GIỚI THIỆU
Các bệnh do véc tơ truyền (Vector-borne Diseases - VBDs) chiếm khoảng 17% tổng số bệnh truyền nhiễm trên toàn cầu và gây hơn 700.000 ca tử vong mỗi năm. Những bệnh quan trọng bao gồm sốt rét, sốt xuất huyết Dengue, Zika, chikungunya, viêm não Nhật Bản, sốt vàng da và các bệnh do ve truyền [1]. Trí tuệ nhân tạo (AI) đang cách mạng hóa công tác kiểm soát các bệnh truyền nhiễm do côn trùng gây ra bằng cách chuyển đổi chiến lược từ đáp ứng sang dự đoán. Học máy (Machine Learning-ML) và thị giác máy tính (Computer Vision-CV) giúp tăng cường đáng kể khả năng dự báo dịch bệnh, giám sát vật chủ trung gian truyền bệnh, can thiệp mục tiêu và chẩn đoán y tế, giảm lượng hóa chất diệt vector sử dụng từ 20% đến 40%, đồng thời cho phép phát hiện muỗi mang bệnh gần như theo thời gian thực [12].
Hình 1. Trí tuệ nhân tạo mở ra cánh cửa để cải tiến các phương pháp giám sát véc-tơ. Nguồn: https://link.springer.com/article/10.1007/s00436-022-07752-9
Biến đổi khí hậu, đô thị hóa nhanh chóng, sự mở rộng phạm vi phân bố của véc tơ và tình trạng kháng hóa chất đang làm gia tăng nguy cơ bùng phát dịch bệnh tại nhiều khu vực trên thế giới [2]. Trong bối cảnh đó, các phương pháp giám sát và kiểm soát truyền thống bộc lộ nhiều hạn chế về khả năng xử lý dữ liệu lớn và dự báo sớm. Trí tuệ nhân tạo (AI) giúp các nhà khoa học chế tạo ra những cỗ máy thông minh hoạt động và cư xử như con người để giải quyết khó khăn và vấn đề bằng cách sử dụng nguồn lực tối thiểu. Ngành y tế đã được hưởng lợi từ điều này, các bệnh do muỗi truyền gây ra nguy cơ sức khỏe đáng kể và dù đã có nhiều tiến bộ, song các chiến lược hiện tại để ngăn chặn những bệnh này vẫn phụ thuộc phần lớn vào việc kiểm soát vật trung gian truyền bệnh là muỗi. Chiến lược này đòi hỏi một đội ngũ chuyên gia côn trùng học để giám sát, xác định và cuối cùng là tiêu diệt quần thể muỗi mục tiêu một cách kỹ lưỡng. Các thuật toán học sâu (Deep Learning-DL) có thể thay thế các quy trình khó quản lý như vậy. Hiện AI và đặc biệt là học sâu, thể hiện hiệu quả trong việc phát hiện, nhận dạng, giám sát và cuối cùng là kiểm soát quần thể muỗi mục tiêu một cách nhanh chóng với nguồn lực tối thiểu. Nó đẩy nhanh tốc độ hoạt động và khám phá dữ liệu về trạng thái tiến hóa hiện tại, xu hướng hút máu và phân loại độ tuổi của muỗi. Sự kết hợp thành công giữa khoa học máy tính và sinh học sẽ cung cấp những hiểu biết thực tiễn và tạo ra một lĩnh vực nghiên cứu mới trong lĩnh vực này [13].
Sự phát triển nhanh chóng của trí tuệ nhân tạo (Artificial Intelligence - AI) trong những năm gần đây đã mở ra nhiều cơ hội mới trong giám sát, dự báo và kiểm soát véc tơ truyền bệnh. Sự phát triển của AI, đặc biệt là các kỹ thuật học máy (Machine Learning) và kỹ thuật học sâu (Deep Learning), đã tạo ra những bước tiến đáng kể trong nhiều lĩnh vực y sinh học. AI cho phép khai thác hiệu quả các tập dữ liệu lớn, phát hiện các quy luật phức tạp và hỗ trợ ra quyết định dựa trên bằng chứng khoa học.
