu khoa học và cung cấp dịch vụ chăm sóc sức khỏe đã tăng hơn gấp đôi.

Đại dịch COVID-19 đã khiến AI y tế trở nên phổ biến hơn bao giờ hết. Vào năm 2021, đầu tư toàn cầu vào AI y tế đã tăng gấp đôi so với cùng kỳ năm trước.

Năm 2022 vừa qua, thị trường AI y tế toàn cầu đạt trị giá hơn 4 tỷ USD và dự kiến sẽ tăng gần 25% một năm trong thập kỷ tới.

Máy học là động lực chính đằng sau những tiến bộ trong lĩnh vực AI. Máy học là một nhánh của AI, tập trung vào phát triển các thuật toán và mô hình dựa trên dữ liệu mẫu, nhằm cải thiện hiệu suất theo thời gian, giống như cách con người học hỏi từ kinh nghiệm thực tế.

Trong đó, nổi bật nhất có lẽ là công nghệ mạng thần kinh nhân tạo (ANN). ANN được lấy cảm hứng từ cấu trúc của bộ não con người, với các nút được kết nối với nhau, hoạt động tương tự như tế bào thần kinh.

Các nút này được tổ chức thành các lớp xử lý. Mỗi lớp trong mạng sẽ phân tích dữ liệu đầu vào, xử lý dữ liệu và sau đó chuyển thông tin sang lớp tiếp theo. Quá trình xử lý tiếp tục qua nhiều lớp cho đến khi đạt được kết quả đầu ra.

Làm thế nào mạng thần kinh có thể xác định các khối u từ hình ảnh y khoa? Theo Tiến sỹ Nafiseh Ghaffar Nia từ Đại học Tennessee, Mỹ, khi yêu cầu mạng mạng thần kinh xác định khối u, hệ thống sẽ bắt đầu nhận dạng các đường biên (điểm có sự thay đổi đột ngột về mức sáng) và sự chuyển màu của ảnh, từ đó giúp “xác định ranh giới ngăn cách khối u với mô khỏe mạnh xung quanh.”

Sau khi nhận dạng được các đường biên và vùng chuyển màu, dữ liệu sẽ được chuyển đến các lớp tiếp theo trong mạng thần kinh. Các lớp này xem xét kết cấu và mô hình phát triển của khối u.

Khi qua nhiều lớp khác nhau, mạng thần kinh dần dần tổng hợp và xử lý tất cả dữ liệu đã thu thập được, chẳng hạn như hình dạng, kích thước và cách thức các thành phần của khối u được sắp xếp. Sau khi xem xét cẩn thận tất cả các thông tin trên, mạng lưới thần kinh đưa ra kết luận và chẩn đoán khối u thuộc loại lành tính hay ác tính.

Điểm đáng chú ý là ANN có thể tự học mà không cần con người giám sát nhiều. Đặc điểm này là nguyên nhân ANN được áp dụng rộng rãi cho nhiều mục đích khác nhau, bao gồm cả chẩn đoán ung thư. Bên cạnh đó, nhiều công cụ hiện cũng kết hợp hàng loạt kỹ thuật AI khác nhau thay vì chỉ dựa vào duy nhất ANN.

Theo Nigam Shah, một chuyên gia khoa học dữ liệu tại Trung tâm Y tế Stanford, khi thử nghiệm triển khai AI trong lĩnh vực chăm sóc sức khỏe, cần phải có các mục tiêu thử nghiệm rõ ràng.

Cũng theo ông, tất cả các công cụ AI sử dụng trong ngành y tế hiện đều có ba chức năng chính, lần lượt là phân loại các tình trạng bệnh lý, dự đoán kết quả hoặc xu hướng trong tương lai và đưa ra các khuyến nghị về phương pháp xử lý.

Triển vọng ứng dụng AI trong y tế

Ưu điểm vượt trội của AI nằm ở khả năng phân tích hình ảnh y khoa. AI đặc biệt thành thạo trong việc nhận dạng mẫu, giúp hỗ trợ việc phát hiện nhiều loại bệnh khác nhau.

Sanjeev Agrawal, Chủ tịch của LeanTaaS, một công ty trong ngành y tế tại Thung lũng Silicon, cho biết AI được huấn luyện dựa trên nguồn dữ liệu hình ảnh y khoa khổng lồ. Bộ dữ liệu khổng lồ cho phép AI học hỏi từ một lượng lớn thông tin, cải thiện độ chính xác và hiệu quả trong việc chẩn đoán hình ảnh.

