Việc đọc và phân tích hình ảnh y tế – một nhiệm vụ trọng tâm trong công việc của các bác sĩ X quang (hay bác sĩ chẩn đoán hình ảnh) – đã liên quan đến việc áp dụng ngày càng tăng các ứng dụng trí tuệ nhân tạo (AI) trong những năm gần đây. Bài viết này xem xét tiến trình, thách thức và cơ hội trong việc phát triển các mô hình AI X quang và việc áp dụng chúng trong thực hành lâm sàng. Chúng tôi thảo luận về các chức năng mà các thuật toán dựa trên AI phục vụ trong việc hỗ trợ các bác sĩ X quang, bao gồm phát hiện, phân loại quy trình làm việc và định lượng, cũng như xu hướng mới nổi của việc sử dụng AI hình ảnh y tế của các bác sĩ lâm sàng không phải là bác sĩ X quang. Chúng tôi xác định thách thức trung tâm của khái quát hóa trong việc sử dụng các thuật toán AI trong X quang và nhu cầu về các biện pháp bảo vệ xác nhận bao gồm sự hợp tác giữa bác sĩ lâm sàng và AI, tính minh bạch và giám sát sau triển khai. Cuối cùng, chúng ta thảo luận về sự tiến bộ nhanh chóng trong việc phát triển các mô hình ngôn ngữ lớn đa phương thức trong AI; tiến bộ này đại diện cho một cơ hội lớn cho sự phát triển của các mô hình AI y tế tổng quát có thể giải quyết toàn bộ các nhiệm vụ giải thích hình ảnh và hơn thế nữa. 

Trong những năm gần đây, các mô hình AI đã được chứng minh là thành công đáng kể trong việc giải thích hình ảnh y tế. Việc sử dụng chúng đã được mở rộng cho các ứng dụng hình ảnh y tế khác nhau, bao gồm, nhưng không giới hạn, chẩn đoán các tình trạng da liễu và giải thích điện tâm đồ, slide bệnh lý, và hình ảnh nhãn khoa. Trong số các ứng dụng này, việc sử dụng AI trong X quang đã cho thấy nhiều hứa hẹn trong việc phát hiện và phân loại các bất thường trên X quang thông thường, chụp cắt lớp vi tính (CT), và chụp cộng hưởng từ (MRI), dẫn đến chẩn đoán chính xác hơn và cải thiện quyết định điều trị.

Mặc dù Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) đã phê duyệt hơn 200 sản phẩm AI X quang thương mại, nhưng những trở ngại đáng kể phải được khắc phục trước khi chúng ta có thể thấy việc sử dụng lâm sàng thành công rộng rãi các sản phẩm này. Việc kết hợp AI trong X quang đặt ra cả lợi ích và thách thức tiềm năng cho cộng đồng y tế và AI. Chúng tôi hy vọng rằng việc giải quyết triệt để những vấn đề này và các giải pháp toàn diện hơn, bao gồm cả việc phát triển các mô hình nền tảng mới, sẽ dẫn đến việc áp dụng rộng rãi hơn AI trong lĩnh vực chăm sóc sức khỏe này.

Sử dụng AI trong X quang
X quang như một chuyên ngành có vị trí tốt cho việc ứng dụng và áp dụng AI vì một số yếu tố chính. Đầu tiên, AI vượt trội trong việc phân tích hình ảnh, và không giống như các chuyên ngành khác sử dụng hình ảnh, X quang có quy trình làm việc kỹ thuật số được thiết lập và các tiêu chuẩn phổ quát để lưu trữ hình ảnh, để tích hợp AI dễ dàng hơn. Hơn nữa, AI phù hợp tự nhiên trong quy trình giải thích hình ảnh và có thể tái tạo các nhiệm vụ diễn giải được xác định rõ ràng một cách hiệu quả.

