Derpy
Intern Writer
Một công cụ trí tuệ nhân tạo (AI) mới đang làm thay đổi cách thức mà các bác sĩ và nhà nghiên cứu có thể huấn luyện phần mềm hình ảnh y tế, đặc biệt là trong bối cảnh chỉ có số lượng hạn chế các bản quét bệnh nhân. Công cụ AI này cải thiện quy trình được gọi là phân đoạn hình ảnh y tế, trong đó mỗi pixel trong hình ảnh được gán nhãn dựa trên nội dung của nó – chẳng hạn như mô tế bào ung thư hay mô bình thường. Thông thường, quy trình này đòi hỏi sự tham gia của các chuyên gia có tay nghề cao, và học sâu (deep learning) đã cho thấy tiềm năng trong việc tự động hóa nhiệm vụ tốn nhiều công sức này.
Tuy nhiên, một thách thức lớn là các phương pháp dựa trên học sâu thường "khát" dữ liệu – chúng cần rất nhiều hình ảnh được gán nhãn từng pixel để có thể học hỏi. Li Zhang, một sinh viên tiến sĩ tại Khoa Kỹ thuật Điện và Máy tính của Đại học California, San Diego, cho biết rằng việc tạo ra những bộ dữ liệu như vậy yêu cầu sự lao động của chuyên gia, thời gian và chi phí. Đặc biệt đối với nhiều tình trạng y tế và môi trường lâm sàng, mức độ dữ liệu cần thiết thường không tồn tại.
Để vượt qua hạn chế này, Zhang cùng với nhóm nghiên cứu do giáo sư Pengtao Xie dẫn dắt đã phát triển một công cụ AI có khả năng học phân đoạn hình ảnh từ chỉ một số mẫu được gán nhãn bởi chuyên gia. Bằng cách này, nó có thể giảm khối lượng dữ liệu cần thiết lên tới 20 lần. Điều này có thể dẫn đến các công cụ chẩn đoán nhanh hơn và tiết kiệm chi phí hơn, đặc biệt là ở các bệnh viện và phòng khám có nguồn lực hạn chế. Nghiên cứu này đã được công bố trên tạp chí Nature Communications.
Zhang, tác giả chính của nghiên cứu, chia sẻ rằng "dự án này ra đời từ nhu cầu phá vỡ nút thắt này và làm cho các công cụ phân đoạn mạnh mẽ trở nên thiết thực và dễ tiếp cận hơn, đặc biệt là trong các tình huống dữ liệu thiếu hụt." Công cụ AI đã được thử nghiệm trên nhiều tác vụ phân đoạn hình ảnh y tế khác nhau, từ việc xác định tổn thương da trong hình ảnh dermoscopy, ung thư vú trong hình ảnh siêu âm, mạch máu nhau thai trong hình ảnh fetoscopic, đến polyp trong hình ảnh nội soi đại tràng và loét chân trong hình ảnh chụp bằng camera tiêu chuẩn.
Phương pháp này cũng đã được mở rộng sang hình ảnh 3D, chẳng hạn như những hình ảnh dùng để lập bản đồ hải mã hoặc gan. Trong các môi trường có dữ liệu được gán nhãn vô cùng hạn chế, công cụ AI đã nâng cao hiệu suất mô hình từ 10 đến 20% so với các phương pháp hiện tại. Nó yêu cầu từ 8 đến 20 lần ít dữ liệu huấn luyện thực tế hơn so với các phương pháp tiêu chuẩn, trong khi vẫn thường xuyên đạt hoặc vượt qua hiệu suất của chúng.
Zhang đã mô tả cách công cụ AI này có thể giúp các bác sĩ da liễu chẩn đoán ung thư da. Thay vì phải thu thập và gán nhãn hàng ngàn hình ảnh, một chuyên gia được đào tạo tại phòng khám chỉ cần gán nhãn khoảng 40 hình ảnh thôi. Công cụ AI có thể sử dụng bộ dữ liệu nhỏ này để xác định các tổn thương nghi ngờ từ hình ảnh dermoscopy của bệnh nhân trong thời gian thực. Zhang cho biết: "Điều này có thể giúp bác sĩ đưa ra chẩn đoán nhanh hơn và chính xác hơn."
Hệ thống hoạt động theo nhiều giai đoạn. Đầu tiên, nó học cách tạo ra hình ảnh tổng hợp từ các mặt nạ phân đoạn, vốn là các lớp phủ mã màu cho biết phần nào của hình ảnh là, ví dụ, khỏe mạnh hay bị bệnh. Sau đó, nó sử dụng kiến thức này để tạo ra các cặp hình ảnh-mặt nạ tổng hợp mới nhằm làm tăng thêm bộ dữ liệu nhỏ của các ví dụ thực tế. Một mô hình phân đoạn được huấn luyện theo cách này. Thông qua một vòng phản hồi liên tục, hệ thống tinh chỉnh các hình ảnh nó tạo ra dựa trên hiệu quả cải thiện của chúng đối với việc học của mô hình.
Zhang nhấn mạnh rằng vòng phản hồi là một phần quan trọng giúp hệ thống hoạt động hiệu quả. "Thay vì xem việc tạo dữ liệu và huấn luyện mô hình phân đoạn là hai nhiệm vụ riêng biệt, hệ thống này là hệ thống đầu tiên tích hợp chúng lại với nhau. Hiệu suất phân đoạn tự nó hướng dẫn quá trình tạo dữ liệu. Điều này đảm bảo rằng dữ liệu tổng hợp không chỉ thực tế mà còn được thiết kế cụ thể để cải thiện khả năng phân đoạn của mô hình."
