Công nghệ hình ảnh y tế từ khi phát hiện tia X vào năm 1895 đã luôn là công cụ cốt lõi trong chẩn đoán y tế hiện đại. Tuy nhiên, trong quy trình truyền thống, dữ liệu thô từ quét CT cần được chuyển đổi thành hình ảnh trước khi được bác sĩ hoặc AI phân tích, quá trình này có thể dẫn đến mất mát thông tin quan trọng. Gần đây, một nghiên cứu do nhiều cơ quan ở Trung Quốc phối hợp thực hiện đã lần đầu tiên chứng minh rằng: trí tuệ nhân tạo (AI) có thể trực tiếp trích xuất thông tin chẩn đoán từ dữ liệu thô CT mà không cần dựa vào việc tái tạo hình ảnh, và sự kết hợp giữa dữ liệu thô và hình ảnh có thể nâng cao đáng kể độ chính xác trong phân loại tính chất lành tính hoặc ác tính của nốt phổi. Phát hiện này cung cấp một cách tiếp cận hoàn toàn mới cho việc phân tích hình ảnh y tế.
Hạn chế của quy trình truyền thống: mất mát thông tin từ hình ảnh đến tri thức
Dữ liệu thô của quét CT là tín hiệu chưa qua xử lý được thiết bị thu thập trực tiếp, với khối lượng dữ liệu thường là 10-20 lần so với hình ảnh cuối cùng. Tuy nhiên, quy trình chẩn đoán truyền thống cần phải sử dụng thuật toán để tái tạo vào hình ảnh 2D hoặc 3D, trong đó quá trình này có thể dẫn đến sai lệch thông tin do các hoạt động như nội suy, giảm nhiễu. Ví dụ, các đặc điểm của tổn thương nhỏ có thể bị làm mượt trong quá trình tái tạo, hoặc nhiễu có thể ảnh hưởng đến đánh giá của bác sĩ.
Mặc dù công nghệ AI đã có khả năng phân tích hình ảnh y tế hiệu quả, bản chất của nó vẫn chỉ là một quá trình xử lý dữ liệu đã được “nén lại”. Nhóm nghiên cứu cho biết: “Hình ảnh được thiết kế cho thị giác của con người, trong khi tiềm năng của AI là xử lý trực tiếp dữ liệu gốc, chưa được đơn giản hóa.”
Nỗ lực đột phá: AI giải mã tín hiệu thô trực tiếp
Trong nghiên cứu tiên phong này, nhóm đã thu thập dữ liệu thô CT của 276 bệnh nhân cùng với các kết quả bệnh lý tương ứng, xây dựng một mô hình chẩn đoán dựa trên học sâu. Bằng cách xác định vùng tổn thương trong dữ liệu thô, mô hình AI đã học thẳng các đặc trưng tín hiệu và so sánh với mô hình hình ảnh CT truyền thống. Kết quả cho thấy:
Khả năng chẩn đoán độc lập từ dữ liệu thô gần như tương đương với hình ảnh CT
: Trong tập thử nghiệm, mô hình chỉ sử dụng dữ liệu thô (AUC 0.782) có hiệu suất gần sát với mô hình dựa trên hình ảnh CT (AUC 0.807), chứng tỏ rằng có thể thực hiện chẩn đoán hiệu quả mà không cần tái tạo hình ảnh.
Cách kết hợp dữ liệu thô và hình ảnh mang lại hiệu quả tốt hơn
: Mô hình kết hợp giữa hai loại (như RGM-RX 4) thể hiện độ ổn định cao hơn trong nhiều nhóm bệnh nhân khác nhau (như người cao tuổi, phụ nữ, nốt nhỏ), với mức tăng AUC cao nhất đạt 12.4%.
Người đứng đầu nghiên cứu giải thích: “Dữ liệu thô có thể chứa những chi tiết mà hình ảnh CT không thể giữ lại, chẳng hạn như tín hiệu suy giảm tại các góc độ nhất định hoặc thay đổi cấu trúc nhỏ, những thông tin này được khai thác qua AI có thể bù đắp cho những thiếu sót của hình ảnh truyền thống.”
Ứng dụng công nghệ: tiềm năng từ phòng thí nghiệm đến y tế cơ sở
Phát hiện này đặc biệt quan trọng đối với những khu vực có tài nguyên y tế phân bổ không đồng đều. Các bệnh viện cơ sở thường thiếu các bác sĩ chuyên khoa chẩn đoán hình ảnh, trong khi các thiết bị CT chính thống thường có khả năng thu thập dữ liệu thô. Nếu trong tương lai, các công cụ AI nhẹ phù hợp với dữ liệu thô được phát triển, các bác sĩ cơ sở có thể trực tiếp sử dụng dữ liệu thô từ thiết bị để thực hiện sàng lọc nhanh chóng, giảm bớt sự phụ thuộc vào xử lý hình ảnh và kinh nghiệm của chuyên gia.
Ngoài ra, nhóm nghiên cứu đã phát hiện thông qua công nghệ hình ảnh hóa (như Grad-CAM) rằng mô hình AI có thể tự động tập trung vào vùng tổn thương trong dữ liệu thô, mức độ chú ý của nó gấp 1-2 lần so với vùng không phải tổn thương. Sự “giải thích” này cung cấp cho bác sĩ cơ sở để hỗ trợ việc ra quyết định, chẳng hạn như nhận diện các đặc điểm ác tính nhỏ có thể bị bỏ qua.
Thách thức và hướng đi tương lai
Mặc dù triển vọng rất rộng mở, nghiên cứu vẫn gặp phải một số hạn chế: mô hình hiện tại phụ thuộc vào các tham số thiết bị CT cụ thể và chưa thực hiện xác minh dữ liệu quy mô lớn ở nhiều trung tâm. Thêm vào đó, yêu cầu tính toán cao từ dữ liệu thô đặt ra thách thức cho phần cứng. Nhóm nghiên cứu cho biết, bước tiếp theo sẽ là tối ưu hóa hiệu quả thuật toán và khám phá mô hình linh hoạt thích hợp cho các giao thức quét khác nhau.
Kết luận: định nghĩa lại điểm khởi đầu của hình ảnh y tế
Nghiên cứu này lần đầu tiên chứng minh con đường chẩn đoán trực tiếp “từ tín hiệu đến tri thức”, phá vỡ mô hình cố hữu “hình ảnh là phương tiện chẩn đoán” đã tồn tại hơn một thế kỷ. Khi công nghệ AI tiến bộ, phân tích hình ảnh y tế trong tương lai có thể chuyển từ “ưu tiên thị giác con người” sang “ưu tiên bản chất dữ liệu”, mở ra một con đường mới hiệu quả hơn và đáng tin cậy hơn cho y học chính xác.
Như tác giả liên lạc của bài báo đã kết luận: “Chúng ta không cần phải làm cho AI mô phỏng cách con người nhìn vào hình ảnh, mà là để nó hoạt động theo cách phù hợp hơn với bản chất dữ liệu – đây có thể là hướng tiến hóa thực sự của AI trong y tế.”
(Ghi chú: AUC trong văn bản là một chỉ số đánh giá hiệu suất mô hình, giá trị càng gần 1 thì độ chính xác càng cao.)