Có thể nói các hệ thống ANN đã có rất nhiều kinh nghiệm trong việc xử lý hình ảnh, tích lũy qua vô số lần phân tích dữ liệu. Vào năm 2012, trong khuôn khổ cuộc thi mang tên ILSVRC, chương trình AI sử dụng mạng thần kinh nhân tạo đã lần đầu tiên đánh bại con người trong việc nhận dạng vật thể.

Kể từ đó tới nay, AI đạt được tiến bộ đáng kể và đã có khả năng giải quyết được những vấn đề vô cùng phức tạp.

Agrawal đề cập đến DeepMind, một nền tảng AI của Google, như một điển hình thành công của việc áp dụng AI vào phân tích hình ảnh y khoa. DeepMind đã thiết lập một mô hình ba chiều (3D) mô tả cấu trúc và quá trình cuộn gập protein có trong cơ thể con người. Theo Agrawal, đây có thể được coi là đỉnh cao của công nghệ AI trong y tế, bởi ngay cả con người cũng không thể tự làm được điều này.

Bên cạnh khả năng phân tích hình ảnh, AI có thể dựa trên hồ sơ sức khỏe điện tử của bệnh nhân để đưa ra kết luận về xác suất mắc một căn bệnh nhất định.

Samira Abbasgholizadeh-Rahimi, giáo sư tại Đại học McGill, Mỹ, gần đây đã tiến hành đánh giá hiệu quả của AI trong công tác chăm sóc sức khỏe ban đầu. Trao đổi với báo chí, bà cho rằng AI có tiềm năng đầy hứa hẹn trong việc chẩn đoán các bệnh tim mạch, bệnh về mắt, tiểu đường, ung thư, các bệnh về chấn thương chỉnh hình và bệnh truyền nhiễm.

Tiềm năng của AI chưa dừng lại ở đó. Các nhà nghiên cứu phát hiện ra rằng AI có khả năng dự đoán xác suất khá tốt người mắc tiểu đường tuýp 2, bệnh tim, Alzheimer hay các bệnh về thận, dựa trên dữ liệu về lối sống, tiền sử bệnh lý, thông tin di truyền và các dữ liệu liên quan khác.

Trong những tháng gần đây đã có những bước đột phá đáng chú ý trong việc ứng dụng AI nhằm mục đích xác định nguy cơ ung thư. Một nghiên cứu được công bố vào tháng 6 vừa rồi cho thấy AI vượt trội hơn so với các phương pháp thông thường trong việc dự đoán nguy cơ mắc ung thư vú.

Vào tháng 1 năm nay, các nhà nghiên cứu tại Học viện Công nghệ Massachusetts (MIT - Mỹ) đã cho ra mắt một hệ thống giúp đánh giá nguy cơ ung thư phổi sử dụng các thuật toán AI.

Vào tháng 5, các nhà khoa học từ Đại học Harvard chỉ ra rằng AI có khả năng dự đoán sớm tới 3 năm những ai có nguy cơ cao mắc ung thư tuyến tụy.

Trước đó, hồi tháng 3, một nghiên cứu của các nhà khoa học tại Đại học British Columbia, Canada, cho thấy trí tuệ nhân tạo có khả năng dự đoán tỷ lệ sống sót sau ung thư chính xác hơn so với các phương pháp truyền thống.

AI cũng có thể được sử dụng để dự đoán các tác dụng phụ tiềm ẩn và tác động của nhiều loại thuốc khác nhau, giúp hợp lý hóa quy trình thử nghiệm và đẩy nhanh tiến độ phát triển cũng như phê duyệt thuốc mới.

Tuy nhiên, không phải lúc nào công nghệ này cũng chính xác.

Những thất bại của trí tuệ nhân tạo

Về mặt lý thuyết, AI có khả năng dự đoán mức độ nghiêm trọng của ca bệnh và mô phỏng sự lan truyền dịch bệnh. Trong đại dịch COVID-19, đã có rất nhiều nhà nghiên cứu cố gắng phát triển các công cụ AI nhằm dự đoán mức độ nghiêm trọng của đại dịch cũng như mô hình hóa sự lây lan của virus. Tuy nhiên, kết quả thực tế không được như kỳ vọng.

Có 2 nghiên cứu đáng chú ý, đã phân tích tổng cộng gần 650 chương trình AI được thiết kế để hỗ trợ chẩn đoán và điều trị COVID-19. Kết quả cho thấy rằng không có chương trình nào phù hợp để dụng vào thực tế.

Một số các nghiên cứu khác kết luận rằng AI nhìn chung không hiệu quả trong việc dự báo chính xác mức độ lây lan của virus. Nguyên nhân có thể do mô hình AI không có đủ dữ liệu đáng tin cậy.

