Vai trò của AI trong hình ảnh y tế để phát hiện dị thường sớm hơn

Sự cường điệu xung quanh AI vẫn phổ biến trong chăm sóc sức khỏe nhưng đặc biệt mạnh mẽ trong X quang. Nếu bạn nhớ lại những ngày đầu của thiết kế hỗ trợ máy tính (CAD), bạn sẽ thấy công nghệ này đã phát triển đến mức nào. Một người bản xứ của ChatGPT có lẽ sẽ cho rằng cần phải làm nhiều việc hơn nữa trước khi AI có thể phát huy hết tiềm năng của mình trong lĩnh vực này. Cả hai quan điểm đều đúng. Bài viết này sẽ xem xét lý do tại sao AI lại khó phát hiện ra mọi thứ đến vậy, vai trò của AI đang thay đổi như thế nào và những xu hướng nào cần chú ý vào năm 2025 và sau đó.

Tìm kim trong đống cỏ: Khó mà phát hiện ra.

Phát hiện bệnh sớm là rất khó vì bệnh thường bắt đầu bằng những sai lệch khá tinh tế so với hình dạng bình thường trong dữ liệu hình ảnh chụp X-quang. Vì có rất nhiều biến thể tự nhiên hoàn toàn bình thường giữa các cá nhân, nên rất khó để xác định những thay đổi nhỏ nào thực sự bất thường. Ví dụ, các nốt phổi bắt đầu rất nhỏ; các bệnh phổi lan tỏa bắt đầu bằng những thay đổi mô dễ bị bỏ qua.

Đó là nơi mà Machine Learning (ML) đóng vai trò quan trọng. Nó có thể học cách nhận ra những thay đổi cụ thể không bình thường, mà liên quan đến bệnh tật và tách chúng ra khỏi sự thay đổi bình thường. Sự thay đổi bình thường này có thể có nhiều nguồn khác nhau: giải phẫu cá nhân, sự khác biệt về mặt kỹ thuật trong thiết bị thu hình ảnh hoặc thậm chí là những thay đổi tạm thời về hình dạng mô hoàn toàn bình thường. Chúng ta cần đào tạo các mô hình ML với lượng dữ liệu lớn để chúng có thể hình thành các biểu diễn về sự thay đổi này và xác định những thay đổi chỉ ra bệnh tật.

Liệu AI có thể giúp chúng ta phát hiện ra những bất thường sớm hơn không?

AI có thể giúp theo nhiều cách. Đầu tiên, nó có thể nhận ra các mô hình cụ thể liên quan đến bệnh tật, chẳng hạn như ung thư, bệnh phổi kẽ hoặc bệnh tim mạch trong dữ liệu hình ảnh. Bằng cách đào tạo trên càng nhiều dữ liệu đa dạng càng tốt, AI có thể phát hiện mạnh mẽ các phát hiện quan trọng cho chẩn đoán đầu tiên. Và bằng cách phân tích toàn bộ khối lượng hình ảnh, nó có thể hỗ trợ các bác sĩ X quang bằng cách làm nổi bật các khu vực đáng ngờ, do đó tăng độ nhạy của bác sĩ.

Thứ hai, AI có thể sử dụng các tính năng hình ảnh vượt xa những tính năng mà con người có thể dễ dàng quan sát và báo cáo. Trong quá trình phát hiện ung thư phổi, trước tiên các bác sĩ X quang sẽ đánh giá kích thước, hình dạng và loại u để quyết định hành động tiếp theo trong quá trình quản lý bệnh nhân. AI có thể phân tích kết cấu ba chiều và các đặc điểm chi tiết của bề mặt u để xác định đáng tin cậy hơn liệu u có nguy cơ ác tính cao hay thấp. Điều này có hậu quả trực tiếp trong quá trình quản lý từng bệnh nhân, chẳng hạn như liệu người đó có được gửi đi sinh thiết hay không hoặc thời gian và tần suất của các khoảng thời gian theo dõi.