Nhiều nghiên cứu trên thế giới đã công bố về ứng dụng AI trong nhận dạng véc tơ, dự báo nguy cơ dịch bệnh, giám sát véc tơ thông minh, phân tích dữ liệu di truyền và giám sát kháng hóa chất. Kết quả cho thấy AI đang góp phần nâng cao độ chính xác, tốc độ xử lý và hiệu quả ra quyết định trong các chương trình phòng chống bệnh do véc tơ truyền. Tuy nhiên, việc triển khai rộng rãi tại các quốc gia đang phát triển, trong đó có Việt Nam, vẫn gặp nhiều thách thức liên quan đến cơ sở dữ liệu, hạ tầng công nghệ và nguồn nhân lực liên ngành. Bài viết cũng đề xuất một số định hướng nghiên cứu và ứng dụng AI trong lĩnh vực côn trùng y học tại Việt Nam trong thời gian tới.
NHỮNG THÀNH TỰU ỨNG DỤNG AI TRONG KIỂM SOÁT VÉC TƠ
Ứng dụng AI trong nhận dạng và định loại véc tơ
Nhận dạng và định loại chính xác véc tơ truyền bệnh (muỗi, ruồi cát sandfly, ve, mò, mạt, bọ chét, bọ xít hút máu...) là nền tảng của giám sát dịch tễ và xây dựng chiến lược phòng chống bệnh truyền nhiễm. Tuy nhiên, phương pháp định loại hình thái truyền thống phụ thuộc nhiều vào chuyên gia côn trùng học, mất nhiều thời gian và dễ sai sót khi mẫu vật thu thập tại thực địa bị hư hỏng hoặc các mẫu vật có đặc điểm hình thái tương đồng.
Trong khoảng 10 năm gần đây, trí tuệ nhân tạo (AI) đã được ứng dụng mạnh mẽ để tự động nhận dạng và phân loại véc tơ truyền bệnh với độ chính xác tiệm cận hoặc vượt chuyên gia trong nhiều trường hợp. Các kỹ thuật sâu đã được áp dụng rộng rãi để nhận diện các loài muỗi truyền bệnh từ hình ảnh kỹ thuật số. AI được huấn luyện từ hàng nghìn đến hàng chục nghìn ảnh véc tơ để học các đặc điểm hình thái như: Hình dạng cánh, hoa văn chân, màu sắc cơ thể, cấu trúc ngực, bụng, vảy trên thân, cánh, đặc điểm đầu, pal và vòi hút máu… Sau khi huấn luyện, hệ thống có thể tự động xác định loài từ ảnh chụp bằng điện thoại hoặc kính hiển vi kỹ thuật số.
Một số hệ thống bẫy muỗi thông minh tích hợp cảm biến và AI đã được thử nghiệm nhằm thu thập dữ liệu về mật độ và thành phần loài véc tơ. Mặc dù vẫn đang trong giai đoạn nghiên cứu và thử nghiệm, các công nghệ này cho thấy tiềm năng lớn trong việc xây dựng hệ thống giám sát véc tơ liên tục, giảm phụ thuộc vào nhân lực chuyên môn cao [4]. Ví dụ như nghiên cứu của các nhà khoa học tại Đại học South Florida (Mỹ), họ đã phát triển loại bẫy muỗi tích hợp AI có thể phân biệt các loài muỗi dựa trên hình dạng và chuyển động cánh. Thiết bị sử dụng camera, cảm biến và bộ xử lý trực tiếp để nhận diện những loài nguy hiểm như Aedes aegypti.
Hình 2. Thiết bị sử dụng camera hồng ngoại kết hợp trí tuệ nhân tạo để quét không gian, phát hiện muỗi do các kỹ sư Israel phát triển.
Park và cộng sự (2021) ghi nhận độ chính xác trên 96% trong nhận dạng các loài muỗi truyền sốt rét bằng mô hình CNN. Nghiên cứu xây dựng cơ sở dữ liệu gồm khoảng 3.600 ảnh của 8 loài muỗi quan trọng [5]. Tương tự, Motta và cộng sự (2023) cho thấy hệ thống AI có thể phân biệt các loài muỗi Aedes aegypti, Aedes albopictus và Culex spp. với độ chính xác vượt quá 95% [6].
