Hình ảnh y tế đóng vai trò trung tâm trong chẩn đoán. Các hình ảnh X-quang, CT và MRI tạo ra lượng lớn dữ liệu hình ảnh về trạng thái bên trong cơ thể.
Ví dụ, mỗi năm trên toàn thế giới có hơn 3,5 tỷ lượt chụp X-quang được thực hiện, và các bệnh viện tạo ra hàng petabyte dữ liệu hình ảnh. Tuy nhiên, nhiều hình ảnh vẫn chưa được phân tích – một ước tính cho thấy khoảng 97% dữ liệu chẩn đoán hình ảnh chưa được sử dụng.
Sự chênh lệch này xuất phát từ khối lượng công việc lớn đối với các bác sĩ chuyên ngành chẩn đoán hình ảnh. Trí tuệ nhân tạo (AI), đặc biệt là học sâu, có thể hỗ trợ bằng cách tự động “đọc” hình ảnh. Các mạng nơ-ron tích chập được đào tạo trên cơ sở dữ liệu hình ảnh lớn học cách nhận diện các mẫu bệnh (như khối u, gãy xương hoặc nhiễm trùng) có thể rất tinh vi hoặc khó phát hiện. Trong thực tế, AI có thể làm nổi bật các vùng nghi ngờ, định lượng bất thường và thậm chí dự đoán bệnh.
Hiện nay, các cơ quan quản lý đã phê duyệt hàng trăm công cụ AI cho chẩn đoán hình ảnh, với FDA dự kiến có hơn 800 thuật toán chẩn đoán hình ảnh vào năm 2025. Điều này phản ánh một bước chuyển lớn: AI đang được tích hợp vào X-quang, CT và MRI để hỗ trợ bác sĩ thay vì thay thế họ.
Cải tiến AI trong chụp X-quang
X-quang là hình ảnh chẩn đoán phổ biến nhất – nhanh, rẻ và dễ tiếp cận. Chúng được dùng để chẩn đoán các bệnh về phổi (viêm phổi, lao, COVID-19), gãy xương, các vấn đề nha khoa và nhiều hơn nữa.
Tuy nhiên, đọc X-quang chính xác đòi hỏi kinh nghiệm, và nhiều nơi thiếu bác sĩ chuyên ngành chẩn đoán hình ảnh. AI có thể giảm bớt gánh nặng này.
Ví dụ, các mô hình học sâu như CheXNet nổi tiếng đã được đào tạo trên hàng trăm nghìn hình ảnh X-quang ngực. CheXNet (mạng CNN 121 lớp) phát hiện viêm phổi trên X-quang ngực với độ chính xác vượt trội hơn bác sĩ thực hành. Trong lĩnh vực chỉnh hình, phân tích X-quang dựa trên AI có thể tự động nhận diện các đường gãy nhỏ tinh vi mà có thể bị bỏ sót trong các phòng khám đông đúc.
- Các nhiệm vụ chính của AI trên X-quang: Phát hiện các bệnh phổi (viêm phổi, lao, ung thư), tràn khí màng phổi và dịch; phát hiện gãy xương hoặc trật khớp; sàng lọc COVID-19 hoặc các nhiễm trùng khác. Các công cụ AI có thể cảnh báo ngay lập tức các phát hiện này, giúp ưu tiên xử lý các ca cấp cứu.
- Kết quả lâm sàng: Trong một số nghiên cứu, AI đạt hiệu quả tương đương bác sĩ chuyên ngành. Ví dụ, CheXNet vượt trội hơn độ chính xác trung bình của bác sĩ trong các ca viêm phổi.
Tuy nhiên, các thử nghiệm tại bệnh viện thực tế cho thấy giới hạn: một nghiên cứu lớn phát hiện bác sĩ chuyên ngành vẫn có hiệu quả cao hơn AI hiện tại trong việc đọc X-quang ngực, đạt độ chính xác cao hơn trong nhận diện các tổn thương phổi. Các công cụ AI có độ nhạy cao (72–95% cho các phát hiện khác nhau) nhưng cũng có nhiều cảnh báo sai hơn so với bác sĩ.
Tóm lại, AI có thể sàng lọc sơ bộ X-quang một cách đáng tin cậy và làm nổi bật các điểm cần chú ý, nhưng chẩn đoán cuối cùng vẫn dựa vào phán đoán của con người. Như một bản tóm tắt tin tức về chẩn đoán hình ảnh cảnh báo, AI chưa phải là bác sĩ chẩn đoán hoàn toàn tự động cho X-quang.
