Theo nghiên cứu tổng quan của Haobijam và cộng sự (2026) về trí tuệ nhân tạo (AI) trong bệnh võng mạc đái tháo đường (DR), bệnh lý này là nguyên nhân hàng đầu gây suy giảm thị lực có thể phòng ngừa được trên toàn cầu, với gánh nặng bệnh tật gia tăng song hành cùng đại dịch đái tháo đường. DR là một rối loạn vi mạch tiến triển với sự tham gia của đơn vị thần kinh-mạch máu, được thúc đẩy bởi thiếu máu võng mạc, viêm và tân mạch bệnh lý, trong khi phù hoàng điểm đái tháo đường (DME) là nguyên nhân chính gây mất thị lực.
Dữ liệu DR là nguồn lực quan trọng cho các giải pháp AI
Sự phát triển, xác thực và chuyển dịch lâm sàng của các hệ thống chẩn đoán và sàng lọc DR dựa trên AI phụ thuộc vào việc tiếp cận các tập dữ liệu mạnh mẽ, đa dạng và được chú giải tốt. Các tập dữ liệu công khai (như STARE, DRIVE, MESSIDOR, EyePACS, APTOS 2019) đóng vai trò nền tảng trong việc thúc đẩy phát triển thuật toán và thiết lập các tiêu chuẩn hiệu suất chung. Ngược lại, các tập dữ liệu tư nhân thường lớn hơn, không đồng nhất và phong phú về siêu dữ liệu lâm sàng, hỗ trợ phát triển các mô hình mạnh mẽ, sẵn sàng triển khai có khả năng tổng quát hóa trên các quần thể, thiết bị và điều kiện sàng lọc thực tế.
| Chỉ số/Kết cục | Kết quả theo tài liệu |
|---|---|
| Số lượng tập dữ liệu công khai phổ biến | 16 tập dữ liệu (STARE, DRIVE, DIARETDB0, DIARETDB1, MESSIDOR, CHASE_DB1, ORIGA, HRF, MESSIDOR-2, e-Ophtha, Kaggle DR Detection, EyePACS, IDRiD, APTOS 2019, FGADR, DDR) |
| Quy mô tập dữ liệu DDR | 13.673 ảnh |
| Quy mô tập dữ liệu Kaggle DR Detection | 88.702 ảnh |
Bình luận: Thông tin theo Haobijam et al., 2026; đối chiếu guideline hiện hành khi áp dụng lâm sàng. Tác giả nhấn mạnh sự chuyển dịch từ các mô hình học sâu (deep learning) chuyên biệt sang các mô hình nền tảng (foundation models) và học biểu diễn tự giám sát (self-supervised representation learning). Hạn chế lớn nhất hiện nay là sự thiếu hụt các tập dữ liệu dọc (longitudinal) và sự khác biệt giữa hiệu suất trên tập dữ liệu chuẩn hóa so với thực tế lâm sàng.
Các phương pháp học sâu và học máy trong phân tích DR
Phân tích tự động DR đã trải qua sự chuyển đổi sâu sắc trong thập kỷ qua, từ các quy trình dựa trên đặc trưng thủ công sang các hệ thống học sâu end-to-end. Các nghiên cứu từ 2020-2025 tập trung vào ba nhiệm vụ cốt lõi: (i) phát hiện và phân loại mức độ DR dựa trên ảnh đáy mắt, (ii) phân đoạn và định vị các cấu trúc võng mạc bệnh lý (mạch máu, đĩa thị, vi phình mạch, xuất huyết, xuất tiết), và (iii) các quy trình làm việc hướng tới triển khai (di động, nhúng, sàng lọc từ xa). Hiệu suất thường được báo cáo bằng diện tích dưới đường cong đặc tính hoạt động của máy thu (AUROC), độ nhạy, độ đặc hiệu và hệ số kappa có trọng số bậc hai (QWK).
Thách thức, cân nhắc đạo đức và hướng đi tương lai
Việc chuyển đổi từ đánh giá có kiểm soát sang triển khai thực tế bộc lộ các nguồn biến thiên mà các tập dữ liệu phát triển được quản lý chặt chẽ có thể chưa đại diện đầy đủ. Các rào cản bao gồm chất lượng ảnh (độ mờ, nhiễu, độ sáng không đều), sự thay đổi miền (domain shift) giữa các thiết bị và quần thể, cũng như sự tích hợp vào quy trình làm việc lâm sàng hiện có. Các quy trình làm việc lai giữa người và AI (human-AI workflows) cung cấp một khuôn khổ phù hợp để hỗ trợ sàng lọc và phân loại, trong khi các trường hợp không chắc chắn hoặc phức tạp được chuyển cho chuyên gia đánh giá.
- Tích hợp kiểm soát chất lượng ảnh (IQC) vào quy trình sàng lọc để quản lý các ca không thể phân loại.
- Ưu tiên xác thực bên ngoài (external validation) trên các quần thể đa dạng thay vì chỉ dựa vào hiệu suất trên tập dữ liệu nội bộ.
- Sử dụng các mô hình nền tảng (foundation models) để giảm bớt gánh nặng chú giải dữ liệu thủ công.
- Thiết lập các ngưỡng quyết định lâm sàng (clinically actionable decision thresholds) thay vì chỉ dựa vào các chỉ số thống kê toàn cầu.
- Thiết lập giám sát sau triển khai (post-deployment surveillance) để phát hiện sự suy giảm hiệu suất theo thời gian.
Tài liệu tham khảo:
Haobijam, B., Singh, T. H., Singh, P. T., Wu, W.-C., Kang, E. Y.-C., Singh, S. A., Laikhuram, A., Huang, C.-M., Huang, W.-C., Chun, P.-P., & Qin, Z.-Y. (2026). Artificial intelligence in diabetic retinopathy: From deep learning to foundation models, clinical translation, and real-world deployment. Survey of Ophthalmology, 71(2), 582-595. https://doi.org/10.1016/j.survophthal.2026.10.008