AI phân tích hình ảnh y tế là gì và vì sao đây là thời điểm bùng nổ?
AI phân tích hình ảnh y tế là việc dùng các mô hình máy học và mạng nơ-ron sâu để đọc, diễn giải và gợi ý chẩn đoán từ các dữ liệu hình ảnh như X-quang, CT scan, MRI hay siêu âm, giúp phát hiện tổn thương nhỏ, đánh giá nguy cơ bệnh và hỗ trợ quyết định điều trị nhanh hơn, đồng nhất hơn so với hoàn toàn dựa vào mắt và kinh nghiệm của bác sĩ. Nói cách khác, đây là “lớp trợ lý số” luôn trực chiến bên cạnh bác sĩ chẩn đoán hình ảnh. Điều đáng nói là AI không còn chỉ tập trung vào một bệnh đơn lẻ mà đang mở rộng sang sàng lọc bệnh tự động trên nhiều cơ quan, nhiều bệnh lý cùng lúc. Tại một hội nghị khoa học về “Công nghệ tiên tiến và trí tuệ nhân tạo trong quản lý bệnh Nội tiết – Chuyển hóa”, các chuyên gia đã dành riêng một chủ đề lớn cho việc đưa AI vào thực hành y khoa, từ chẩn đoán đến quản lý bệnh mạn tính. Sự bùng nổ này đến đúng lúc các hệ thống y tế đều chịu áp lực: bệnh mạn tính tăng, ung thư trẻ hóa, trong khi bác sĩ chuyên sâu lại thiếu và phân bố không đồng đều.
Từ ung thư tuyến giáp: AI không thay bác sĩ nhưng thay đổi cách chẩn đoán
Trường hợp ung thư tuyến giáp cho thấy rõ vai trò mới của AI phân tích hình ảnh y tế. Bộ Y tế đang triển khai một đề tài ứng dụng AI trên hình ảnh siêu âm nhân tuyến giáp nhằm đáp ứng nhu cầu sàng lọc và phát hiện ung thư tuyến giáp ngày càng tăng, trong bối cảnh bệnh gia tăng và trẻ hóa nhưng nhân lực có kinh nghiệm về siêu âm và tế bào học tuyến giáp còn hạn chế. Hệ thống AI này được xây dựng từ hơn 30.000 hình ảnh siêu âm của hơn 10.000 bệnh nhân Việt Nam, đạt độ chính xác trên 80%, với AUC khoảng 0,94. Quan trọng hơn các con số, AI phân tích hình ảnh theo thời gian thực, đưa ra mức nguy cơ ung thư để bác sĩ tham khảo trước khi quyết định, qua đó vừa hạn chế bỏ sót tổn thương nghi ngờ, vừa giảm hơn 21% chỉ định chọc hút tế bào không cần thiết. Đây là ví dụ điển hình cho một ứng dụng AI không chỉ phát hiện ung thư sớm mà còn giúp tránh các thủ thuật xâm lấn dư thừa, bảo vệ người bệnh khỏi những can thiệp không cần thiết. Cách tiếp cận này đặt AI vào đúng vị trí: không phải “bác sĩ ảo” thay thế con người, mà là một lớp thứ hai trong quy trình ra quyết định. Bác sĩ vẫn là người tổng hợp lâm sàng, chỉ định xét nghiệm và đưa ra chẩn đoán cuối cùng, nhưng họ được hỗ trợ bởi một cỗ máy không mệt mỏi, soi lại từng pixel hình ảnh để giảm nguy cơ bỏ sót.
Damo Radar: Mô hình AI đa bệnh lý cho ổ bụng và xu hướng “một lần chụp, nhiều phát hiện”
Nếu AI tuyến giáp là ví dụ về một công cụ chuyên biệt, thì mô hình Damo Radar cho thấy tương lai rõ ràng của sàng lọc bệnh tự động đa bệnh lý. Viện nghiên cứu Damo Academy của một tập đoàn công nghệ lớn đã công bố mã nguồn mở cho một mô hình thị giác–ngôn ngữ có khả năng nhận diện gần 150 bệnh lý ở vùng bụng, bao quát 18 cơ quan, từ ảnh CT có tiêm thuốc cản quang. Trong gần 40.000 ca chụp thực tế, mô hình này đạt AUC trung bình 0,913 cho 146 phát hiện lâm sàng. Trong thử nghiệm so sánh với 26 bác sĩ chẩn đoán hình ảnh, độ chính xác trung bình của mô hình cao hơn 23 bác sĩ tham gia, và khi được AI hỗ trợ, các bác sĩ cải thiện khả năng tránh bỏ sót chẩn đoán thêm 10%, đồng thời rút ngắn hơn 30% thời gian cần để đưa ra kết quả. Đây là minh chứng sống động cho việc deep learning chẩn đoán có thể giảm đáng kể thời gian phân tích ảnh CT scan và nguy cơ bỏ sót tổn thương, đặc biệt là các khối u ác tính nhỏ khó nhận ra bằng mắt thường. Damo Academy nhiều năm qua tập trung phát triển các công cụ sàng lọc bằng AI để hỗ trợ phát hiện nhiều bệnh lý khác nhau – trong đó có ung thư tuyến tụy, dạ dày, đại trực tràng và bóc tách động mạch chủ. Nói cách khác, thay vì xây dựng một AI cho từng bệnh, họ đang hướng tới những mô hình chung có thể đọc một phim chụp nhưng gợi ý nguy cơ trên nhiều cơ quan, nhiều bệnh cùng lúc.
