Skip to main content
Trang này được hiển thị bằng tính năng dịch tự động. Xem bằng tiếng Anh?

Hỗ trợ AI cho đội ngũ y tế

Gerardo Hermosillo Valadez | Giải thưởng Nhà sáng chế của năm của Siemens | Hạng mục Thành tựu trọn đờii

Các công nghệ chẩn đoán hình ảnh như X-quang, chụp CT và MRI đã hỗ trợ bác sĩ trong nhiều thập kỷ bằng cách cung cấp những hình ảnh chi tiết về xương và cấu trúc mô bên trong cơ thể bệnh nhân. Gerardo Hermosillo Valadez từ Siemens Healthineers (SHS), Nhà sáng chế của năm 2024 ở hạng mục Thành tựu trọn đời, cho biết: “Tất cả những công nghệ này tạo ra dữ liệu hình ảnh, nhưng chúng chỉ thực sự hữu ích cho chẩn đoán khi được diễn giải chính xác. Ví dụ: cần có người nhận ra rằng đường nét mảnh trong ảnh X-quang cho thấy xương bị gãy, hoặc phát hiện một khối bất thường trong lượng dữ liệu khổng lồ từ ảnh MRI. Bộ phận của tôi đang phát triển các quy trình AI có thể diễn giải hình ảnh y khoa, từ đó giảm tải và hỗ trợ đội ngũ nhân viên y tế.”

Diễn giải hình ảnh bằng trí tuệ nhân tạo

Một người đàn ông mặc âu phục và thắt cà vạt đứng trước một tòa nhà có cửa sổ lớn.

Gerardo Hermosillo Valadez là Nhà sáng chế của năm 2024: Phát minh của ông phát triển trí tuệ giải phẫu

Con người thường rất giỏi trong việc nhận diện các chi tiết trong hình ảnh. Chẳng hạn, hầu hết mọi người có thể dễ dàng nhận ra cột sống trong ảnh X-quang – ngay cả khi các hình ảnh khác nhau đáng kể do tư thế bệnh nhân, góc chụp, kích thước xương lớn hay nhỏ, hoặc sự khác biệt giữa cột sống khỏe mạnh và cột sống bị biến dạng. Máy tính chỉ có thể thực hiện điều này thông qua trí tuệ nhân tạo – học sâu – và chỉ khi được huấn luyện bằng số lượng lớn các mẫu phù hợp. Gerardo cho biết: “Bằng cách này, trí tuệ nhân tạo có thể phát triển trí tuệ giải phẫu để có thể định hướng trong hình ảnh y khoa và phân loại chính xác các xương, cơ quan và mô khác nhau. Theo cách tương tự, AI cũng có thể học cách phân biệt giữa mô bình thường và mô bất thường.”

Những đổi mới định hình toàn bộ dòng sản phẩm của SHS

Nhận dạng hình ảnh dựa trên AI có rất nhiều ứng dụng khác nhau trong hoạt động thường ngày tại bệnh viện và phòng khám. Ví dụ: hệ thống có thể học cách hiển thị dữ liệu hình ảnh chính xác khi nhận được lệnh như “Hiển thị xương bả vai phải.” Hệ thống cũng có thể hỗ trợ tự động trong các xét nghiệm X-quang bằng cách xác định thời điểm chất cản quang được tiêm đã đến cơ quan cần kiểm tra, đồng thời phân tích dữ liệu hình ảnh để phát hiện các biến đổi bệnh lý tiềm ẩn. Nhiều sáng kiến mà Gerardo thúc đẩy hiện đã được phổ biến trong toàn bộ dòng sản phẩm của SHS.

Các chiến lược học khác nhau của AI

Gerardo nhấn mạnh: “Trí tuệ nhân tạo chỉ tốt khi dữ liệu dùng để huấn luyện đủ tốt. Để nhận diện khối u trong ảnh MRI thì trước tiên, hệ thống phải học từ hàng nghìn hình ảnh của cả người khỏe mạnh lẫn người bệnh mà chúng tôi cung cấp.” Có ba phương pháp cơ bản để huấn luyện AI: học có giám sát, học bán giám sát và học tự giám sát. Đối với học có giám sát, AI được cung cấp thông tin chính xác về từng bộ dữ liệu, ví dụ: “Có một khối u ở góc trên bên phải của hình ảnh.” Trong học bán giám sát, chỉ có một số nhãn đơn giản, ví dụ, có khối u hoặc không có khối u. Trong học tự giám sát, dữ liệu hoàn toàn không có nhãn và AI tự học một cách độc lập. Chẳng hạn, hệ thống sẽ che một phần của ảnh mẫu và “đoán” phần bị che đó trông như thế nào.

Một người mặc áo đen đứng trước bức tường trắng, cầm một vật thể tối màu, hậu cảnh bị làm mờ.

Phát minh của ông định hình toàn bộ dòng sản phẩm Siemens Healthineers

Người đàn ông nghiêm nghị mặc áo đen có hình xăm đứng trước bức tường trắng, ánh sáng chiếu một phần từ bên phải

Trí tuệ nhân tạo có thể học cách tự định hướng trong các hình ảnh y khoa và phân loại một cách chính xác.

Thông minh gần như một tập bản đồ giải phẫu

Học có giám sát là cách nhanh và hiệu quả nhất để AI học, nhưng việc thu thập đủ dữ liệu huấn luyện có tính đến tất cả các yếu tố liên quan lại tốn nhiều thời gian và chi phí. Học tự giám sát mất nhiều thời gian học nhất, nhưng AI có thể hoạt động độc lập mà không cần quá trình dán nhãn dữ liệu tốn kém. Gerardo cho biết: “Gần đây, chúng tôi tập trung vào các kỹ thuật học tự giám sát tiên tiến, tương tự như những kỹ thuật mà ChatGPT sử dụng. Điều đó đã mang lại bước tiến đáng kể cho chúng tôi, đặc biệt trong lĩnh vực trí tuệ giải phẫu. Hiện nay, AI của chúng tôi đã thông minh gần như một tập bản đồ giải phẫu. Nó có thể phân biệt khoảng 200 mốc (bộ phận cơ thể) khác nhau và xác định vị trí của những mốc này trong dữ liệu hình ảnh.