Những kết quả trên cho thấy AI không phải lúc nào cũng thành công trong lĩnh vực chăm sóc sức khỏe. Hiện nay, các công cụ AI y tế vẫn đang ở giai đoạn phát triển ban đầu, và chưa hoàn thiện. Vẫn còn nhiều việc phải làm để cải thiện độ chính xác, độ tin cậy và khả năng ứng dụng thực tế của các công cụ này.

Theo nghiên cứu của Abbasgholizadeh-Rahimi, hơn 95% các chương trình AI được bà khảo sát vẫn còn đang ở trong giai đoạn phát triển và chỉ được thử nghiệm thí điểm ở quy mô nhỏ, chưa từng được đưa vào áp dụng ngoài đời thực.

Việc ứng dụng AI vào lĩnh vực y tế còn hạn chế do ba nguyên nhân chính: khan hiếm nguồn dữ liệu có sẵn, quyền truy cập dữ liệu có sẵn bị hạn chế, và chất lượng nguồn dữ liệu có sẵn chưa được như kỳ vọng.

Để có thể phát huy hết tiềm năng của trí tuệ nhân tạo, cần phải có một nguồn dữ liệu chuẩn, đã được các chuyên gia kiểm định, đánh giá và dán nhãn cẩn thận để cung cấp thông tin chính xác.

Tuy nhiên, đối với một số căn bệnh nhất định, không có đủ lượng dữ liệu có sẵn để huấn luyện cho mô hình AI. Các nhà nghiên cứu đang xem xét nhiều kỹ thuật khác nhau để giải quyết vấn đề này.

AI hoạt động hiệu quả phụ thuộc lớn vào nguồn dữ liệu. Thế nhưng, ngay cả khi có dữ liệu, các nhà phát triển AI chưa chắc đã tiếp cận được chúng.

Theo Shah, mỗi bệnh nhân đều có một bản tiền sử bệnh lý với nhiều hồ sơ về những lần đi khám, kết quả xét nghiệm, chẩn đoán bệnh tật trong quá khứ, lịch sử dùng thuốc cùng rất nhiều loại dữ liệu khác. Tuy nhiên, những dữ liệu này thiếu tính liên kết và bị phân tán ở các hệ thống khác nhau, do được thu thập và ghi lại bởi các bên khác nhau, như bệnh viện, công ty bảo hiểm hay công ty dược phẩm.

Mỗi bên đều lưu trữ dữ liệu riêng, một cách độc lập nên nguồn dữ liệu bị phân mảnh và chia thành các cơ sở dữ liệu riêng biệt. Sự phân mảnh này khiến các nhà phát triển AI gặp khó khăn trong việc truy cập vào bộ dữ liệu thống nhất bao gồm tất cả thông tin liên quan về tiền sử bệnh lý của người bệnh.

Bên cạnh đó, theo Abbasgholizadeh-Rahimi, hồ sơ sức khỏe điện tử của bệnh nhân thường chứa một lượng thông tin không liên quan hoặc không chính xác được gọi là nhiễu.

Nhiễu có thể tồn tại ở nhiều dạng. Ví dụ, dữ liệu hình ảnh y khoa có thể được dán nhãn theo một cách khó hiểu khiến AI gặp khó khăn trong việc diễn giải thông tin. Ngoài ra, thông tin người bệnh có thể được định dạng theo những cách thức không tương thích với thuật toán AI, cản trở quá trình trích xuất thông tin.

Các chuyên gia cũng nhấn mạnh rằng còn nhiều vấn đề phức tạp hơn cần phải được giải quyết trước khi chúng ta có thể tin tưởng ứng dụng AI vào trong lĩnh vực chăm sóc sức khỏe.

Khi AI mắc lỗi, trách nhiệm thuộc về ai?

Nguồn dữ liệu được sử dụng để huấn luyện các mô hình AI có thể chứa thiên kiến đối với một số nhóm người cụ thể, ảnh hưởng đến khả năng dự đoán của AI.

Theo phân tích của Abbasgholizadeh-Rahimi, các yếu tố như giới tính, giới tính xã hội, độ tuổi và dân tộc thường không được tính đến. Nói cách khác, nguồn dữ liệu được sử dụng có thể không đại diện cho tất cả các nhóm người khác nhau.

Hệ quả là các mô hình AI có thể không đáp ứng được nhu cầu chăm sóc sức khỏe cho tất cả các nhóm nhân khẩu học. Trong các chương trình AI được khảo sát, chỉ dưới 35% có phân tách dữ liệu dựa trên về giới tính.

Một số nhóm dân tộc nhất định có thể không được đại diện một cách đầy đủ hoặc đặc điểm riêng biệt của họ có thể không được xem xét một cách thích hợp trong bộ dữ liệu.

