Trong buổi hội thảo năm 2026 trên nền tảng Cybersight, các chuyên gia đã thảo luận về oculomics, một lĩnh vực mới nổi sử dụng trí tuệ nhân tạo (AI) để phân tích hình ảnh võng mạc nhằm dự báo các bệnh lý hệ thống. Võng mạc đóng vai trò như một cửa sổ tiếp cận trực tiếp vi mạch và mô thần kinh, phản ánh sức khỏe của não bộ, tim và thận.
Tổng quan về Oculomics và AI trong nhãn khoa
Thuật ngữ oculomics được đề xuất vào năm 2020, mô tả sự kết hợp giữa dữ liệu lớn (big data), AI và hình ảnh nhãn khoa để xác định các dấu ấn sinh học (biomarkers) võng mạc cho bệnh lý hệ thống. Mục tiêu là tạo ra phương pháp sàng lọc nhanh, không xâm lấn và tiết kiệm chi phí. Nghiên cứu mang tính bước ngoặt của Google Health năm 2018 đã chứng minh AI có thể dự báo các yếu tố nguy cơ tim mạch (tuổi, hút thuốc, HbA1c, BMI, huyết áp) chỉ từ ảnh chụp võng mạc với AUC đạt 0.7, tương đương với các hệ thống tính điểm nguy cơ tim mạch truyền thống.
Nghiên cứu về Alzheimer và bệnh lý hệ thống
Một nghiên cứu đa trung tâm năm 2022 đã sử dụng mô hình học sâu (deep learning) để phát hiện bệnh Alzheimer. Nghiên cứu thu thập dữ liệu từ 648 bệnh nhân mắc Alzheimer và hơn 3.000 người bình thường về nhận thức tại Hong Kong, Singapore, Anh và Mỹ. Kết quả cho thấy độ chính xác trong kiểm chứng nội bộ đạt tới 84% và kiểm chứng bên ngoài đạt 80%. Đối với các tập dữ liệu có hình ảnh PET amyloid, thuật toán đạt độ chính xác từ 80% đến 89% trong việc phân biệt tình trạng amyloid dương tính và âm tính.
| Chỉ số/Kết cục | Kết quả theo tài liệu |
|---|---|
| Cỡ mẫu nghiên cứu Alzheimer | 648 bệnh nhân Alzheimer, 3.000 người bình thường |
| Độ chính xác (Alzheimer) | 84% (nội bộ), 80% (bên ngoài) |
| Độ chính xác (Amyloid PET) | 80% - 89% |
| AUC dự báo nguy cơ tim mạch (Google 2018) | 0.7 |
Bình luận: Các nghiên cứu này cho thấy tiềm năng to lớn của việc sử dụng võng mạc làm dấu ấn sinh học cho bệnh lý thần kinh và tim mạch. Tuy nhiên, cần lưu ý rằng đây chủ yếu là các mô hình dự báo dựa trên dữ liệu hồi cứu hoặc thử nghiệm, việc áp dụng vào thực hành lâm sàng thường quy đòi hỏi các hướng dẫn dựa trên bằng chứng (evidence-based guidelines) chặt chẽ hơn và sự tích hợp vào quy trình làm việc hiện có.
Triển khai thực tế và thách thức
Các mô hình AI hiện nay đã được triển khai trong thực tế, ví dụ như phần mềm Dr. CVD tại Hàn Quốc, được sử dụng tại hơn 170 bệnh viện với hơn 70.000 đơn chỉ định. Các thách thức chính bao gồm sự khác biệt về dữ liệu giữa các quần thể (data bias), yêu cầu về hạ tầng kỹ thuật và sự cần thiết của các nghiên cứu tiền cứu đa trung tâm. Việc tích hợp AI vào quy trình sàng lọc bệnh võng mạc đái tháo đường (diabetic retinopathy) hiện có là một chiến lược khả thi để tối ưu hóa chi phí và tăng cường sàng lọc các bệnh lý khác như bệnh thận mạn (chronic kidney disease) và nguy cơ tim mạch.
- Tích hợp sàng lọc bệnh lý hệ thống vào quy trình khám võng mạc định kỳ để tối ưu hóa nguồn lực.
- Ưu tiên phát triển các mô hình AI có khả năng hoạt động ngoại tuyến (offline AI) cho các khu vực có hạ tầng internet hạn chế.
- Xây dựng các lộ trình chuyển tuyến (referral pathways) rõ ràng cho những bệnh nhân có kết quả sàng lọc dương tính từ AI.
- Sử dụng các kỹ thuật học máy liên kết (federated modeling) để phát triển mô hình tổng quát mà không cần chia sẻ dữ liệu thô giữa các quốc gia.
- Cần thực hiện các nghiên cứu tiền cứu tại địa phương để đánh giá độ chính xác của thuật toán trước khi triển khai rộng rãi.
Tài liệu tham khảo:
Cybersight, 2026, Lecture: The Eye as a Window to Systemic Health, Video ID: VjSHZUmD9cs.