ề các loại véc tơ ngoại ký sinh ve, mò… các ứng dụng AI trong giám sát cũng đã được nghiên cứu và thử nghiệm ở nhiều nơi. Một trong những hướng ứng dụng hay đó là các nhà khoa học đã có thể đẩy nhanh đáng kể quy trình phát hiện và giải mã mùi hương thông qua việc phát triển một nền tảng nhận diện mùi có tên là Semeion IQ®.Việc kết hợp hóa phân tích với việc sử dụng côn trùng làm cảm biến sinh học, đồng thời dùng AI đóng vai trò như bộ não của côn trùng để giải mã các tín hiệu thu được. Một thư viện mùi kỹ thuật số; nhờ đó có thể nhận biết được mùi đặc trưng của nhiều loại côn trùng gây hại khác bên cạnh rệp giường, chẳng hạn như gián, bọ bạc (silverfish), bướm đêm hại quần vải (clothes moth), bọ cánh cứng hại thảm (carpet beetle), và nhiều loài khác nữa. Các loại bẫy này có thể phát hiện sự hiện diện của rệp giường hoặc các loài gây hại khác, đồng thời gửi cảnh báo đến điện thoại hoặc máy tính để thông báo về tình trạng xâm nhập cũng như vị trí cụ thể.
Ve là véc tơ truyền nhiều bệnh nguy hiểm như bệnh Lyme, bệnh do Babesia spp., viêm não do ve truyền (Tick-borne encephalitis), bệnh do Rickettsia spp… Việc định loại ve thường khó hơn muỗi do hình thái thay đổi theo giai đoạn phát triển. Đối với ve cứng (Ixodidae), các mô hình học sâu cũng cho phép phân loại loài và giai đoạn phát triển dựa trên hình ảnh hiển vi, góp phần nâng cao hiệu quả giám sát các bệnh do ve truyền. Ấn Độ là một trong những quốc gia có gánh nặng bệnh do côn trùng truyền bệnh cao nhất thế giới. Sốt xuất huyết, sốt rét, Chikungunya, viêm não Nhật Bản và bệnh Kala-Azar cướp đi sinh mạng của hàng nghìn người mỗi năm và đẩy hàng triệu người khác vào cảnh chi tiêu y tế khổng lồ. Cơ sở hạ tầng giám sát dịch bệnh của quốc gia này, dù đang được cải thiện đều đặn, vẫn dựa vào việc phát hiện ca bệnh thụ động, báo cáo chậm trễ và dữ liệu được tổng hợp thủ công, dẫn đến việc dữ liệu đến tay người ra quyết định quá muộn để ngăn chặn dịch bệnh lây lan. Trong thập kỷ qua, AI đã bắt đầu thâm nhập vào lĩnh vực này thông qua các mô hình dự báo dịch bệnh, lập bản đồ rủi ro dựa trên vệ tinh, các công cụ cảnh báo sớm dựa trên mạng xã hội và chẩn đoán có sự hỗ trợ của AI. Gần đây, Ấn Độ khảo sát các công cụ kỹ thuật đang được triển khai, hiệu quả hoạt động của chúng theo các nghiên cứu, các vấn đề pháp lý và đạo đức mà chúng đặt ra theo luật pháp Ấn Độ và các trở ngại về mặt thể chế giải thích tại sao trí tuệ nhân tạo trong y tế công cộng Ấn Độ cho đến nay lại tạo ra nhiều dự án thí điểm hơn là các hệ thống vận hành thực tế. Luận điểm được đưa ra ở đây là trí tuệ nhân tạo (AI) thực sự có thể cải thiện khả năng ứng phó với các bệnh truyền nhiễm do côn trùng gây ra ở Ấn Độ, nhưng chỉ khi nó được xây dựng trên cơ sở hạ tầng dữ liệu tốt hơn, được quản lý theo một khuôn khổ pháp lý nhất quán và được triển khai dựa trên thực tế của hệ thống y tế cấp huyện ở Ấn Độ chứ không phải chỉ dựa trên yêu cầu của một bài nghiên cứu [13].
Hình 3. Ứng dụng sinh học phân tử trong �