Tại hội thảo lâm sàng AIOC 2026 phiên IC413 với chủ đề ứng dụng trí tuệ nhân tạo (artificial intelligence - AI) trong chăm sóc bệnh nhân và nghiên cứu nhãn khoa, các chuyên gia đã trình bày toàn diện về vai trò của học sâu (deep learning - DL), mạng thần kinh nhân tạo và các công cụ học máy trong việc tối ưu hóa quy trình chẩn đoán glaucoma, bệnh lý võng mạc, giác mạc, viêm màng bồ đào và tự động hóa nghiên cứu y khoa.
Ứng dụng Trí tuệ Nhân tạo trong Bệnh lý Glaucoma
Glaucoma là thực thể lâm sàng đặc thù rất phù hợp với AI do nguồn dữ liệu hình ảnh phong phú nhưng có độ phức tạp cao. Khoảng 50% bệnh nhân glaucoma chỉ được chẩn đoán ở giai đoạn muộn khi tổn thương đã nghiêm trọng do bệnh không có triệu chứng ban đầu. Tác giả Bác sĩ Vinit Ratra chỉ ra sự thiếu tương quan chặt chẽ giữa cấu trúc và chức năng (như tổn thương viền thần kinh thị giác trên OCT nhưng thị trường vẫn bình thường, hoặc ngược lại). Các mô hình mạng thần kinh cuộn (convolutional neural network - CNN) phân tích ảnh đĩa thị như nghiên cứu của Lu và cộng sự đã đạt diện tích dưới đường cong (area under the curve - AUC) lên tới 0,996 với độ nhạy và độ đặc hiệu rất cao.
Về khả năng đánh giá tiến triển, nghiên cứu của Cal Kalman và cộng sự trên bệnh nhân glaucoma áp lực nhãn cầu bình thường (normal-tension glaucoma - NTG) cho thấy AI giúp giảm 30% số lượng lần đo thị trường cần thiết và nhận diện bệnh nhân tiến triển nhanh sớm hơn 60%. Nghiên cứu của Thakur và cộng sự chứng minh ảnh chụp đáy mắt đơn thuần kết hợp AI có thể dự báo tiến triển bệnh trong khoảng thời gian 1 đến 3 năm và 4 đến 7 năm với độ chính xác tin cậy. Dịch vụ xét nghiệm tế bào võng mạc thoái hóa (detection of apoptosing retinal cells - DARC) trên OCT cũng giúp phân loại mắt tiến triển nhanh để hạ áp lực nhãn cầu mục tiêu (target IOP) kịp thời. Thách thức hiện nay là tính phụ thuộc vào dữ liệu huấn luyện, hiện tượng AI quên dữ liệu cũ khi học bệnh lý mới và thiếu sự tương thích giữa các dòng máy đo khác nhau.
Ứng dụng Trí tuệ Nhân tạo trong Các Bệnh lý Võng mạc
Bệnh lý võng mạc là lĩnh vực tiên phong áp dụng AI chẩn đoán, khởi đầu từ công trình lịch sử của Wun Gulshan và cộng sự (Google) công bố năm 2016-2017 về tầm soát bệnh võng mạc đái tháo đường (diabetic retinopathy - DR). Thuật toán phát triển tại Shanker Nethralaya bởi Rajiv Raman và cộng sự tích hợp các chỉ số toàn thân như HbA1c và huyết áp để đưa ra kế hoạch chăm sóc cá thể hóa. Các mô hình học sâu hiện nay được tích hợp trực tiếp vào camera đáy mắt cầm tay, phục vụ tầm soát lưu động và khám tại giường bệnh.