SỬ DỤNG AI CHO BÁC SĨ X QUANG

Hình 1. Việc sử dụng trí tuệ nhân tạo (AI) hiện nay trong X quang.
AI có thể được sử dụng trong lĩnh vực X quang để phân tích hình ảnh từ một loạt các kỹ thuật, bao gồm X quang, CT, siêu âm và MRI. Các thuật toán AI X quang phục vụ một số chức năng phân tích hình ảnh hẹp để hỗ trợ các bác sĩ X quang, chẳng hạn như định lượng, phân loại quy trình làm việc và tăng cường hình ảnh (Hình 1). Các thuật toán định lượng thực hiện phân đoạn và đo lường các cấu trúc giải phẫu hoặc bất thường. Các ví dụ phổ biến bao gồm đo mật độ vú, xác định cấu trúc giải phẫu trong não, định lượng lưu lượng tim, và đánh giá mật độ mô phổi cục bộ. Phân loại quy trình làm việc liên quan đến việc gắn cờ và thông báo các phát hiện dương tính nghi ngờ, bao gồm, nhưng không giới hạn, xuất huyết nội sọ, tắc nghẽn mạch máu lớn nội sọ, tràn khí màng phổi, và thuyên tắc phổi. AI cũng được sử dụng để phát hiện, định vị và phân loại các tình trạng như nốt phổi và bất thường vú. Ngoài ra, các thuật toán AI tăng cường các quá trình diễn giải trước, bao gồm tái tạo hình ảnh, thu nhận hình ảnh và giảm thiểu nhiễu hình ảnh.

Có nhiều hứa hẹn trong việc khám phá các mô hình AI X quang có thể tăng cường khả năng diễn giải vượt ra ngoài khả năng của các chuyên gia con người. Ví dụ, các thuật toán AI có thể dự đoán chính xác kết quả lâm sàng trên cơ sở dữ liệu CT trong các trường hợp chấn thương sọ não và ung thư. Ngoài ra, các dấu ấn sinh học hình ảnh có nguồn gốc từ AI có thể giúp đánh giá nhanh chóng và khách quan các cấu trúc và quá trình bệnh lý liên quan đến thành phần cơ thể, chẳng hạn như mật độ khoáng xương, mỡ nội tạng và mỡ gan, có thể được sử dụng để sàng lọc các tình trạng sức khỏe khác nhau. Khi áp dụng cho hình ảnh CT thông thường, các dấu ấn sinh học có nguồn gốc từ AI này đang chứng minh hữu ích trong việc dự đoán các tác dụng phụ trong tương lai. Hơn nữa, nghiên cứu gần đây đã chỉ ra rằng điểm canxi động mạch vành, thường thu được trên cơ sở chụp CT, có thể được xác định bằng phương pháp siêu âm tim. Những phát hiện này chỉ ra giá trị của các mô hình AI X quang cho bệnh nhân (ví dụ: không tiếp xúc với bức xạ).

AI X quang đã thu hút sự quan tâm toàn cầu và các thuật toán AI thương mại đã được phát triển bởi các công ty có trụ sở tại hơn 20 quốc gia. Các nghiên cứu đã chỉ ra rằng một số bệnh viện, cũng như các trung tâm chăm sóc khác, đã sử dụng các sản phẩm AI thành công và các phương pháp lớn hơn có nhiều khả năng sử dụng AI hơn so với các thực hành nhỏ hơn hiện nay. Các bác sĩ X quang sử dụng AI trong thực hành của họ thường hài lòng với trải nghiệm của họ và thấy rằng AI cung cấp giá trị cho họ và bệnh nhân của họ. Tuy nhiên, các bác sĩ X quang đã bày tỏ lo ngại về việc thiếu kiến thức, thiếu tin tưởng và thay đổi bản sắc nghề nghiệp và quyền tự chủ. Các nhà vô địch địa phương về AI, giáo dục, đào tạo và hỗ trợ có thể giúp vượt qua những lo ngại này. Phần lớn các bác sĩ X quang và bác sĩ nội trú mong đợi những thay đổi đáng kể trong lĩnh vực X quang trong thập kỷ tới và tin rằng AI nên có vai trò là “phi công phụ”, hoạt động như một người đọc thứ hai và cải thiện các nhiệm vụ quy trình làm việc. Mặc dù sự thâm nhập của AI tại thị trường Hoa Kỳ hiện được ước tính chỉ là 2%, nhưng sự sẵn sàng của các bác sĩ X quang và tiềm năng của công nghệ cho thấy rằng việc dịch thêm vào thực hành lâm sàng có khả năng xảy ra.

