|
Trí tuệ nhân tạo (AI) và những ứng dụng đầy hứa hẹn trong nghiên cứu y học
Trong kỷ nguyên số hiện nay, trí tuệ nhân tạo (AI) đã và đang nổi lên như một công cụ đột phá, mang lại những thay đổi sâu sắc trong nhiều lĩnh vực, từ công nghệ thông tin, sản xuất đến tài chính. Đặc biệt, sự kết hợp giữa AI và nghiên cứu y học đang mở ra một chân trời mới với tiềm năng to lớn, hứa hẹn cách mạng hóa cách chúng ta chẩn đoán, điều trị và phòng ngừa bệnh tật. AI là gì? AI là một lĩnh vực của khoa học máy tính tập trung vào việc tạo ra các hệ thống có khả năng thực hiện các nhiệm vụ đòi hỏi trí tuệ con người, như học tập, suy luận, giải quyết vấn đề, nhận dạng giọng nói và hình ảnh, dịch ngôn ngữ và ra quyết định. Các hệ thống AI được xây dựng dựa trên các thuật toán phức tạp và mô hình toán học, cho phép chúng phân tích lượng lớn dữ liệu, rút ra các mẫu và quy luật, từ đó đưa ra dự đoán và khuyến nghị. Một trong những khía cạnh quan trọng của AI là khả năng "học" từ dữ liệu. Điều này có nghĩa là các hệ thống AI có thể tự cải thiện hiệu suất của mình theo thời gian khi chúng tiếp xúc với nhiều dữ liệu hơn. Khả năng học này cho phép AI thích ứng với các tình huống mới và đưa ra các quyết định chính xác hơn. Ứng dụng của AI trong nghiên cứu y học AI đang được ứng dụng rộng rãi trong nhiều lĩnh vực của nghiên cứu y học, từ chẩn đoán bệnh, phát triển thuốc mới, phân tích hình ảnh y tế, đến chăm sóc sức khỏe cá nhân hóa. ·Chẩn đoán bệnh: Các thuật toán AI có thể phân tích dữ liệu y tế, bao gồm hồ sơ bệnh án, kết quả xét nghiệm, hình ảnh y tế, để phát hiện các dấu hiệu sớm của bệnh tật, hỗ trợ bác sĩ đưa ra chẩn đoán chính xác và kịp thời. ·Phát triển thuốc mới: AI có thể giúp các nhà nghiên cứu xác định các mục tiêu thuốc tiềm năng, thiết kế các phân tử thuốc mới, và dự đoán hiệu quả của thuốc trong các thử nghiệm lâm sàng, rút ngắn thời gian và giảm chi phí phát triển thuốc. ·Phân tích hình ảnh y tế: Các hệ thống AI có thể phân tích hình ảnh y tế như X-quang, CT, MRI, để phát hiện các bất thường và hỗ trợ bác sĩ đưa ra đánh giá chính xác về tình trạng bệnh. ·Chăm sóc sức khỏe cá nhân hóa: AI có thể giúp xây dựng các kế hoạch điều trị và chăm sóc sức khỏe cá nhân hóa dựa trên đặc điểm di truyền, lối sống và tiền sử bệnh của từng bệnh nhân. Trong phần tiếp theo của bài này, chúng ta sẽ đi sâu vào một nghiên cứu ứng dụng cụ thể của AI trong nghiên cứu y học, đó là ứng dụng AI trong chẩn đoán bệnh sốt rét. Trí tuệ nhân tạo đang cách mạng hóa việc chẩn đoán sốt rét với độ chính xác 97,57% bằng cách sử dụng công cụ EfficientNet Trong một nghiên cứu gần đây được công bố trên Scientific Reports, một nhóm các nhà nghiên cứu đã đề xuất sử dụng một công cụ trí tuệ nhân tạo (AI) sử dụng học sâu (deep learning) để kiểm tra hình ảnh tế bào hồng cầu trong các lam máu để phát hiện sốt rét kịp thời. 