Bên cạnh chẩn đoán DR, AI võng mạc mở rộng sang tiên đoán nguy cơ tim mạch và bệnh thận mãn tính từ hình ảnh đáy mắt. Mô hình do Shanker Nethralaya phát triển giúp dự đoán mức HbA1c phân thành 3 nhóm (bình thường, tăng nhẹ, cao) đạt độ chính xác 89%. Trong phân đoạn ảnh OCT, sự hợp tác giữa Shanker Nethralaya và Viện Công nghệ Ấn Độ (IIT) đã phân đoạn lớp biểu mô sắc tố võng mạc (retinal pigment epithelium - RPE) đạt độ chính xác 97,3%. Các phần mềm được FDA phê duyệt như IDx-DR hay Remidio hỗ trợ phân loại DR nghiêm trọng và phù hoàng điểm đái tháo đường (diabetic macular edema - DME) cần can thiệp. Một tổng quan hệ thống các nghiên cứu từ năm 2020 chỉ ra AI dự đoán mức độ đáp ứng điều trị thuốc ức chế yếu tố tăng sinh nội mạc mạch máu (anti-VEGF) đạt độ nhạy trung bình 74%. Trong phẫu thuật, các mô hình học sâu đối kháng tạo sinh (conditional generative adversarial network - cGAN) như Pix2Pix cho phép dự đoán kết quả giải phẫu sau phẫu thuật lỗ hoàng điểm chính xác so với thực tế.
Công cụ Trí tuệ Nhân tạo Phục vụ Nghiên cứu Y khoa
Bác sĩ Manovi Sindal trình bày toàn bộ quy trình ứng dụng AI trong nghiên cứu y khoa, từ xây dựng ý tưởng, tìm kiếm khoảng trống tri thức đến tổng quan y văn và viết bản thảo. Các công cụ chuyên biệt như Elicit hỗ trợ tinh chỉnh câu hỏi nghiên cứu theo chuẩn PICO (Population, Intervention, Comparison, Outcome) và tương tác trực tiếp với tóm tắt bài báo. Công cụ Research Rabbit cho phép thiết lập biểu đồ trích dẫn xuôi/nhiều chiều dựa trên các bài báo hạt giống (seed papers).
Trong xử lý dữ liệu và trình bày bài báo, AI hỗ trợ làm sạch số liệu, phát hiện giá trị ngoại lệ (outliers), gợi ý phép kiểm thống kê và tạo mã phân tích. AI giúp tóm tắt bản thảo, định dạng danh mục tài liệu tham chiếu chuẩn xác theo yêu cầu của từng tạp chí (như Indian Journal of Ophthalmology). Tuy nhiên, tác giả đưa ra cảnh báo quan trọng về hiện tượng bịa đặt trích dẫn (hallucination), rủi ro bảo mật dữ liệu bệnh nhân và dấu chân môi trường nặng nề: một mô hình ngôn ngữ lớn (LLM) tiêu thụ tài nguyên phát thải tới 500 tấn CO2, và các trung tâm dữ liệu toàn cầu chiếm từ 1% đến 2% tổng lượng điện năng thế giới. AI chỉ đóng vai trò trợ lý soạn thảo, không thể thay thế tư duy phản biện hay đứng tên đồng tác giả.
Phân tích OCT Hỗ trợ bởi AI trong Thực hành Lâm sàng
Bác sĩ Nilesh Kumar chia sẻ giải pháp khắc phục tình trạng dữ liệu manh mún từ nhiều thiết bị độc lập bằng hệ thống tích hợp đa mô thức Zeiss Forum. Hệ thống này kết hợp ảnh OCT, bản đồ độ dày lớp sợi thần kinh võng mạc (RNFL thickness map) và vi trường theo tiêu chuẩn Anderson để xác nhận sự tương quan cấu trúc - chức năng trước khi quyết định điều trị glaucoma.
Trong bệnh lý hoàng điểm và mạch máu võng mạc, phần mềm Pathfinder trên máy Cirrus 6000 OCTA quét toàn bộ 512 lát cắt B-scan để tự động phát hiện các tổn thương nhỏ dễ bị bỏ sót như phình vi mạch (microaneurysm), xuất huyết hoặc nâng đỡ mao mạch màng trạch (choriocapillaris elevation). Hệ thống tự động trích xuất hình ảnh chứa tổn thương chính xác để in báo cáo, đồng thời cải thiện độ tương phản hình ảnh trên các lát cắt B-scan chất lượng kém, giúp phát hiện sớm phù hoàng điểm dạng nang (cystoid macular edema - CME) trong tắc nhánh tĩnh mạch võng mạc (branch retinal vein occlusion - BRVO).