Trong một nghiên cứu của Adams và cộng sự (JACR), người ta đã chỉ ra rằng việc kết hợp quản lý dựa trên hướng dẫn các nốt ngẫu nhiên trong CT ngực với Phân tích dựa trên ML có thể làm giảm đáng kể các kết quả dương tính giả. Điều này có nghĩa là giảm số lượng sinh thiết không cần thiết (đối với các trường hợp AI cho biết nốt sần là lành tính) và thời gian điều trị nhanh hơn (đối với các trường hợp AI cho biết nốt sần là ác tính). Ở đây, điều quan trọng cần nhấn mạnh là – AI không ủng hộ việc loại bỏ các hướng dẫn. Thay vào đó, chúng ta đang bị thách thức phải bổ sung các hướng dẫn cần thiết bằng kết quả AI. Trong trường hợp này, nếu điểm ML mâu thuẫn với hướng dẫn với độ chắc chắn cao, thì hãy sử dụng điểm ML; nếu không, hãy tuân thủ các hướng dẫn của hướng dẫn. Chúng ta sẽ thấy nhiều ứng dụng như thế này hơn trong tương lai.

Thứ ba, AI có thể giúp định lượng sự thay đổi theo thời gian ở bệnh nhân, một lần nữa, điều này rất quan trọng để theo dõi đúng cách. Các thuật toán hiện tại trong lĩnh vực ML và phân tích hình ảnh y tế có thể căn chỉnh nhiều hình ảnh từ cùng một bệnh nhân - chúng tôi gọi đây là "đăng ký" - để chúng tôi có thể xem cùng một vị trí tại các thời điểm khác nhau. Trong trường hợp ung thư phổi, việc thêm các thuật toán theo dõi cho phép chúng tôi trình bày toàn bộ lịch sử của mọi nốt trong phổi cho các bác sĩ X quang khi họ mở một ca bệnh. Thay vì phải tra cứu các lần quét trước đó và điều hướng đến đúng vị trí cho một vài nốt ví dụ, họ có thể thấy mọi thứ cùng một lúc. Điều này không chỉ giúp tiết kiệm thời gian mà còn mang lại trải nghiệm làm việc dễ chịu hơn cho các bác sĩ.

X quang sẽ phát triển nhờ AI. Câu hỏi là, bằng cách nào?

Có một số hướng mà AI đang tiến triển nhanh chóng. Một hướng rõ ràng là chúng ta đang thu thập nhiều dữ liệu đa dạng và mang tính đại diện hơn để xây dựng các mô hình mạnh mẽ hoạt động tốt trong các bối cảnh lâm sàng. Điều này bao gồm không chỉ dữ liệu từ các loại máy quét khác nhau mà còn dữ liệu liên quan đến các bệnh đi kèm khiến việc phát hiện ung thư trở nên khó khăn hơn.

Bên cạnh dữ liệu, vẫn đang có những tiến triển liên tục trong việc phát triển các phương pháp ML mới để cải thiện độ chính xác. Ví dụ, một lĩnh vực nghiên cứu chính là tìm cách tách biệt sự biến đổi sinh học khỏi sự khác biệt trong quá trình thu thập hình ảnh; một lĩnh vực khác là tìm cách chuyển các mô hình ML sang các miền mới. Đa phương thức và dự đoán đại diện cho hai hướng đặc biệt thú vị cũng gợi ý về cách khoa X quang có thể thay đổi trong vài năm tới. Trong y học chính xác, chẩn đoán tích hợp là một hướng quan trọng nhằm sử dụng dữ liệu từ khoa X quang, y học xét nghiệm, bệnh lý và các lĩnh vực chẩn đoán khác để đưa ra quyết định điều trị. Nếu những dữ liệu này được sử dụng cùng nhau, chúng sẽ cung cấp nhiều thông tin hơn để hướng dẫn các quyết định so với bất kỳ thông số cụ thể nào riêng lẻ. Ví dụ, đây đã là thông lệ chuẩn trong hội đồng khối u; ML sẽ chỉ đơn giản là tham gia vào cuộc thảo luận trong tương lai. Điều này đặt ra câu hỏi: các mô hình ML nên làm gì với tất cả dữ liệu tích hợp này từ nhiều nguồn? Một điều chúng ta có thể làm là cố gắng dự đoán bệnh trong tương lai cũng như phản ứng của một cá nhân đối với phương pháp điều trị. Cùng nhau, chúng nắm giữ rất nhiều sức mạnh mà chúng ta có thể khai thác để tạo ra các dự đoán "nếu như" có thể hướng dẫn các quyết định điều trị.

