Tổng quan về Trí tuệ nhân tạo trong Nhãn khoa: Ứng dụng và Thách thức lâm sàng

Bs Ngô Hữu Thế
18.10.26
Last Updated

Bài giảng tại sự kiện AIOC2026 (2026) của Dr. Travis K. Redd cung cấp cái nhìn tổng quan về vai trò của Trí tuệ nhân tạo (AI) trong nhãn khoa, tập trung vào các ứng dụng tiềm năng, rào cản triển khai và định hướng tương lai. AI trong y khoa không chỉ giới hạn ở các mô hình ngôn ngữ lớn (LLM) mà còn bao gồm các hệ thống học máy (machine learning) phức tạp, hỗ trợ chẩn đoán và quản lý dữ liệu lâm sàng.

Cơ sở kỹ thuật của AI trong y khoa

Sự phát triển của AI trong hai thập kỷ qua gắn liền với sự ra đời của học máy, chuyển dịch từ AI biểu tượng (symbolic AI) - vốn dựa trên các quy tắc cứng nhắc như Deep Blue - sang học máy hiện đại. Học máy cho phép mô hình tự học từ dữ liệu thay vì tuân theo các quy tắc định sẵn. Trong đó, học sâu (deep learning) đã tạo ra những bước tiến lớn trong việc xử lý dữ liệu không cấu trúc (unstructured data). Các mạng thần kinh tích chập (Convolutional Neural Network - CNN) thực hiện trích xuất đặc trưng tự động (automated feature extraction), cho phép mô hình nhận diện các đặc điểm từ hình ảnh thô mà không cần sự can thiệp thủ công của con người. AI phân biệt (discriminative AI) tập trung vào các nhiệm vụ cụ thể như phân loại bệnh lý (ví dụ: bệnh võng mạc đái tháo đường) hoặc phân đoạn hình ảnh (segmentation), trong khi AI tạo sinh (generative AI) tạo ra các đầu ra không bị giới hạn như văn bản hoặc hình ảnh.

Hạn chế của các mô hình ngôn ngữ lớn

Các mô hình ngôn ngữ lớn (LLM) hoạt động dựa trên dự đoán token tiếp theo (next token prediction) thông qua phân phối xác suất có điều kiện từ dữ liệu internet. Một hạn chế cốt lõi là các mô hình này không có khả năng suy luận lâm sàng phức tạp (complex clinical reasoning) và thường xuyên gặp tình trạng ảo giác (hallucinations) hoặc ngụy tạo thông tin (confabulation). Chúng không thể định lượng mức độ chắc chắn đối với tính chính xác của thông tin, điều này gây rủi ro lớn trong môi trường y tế nơi các quyết định đòi hỏi sự chính xác cao. Khác với tư duy hệ thống hai (system two thinking) của bác sĩ - vốn sử dụng suy luận Bayes để cập nhật chẩn đoán phân biệt, LLM không thể thực hiện quy trình này một cách đáng tin cậy.

Ứng dụng lâm sàng trong nhãn khoa

Các ứng dụng của AI trong nhãn khoa có thể chia thành ba nhóm chính: AI tự động (automated AI) chủ yếu dùng cho sàng lọc; AI tăng cường (augmentative AI) đóng vai trò hỗ trợ quyết định lâm sàng (clinical decision support); và định lượng dấu ấn sinh học (biomarker quantification). Ví dụ, trong quản lý loét giác mạc, AI có thể hỗ trợ phân biệt viêm giác mạc do vi khuẩn và nấm với độ chính xác khoảng 85%, vượt trội hơn so với việc chỉ quan sát hình ảnh lâm sàng đơn thuần. Ngoài ra, AI còn tiềm năng trong việc tối ưu hóa logistics y tế như quản lý chu kỳ doanh thu, lập lịch trình và tài liệu hóa.

Chỉ số/Kết cụcKết quả theo tài liệu
Độ chính xác phân biệt viêm giác mạc vi khuẩn/nấm85%
Tỷ lệ loét giác mạc do vi khuẩn/nấm95%
Số lượng camera tại phòng khám (tài liệu nêu)5/6 phòng (tại cơ sở của tác giả)
Bình luận: Thông tin theo AIOC2026 (2026); đối chiếu guideline hiện hành khi áp dụng lâm sàng. Tác giả nhấn mạnh sự khác biệt giữa hiệu suất của mô hình trong môi trường nghiên cứu và thực tế lâm sàng. Hạn chế lớn nhất hiện nay là tính tổng quát hóa (generalizability) của mô hình khi áp dụng trên các quần thể khác nhau hoặc thiết bị hình ảnh khác nhau. Việc thiếu minh bạch về dữ liệu huấn luyện và trọng số mô hình từ các nhà phát triển công nghiệp là rào cản lớn cho sự tin tưởng của bác sĩ lâm sàng.

Thách thức và định hướng tương lai

Rào cản lớn nhất đối với việc triển khai AI là tính tổng quát hóa kém, do các mô hình thường được huấn luyện trên các tập dữ liệu silo (siloed data) không đại diện cho toàn bộ phân bố bệnh lý. Ngoài ra, các mô hình thường không được hiệu chuẩn tốt (well calibrated), dẫn đến việc dự đoán xác suất không phản ánh đúng thực tế lâm sàng. Để thu hẹp khoảng cách này, cần chuẩn hóa phương pháp đánh giá, phát triển các tập dữ liệu chuẩn, và tăng cường sự hợp tác đa ngành giữa bệnh nhân, bác sĩ, kỹ sư học máy và các nhà đạo đức học. Bác sĩ lâm sàng đóng vai trò then chốt trong việc xác định các vấn đề thực sự cần giải quyết, thay vì phát triển các giải pháp AI thiếu mục đích thực tiễn.

  • Ưu tiên xác định các vấn đề lâm sàng thực tế trước khi áp dụng giải pháp AI.
  • Cần chuẩn hóa quy trình chụp ảnh lâm sàng để đảm bảo chất lượng dữ liệu đầu vào cho các mô hình AI.
  • Thận trọng với các kết quả từ LLM trong chẩn đoán do nguy cơ ảo giác thông tin.
  • Tăng cường hợp tác đa ngành để đánh giá mô hình theo phương pháp khoa học thay vì chỉ dựa trên các báo cáo preprint.

Tài liệu tham khảo:

Travis K. Redd, 2026, Overview of AI in Ophthalmology, AIOS Editor Proceedings 2, Video ID: jjzoVf12t0k.

Xem thêm