Đổi mới AI trong chụp CT
CT (chụp cắt lớp vi tính) tạo ra hình ảnh cắt ngang chi tiết của cơ thể và rất quan trọng trong nhiều chẩn đoán (ung thư, đột quỵ, chấn thương, v.v.). AI đã thể hiện tiềm năng lớn trên các hình ảnh CT:
- Ung thư phổi: Các mô hình AI gần đây có thể phát hiện và phân đoạn khối u phổi trên CT gần như tương đương với các bác sĩ chuyên ngành. Một nghiên cứu năm 2025 sử dụng mạng nơ-ron 3D U-Net được đào tạo trên bộ dữ liệu lớn (hơn 1.500 ảnh CT) để nhận diện khối u phổi.
Nó đạt độ nhạy 92% và độ đặc hiệu 82% trong phát hiện khối u, với độ chính xác phân đoạn gần bằng bác sĩ (điểm Dice khoảng 0,77 so với 0,80). AI giúp tăng tốc quá trình: mô hình phân đoạn khối u nhanh hơn nhiều so với bác sĩ. - Chảy máu não: Trong y tế cấp cứu, AI hỗ trợ chăm sóc đột quỵ nhanh chóng. Ví dụ, thuật toán thương mại AIDOC cảnh báo chảy máu nội sọ trên CT đầu. Các nghiên cứu báo cáo độ nhạy của AIDOC khoảng 84–99% và độ đặc hiệu khoảng 93–99% trong phát hiện chảy máu não.
Điều này giúp bác sĩ phát hiện các vết chảy máu nguy hiểm chỉ trong vài giây. - Các ứng dụng CT khác: AI cũng được áp dụng cho CT ngực để nhận diện các mẫu viêm phổi COVID-19, CT mạch để đánh giá canxi động mạch, và CT bụng để phát hiện tổn thương gan hoặc sỏi thận.
Trong ví dụ ung thư phổi, CT hỗ trợ AI có thể cải thiện kế hoạch điều trị và theo dõi bằng cách đo chính xác thể tích khối u.
Lợi ích trong CT: AI tự động hóa các tác vụ tẻ nhạt (ví dụ: quét khối 3D để tìm nốt), cải thiện tính nhất quán và hỗ trợ phân loại ưu tiên. Trong chấn thương, AI có thể làm nổi bật các vết gãy hoặc tổn thương cơ quan.
Nhiều công cụ AI hiện đã được phê duyệt để hỗ trợ đọc CT ngực và đầu. Ví dụ, các cơ quan như CMS đã bắt đầu thanh toán cho một số phân tích AI (ví dụ: đánh giá mảng bám động mạch vành trên CT phổi định kỳ).
Tiến bộ AI trong chụp MRI
MRI cung cấp hình ảnh tương phản cao của các mô mềm (não, cột sống, khớp, cơ quan). AI đang làm cho MRI nhanh hơn và thông minh hơn:
- Quét nhanh hơn: Trước đây, các lần quét MRI chất lượng cao mất nhiều thời gian, dẫn đến chờ đợi lâu và gây khó chịu cho bệnh nhân. Các thuật toán tái tạo dựa trên AI mới (Deep Learning Reconstruction, DLR) giảm đáng kể thời gian quét bằng cách dự đoán dữ liệu còn thiếu.
Chuyên gia cho rằng DLR có thể làm cho các lần quét MRI trở nên “siêu nhanh” và công nghệ này có thể trở thành tiêu chuẩn trên tất cả máy quét. Ví dụ, các nhà nghiên cứu Anh và GE Healthcare đã sử dụng AI để giúp máy MRI trường thấp (rẻ hơn) tạo ra hình ảnh tương đương với máy trường cao truyền thống. Điều này có thể giúp MRI dễ tiếp cận hơn và giảm thời gian chờ của bệnh nhân. - Hình ảnh sắc nét hơn: AI cũng cải thiện chất lượng hình ảnh. Bằng cách học sự khác biệt giữa hình ảnh nhiễu và rõ nét, DLR loại bỏ nhiễu hình ảnh trong thời gian thực.