SỬ DỤNG MỚI NỔI CHO CÁC BÁC SĨ KHÔNG CHUYÊN VỀ X-QUANG
Mặc dù nhiều ứng dụng AI X quang hiện tại được thiết kế cho các bác sĩ X quang, nhưng có một xu hướng nhỏ nhưng đang nổi lên trên toàn cầu đối với việc sử dụng AI hình ảnh y tế cho các bác sĩ lâm sàng không chuyên về X quang và các bên liên quan khác (tức là các nhà cung cấp dịch vụ chăm sóc sức khỏe và bệnh nhân). Xu hướng này mang đến cơ hội cải thiện khả năng tiếp cận hình ảnh y tế và giảm các lỗi chẩn đoán phổ biến trong các cơ sở có nguồn lực thấp và các khoa cấp cứu, nơi thường thiếu bảo hiểm X quang suốt ngày đêm. Ví dụ, một nghiên cứu cho thấy một hệ thống AI để giải thích X quang ngực, khi kết hợp với đầu vào từ một bác sĩ nội trú không phải là bác sĩ X quang, có các giá trị hiệu suất tương tự như các bác sĩ X quang được chứng nhận bởi Hội đồng chuyên môn. Một ứng dụng AI phổ biến được nhắm mục tiêu sử dụng bởi các bác sĩ lâm sàng không X quang để phát hiện tắc nghẽn mạch máu lớn trong hệ thống thần kinh trung ương đã giúp giảm đáng kể thời gian can thiệp và cải thiện kết quả của bệnh nhân. Hơn nữa, AI đã được chứng minh là đẩy nhanh việc thu thập hình ảnh y tế bên ngoài quy trình giới thiệu truyền thống với các ứng dụng di động mới, tập trung vào bác sĩ lâm sàng để thông báo kết quả AI. Xu hướng này, mặc dù không được thiết lập tốt, đã được trích dẫn là mối đe dọa lâu dài tiềm tàng đối với X quang như một chuyên khoa vì các mô hình AI tiên tiến có thể làm giảm sự phức tạp của việc giải thích kỹ thuật để bác sĩ lâm sàng không chụp X quang có thể sử dụng hình ảnh mà không cần dựa vào bác sĩ X quang.

Các kỹ thuật hình ảnh di động và rẻ tiền thường được AI hỗ trợ và đã phục vụ để hạ thấp rào cản cho việc sử dụng lâm sàng rộng rãi hơn của AI trong hình ảnh y tế bên ngoài quy trình X quang truyền thống. Ví dụ, hệ thống MRI di động Swoop, một thiết bị chăm sóc tại điểm giải quyết những hạn chế hiện có trong các hình thức công nghệ hình ảnh, cung cấp khả năng tiếp cận và khả năng cơ động cho một loạt các ứng dụng lâm sàng. Hệ thống cắm vào ổ cắm điện tiêu chuẩn và được điều khiển bởi iPad của Apple. Đầu dò siêu âm cầm tay và điện thoại thông minh trong các ứng dụng hỗ trợ AI có thể được sử dụng để có được thông tin chẩn đoán ngay cả bởi người dùng mà không được đào tạo chính thức về siêu âm tim hoặc sử dụng siêu âm trong chăm sóc sản khoa. Nhìn chung, mặc dù việc sử dụng AI hình ảnh y tế của các bác sĩ lâm sàng không chụp X quang vẫn còn trong giai đoạn đầu, nhưng nó có tiềm năng cách mạng hóa việc tiếp cận hình ảnh y tế và cải thiện kết quả của bệnh nhân.

Các biện pháp bảo vệ để khái quát hóa hiệu quả
Khi xem xét việc áp dụng rộng rãi các thuật toán AI trong X quang, một câu hỏi quan trọng được đặt ra: Liệu chúng có hiệu quả với tất cả bệnh nhân không? Các mô hình cơ bản của các ứng dụng AI cụ thể thường không được thử nghiệm bên ngoài môi trường mà chúng được đào tạo và ngay cả các hệ thống AI nhận được sự chấp thuận của FDA hiếm khi được thử nghiệm trong tương lai hoặc trong nhiều môi trường lâm sàng. Rất ít thử nghiệm ngẫu nhiên, có đối chứng đã cho thấy sự an toàn và hiệu quả của các thuật toán AI hiện có trong X quang và việc thiếu đánh giá thực tế về các hệ thống AI có thể gây ra rủi ro đáng kể cho bệnh nhân và bác sĩ lâm sàng.

