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

Bs Ngô Hữu Thế
15.10.26
Last Updated

Phiên thảo luận AIOC 2026 GP230 tại AAO Session năm 2026 đã cung cấp cái nhìn tổng quan về tiềm năng và rào cản của trí tuệ nhân tạo (AI) trong nhãn khoa, từ các mô hình sàng lọc bệnh võng mạc đái tháo đường đến các thách thức trong thực hành lâm sàng. AI trong y khoa không chỉ giới hạn ở các mô hình ngôn ngữ lớn (Large Language Models - LLM) mà còn bao gồm các hệ thống học máy (Machine Learning - ML) và học sâu (Deep Learning - DL) được thiết kế để hỗ trợ chẩn đoán và tối ưu hóa quy trình làm việc.

Cơ chế và Phân loại AI

AI hiện đại dựa trên khả năng xử lý dữ liệu quy mô lớn. Trong khi AI truyền thống (symbolic AI) dựa trên các quy tắc cứng nhắc, học sâu (Deep Learning) cho phép trích xuất đặc trưng tự động (automated feature extraction) từ dữ liệu thô như hình ảnh hoặc văn bản thông qua các mạng thần kinh tích chập (Convolutional Neural Network - CNN). Các mô hình phân biệt (discriminative AI) tập trung vào các tác vụ cụ thể như phân loại hoặc phân đoạn (segmentation), trong khi AI tạo sinh (generative AI) tạo ra nội dung mới nhưng thường gặp vấn đề về độ tin cậy và hiện tượng "ảo giác" (hallucinations), nơi mô hình đưa ra thông tin sai lệch với sự tự tin cao.

Ứng dụng lâm sàng và Rào cản triển khai

Các ứng dụng tiềm năng bao gồm sàng lọc tự động, hỗ trợ quyết định lâm sàng (clinical decision support) và định lượng dấu ấn sinh học (biomarker quantification). Tuy nhiên, rào cản lớn nhất là tính tổng quát hóa (generalizability). Các mô hình thường chỉ hoạt động tốt trên dữ liệu mà chúng được huấn luyện. Sự khác biệt về thiết bị hình ảnh và quần thể bệnh nhân giữa các cơ sở y tế khiến mô hình khó triển khai rộng rãi. Ngoài ra, vấn đề hiệu chuẩn (calibration) và thiếu tính giải thích được (explainability) của các mô hình học sâu tạo ra khoảng cách về niềm tin giữa bác sĩ và công nghệ.

Chỉ số/Kết cụcKết quả theo tài liệu
Độ chính xác phân biệt viêm giác mạc vi khuẩn và nấm85%
Độ chính xác phát hiện bệnh võng mạc đái tháo đường97%
Số lượng ảnh huấn luyện (Madhu Netra AI)82.000 ảnh nguồn mở, 5.000 ảnh kiểm chứng, 5.000 ảnh nghiên cứu tiền cứu
Số lượng bệnh nhân đã sàng lọc (Madhu Netra AI)10.000 bệnh nhân
Cỡ mẫu nghiên cứu nhi khoa (đo lường K1, K2)556 trẻ sơ sinh
Bình luận: Thông tin theo AIOC 2026 GP230, 2026; đối chiếu guideline hiện hành khi áp dụng lâm sàng. Các tác giả nhấn mạnh rằng AI nên đóng vai trò bổ trợ, không thay thế bác sĩ. Việc thiếu dữ liệu đa trung tâm và sự khác biệt về thiết bị là những hạn chế thực tế cần được giải quyết thông qua chuẩn hóa dữ liệu và hợp tác liên ngành.

Góc nhìn nhãn khoa (biên tập bổ sung, cần kiểm chứng): Việc tích hợp AI vào quy trình khám bệnh cần sự thận trọng, đặc biệt trong các bệnh lý giác mạc và võng mạc. Các bác sĩ cần hiểu rõ giới hạn của mô hình, đặc biệt là khả năng xử lý các trường hợp bệnh lý hiếm gặp hoặc các biến thể lâm sàng không có trong tập dữ liệu huấn luyện. Việc kiểm chứng chéo với các phương pháp chẩn đoán truyền thống vẫn là tiêu chuẩn vàng trong thực hành.

  • Ưu tiên xác định các vấn đề lâm sàng thực tế trước khi phát triển mô hình AI.
  • Đảm bảo chất lượng dữ liệu đầu vào (hình ảnh chuẩn hóa) là yếu tố then chốt cho độ chính xác của mô hình.
  • Cần thiết lập quy trình kiểm chứng lâm sàng độc lập trước khi triển khai rộng rãi.
  • Tăng cường hợp tác giữa bác sĩ lâm sàng, kỹ sư ML và chuyên gia đạo đức y tế.
  • Sử dụng AI như một công cụ hỗ trợ sàng lọc và quản lý logistics thay vì thay thế chẩn đoán chuyên sâu.

Tài liệu tham khảo:

AIOC 2026, 2026, GP230 AAO Session, aioseditorproceedings, Video ID: 2cZ2KdkSdm8

Xem thêm