AI giải mã não bộ: khi tín hiệu điện trở thành “ngôn ngữ”
AI giải mã não bộ là cách dùng mô hình trí tuệ nhân tạo để đọc và diễn giải các tín hiệu điện não như một dạng “ngôn ngữ”, từ đó trích xuất thông tin định lượng về trạng thái hoạt động thần kinh, cảm xúc và nhận thức của con người, phục vụ chẩn đoán và theo dõi sức khỏe não một cách khách quan. Mô hình Descartes mà startup công nghệ thần kinh Hemispheric của Israel vừa giới thiệu là ví dụ rõ ràng nhất cho hướng đi này, khi nó được thiết kế để “đọc” tín hiệu điện não (EEG) giống như cách mô hình ngôn ngữ lớn (LLM) xử lý văn bản hoặc hệ thống thị giác máy tính phân tích hình ảnh. Đây không chỉ là một sản phẩm công nghệ, mà là tham vọng viết lại cách y học AI tiếp cận não bộ.
Mô hình Descartes: LLM cho tín hiệu điện não hoạt động thế nào?
Cốt lõi của mô hình Descartes là quan niệm: nếu LLM có thể học ngữ pháp của ngôn ngữ, thì AI cũng có thể học “ngữ pháp” của tín hiệu điện não. Mô hình này được huấn luyện để diễn giải các tín hiệu điện của não theo cách tương tự như các mô hình ngôn ngữ lớn xử lý văn bản hoặc các hệ thống thị giác máy tính phân tích hình ảnh. Nói cách khác, mỗi chuỗi sóng EEG được coi như một câu, còn các mẫu hoạt động thần kinh là từ vựng mà AI phải học cho thuộc. Hemispheric đã xây dựng mạng lưới thu thập dữ liệu EEG từ khoảng 100.000 tình nguyện viên ở châu Á, Israel và Boston, thu hơn 250.000 giờ dữ liệu và huấn luyện mô hình trên khoảng 6 tỷ tham số. Đây là tham vọng biến vốn dữ liệu khổng lồ thành “từ điển” chung cho hoạt động điện não người.
Từ phòng khám đến điện thoại: trải nghiệm người dùng thay đổi ra sao?
Điểm táo bạo nhất của Descartes không phải ở thuật toán, mà ở cách nó hứa hẹn thay đổi trải nghiệm khám thần kinh. Thay vì hàng loạt thang điểm chủ quan và phỏng vấn kéo dài, nền tảng này đặt cược vào một quy trình ngắn gọn: người dùng đội một mũ EEG khô gọn nhẹ, trông giống mũ bảo hiểm xe đạp, trong khoảng 15 phút, đồng thời làm các bài kiểm tra thần kinh được gamification trên máy tính bảng hoặc điện thoại. AI phân tích phản ứng của não với từng nhiệm vụ để xây dựng “hồ sơ thần kinh” cá nhân, qua đó hỗ trợ bác sĩ dự đoán khả năng đáp ứng với từng phương pháp điều trị và cá thể hóa chăm sóc thay vì một phác đồ chung cho tất cả. Nếu cách tiếp cận này chứng minh được độ tin cậy, thăm khám thần kinh có thể trở nên gần gũi như… chơi game có kiểm soát.
Lý do công nghệ này xuất hiện lúc này: khoảng trống của y học thần kinh
Não là cơ quan phức tạp nhất nhưng nghịch lý ở chỗ chẩn đoán rối loạn thần kinh và tâm thần vẫn phụ thuộc nặng vào bảng câu hỏi và đánh giá chủ quan của bác sĩ. Trong tâm thần học, bệnh nhân được hỏi họ cảm thấy thế nào; trong thần kinh, bác sĩ vẫn dựa vào các bài test lâm sàng truyền thống. Hệ quả: quá trình lựa chọn điều trị dựa nhiều vào thử – sai, kéo dài thời gian và rủi ro cho bệnh nhân. EEG dù tồn tại hơn một thế kỷ vẫn khó diễn giải vì tín hiệu não khác biệt lớn giữa từng người. Đây chính là khoảng trống mà y học AI như Descartes muốn lấp: biến dữ liệu EEG thành chỉ số khách quan để đánh giá chức năng não và hỗ trợ chẩn đoán sớm trầm cảm, PTSD, Parkinson, Alzheimer cùng nhiều rối loạn thần kinh – tâm thần khác.
Cơ hội và giới hạn: y học AI thần kinh nên tiến chậm mà chắc
Tiềm năng của mô hình Descartes là rõ ràng: AI giải mã não bộ có thể trở thành nền tảng cho y học cá thể hóa trong thần kinh – tâm thần, nơi mỗi bộ não được đánh giá bằng bộ chỉ số riêng thay vì bị áp chung một khung chuẩn. Tuy vậy, sự thận trọng là cần thiết. EEG chỉ ghi nhận hoạt động vùng da đầu và một phần não, nên khó bao quát mọi bệnh lý; công nghệ này có thể đặc biệt hữu ích cho rối loạn nhận thức và cảm xúc, nhưng chưa thể xem như “máy quét vạn năng” cho toàn bộ hệ thần kinh. Các chuyên gia yêu cầu mở rộng nghiên cứu trên nhiều nhóm tuổi, giới tính, văn hóa và dân cư để kiểm chứng độ tin cậy của mô hình. Nếu ngành chấp nhận tiến chậm mà chắc, Descartes có thể trở thành bước ngoặt: không phải thay thế bác sĩ, mà là bổ sung một lớp đọc hiểu mới cho “ngôn ngữ” não bộ trong kỷ nguyên y học AI.