Hơn nữa, các nghiên cứu đã chỉ ra rằng hiệu suất của nhiều mô hình AI X quang trở nên tồi tệ hơn khi chúng được áp dụng cho những bệnh nhân khác với những bệnh nhân được sử dụng để phát triển mô hình, một hiện tượng được gọi là “dịch chuyển tập dữ liệu”. Trong việc giải thích hình ảnh y tế, sự thay đổi tập dữ liệu có thể xảy ra do nhiều yếu tố khác nhau, chẳng hạn như sự khác biệt trong hệ thống chăm sóc sức khỏe, dân số bệnh nhân và thực hành lâm sàng. Ví dụ, hiệu suất của các mô hình phân đoạn khối u não và giải thích X quang ngực trở nên tồi tệ hơn khi các mô hình được xác nhận trên dữ liệu bên ngoài được thu thập tại các bệnh viện khác với dữ liệu được sử dụng để đào tạo mô hình. Trong một ví dụ khác, một nghiên cứu hồi cứu cho thấy hiệu suất của một mô hình AI thương mại trong việc phát hiện gãy xương cột sống cổ tử cung kém hơn trong thực tế so với hiệu suất ban đầu được báo cáo cho FDA. Tuổi của bệnh nhân, đặc điểm gãy xương và thay đổi thoái hóa ở cột sống đã ảnh hưởng đến độ nhạy và tỷ lệ dương tính giả đến mức hạn chế tính hữu ích lâm sàng của mô hình AI và làm dấy lên lo ngại về việc khái quát hóa các thuật toán AI X quang trên các môi trường lâm sàng.

Hình 2. Kiểm tra tổng quát cho các hệ thống AI trong X quang.
Có một nhu cầu cấp bách cho việc phát triển các phương pháp cải thiện việc khái quát hóa các thuật toán trong các cài đặt mới. Khi lĩnh vực này trưởng thành, kiểm tra khái quát hóa tốt hơn dựa trên các tiêu chuẩn được chấp nhận phải được thiết lập trước khi các thuật toán được áp dụng rộng rãi. Các kiểm tra này bao gồm ba lĩnh vực liên quan: hợp tác giữa bác sĩ lâm sàng và AI, tính minh bạch và giám sát (Hình 2).

HỢP TÁC GIỮA BÁC SĨ LÂM SÀNG VÀ AI

Việc sử dụng thành công AI trong X quang phụ thuộc vào sự hợp tác hiệu quả giữa bác sĩ lâm sàng và AI. Về lý thuyết, việc sử dụng các thuật toán AI để hỗ trợ các bác sĩ X quang cho phép quy trình hợp tác giữa con người và AI, với con người và AI tận dụng các thế mạnh bổ sung. Các nghiên cứu đã chỉ ra rằng hỗ trợ AI trong việc giải thích hình ảnh y tế hữu ích hơn cho một số bác sĩ lâm sàng so với những người khác và thường mang lại nhiều lợi ích hơn cho các bác sĩ lâm sàng ít kinh nghiệm.

Mặc dù có một số bằng chứng cho thấy các bác sĩ lâm sàng nhận được hỗ trợ AI có thể đạt được hiệu suất tốt hơn so với các bác sĩ lâm sàng không được hỗ trợ, cơ quan nghiên cứu về sự hợp tác giữa con người và AI để giải thích hình ảnh cung cấp bằng chứng hỗn hợp về giá trị của sự hợp tác như vậy. Kết quả thay đổi tùy theo số liệu, nhiệm vụ cụ thể và đoàn hệ nghiên cứu được đề cập, với các nghiên cứu cho thấy mặc dù AI có thể cải thiện hiệu suất của các bác sĩ X quang, đôi khi một mình AI hoạt động tốt hơn so với bác sĩ X quang sử dụng AI.

Nhiều phương pháp AI là “hộp đen”, có nghĩa là quá trình ra quyết định của chúng không dễ dàng giải thích bởi con người; điều này có thể đặt ra những thách thức cho các bác sĩ lâm sàng đang cố gắng hiểu và tin tưởng vào các khuyến nghị của AI. Các nghiên cứu về tiềm năng của các phương pháp AI có thể giải thích để xây dựng niềm tin vào các bác sĩ lâm sàng đã cho thấy kết quả hỗn hợp. Do đó, cần phải chuyển từ các đánh giá tập trung vào hiệu suất độc lập của các mô hình sang các đánh giá tập trung vào kết quả khi các thuật toán này được sử dụng làm công cụ hỗ trợ trong quy trình công việc lâm sàng trong thế giới thực. Cách tiếp cận này sẽ cho phép chúng tôi hiểu rõ hơn về hiệu quả và hạn chế của AI trong thực hành lâm sàng và thiết lập các biện pháp bảo vệ cho sự hợp tác hiệu quả giữa bác sĩ lâm sàng và AI.

