Tại hội nghị AIOC 2026, bài giảng IC87 của Dr. Abhishek Kothari đã thảo luận về sự phát triển của Deep Learning (học sâu) và tác động của nó đối với thực hành lâm sàng nhãn khoa. Trí tuệ nhân tạo (AI) hiện đã thâm nhập vào nhiều khía cạnh của đời sống và y tế, đặt ra câu hỏi liệu các thuật toán sẽ hỗ trợ hay thay thế bác sĩ trong tương lai.
Khái niệm về Deep Learning trong y tế
Deep Learning là một tập hợp con của AI, nơi máy tính tự học từ lượng dữ liệu khổng lồ mà không cần sự giám sát hay huấn luyện cụ thể của con người để thực hiện các tác vụ nhất định. Hệ thống có khả năng tự sửa lỗi và tự học. Trong bối cảnh y khoa, sự tiến bộ của AI đã làm dấy lên những lo ngại về tính lỗi thời của một số chuyên khoa, ví dụ như chẩn đoán hình ảnh, tuy nhiên thực tế cho thấy AI hiện đóng vai trò là công cụ hỗ trợ đắc lực hơn là thay thế hoàn toàn bác sĩ.
Ứng dụng của AI trong sàng lọc và chẩn đoán võng mạc
Trong lĩnh vực võng mạc, các thuật toán AI đã đạt được độ nhạy (sensitivity) vượt trội so với các bác sĩ phẫu thuật võng mạc, mặc dù độ đặc hiệu (specificity) của bác sĩ vẫn nhỉnh hơn đôi chút. Khi kết hợp dữ liệu từ Optical Coherence Tomography (OCT) và hình ảnh đáy mắt, độ chính xác được cải thiện đáng kể. Tại Ấn Độ, các thuật toán dựa trên camera đáy mắt trên điện thoại di động đã được sử dụng để nhận diện bệnh võng mạc đái tháo đường. Tại Mỹ, FDA đã phê duyệt các công cụ đánh giá hình ảnh không cần giãn đồng tử để phân loại bệnh võng mạc đái tháo đường từ mức độ nhẹ đến trung bình hoặc đe dọa thị lực, giúp tối ưu hóa quy trình chuyển tuyến.
Dự đoán tiến triển bệnh và hỗ trợ điều trị
Một nghiên cứu trên gần 90.000 mắt của bệnh nhân đái tháo đường với dữ liệu theo dõi từ 5 đến 7 năm cho thấy mô hình AI có thể dự đoán khả năng phát triển bệnh võng mạc đái tháo đường và thời điểm cần tái khám (1-5 năm). Độ chính xác của mô hình này rất cao, với tỷ lệ phát hiện chậm (delayed detection) tiến triển đến bệnh võng mạc đái tháo đường tăng sinh (PDR) chỉ là 1%. Ngoài ra, AI còn hỗ trợ phân tích thể tích dịch dưới võng mạc, dự đoán đáp ứng với thuốc kháng VEGF và hỗ trợ lập kế hoạch điều trị dựa trên các phân tử sinh học, giúp bác sĩ lựa chọn giữa steroid hoặc anti-VEGF.
| Chỉ số/Kết cục | Kết quả theo tài liệu |
|---|---|
| Cỡ mẫu nghiên cứu dự đoán DR | 90.000 mắt |
| Thời gian theo dõi dữ liệu | 5 đến 7 năm |
| Tỷ lệ phát hiện chậm tiến triển PDR | 1% |
| Độ nhạy và đặc hiệu của công cụ sàng lọc | 80 đến 90% |
Bình luận: Thông tin theo AIOC 2026; đối chiếu guideline hiện hành khi áp dụng lâm sàng. Các số liệu về độ nhạy/đặc hiệu và khả năng dự đoán của AI trong tài liệu là rất ấn tượng, tuy nhiên cần lưu ý rằng dữ liệu này mang tính chất báo cáo tại hội nghị. Hạn chế lớn nhất của các mô hình AI hiện nay là tính tổng quát hóa (generalizability) thấp và nguy cơ sai lệch dữ liệu (data bias).
Thách thức và giới hạn của AI
Mặc dù AI có khả năng hỗ trợ bệnh nhân hiểu về tình trạng bệnh, như trường hợp sử dụng ChatGPT để giải thích về lỗ hoàng điểm (macular hole), nhưng nó cũng tiềm ẩn rủi ro gây nhầm lẫn. AI có thể tạo ra các mô tả giải phẫu chi tiết nhưng đôi khi không phân biệt được các cơ chế bệnh sinh khác nhau (ví dụ: dịch do rò rỉ hay do co kéo). Các vấn đề về đạo đức, quyền riêng tư dữ liệu, hiện tượng AI hallucination (ảo giác AI) và catastrophic forgetting (quên thảm họa - khi AI quên kiến thức cũ khi học kiến thức mới) là những rào cản cần được giải quyết trước khi AI có thể được tích hợp sâu rộng vào thực hành lâm sàng hàng ngày.
- Luôn kiểm chứng thông tin từ AI bằng kiến thức chuyên môn lâm sàng.
- Sử dụng AI như một công cụ hỗ trợ sàng lọc, không thay thế chẩn đoán cuối cùng.
- Cảnh giác với các sai lệch dữ liệu và khả năng AI đưa ra thông tin sai lệch (hallucination).
- Chuẩn bị tâm thế giải thích cho bệnh nhân khi họ sử dụng thông tin từ các công cụ AI.
Tài liệu tham khảo:
Dr. Abhishek Kothari, 2026, Deep Learning Vs Doctors Will Algorithms Eclipse the Retina, AIOC 2026 IC87, Video ID: cxhLxO-OpL0.