Xu hướng năm 2025: Định hình hiệu quả, chất lượng và hoàn trả

Có một số yếu tố thúc đẩy AI trong thực hành lâm sàng. Hai khía cạnh quan trọng là hiệu quả và chất lượng.

Hiệu quả

Bằng cách cho phép các bác sĩ X quang tập trung vào khía cạnh quan trọng và đầy thách thức của công việc của họ - tích hợp dữ liệu phức tạp - AI có thể giúp tăng hiệu quả. AI có thể hỗ trợ điều này bằng cách cung cấp thông tin quan trọng và có liên quan tại điểm chăm sóc - ví dụ như các giá trị định lượng - hoặc bằng cách tự động hóa một số tác vụ như phát hiện hoặc phân đoạn bất thường. Điều này có một tác dụng phụ thú vị: nó không chỉ cho phép đánh giá các thay đổi nhanh hơn mà còn đưa các tác vụ như phân đoạn từng pixel và đo thể tích các kiểu bệnh từ nghiên cứu sang thực hành lâm sàng. Việc phân đoạn thủ công các kiểu lớn là hoàn toàn không khả thi trong nhiều trường hợp, nhưng tự động hóa giúp thông tin này có thể truy cập được trong quá trình chăm sóc thường quy.

Giáo dục

AI ảnh hưởng đến chất lượng công việc. Theo đó, chúng tôi muốn nói đến: chẩn đoán tốt hơn, đề xuất phương pháp điều trị cụ thể, phát hiện bệnh sớm hơn hoặc đánh giá chính xác hơn về phản ứng điều trị. Đây là những lợi ích cho từng bệnh nhân. Hiện tại, mối quan hệ giữa những lợi ích này với hiệu quả chi phí ở cấp độ hệ thống đang được đánh giá để nghiên cứu và đánh giá chuẩn tác động kinh tế y tế của việc đưa AI vào X quang.

Hoàn trả

Việc áp dụng AI không còn chỉ là về hiệu quả; nó đang được công nhận và khen thưởng vì những đóng góp hữu hình của nó đối với việc chăm sóc bệnh nhân và tiết kiệm chi phí. Việc đưa AI vào các chương trình hoàn trả làm nổi bật sự thay đổi này. Mặc dù những lợi ích—như giảm các thủ tục không cần thiết và đẩy nhanh quá trình điều trị—có vẻ đơn giản khi nhìn lại, nhưng hành trình này đã rất dài. Giờ đây, với những trường hợp thành công đầu tiên xuất hiện, tác động mang tính chuyển đổi của AI đã rõ ràng. Bằng cách cải thiện kết quả điều trị cho bệnh nhân và tối ưu hóa các quy trình chăm sóc sức khỏe, AI đang định hình lại ngành công nghiệp, với những bước phát triển thú vị đang ở phía trước.

Định hình tương lai của hình ảnh y tế

Chụp ảnh y khoa đang trải qua những chuyển đổi cơ bản. Y học chính xác, chẩn đoán tích hợp và công nghệ chẩn đoán phân tử mới thay đổi phương tiện đưa ra quyết định điều trị trong bối cảnh ngày càng phức tạp của các lựa chọn điều trị. AI là chất xúc tác của sự thay đổi này, vì nó cho phép các bác sĩ tích hợp nhiều đặc điểm hơn được nắm bắt bởi các phương thức khác nhau và liên kết chúng với phản ứng điều trị.

Sẽ vẫn mất thời gian để áp dụng các công cụ này ở quy mô lớn do những thách thức về kỹ thuật, các vấn đề tích hợp và mối quan ngại về kinh tế y tế. Một điều mà tất cả chúng ta có thể làm để đẩy nhanh quá trình này là trở thành một bệnh nhân được thông báo. Tất cả chúng ta có thể trao đổi với bác sĩ về AI mà họ có thể đã thử nghiệm hoặc đang sử dụng trong thực tế và cách các công cụ đó bổ sung cho kinh nghiệm và kiến ​​thức chuyên môn của họ. Thị trường phản ánh nhu cầu; vì vậy, nếu chúng ta yêu cầu phát hiện sớm và chính xác, AI sẽ đến.