TÍNH MINH BẠCH
Tính minh bạch là một thách thức lớn trong việc đánh giá hành vi khái quát hóa của các thuật toán AI trong hình ảnh y tế. Bằng chứng khoa học, được đánh giá ngang hàng về hiệu quả là thiếu đối với hầu hết các sản phẩm AI có sẵn trên thị trường. Nhiều báo cáo được công bố về các thiết bị được FDA chấp thuận bỏ qua thông tin về kích thước mẫu, đặc điểm nhân khẩu học của bệnh nhân và thông số kỹ thuật của thiết bị được sử dụng để có được hình ảnh được giải thích. Ngoài ra, chỉ một phần nhỏ các nghiên cứu thiết bị cung cấp dữ liệu về các nhóm nhân khẩu học cụ thể được sử dụng trong quá trình đào tạo thuật toán, cũng như hiệu suất chẩn đoán của các thuật toán này khi áp dụng cho bệnh nhân từ các nhóm nhân khẩu học ít được đại diện. Việc thiếu thông tin này gây khó khăn cho việc xác định khả năng khái quát hóa của AI và các thuật toán học máy trên các quần thể bệnh nhân khác nhau.

Việc xác nhận độc lập hạn chế của các mô hình này đã tạo ra lời kêu gọi minh bạch và nghiêm ngặt hơn với việc sử dụng danh sách kiểm tra để xác minh việc triển khai đúng các mô hình AI trong hình ảnh y tế và để đảm bảo khả năng tái tạo đầy đủ và hiệu quả lâm sàng. Một giải pháp cho tính minh bạch là quản lý và phát hành công khai các bộ dữ liệu hình ảnh y tế để phục vụ như một điểm chuẩn chung và hiển thị hiệu suất thuật toán. Sự sẵn có của các bộ dữ liệu X quang ngực được phát hành công khai đã cung cấp hỗ trợ cho những tiến bộ đáng kể trong việc cải thiện xác nhận AI.68,69 Tuy nhiên, có những thách thức trong việc quản lý các bộ dữ liệu hình ảnh y tế công cộng, bao gồm các mối quan tâm về quyền riêng tư về việc chia sẻ dữ liệu, chi phí cơ sở hạ tầng dữ liệu, và trình bày quá mức dữ liệu từ các trung tâm y tế học thuật với các nguồn lực đáng kể. Học liên kết, một cách tiếp cận khác để chia sẻ dữ liệu, liên quan đến việc đào tạo mô hình AI trên các nguồn dữ liệu phi tập trung mà không cần chuyển dữ liệu sang kho lưu trữ trung tâm. Các quy trình được sắp xếp hợp lý để quản lý và chia sẻ các bộ dữ liệu y tế đa dạng là cần thiết để minh bạch trong việc thiết lập tính hữu ích lâm sàng.

GIÁM SÁT SAU TRIỂN KHAI
Ngay cả sau khi một mô hình được triển khai, hiệu suất của nó trong thế giới thực có thể suy giảm theo thời gian. Trong việc giải thích hình ảnh y tế, những thay đổi này có thể xảy ra do các yếu tố khác nhau như thay đổi tỷ lệ mắc bệnh, tiến bộ trong công nghệ y tế và thay đổi trong thực hành lâm sàng. Việc không cập nhật mô hình để phản ánh những thay đổi này có thể dẫn đến hiệu suất mô hình kém và sử dụng sai. Tuy nhiên, các yêu cầu quy định có thể hạn chế cập nhật các mô hình sau khi chúng đã được phê duyệt.

Giám sát liên tục hiệu suất mô hình và các biện pháp chủ động để giải quyết sự thay đổi tập dữ liệu theo thời gian có thể cải thiện độ chính xác và độ tin cậy của các mô hình AI trong giải thích hình ảnh y tế. Cập nhật thường xuyên dữ liệu đào tạo và đào tạo lại mô hình trên dữ liệu mới thông qua học tập liên tục có thể giúp duy trì hiệu suất mô hình theo thời gian. Ngoài ra, kết hợp phản hồi từ các bác sĩ lâm sàng có thể giúp cải thiện hiệu suất của mô hình bằng cách cung cấp thông tin chi tiết trong thế giới thực và xác định các lĩnh vực cần cải thiện. Cuối cùng, giám sát sau triển khai là điều cần thiết để đảm bảo rằng các mô hình AI vẫn hiệu quả và đáng tin cậy trong môi trường lâm sàng.