Mô hình AI và Học Máy trong Quản lý Bệnh Viêm màng Bồ đào
Giáo sư Rupesh Agarwal nhấn mạnh thách thức của bệnh viêm màng bồ đào (uveitis) là tính không đồng nhất cao, thể bệnh hiếm và nguồn dữ liệu hạn chế. Để giải quyết rào cản này, các kỹ thuật như học chuyển giao (transfer learning) từ các mô hình DR/AMD và tăng cường dữ liệu (data augmentation) tạo dữ liệu tổng hợp đã được áp dụng.
Để giải quyết các quy định khắt khe về bảo mật dữ liệu xuyên quốc gia (như giữa Ấn Độ và Singapore), mô hình học liên kết (federated learning) cho phép chuyển thuật toán đến dữ liệu tại bệnh viện thay vì gửi dữ liệu bệnh nhân ra nước ngoài. Đồng thời, khái niệm AI có thể giải thích được (explainable AI - XAI) giúp minh bạch hóa lý do đưa ra tiên lượng. Nhóm nghiên cứu đã phát triển công cụ Uvatised (uvit.com) dựa trên mô hình thế hệ tăng cường tra cứu (retrieval-augmented generation - RAG) truy xuất dữ liệu từ các xuất bản y khoa trong 10 năm qua, giúp trả lời các câu hỏi lâm sàng về viêm màng bồ đào chính xác với trích dẫn chuẩn mực và không bị bịa đặt thông tin.
Trí tuệ Nhân tạo trong Chẩn đoán và Điều trị Bệnh lý Giác mạc
Giáo sư Namrata Sharma tổng kết ứng dụng AI trong giác mạc và khúc xạ. Trong chẩn đoán và phân giai đoạn Keratoconus, AI đạt độ chính xác chẩn đoán lên tới 99,3%. Hệ thống Keronet kết hợp OCT và nhãn áp khí nén đạt độ nhạy 97%. Việc tích hợp dữ liệu bản đồ địa hình giác mạc Scheimpflug (Pentacam) và sinh cơ học giác mạc (Corvis ST) cho độ chính xác phát hiện sinh cơ học bất thường đạt 98,3%, giúp phát hiện sớm dãn giãn giác mạc (ecatasia) trước phẫu thuật khúc xạ (LASIK, PRK, SMILE).
Trong phẫu thuật đặt thấu kính nội nhãn trên mắt còn thấu kính (phakic ICL), mô hình học máy tiền phẫu tính toán cỡ thấu kính (ICL sizing) chính xác hơn các biểu đồ nomogram truyền thống của nhà sản xuất. Trong viêm loét giác mạc nhiễm trùng, AI phân tích hình ảnh hiển vi đồng tiêu (confocal microscopy) giúp nhận diện chính xác bào tử nấm Fusarium và Aspergillus, cũng như amip Acanthamoeba. Trong bệnh khô mắt, AI phân tích tuyến Meibomius, mật độ tế bào thần kinh và tế bào giác mạc để cá thể hóa điều trị. Ngoài ra, AI hỗ trợ tiên lượng thoái hóa nội mô trong hội chứng Fuch trên kính hiển vi tiêu chuẩn, dự đoán độ bám của mảnh ghép trong phẫu thuật DMEK và đánh giá mức độ nặng của hội chứng Stevens-Johnson (SJS).
