Ứng dụng trí tuệ nhân tạo trong đào tạo nhãn khoa và sàng lọc bệnh lý võng mạc

Bs Ngô Hữu Thế
9.10.26
Last Updated

Trong bài giảng lâm sàng năm 2025 tại Đại học Northwestern, Tiến sĩ Roxanna Nursza đã công bố kết quả nghiên cứu phân tích 1377 hình ảnh đáy mắt nhằm đánh giá vai trò của trí tuệ nhân tạo (artificial intelligence - AI) trong đào tạo nhãn khoa.

Cơ chế tích hợp trí tuệ nhân tạo trong phân tích hình ảnh nhãn khoa

Cơ chế cốt lõi của các ứng dụng AI trong nhãn khoa dựa trên hai phương pháp chính: học sâu (deep learning) truyền thống và dạy máy (machine teaching). Học sâu sử dụng mạng thần kinh nhân tạo (artificial neural networks) nhiều lớp để tự động nhận diện các đặc điểm phức tạp từ tập dữ liệu lớn. Ngược lại, dạy máy cho phép chuyên gia lâm sàng trực tiếp tương tác và gắn nhãn trực quan trên số lượng ảnh ít hơn (dưới 500 ảnh chụp cắt lớp võng mạc - optical coherence tomography - OCT). Đối với mô hình ngôn ngữ lớn (large language models - LLMs), cơ chế hoạt động dựa trên xử lý ngôn ngữ tự nhiên để phân tích các mô tả lâm sàng, từ đó phân loại mức độ khẩn cấp dựa trên các từ khóa triệu chứng được thiết lập sẵn.

Dữ liệu lâm sàng từ các nghiên cứu thí điểm

Tiến sĩ Nursza đã trình bày ba dự án nghiên cứu lâm sàng cốt lõi ứng dụng AI tại Đại học Northwestern:

  • Sàng lọc bệnh võng mạc đái tháo đường (diabetic retinopathy): Nghiên cứu sử dụng 1377 hình ảnh đáy mắt không giãn đồng tử thu nhận từ các phòng khám ban đầu. Kết quả ghi nhận gần 25% hình ảnh không thể phân tích do lỗi kỹ thuật của người chụp. Việc tích hợp AI tại điểm chăm sóc giúp phản hồi ngay lập tức để cải thiện chất lượng ảnh chụp.
  • Phân loại bệnh bằng chatbot: Đánh giá khả năng phân loại và chẩn đoán của ChatGPT-4 và Bard trên 40 ca bệnh mô phỏng thuộc 4 chuyên khoa sâu. Cả hai mô hình đều đạt kết quả xuất sắc trong việc phân loại mức độ khẩn cấp nhưng kém hiệu quả hơn trong việc đưa ra chẩn đoán xác định.
  • Dạy máy phát hiện dấu ấn sinh học võng mạc: Sử dụng phần mềm mã nguồn mở Root Painter để huấn luyện mô hình nhận diện tổn thương mạch máu võng mạc do thiếu máu cục bộ (retinal ischemic perivascular lesions - RIPLs) và lắng đọng drusen dưới võng mạc (subretinal drusenoid deposits - SDDs). Với dữ liệu đầu vào dưới 500 lát cắt OCT B-scans, mô hình đạt độ chính xác 92% sau 6 giờ huấn luyện.
Chỉ số/Kết cụcKết quả theo tài liệu
Cỡ mẫu nghiên cứu phân loại ảnh võng mạc1377 hình ảnh đáy mắt, thiết kế chia 80% huấn luyện và 20% kiểm định
Tỷ lệ ảnh không thể phân tích (ungradable)Gần 25% tổng số ảnh do lỗi kỹ thuật chụp
Cỡ mẫu nghiên cứu chatbot phân loại bệnh40 ca bệnh mô phỏng (10 bán phần trước, 10 thần kinh nhãn khoa, 10 tạo hình thẩm mỹ mắt, 10 võng mạc)
Mức độ khẩn cấp trong nghiên cứu chatbot16 ca không khẩn cấp, 13 ca khẩn cấp, 11 ca chuyển tuyến trong ngày
Độ chính xác của dạy máy phát hiện SDDĐộ chính xác 92%, độ nhạy 100%, độ đặc hiệu 88%
Cỡ mẫu huấn luyện phát hiện SDD và RIPLsDưới 500 lát cắt OCT B-scans, thời gian huấn luyện 6 giờ
Cỡ mẫu dự kiến nghiên cứu biến thiên đường huyết4000 người tham gia, đa trung tâm (8 viện, 52 thành viên)
Mối liên quan biến thiên đường huyết trên OCTAGiảm mật độ chiều dài mạch máu và mật độ diện tích mạch máu ở đám rối mao mạch sâu (deep capillary plexus)
Bình luận: Các nghiên cứu được trình bày trong bài giảng này chủ yếu là các thử nghiệm thí điểm đơn trung tâm với cỡ mẫu tương đối nhỏ (như nghiên cứu chatbot chỉ gồm 40 ca bệnh mô phỏng, nghiên cứu dạy máy sử dụng dưới 500 ảnh OCT). Việc thiếu các nhóm chứng lâm sàng đối chứng ngẫu nhiên và thiết kế hồi cứu giới hạn khả năng khái quát hóa kết quả. Tuy nhiên, phương pháp "dạy máy" (machine teaching) mở ra hướng đi khả thi cho các bác sĩ lâm sàng không có nền tảng lập trình sâu vẫn có thể tự xây dựng mô hình phân tích ảnh cá nhân hóa với nguồn lực dữ liệu hạn chế.

Định hướng thay đổi thực hành lâm sàng

  • Tích hợp đào tạo kỹ năng giao tiếp cho học viên y khoa về cách giải thích kết quả chẩn đoán hỗ trợ bởi AI cho người bệnh.
  • Ứng dụng công cụ phản hồi chất lượng ảnh chụp đáy mắt bằng AI ngay tại phòng khám ban đầu để giảm tỷ lệ ảnh lỗi kỹ thuật (hiện chiếm khoảng 25%).
  • Sử dụng các mô hình ngôn ngữ lớn như một công cụ hỗ trợ phân loại bệnh nhân ban đầu (triage) nhưng không dùng để thay thế chẩn đoán lâm sàng của bác sĩ.
  • Thử nghiệm phương pháp dạy máy (machine teaching) với các tập dữ liệu ảnh OCT nhỏ (<500 ảnh) để phát hiện các dấu ấn sinh học võng mạc hiếm gặp.

Tài liệu tham khảo:

Roxanna Nursza, 2025, Artificial Intelligence in Ophthalmology Education: Growing While Guiding, Moran CORE, Video ID: 2D5Pk_u8ANc

Xem thêm