AI chẩn đoán y tế: từ công cụ hỗ trợ đến “bác sĩ đồng nghiệp”
AI chẩn đoán y tế là các hệ thống dùng deep learning y tế để phân tích dữ liệu hình ảnh, gen và hồ sơ lâm sàng nhằm phát hiện ung thư, hàng trăm bệnh lý khác, đồng thời hỗ trợ bác sĩ giảm nguy cơ bỏ sót chẩn đoán và rút ngắn đáng kể thời gian đưa ra kết luận. Nói thẳng: nếu trước đây bác sĩ là người “đọc” mọi thứ, thì AI đang trở thành người “soi” phần mà con người dễ mệt mỏi và bỏ qua. Viện nghiên cứu của một tập đoàn công nghệ lớn đã công bố mã nguồn mở mô hình Damo Radar có khả năng nhận diện gần 150 bệnh lý vùng bụng, trong đó có nhiều loại ung thư, thông qua phân tích ảnh CT scan có tiêm thuốc cản quang. Cùng lúc, ở tuyến nghiên cứu dược, nền tảng K Pro của một công ty AI đang được cấp phép cho tập đoàn dược quốc tế để đẩy nhanh nghiên cứu ung thư trên dữ liệu bệnh nhân thực.
Damo Radar: AI phát hiện ung thư đạt trình độ chuyên gia
Điểm đáng bàn nhất của làn sóng AI phát hiện ung thư hiện nay là việc mô hình Damo Radar được huấn luyện trực tiếp trên dữ liệu kết hợp giữa ảnh CT và báo cáo lâm sàng của gần 40.000 ca chụp thực tế. Đây không còn là thử nghiệm nhỏ trong phòng lab, mà là kiểm chứng trên tình huống đời thật, với sự đa dạng bệnh nhân và chất lượng ảnh. Damo Radar có thể nhận diện 146 dấu hiệu bệnh lý vùng bụng, bao quát 18 cơ quan và phát hiện khối u ác tính cùng nhiều bất thường khác. "Trong gần 40.000 ca chụp thực tế, Damo Radar đạt diện tích dưới đường cong (AUC) trung bình 0,913 đối với 146 phát hiện lâm sàng" – một con số cho thấy chẩn đoán bằng AI đã tiến rất gần tới độ chính xác kỳ vọng ở bác sĩ chuyên khoa. Đáng chú ý hơn, khi dùng như công cụ hỗ trợ, hệ thống giúp bác sĩ giảm nguy cơ bỏ sót chẩn đoán thêm 10% và rút ngắn thời gian đọc phim hơn 30%.
Từ phòng chẩn đoán hình ảnh đến phòng thí nghiệm dược: AI luồn sâu vào chuỗi giá trị y tế
Nếu Damo Radar đại diện cho hướng công nghệ phát hiện sớm trên ảnh CT scan ở tiền tuyến lâm sàng, thì K Pro cho thấy deep learning y tế đang len vào tận chuỗi giá trị dược sinh học phía sau. Thỏa thuận cấp phép K Pro và dữ liệu bệnh nhân đa mô hình từ mạng lưới MOSAIC cho Servier được công bố ngày 11 tháng 9 năm 2026, mở rộng hợp tác hai bên trong nghiên cứu ung thư. MOSAIC hiện sở hữu dữ liệu của 2.725 bệnh nhân trên 11 lĩnh vực điều trị, với sáu mô thức dữ liệu và khoảng 100 biến số lâm sàng cho mỗi bệnh nhân. Trên nền dữ liệu khổng lồ này, K Pro dùng các tác nhân AI sinh học chuyên biệt để tối ưu hóa phân tử, xác định biomarker, phân nhóm bệnh nhân và thiết kế thử nghiệm lâm sàng. Việc các nhà khoa học có thể đặt câu hỏi bằng ngôn ngữ tự nhiên và nhận lại phân tích dữ liệu bệnh nhân đa omics khiến AI không còn là một “phần mềm phân tích” thuần túy, mà là một đồng nghiệp biết nói ngôn ngữ khoa học.
Giảm tải cho bác sĩ, nhưng ai chịu trách nhiệm cuối cùng?
Về thực tế, khả năng phát hiện ung thư và hàng trăm bệnh lý khác của các hệ thống như Damo Radar hay Coca – mô hình có độ nhạy cao hơn bác sĩ trong phát hiện sớm ung thư đại trực tràng trên ảnh CT – giúp hàng loạt bệnh viện giải quyết bài toán thiếu bác sĩ chẩn đoán hình ảnh có kinh nghiệm. Nghiên cứu với 26 bác sĩ cho thấy độ chính xác trung bình của Damo Radar cao hơn 23 người tham gia; khi được AI hỗ trợ, các bác sĩ cải thiện khả năng tránh bỏ sót chẩn đoán và rút ngắn thời gian đọc phim đáng kể. Tuy nhiên, câu hỏi khó là: khi một ca ung thư bị bỏ sót, bệnh nhân sẽ tin ai? Bác sĩ, hay hệ thống AI? Cả hai phía công nghệ và y tế đang cố tình giữ AI ở vai trò hỗ trợ – bác sĩ vẫn là người ký kết quả – nhưng càng nhiều quyết định dựa trên phân tích tự động, thì trách nhiệm pháp lý và đạo đức càng cần được định nghĩa rõ.
Tương lai chẩn đoán: bác sĩ tập trung vào quyết định, AI đảm nhiệm phần còn lại
Từ hợp tác nghiên cứu ung thư bằng K Pro được chính thức hóa từ tháng 10 năm 2023 đến việc một viện nghiên cứu liên tục giới thiệu các mô hình sàng lọc bằng AI cho ung thư tuyến tụy, dạ dày, đại trực tràng và bóc tách động mạch chủ, xu hướng chung đã rõ: AI sẽ trở thành tiêu chuẩn trong công nghệ phát hiện sớm. Sắp tới, Servier muốn áp dụng K Pro cho toàn bộ chương trình nghiên cứu ung thư, từ xác định các tiểu nhóm bệnh nhân đáp ứng tối ưu với tài sản thuốc hiện có, đến phân tích tiến hóa khối u để tìm kết hợp thuốc mới và dùng bệnh lý số để tăng tốc sàng lọc biomarker trên mô bệnh học. Kết luận hợp lý là bác sĩ tương lai sẽ dành ít thời gian hơn cho việc soi từng lát cắt CT hay đọc từng biểu đồ gen, và nhiều thời gian hơn cho việc giải thích rủi ro, lựa chọn chiến lược điều trị và đồng hành cùng bệnh nhân. Nếu được triển khai có trách nhiệm, chẩn đoán bằng AI không thay thế bác sĩ, mà trả lại cho họ phần công việc “người” nhất trong y học.