| Chỉ số / Kết cục lâm sàng | Kết quả theo tài liệu |
|---|---|
| Diện tích dưới đường cong (AUC) phát hiện Glaucoma qua ảnh đĩa thị (Lu và cộng sự) | 0,996 (độ nhạy và độ đặc hiệu cao) |
| Tỷ lệ giảm số lượng vi trường ở bệnh nhân NTG (Cal Kalman và cộng sự) | 30% (nhận diện tiến triển nhanh sớm hơn 60%) |
| Khả năng dự báo tiến triển Glaucoma qua ảnh đáy mắt (Thakur và cộng sự) | Khoảng thời gian 1 - 3 năm và 4 - 7 năm với độ chính xác hợp lý |
| Độ chính xác dự đoán mức HbA1c qua ảnh võng mạc (Shanker Nethralaya) | 89% (phân loại 3 mức: bình thường, tăng nhẹ, cao) |
| Độ chính xác phân đoạn RPE trên OCT (Shanker Nethralaya & IIT) | 97,3% (trên hình ảnh phức tạp có bong biểu mô sắc tố) |
| Độ nhạy trung bình của AI dự đoán đáp ứng điều trị anti-VEGF | 74% (tổng quan hệ thống từ các nghiên cứu từ năm 2020) |
| Độ chính xác tiên lượng tổn thương nhãn khoa (Ophthalmic Trauma) | AUC khoảng 0,8 (độ nhạy và độ đặc hiệu tốt) |
| Độ chính xác chẩn đoán Keratoconus bằng AI | 99,3% (bao gồm chẩn đoán mức độ và phân giai đoạn) |
| Độ nhạy phát hiện Keratoconus của hệ thống Keronet | 97% (tích hợp OCT và khí nén) |
| Độ chính xác phát hiện sinh cơ học giác mạc bất thường (Pentacam + Corvis ST) | 98,3% (tích hợp dữ liệu địa hình và sinh cơ học) |
| Phát thải carbon của một mô hình AI lớn | Lên tới 500 tấn CO2 (dấu chân môi trường của dữ liệu đám mây) |
| Tiêu thụ điện năng của trung tâm dữ liệu AI toàn cầu | 1% đến 2% toàn lượng điện thế giới (yêu cầu lượng nước làm mát lớn) |
Bình luận: Báo cáo tổng quan hội thảo AIOC 2026 phản ánh bước chuyển dịch mạnh mẽ từ các thuật toán chẩn đoán đơn thuần (monomodel) sang hệ thống AI đa mô thức (multimodal AI) kết hợp cấu trúc, chức năng và chỉ số sinh học toàn thân. Tuy nhiên, các bác sĩ lâm sàng cần lưu ý hạn chế của AI khi đối mặt với dữ liệu chưa được gán nhãn, nguy cơ thiên vị dữ liệu (data bias) theo chủng tộc (như các mô hình phát triển trên quần thể Hàn Quốc có thể không tối ưu cho quần thể Ấn Độ), và vấn đề pháp lý - đạo đức khi tải dữ liệu bệnh nhân lên các công cụ AI mở. Việc sử dụng AI trong nghiên cứu phải tuân thủ nguyên tắc kiểm chứng trích dẫn thủ công và công khai minh bạch (AI disclosure).
Những thay đổi trong thực hành lâm sàng:
- Tích hợp tương quan cấu trúc - chức năng: Sử dụng các nền tảng đa mô thức (như Zeiss Forum) để đối chiếu tổn thương đĩa thị/OCT với thị trường Anderson trước khi quyết định điều trị glaucoma.
- Tầm soát tổn thương ẩn trên OCTA: Ứng dụng các công cụ quét tự động (như Pathfinder) để phát hiện vi phình mạch hoặc phù hoàng điểm ẩn trên 512 lát cắt B-scan ở bệnh nhân tắc tĩnh mạch võng mạc hoặc đái tháo đường.
- Đánh giá sinh cơ học tiền phẫu khúc xạ: Kết hợp bản đồ địa hình Pentacam và Corvis ST bằng AI để tầm soát dãn giãn giác mạc ẩn trước khi can thiệp LASIK/SMILE/ICL.
- Cảnh giác rủi ro công cụ AI nghiên cứu: Tuyệt đối không đưa trực tiếp văn bản từ ChatGPT vào công trình công bố mà không qua tinh chỉnh ngôn ngữ nhân tạo và kiểm tra trích dẫn gốc trên PubMed.
Tài liệu tham khảo:
Vinit Ratra, Manovi Sindal, Nilesh Kumar, Rupesh Agarwal, Namrata Sharma, 2026, AIOC 2026 IC413 Artificial Intelligence for better patient care and research, AIOS Editor Proceedings, Video ID: cBRaVeBHgcM.