Mô hình AI Y tế tổng quát cho X quang
Thế hệ mô hình AI hiện tại trong X quang chỉ có thể xử lý một tập hợp các nhiệm vụ phiên dịch hạn chế và chúng phụ thuộc rất nhiều vào dữ liệu được quản lý đã được dán nhãn và phân loại cụ thể. Mặc dù tập trung vào hình ảnh như một đầu vào mô hình riêng biệt có một số giá trị, nhưng nó không phản ánh công việc nhận thức thực sự của X quang, liên quan đến việc diễn giải các kỳ thi chẩn đoán hình ảnh y khoa một cách toàn diện, so sánh các kỳ thi hiện tại và trước đây, và tổng hợp thông tin này với dữ liệu ngữ cảnh lâm sàng để đưa ra các khuyến nghị chẩn đoán và quản lý. Sự tập trung hẹp của các giải pháp AI hiện có vào việc giải thích các hình ảnh riêng lẻ một cách cô lập đã góp phần vào sự thâm nhập hạn chế của các ứng dụng AI x-quang trong thực tế.

Tuy nhiên, có một xu hướng hướng tới một cách tiếp cận toàn diện hơn để phát triển AI X-Quang, với mục đích cung cấp nhiều giá trị hơn là chỉ đơn giản là tự động hóa các nhiệm vụ phiên dịch riêng lẻ. Các mô hình được phát triển gần đây có thể xác định hàng chục hoặc thậm chí hàng trăm phát hiện trên X quang ngực và chụp CT não thu được mà không có vật liệu tương phản, và chúng có thể cung cấp cho các bác sĩ X quang các chi tiết cụ thể về từng phát hiện. Ngày càng có nhiều công ty cung cấp các giải pháp AI giải quyết toàn bộ quy trình chẩn đoán và lâm sàng cho các tình trạng như đột quỵ và ung thư, từ sàng lọc đến giới thiệu lâm sàng trực tiếp và theo dõi. Mặc dù các giải pháp AI toàn diện này có thể giúp các chuyên gia y tế triển khai và sử dụng công nghệ dễ dàng hơn, nhưng các vấn đề về xác nhận và minh bạch vẫn là một mối quan tâm.

Một thế hệ mới của các mô hình AI y tế tổng quát với tiềm năng giải quyết toàn bộ nhiệm vụ giải thích hình ảnh X quang và hơn thế nữa đang ở trên đường chân trời. Các mô hình này sẽ có khả năng tạo ra chính xác báo cáo X quang đầy đủ bằng cách diễn giải một loạt các phát hiện với mức độ không chắc chắn và độ đặc hiệu dựa trên hình ảnh, bằng cách hợp nhất bối cảnh lâm sàng với dữ liệu hình ảnh và bằng cách tận dụng hình ảnh trước đó trong quyết định của mô hình. Cách tiếp cận toàn diện này phù hợp hơn với công việc nhận thức tổng thể trong X quang. Các nghiên cứu ban đầu về các mô hình như vậy đã chỉ ra rằng chúng có thể phát hiện một số bệnh trên hình ảnh ở cấp độ chuyên gia mà không cần chú thích thêm, một khả năng được gọi là học tập mà không cần dữ liệu gắn nhãn (Zero-shot learning).

