Sự chuyển dịch từ đơn lẻ sang đa phương thức trong nghiên cứu nhãn khoa
Trong kỷ nguyên dữ liệu lớn, nhãn khoa đang đứng trước một bước ngoặt mang tính lịch sử. Mặc dù các mô hình trí tuệ nhân tạo (AI) đã đạt được những thành tựu đáng kinh ngạc trong việc phân tích hình ảnh đơn lẻ, thực tế lâm sàng lại đòi hỏi nhiều hơn thế. Các bệnh lý nhãn khoa vốn dĩ là những thực thể đa yếu tố, nơi mà hình ảnh học chỉ phản ánh một phần nhỏ của bức tranh bệnh học phức tạp. Những lỗ hổng trong việc tích hợp dữ liệu không đồng nhất, thiếu chuẩn hóa và sự thiếu hụt các nghiên cứu về tính khái quát hóa (generalizability) của mô hình trong môi trường thực tế đang là những rào cản lớn. Bài viết này không chỉ dừng lại ở việc tổng hợp các thuật toán, mà còn đi sâu vào bản chất của dữ liệu nhãn khoa, từ đó đề xuất một khung tư duy mới cho nghiên cứu và thực hành lâm sàng dựa trên dữ liệu đa phương thức.
Bản chất của dữ liệu nhãn khoa và cơ chế tích hợp
Để hiểu tại sao AI cần chuyển dịch sang hướng đa phương thức, chúng ta cần nhìn nhận bản chất của dữ liệu nhãn khoa. Dữ liệu này được chia thành hai nhóm chính: dữ liệu hình ảnh (như chụp đáy mắt, OCT, OCTA, UBM) và dữ liệu phi hình ảnh (như dữ liệu gen, phiên mã, protein, chuyển hóa và hồ sơ bệnh án điện tử - EHR). Mỗi loại dữ liệu mang một thông tin đặc thù: hình ảnh cung cấp cái nhìn về cấu trúc và giải phẫu, trong khi dữ liệu omics (gen, protein) lại hé lộ các cơ chế phân tử và con đường chuyển hóa tiềm ẩn. Cơ chế tích hợp đa phương thức (multimodal fusion) chính là quá trình kết hợp các nguồn dữ liệu không đồng nhất này để tạo ra một chữ ký số (digital biosignature) toàn diện. Việc này cho phép AI không chỉ nhận diện tổn thương mà còn hiểu được
Tài liệu tham khảo:
Jing Li, Jiancheng Huang, Songyu Xu, Shujie Zhang. Data-driven computational methods in ophthalmology: A multimodal perspective. Eye Discovery. 2026; 2: 100026. DOI: https://doi.org/10.1016/j.edisc.2026.100026
(Tệp gốc: Data-driven-computational-methods-in-ophthalmology--A-multim_2026_Eye-Discov.pdf)