Nhìn về tương lai, nhóm nghiên cứu có kế hoạch làm cho công cụ AI này thông minh hơn và linh hoạt hơn. Họ cũng dự định sẽ tích hợp phản hồi từ các bác sĩ lâm sàng trực tiếp vào quy trình huấn luyện để làm cho dữ liệu được tạo ra phù hợp hơn với thực tiễn y tế.
Nguồn tham khảo: https://techxplore.com/news/2025-08-ai-tool-medical-images.html
Tuy nhiên, một thách thức lớn là các phương pháp dựa trên học sâu thường "khát" dữ liệu – chúng cần rất nhiều hình ảnh được gán nhãn từng pixel để có thể học hỏi. Li Zhang, một sinh viên tiến sĩ tại Khoa Kỹ thuật Điện và Máy tính của Đại học California, San Diego, cho biết rằng việc tạo ra những bộ dữ liệu như vậy yêu cầu sự lao động của chuyên gia, thời gian và chi phí. Đặc biệt đối với nhiều tình trạng y tế và môi trường lâm sàng, mức độ dữ liệu cần thiết thường không tồn tại.
Để vượt qua hạn chế này, Zhang cùng với nhóm nghiên cứu do giáo sư Pengtao Xie dẫn dắt đã phát triển một công cụ AI có khả năng học phân đoạn hình ảnh từ chỉ một số mẫu được gán nhãn bởi chuyên gia. Bằng cách này, nó có thể giảm khối lượng dữ liệu cần thiết lên tới 20 lần. Điều này có thể dẫn đến các công cụ chẩn đoán nhanh hơn và tiết kiệm chi phí hơn, đặc biệt là ở các bệnh viện và phòng khám có nguồn lực hạn chế. Nghiên cứu này đã được công bố trên tạp chí Nature Communications.
Zhang, tác giả chính của nghiên cứu, chia sẻ rằng "dự án này ra đời từ nhu cầu phá vỡ nút thắt này và làm cho các công cụ phân đoạn mạnh mẽ trở nên thiết thực và dễ tiếp cận hơn, đặc biệt là trong các tình huống dữ liệu thiếu hụt." Công cụ AI đã được thử nghiệm trên nhiều tác vụ phân đoạn hình ảnh y tế khác nhau, từ việc xác định tổn thương da trong hình ảnh dermoscopy, ung thư vú trong hình ảnh siêu âm, mạch máu nhau thai trong hình ảnh fetoscopic, đến polyp trong hình ảnh nội soi đại tràng và loét chân trong hình ảnh chụp bằng camera tiêu chuẩn.
Phương pháp này cũng đã được mở rộng sang hình ảnh 3D, chẳng hạn như những hình ảnh dùng để lập bản đồ hải mã hoặc gan. Trong các môi trường có dữ liệu được gán nhãn vô cùng hạn chế, công cụ AI đã nâng cao hiệu suất mô hình từ 10 đến 20% so với các phương pháp hiện tại. Nó yêu cầu từ 8 đến 20 lần ít dữ liệu huấn luyện thực tế hơn so với các phương pháp tiêu chuẩn, trong khi vẫn thường xuyên đạt hoặc vượt qua hiệu suất của chúng.
Zhang đã mô tả cách công cụ AI này có thể giúp các bác sĩ da liễu chẩn đoán ung thư da. Thay vì phải thu thập và gán nhãn hàng ngàn hình ảnh, một chuyên gia được đào tạo tại phòng khám chỉ cần gán nhãn khoảng 40 hình ảnh thôi. Công cụ AI có thể sử dụng bộ dữ liệu nhỏ này để xác định các tổn thương nghi ngờ từ hình ảnh dermoscopy của bệnh nhân trong thời gian thực. Zhang cho biết: "Điều này có thể giúp bác sĩ đưa ra chẩn đoán nhanh hơn và chính xác hơn."
Hệ thống hoạt động theo nhiều giai đoạn. Đầu tiên, nó học cách tạo ra hình ảnh tổng hợp từ các mặt nạ phân đoạn, vốn là các lớp phủ mã màu cho biết phần nào của hình ảnh là, ví dụ, khỏe mạnh hay bị bệnh. Sau đó, nó sử dụng kiến thức này để tạo ra các cặp hình ảnh-mặt nạ tổng hợp mới nhằm làm tăng thêm bộ dữ liệu nhỏ của các ví dụ thực tế. Một mô hình phân đoạn được huấn luyện theo cách này. Thông qua một vòng phản hồi liên tục, hệ thống tinh chỉnh các hình ảnh nó tạo ra dựa trên hiệu quả cải thiện của chúng đối với việc học của mô hình.
Zhang nhấn mạnh rằng vòng phản hồi là một phần quan trọng giúp hệ thống hoạt động hiệu quả. "Thay vì xem việc tạo dữ liệu và huấn luyện mô hình phân đoạn là hai nhiệm vụ riêng biệt, hệ thống này là hệ thống đầu tiên tích hợp chúng lại với nhau. Hiệu suất phân đoạn tự nó hướng dẫn quá trình tạo dữ liệu. Điều này đảm bảo rằng dữ liệu tổng hợp không chỉ thực tế mà còn được thiết kế cụ thể để cải thiện khả năng phân đoạn của mô hình."
Nhìn về tương lai, nhóm nghiên cứu có kế hoạch làm cho công cụ AI này thông minh hơn và linh hoạt hơn. Họ cũng dự định sẽ tích hợp phản hồi từ các bác sĩ lâm sàng trực tiếp vào quy trình huấn luyện để làm cho dữ liệu được tạo ra phù hợp hơn với thực tiễn y tế.
Nguồn tham khảo: https://techxplore.com/news/2025-08-ai-tool-medical-images.html