Giảm tải cho tuyến dưới và thay đổi thực tế khám chữa bệnh
Lợi ích chiến lược nhất của AI phân tích hình ảnh y tế không nằm trong các trung tâm nghiên cứu hào nhoáng, mà ở bệnh viện tuyến huyện, tuyến tỉnh – nơi thiếu bác sĩ chẩn đoán hình ảnh chuyên sâu. Theo các chuyên gia, nguồn nhân lực có kinh nghiệm về siêu âm tuyến giáp và tế bào học chưa đồng đều giữa các cơ sở; đây chính là khoảng trống để các công cụ AI tham gia hỗ trợ. AI đặc biệt hữu ích với những bác sĩ ít kinh nghiệm và có thể triển khai từ tuyến trung ương đến tuyến dưới. Khi một hệ thống có thể tự động phát hiện bất thường trên CT ổ bụng, gợi ý nguy cơ ung thư hay các tình trạng cấp cứu, bác sĩ tuyến dưới sẽ bớt phụ thuộc vào việc gửi phim hoặc chuyển người bệnh lên tuyến trên chỉ vì thiếu người đọc. Không phải ca nào cũng cần hội chẩn chuyên gia, và AI giúp sàng lọc trước, đánh dấu những trường hợp cần ưu tiên. Điều này không chỉ giảm tải cho tuyến trên mà còn rút ngắn thời gian chờ đợi, giúp người bệnh vùng xa tiếp cận chẩn đoán chất lượng cao hơn với chi phí xã hội thấp hơn. Ở chiều ngược lại, các hệ thống AI như trong sàng lọc ung thư tuyến giáp cho thấy một lợi ích ít được chú ý: cắt giảm thủ thuật không cần thiết. Khi các chỉ định chọc hút tế bào có thể giảm hơn 21% mà vẫn không tăng nguy cơ bỏ sót tổn thương nghi ngờ, người bệnh được bảo vệ khỏi đau đớn, biến chứng và lo lắng, trong khi bệnh viện tiết kiệm thời gian, nhân lực và vật tư.
Từ AI “đơn nhiệm” đến quản lý bệnh toàn diện: hướng đi nào cho tương lai?
Hai câu chuyện – AI tuyến giáp và Damo Radar – đặt ra một thông điệp rõ: đã đến lúc thoát khỏi tư duy phát triển hàng trăm mô hình AI “đơn nhiệm” cho từng bệnh lẻ. Thực tế lâm sàng, nhất là trong Nội tiết – Chuyển hóa, cho thấy người bệnh thường có nhiều bệnh đồng mắc; các phiên thảo luận tại hội nghị nhấn mạnh xu hướng chuyển từ điều trị từng bệnh sang quản lý tổng thể các yếu tố nguy cơ và cơ quan đích như tim, thận, mạch máu. Nếu cách điều trị đang đi về hướng toàn diện, AI chẩn đoán cũng phải chuyển từ một bệnh sang đa bệnh, từ một cơ quan sang đa cơ quan. Vấn đề không còn là “có dùng AI hay không”, mà là dùng như thế nào để công nghệ đi cùng chuyên môn, không áp đảo chuyên môn. Tích hợp AI vào hệ thống lưu trữ và truyền hình ảnh của bệnh viện, hiển thị kết quả ngay khi siêu âm hoặc đọc CT, và đào tạo bác sĩ biết cách đặt câu hỏi – không phải tin tuyệt đối – vào gợi ý của máy, mới là chìa khóa để phát huy tác dụng. Sau khi được nghiệm thu cấp Nhà nước, hệ thống AI tuyến giáp sẽ được chuyển giao cho các bệnh viện, mở đường cho nhiều ứng dụng tương tự. Kết luận công bằng là: AI phân tích hình ảnh y tế đang mở ra một kỷ nguyên sàng lọc bệnh tự động, phát hiện ung thư sớm và hỗ trợ đa bệnh lý. Nhưng để lợi ích đó trở thành hiện thực cho số đông, các hệ thống y tế cần coi AI là đồng nghiệp mới – cần quy trình, chuẩn mực và trách nhiệm – chứ không phải “phép màu” có thể thay thế con người.