Điều này giúp hình ảnh MRI rõ ràng hơn, giảm các hiện tượng nhiễu do chuyển động ngay cả khi bệnh nhân di chuyển. Với trẻ em hiếu động hoặc bệnh nhân chấn thương, quét nhanh hơn nhờ AI giảm nhu cầu gây mê. - Phát hiện bệnh: Trong chẩn đoán lâm sàng, AI nổi bật trong phân tích MRI. Ví dụ, trong hình ảnh não, các mô hình AI phân đoạn và phân loại khối u chính xác.
Học sâu có thể đánh dấu ranh giới khối u trong MRI 3D, định lượng kích thước và thậm chí dự đoán đặc điểm di truyền hoặc mức độ ác tính chỉ từ hình ảnh. Trong thần kinh học, AI nhanh chóng phát hiện đột quỵ, tổn thương đa xơ cứng hoặc dị dạng. MRI cơ xương (khớp, cột sống) cũng được hưởng lợi: AI xác định nhanh các tổn thương dây chằng hoặc vấn đề đĩa đệm hơn phương pháp thủ công.
Tổng thể, AI đang biến đổi MRI bằng cách làm cho các lần quét nhanh hơn và dữ liệu phong phú hơn.
Bằng cách kết hợp dữ liệu quét và gán nhãn bệnh nhân, AI cho phép đo lường 3D hỗ trợ lập kế hoạch điều trị cá nhân hóa. Các bệnh viện thử nghiệm AI trong MRI báo cáo quy trình làm việc trơn tru hơn và kết quả giải thích nhất quán hơn.
Lợi ích của AI trong chẩn đoán hình ảnh y tế
AI mang lại nhiều lợi thế trên X-quang, CT và MRI:
- Tốc độ & Hiệu quả: Thuật toán AI phân tích hình ảnh trong vài giây. Chúng cảnh báo các phát hiện cấp cứu (như đám mờ phổi, đột quỵ, gãy xương) để bác sĩ ưu tiên xử lý.
Trong nghiên cứu về khối u phổi trên CT, AI phân đoạn khối u nhanh hơn nhiều so với phương pháp thủ công. Quét nhanh hơn (đặc biệt là MRI) giúp tăng số lượng bệnh nhân được khám và giảm thời gian chờ. - Độ chính xác & Tính nhất quán: AI được đào tạo tốt có thể đạt hoặc vượt độ chính xác của con người trong các nhiệm vụ cụ thể. Các mô hình như CheXNet (phát hiện viêm phổi) và các mô hình khác đã cho thấy độ nhạy cao hơn trung bình bác sĩ chuyên ngành.
AI cũng loại bỏ sự khác biệt giữa các lần đánh giá của cùng một người: nó sẽ đánh dấu cùng một phát hiện một cách nhất quán mỗi lần. Độ chính xác định lượng này (ví dụ thể tích khối u chính xác) hỗ trợ theo dõi bệnh. - Mở rộng chuyên môn: Ở những vùng thiếu bác sĩ chuyên ngành, AI đóng vai trò trợ lý chuyên môn. AI trên X-quang ngực có thể cảnh báo nghi ngờ lao hoặc viêm phổi tại các phòng khám vùng sâu vùng xa, mở rộng khả năng tiếp cận dịch vụ chẩn đoán.
Nhóm CheXNet của Stanford nhận định tự động hóa cấp chuyên gia có thể mang lại hiểu biết hình ảnh cho các khu vực thiếu thốn. - Thông tin định lượng: AI có thể khai thác các mẫu ẩn. Ví dụ, trên MRI, một số mô hình AI dự đoán đột biến gen của khối u hoặc kết quả điều trị dựa trên đặc điểm hình ảnh.
Kết hợp phân tích hình ảnh với dữ liệu bệnh nhân có thể giúp dự đoán nguy cơ bệnh sớm.
Những lợi ích này đang thúc đẩy việc áp dụng: hàng nghìn bệnh viện hiện đang thử nghiệm các công cụ AI trên nền tảng chẩn đoán hình ảnh của họ.
Thách thức và lưu ý
Mặc dù đầy hứa hẹn, AI trong chẩn đoán hình ảnh vẫn có những điểm cần lưu ý:
- Biến động hiệu suất: Mô hình AI có thể không phù hợp với mọi môi trường. Các nghiên cứu cho thấy một số công cụ hoạt động tốt ở bệnh viện này nhưng kém hơn ở nơi khác.