Hình 3. Tiềm năng của các mô hình AI y tế tổng quát trong X quang.
Sự phát triển nhanh chóng trong các mô hình AI, bao gồm các mô hình tự giám sát, Mô hình đa phương thức, mô hình nền tảng, và đặc biệt là các mô hình ngôn ngữ lớn cho dữ liệu văn bản và cho dữ liệu hình ảnh và văn bản kết hợp, có tiềm năng đẩy nhanh tiến độ trong lĩnh vực này. Các mô hình ngôn ngữ lớn là các mô hình AI bao gồm một mạng lưới thần kinh có trọng lượng hàng tỷ trở lên, được đào tạo trên một lượng lớn dữ liệu không được gắn nhãn. Các nghiên cứu ban đầu về các mô hình ngôn ngữ lớn cho các nhiệm vụ dựa trên văn bản trong y học đã bao gồm các chatbot như GPT-4 (Generative Pre-trained Transformer 4) và đã chỉ ra rằng các mô hình này có khả năng ghi chú y tế cấp chuyên gia lâm sàng, trả lời câu hỏi và tư vấn. Chúng tôi dự đoán rằng các mô hình AI trong tương lai sẽ có thể xử lý dữ liệu hình ảnh, lời nói và văn bản y tế và tạo ra các đầu ra như giải thích văn bản tự do, đề xuất bằng giọng nói và chú thích hình ảnh phản ánh lý luận y học tiên tiến. Các mô hình này sẽ có thể tạo ra đầu ra văn bản phù hợp dựa trên đầu vào hình ảnh y tế, phục vụ cho nhu cầu cụ thể của người dùng cuối khác nhau và sẽ cho phép các đề xuất được cá nhân hóa và tương tác ngôn ngữ tự nhiên trong nghiên cứu hình ảnh. Ví dụ, với một hình ảnh y tế và thông tin lâm sàng có liên quan, mô hình sẽ tạo ra một báo cáo X quang hoàn chỉnh cho bác sĩ X quang, một báo cáo thân thiện với bệnh nhân với các mô tả dễ hiểu bằng ngôn ngữ ưa thích cho bệnh nhân, các khuyến nghị liên quan đến phương pháp phẫu thuật dựa trên các phương pháp hay nhất cho bác sĩ phẫu thuật và các đề xuất và xét nghiệm theo dõi dựa trên bằng chứng cho nhà cung cấp dịch vụ chăm sóc chính – tất cả đều bắt nguồn từ dữ liệu hình ảnh và lâm sàng theo một mô hình tổng quát duy nhất (Hình 3 ). Ngoài ra, các mô hình này có thể dễ dàng khái quát hóa đến các vị trí địa lý mới, quần thể bệnh nhân, phân bố bệnh và thay đổi trong công nghệ hình ảnh mà không đòi hỏi nỗ lực kỹ thuật đáng kể hoặc nhiều hơn một số dữ liệu mới.

Với khả năng của các mô hình ngôn ngữ lớn, việc đào tạo các mô hình ngôn ngữ lớn đa phương thức mới với số lượng lớn dữ liệu văn bản lâm sàng và hình ảnh y tế trong thế giới thực, mặc dù đầy thách thức, hứa hẹn sẽ mở ra khả năng biến đổi của AI X quang. Tuy nhiên, mức độ mà các mô hình như vậy có thể làm trầm trọng thêm các vấn đề còn tồn tại với xác nhận rộng rãi vẫn chưa được biết và là một lĩnh vực quan trọng để nghiên cứu và quan tâm. Nhìn chung, tiềm năng cho các mô hình AI y tế tổng quát để cung cấp các giải pháp toàn diện cho nhiệm vụ giải thích hình ảnh X quang và hơn thế nữa có khả năng biến đổi không chỉ lĩnh vực X quang mà còn chăm sóc sức khỏe rộng rãi hơn.

Kết luận
AI là một ví dụ điển hình của một bước đột phá công nghệ có khả năng hiện tại và tương lai rộng rãi trong lĩnh vực hình ảnh y tế. X quang đã chứng kiến việc áp dụng các công cụ này trong thực hành lâm sàng hàng ngày, mặc dù với tác động khiêm tốn cho đến nay. Sự khác biệt giữa tác động dự đoán và thực tế có thể được quy cho các yếu tố khác nhau, chẳng hạn như không có dữ liệu từ các nghiên cứu trong thế giới thực tiềm năng, khả năng khái quát hóa hạn chế và sự khan hiếm của các giải pháp AI toàn diện để giải thích hình ảnh. Khi các chuyên gia chăm sóc sức khỏe ngày càng sử dụng AI X quang và khi các mô hình ngôn ngữ lớn tiếp tục phát triển, tương lai của AI trong hình ảnh y tế có vẻ tươi sáng. Tuy nhiên, vẫn chưa chắc chắn liệu thực hành X quang truyền thống, ở dạng hiện tại, có chia sẻ triển vọng đầy hứa hẹn này hay không.

Bs Lê Đình Sáng (Dịch)

XEM BÀI GỐC: The Current and Future State of AI Interpretation of Medical Images | NEJM

Tác giả: Pranav Rajpurkar, Ph.D., and Matthew P. Lungren, M.D., M.P.H.