Nghiên cứu: Phương pháp dựa trên mô hìnhhọc sâu hiệu quả để phát hiện bệnh sốt rét sử dụng hình ảnh hồng cầu trên lam máu. Nguồn ảnh: cones/Shutterstock.com
Thông tin nền tảng Theo báo cáo năm 2015 của Tổ chức Y tế Thế giới, ký sinh trùng thuộc chi Plasmodium gây bệnh sốt rét đã cướp đi sinh mạng của hơn 400.000 người trên các vùng cận nhiệt đới và nhiệt đới trên thế giới. Bệnh sốt rét thường được phát hiện thông qua việc phân tích hình ảnh kính hiển vi các tiêu bản lam máu, qua đó giúp quan sát thấy các hồng cầu bị nhiễm bệnh. Do các khu vực ở Châu Phi, Đông Nam Á và Địa Trung Hải chiếm hơn 70% các trường hợp mắc bệnh sốt rét, việc phát hiện bệnh sốt rét thông qua lam máu trở nên rất tốn công sức và làm tăng đáng kể khối lượng công việc của các nhà nghiên cứu bệnh học Các công cụ dựa trên AI sử dụng các phương pháp học máy và học sâu đã được nghiên cứu rộng rãi trong các nghiên cứu gần đây để tự động sàng lọc và ứng dụng trong chẩn đoán lâm sàng. Tuy nhiên, các phương pháp AI truyền thống như mạng nơ-ron gặp khó khăn trong việc phát hiện và xác định ký sinh trùng sốt rét trong lam máu do kích các tế bào máu có thước nhỏ và có sự chênh lệch tương đối lớn. Hơn nữa, các phương pháp này vẫn đòi hỏi các nhà nghiên cứu bệnh học đủ năng lực để chọn lọc vector đặc trưng, khiến việc tự động hóa hoàn toàn quá trình sàng lọc và phát hiện trở nên khó khăn. Nghiên cứu này có gì mới Nghiên cứu này đề xuất một công cụ AI học sâu để phát hiện bệnh sốt rét từ hình ảnh tế bào hồng cầu một cách chính xác. Các nhà nghiên cứu cũng đã so sánh mô hình EfficientNet-B2 được đề xuất với các mô hình học sâu khác và sử dụng phương pháp xác minh chéo 10 lần để đánh giá hiệu quả. Nghiên cứu sử dụng bộ dữ liệu gồm 27.558 ảnh tế bào máu, trong đó một nửa là ảnh của những người không nhiễm bệnh và một nửa là ảnh của tế bào có ký sinh trùng sốt rét. Các chuyên gia nghiên cứu bệnh học đã phải chú thích thủ công từng hình ảnh một để dạy cho máy cách nhận biết tế bào nhiễm bệnh. Bước tiền xử lý bao gồm việc thay đổi kích thước ảnh để chuẩn hóa kích thước ảnh vì mô hình yêu cầu kích thước đầu vào phải cố định hoặc tương đồng. Các hình ảnh này sau đó được chia thành các bộ dữ liệu dùng để huấn luyện và kiểm thử. Các nhà nghiên cứu đã sử dụng 80% hình ảnh làm bộ dữ liệu huấn luyện, trong khi phần còn lại được sử dụng để kiểm tranăng lực chẩn đoán và tính hiệu quả của mô hình. Mô hình học sâu EfficientNet-B2 được sử dụng trong nghiên cứu này là một mô hình Mạng nơ-ron tích chập (Convolutional Neural Networks - CNN), đã được sử dụng rộng rãi cho các vấn đề liên quan đến phân loại hình ảnh. Mô hình này cung cấp kết quả phân loại chính xác bằng cách giảm kích thước hình ảnh hiệu quả bằng cách sử dụng các tích chập phân tách theo chiều sâu (depth-wise separable convolutions). Một lợi ích bổ sung là kích thước nhỏ của mô hình, yêu cầu tài nguyên tính toán thấp hơn. Các nhà nghiên cứu đã sử dụng biện pháp chuẩn hóa theo từng mẻ (batch normalization) để tăng độ chính xác của mô hình. Quá trình này tính toán giá trị trung bình và độ lệch chuẩn của từng đặc trưng bằng cách sử dụng một bộ dữ liệu nhỏ hơn, sau đó được dùng để chuẩn hóa đầu vào. Một bộ phân loại hình ảnh tế bào máu do các chuyên gia cung cấp được sử dụng để huấn luyện mô hình học sâu nhằm nhận dạng các triệu chứng của bệnh sốt rét. Nghiên cứu này cũng so sánh hiệu suất của nhiều mô hình được đào tạo sẵn như CNN, Visual Geometry Group (VGG16), Inception, DenseNet121, MobileNet và ResNet với mô hình học sâu được đề xuất trong nghiên cứu này. Một sốchỉ tiêu để đánh giá hiệu suất của các mô hình này bao gồm tỷ lệ dương tính giả, âm tính giả, dương tính thật, âm tính thật, cũng như độ chính xác (precision), độ chuẩn xác (accuracy) và độ nhớ (recall). Kết quả Nghiên cứu cho thấy mô hình được đề xuất trong nghiên cứu này có độ chính xác, diện tích dưới đường cong (AUC), độ chính xác và giá trị F1 (là trung bình của độ chính xác và độ nhớ) cao hơn so với các mô hình được đào tạo trước khác. Ngoài ra, tổn thất kiểm thử của mô hình được đề xuất thấp hơn so với các mô hình khác. Sau khi sử dụng 80% bộ dữ liệu để đào tạo mô hình, việc kiểm thử mô hình trên 20% còn lại cho điểm chính xác là 0,9757, cao hơn điểm chính xác thu được khi sử dụng 90% bộ dữ liệu để đào tạo. Hơn nữa, xác minh chéo 10 lần cho thấy việc phát hiện bệnh sốt rét bằng mô hình được đề xuất có độ chính xác cao, với điểm nhớ và AUC cao và tổn thất kiểm thử cực kỳ thấp. Mô hình cho thấy độ chính xác 98,59% trong việc phát hiện các tế bào chứa ký sinh trùng, trong khi việc phát hiện các tế bào không bị nhiễm bệnh được xác định là 100% chính xác từ kết quả của ma trận nhầm lẫn Kết luận Nhìn chung, nghiên cứu cho thấy mô hình đề xuất EfficientNet-B2 đạt độ chính xác và độ tin cậy cao trong việc phát hiện các triệu chứng của bệnh sốt rét từ hình ảnh tế bào máu được lấy từ lam máu. Mô hình này vượt trội hơn các mô hình học sâu hiện có khác về tất cả các thông số hiệu suất. Các nhà nghiên cứu tin rằng mô hình này có thể được sử dụng để cải thiện độ chính xác của việc phát hiện bệnh sốt rét từ các mẫu lam máu và giảm đáng kể khối lượng công việc của các nhà nghiên cứu bệnh học.
|
TRANG CHỦ