Hai năm trước, Tổ chức Thận Quốc gia Mỹ và Hiệp hội Thận học Mỹ đã khuyến nghị loại bỏ yếu tố chủng tộc khi đánh giá mức độ creatinin trong máu. Điều này khiến nhiều bác sỹ đánh giá thấp mức độ suy thận ở nhiều người Mỹ gốc Phi.

Theo Shah, chất lượng nguồn dữ liệu được sử dụng không chỉ ảnh hưởng đến quá trình ra quyết định của AI mà còn tác động đến cách con người đưa ra quyết định. Nói cách khác, những sai lệch trong dữ liệu có thể ảnh hưởng đến quá trình ra quyết định của cả AI và con người.

Nhận ra được hạn chế của hệ thống mạng thần kinh độc quyền (đóng kín và chứa thiên kiến), hiện trong lĩnh vực AI y tế đã xuất hiện phong trào thúc đẩy việc sử dụng AI có thể giải thích, hay còn gọi là XAI.

XAI đề cập đến việc minh bạch hóa hay công khai các thuật toán AI, từ đó cho phép người dùng truy ngược và hiểu tại sao AI lại đưa ra một kết luận nào đó. Mục tiêu của phong trào XAI là đề cao tầm quan trọng của minh bạch hóa cách thức một công cụ AI hoạt động và đưa ra quyết định chẩn đoán, tiên lượng hoặc phác đồ điều trị.

Từ đó, các chuyên gia y tế và bệnh nhân có thể hiểu rõ hơn về quá trình đưa ra quyết định của AI, đồng thời đảm bảo rằng AI không đưa ra các quyết định sai lệch hoặc có thiên kiến.

Nhiều chuyên gia tin rằng cái gọi là “khả năng giải thích” này có liên hệ chặt chẽ với vấn đề đạo đức trong lĩnh vực AI y tế. Câu hỏi đạo đức được đặt ra ở đây là về trách nhiệm giải trình đối với sai sót. Khi AI mắc lỗi, trách nhiệm thuộc về ai? Mô hình AI hay bác sỹ đã dựa vào lời khuyên của AI?

Hiểu được quy trình suy luận của một công cụ AI có thể giúp xác định trách nhiệm của mỗi bên.

Bên cạnh đó, lĩnh vực AI y tế còn đang phải đối mặt với thách thức trong việc tìm kiếm sự cân bằng giữa đảm bảo quyền riêng tư của bệnh nhân và nhu cầu chia sẻ dữ liệu để cải thiện hiệu suất AI.

Nỗi lo lắng này không phải là không có cơ sở. Tại nước Mỹ, trong nửa đầu năm 2023 đã có 295 vụ vi phạm bảo mật dữ liệu chăm sóc sức khỏe, ảnh hưởng tới khoảng 39 triệu người.

Bên cạnh đó, đã có một số trường hợp các đơn vị cung cấp chăm sóc sức khỏe vướng vào tranh cãi liên quan đến việc chia sẻ dữ liệu bệnh nhân không đúng cách.

Vào năm 2017, Bệnh viện Royal Free ở London vướng vào rắc rối sau khi chia sẻ dữ liệu sức khỏe và thông tin cá nhân của 1,6 triệu bệnh nhân cho công ty DeepMind.

Gần đây hơn, Ủy ban Thương mại Liên bang Mỹ đã phạt ứng dụng trị liệu tâm thần nổi tiếng BetterHelp 7,8 triệu USD vì chia sẻ thông tin của 7 triệu người dùng cho bên thứ ba nhằm mục đích quảng cáo.

Giải quyết các mối lo ngại về quyền riêng tư trong AI y tế là một điều không hề đơn giản. Shah chỉ ra rằng người ta thường do dự khi chia sẻ dữ liệu cá nhân của mình, nhưng vẫn muốn hưởng lợi từ các hệ thống AI đã được huấn luyện dựa trên dữ liệu của người khác.

Các nhà nghiên cứu cũng đang phát triển các phương pháp phân tích hiệu quả hơn, từ đó không cần dùng quá nhiều dữ liệu bệnh nhân để huấn luyện AI, góp phần giải quyết các mối lo ngại về quyền riêng tư.

Việc phát triển đồng đều cả mô hình AI y tế lẫn cơ sở hạ tầng hỗ trợ là vô cùng quan trọng trong việc định hình tương lai của hệ thống chăm sóc sức khỏe toàn cầu. Hiện nay cơ sở hạ tầng y tế đang tụt hậu so với tiến bộ nhanh chóng của AI và cần phải bắt kịp để có thể tận dụng tối đa tiềm năng mà AI có thể mang lại./.