Ví dụ, một nghiên cứu cho thấy một số bác sĩ chuyên ngành cải thiện khi có AI hỗ trợ, nhưng một số khác mắc nhiều lỗi hơn khi dùng AI. Độ nhạy của AI có thể cao, nhưng cảnh báo sai (báo động giả) cũng là vấn đề. Điều này đòi hỏi bác sĩ phải kiểm tra lại các đề xuất của AI. - Cần chuyên môn: Bác sĩ chuyên ngành vẫn rất cần thiết. Hướng dẫn hiện tại nhấn mạnh AI chỉ là công cụ hỗ trợ, không thay thế.
Sự giám sát của con người đảm bảo các chi tiết tinh tế và bối cảnh lâm sàng được xem xét. Việc tích hợp đòi hỏi đào tạo bác sĩ tin tưởng và phản biện kết quả AI. - Dữ liệu và thiên lệch: AI chỉ tốt khi dữ liệu đào tạo chất lượng. Bộ dữ liệu hình ảnh phải lớn và đa dạng.
Dữ liệu kém chất lượng, mất cân bằng (ví dụ: đại diện quá mức một số nhóm dân cư), hoặc nhiễu có thể làm sai lệch hiệu suất AI. Nghiên cứu liên tục cần thiết để làm AI bền vững và công bằng. - Quy định và chi phí: Mặc dù nhiều công cụ AI đã được phê duyệt (FDA), việc triển khai thực tế có thể tốn kém và đòi hỏi thay đổi quy trình làm việc.
Mô hình thanh toán mới đang hình thành (ví dụ CMS thanh toán một số phân tích CT dựa trên AI). Bệnh viện cần cân nhắc chi phí phần mềm, phần cứng và đào tạo. - Bảo mật và riêng tư: Việc sử dụng AI liên quan đến dữ liệu bệnh nhân. Các biện pháp bảo vệ nghiêm ngặt (mã hóa, ẩn danh) rất quan trọng để bảo vệ quyền riêng tư.
An ninh mạng cũng là yếu tố then chốt khi hệ thống AI kết nối mạng.
Dù có những thách thức này, các chuyên gia nhấn mạnh việc tích hợp phù hợp. Như một báo cáo của Harvard lưu ý, thiết kế quy trình làm việc hỗ trợ AI cẩn thận có thể nâng cao hiệu suất con người.
Trong thực tế, kết hợp tốc độ của AI với phán đoán của bác sĩ mang lại kết quả tốt nhất.
Triển vọng
AI trong chẩn đoán hình ảnh y tế đang phát triển nhanh chóng. Các công ty và nhóm nghiên cứu hàng đầu tiếp tục cải tiến thuật toán.
Ví dụ, các “mô hình nền tảng” (mạng AI rất lớn được đào tạo trên dữ liệu y tế đa dạng) có thể sớm cung cấp khả năng chẩn đoán rộng hơn. Chúng ta kỳ vọng nhiều nhiệm vụ hơn (ví dụ phân đoạn toàn bộ cơ quan, sàng lọc đa bệnh) sẽ được tự động hóa.
Trên phạm vi quốc tế, các dự án hợp tác nhằm tận dụng AI cho y tế công cộng (ví dụ sàng lọc lao ở vùng khó khăn). Các dịch vụ y tế quốc gia (như NHS của Anh) đang đầu tư vào máy quét sẵn sàng AI để giảm chi phí.
Theo thời gian, hình ảnh hỗ trợ AI có thể trở thành tiêu chuẩn: phân loại nhanh cấp cứu, sàng lọc ung thư phổi bằng AI, và các lần quét MRI hoàn thành trong vài giây.
>>> Nhấn để tìm hiểu thêm: AI Phát Hiện Ung Thư Sớm Qua Hình Ảnh
Tóm lại, AI hỗ trợ chẩn đoán bệnh qua X-quang, CT và MRI bằng cách nâng cao độ chính xác, tốc độ và khả năng tiếp cận.
Dù bác sĩ chuyên ngành vẫn đưa ra chẩn đoán cuối cùng, các công cụ AI giúp họ nhìn thấy nhiều hơn và nhanh hơn. Khi công nghệ trưởng thành, AI sẽ trở thành đối tác không thể thiếu trong chẩn đoán hình ảnh, cải thiện chăm sóc bệnh nhân trên toàn cầu.
