CÁCH SỬ DỤNG CÔNG NGHỆ TRÍ TUỆ NHÂN TẠO TRONG HỖ TRỢ QUYẾT ĐỊNH LÂM SÀNG

Thành công lúc đầu của Vin
Dr đã khẳng định trình độ của các nhà công nghệ Việt Nam. Con số các hệ thống AI được trở nên tân tiến bài bản, áp dụng rộng rãi và tạo nên được tác động tích cực lên kết quả chẩn đoán dịch hiện còn hạn chế. Chính vì vậy, khôn cùng cần cải cách và phát triển những vẻ ngoài AI mới, với sự tham gia, thích hợp tác của tương đối nhiều đơn vị nghiên cứu và phân tích và phát triển technology trong nước. Mong muốn rằng, với việc đẩy mạnh đầu tư phát triển các ứng dụng của người nào trong thời hạn tới, nước ta sẽ tất cả một nền y tế thông minh, nơi tín đồ bệnh sẽ được hưởng những thành quả đó của tân tiến công nghệ.

TÀI LIỆU THAM KHẢO

<1> K. Doi (2017), “Computer-aided diagnosis in medical imaging: Historical review, current status and future potential”,Computerized Medical Imaging và Graphics,31(4-5), pp.198-211.

<2> Q. Li, R.M. Nishikawa (2015), Computer-Aided Detection and Diagnosis in Medical Imaging,Taylor & Francis e
Books, CRC Press, New York, 446p.

<3> Chung-Ming Chen, Yi-Hong Chou, Norio Tagawa, & Younghae bởi (2013), “Computer-aided detection & diagnosis in medical imaging”,Computational & Mathematical Methods in Medicine,2013, 2p.

<4> A.S. Panayides, et al. (2020), “AI in medical imaging informatics: current challenges & future directions”,IEEE Journal of Biomedical and Health Informatics,24(7), pp.1837-1857.

<5> Hieu Pham (2021),“AI in Medical Imaging”– URL: https://huyhieupham.github.io/data/DS&AI-AI-in-Medical-Imaging-Hieu-Pham-Vin
Bigdata.pdf.

<6> W.L. Bi, et al. (2019), “Artificial intelligence in cancer imaging: clinical challenges and applications”,CA: A Cancer Journal for Clinicians,69(2), pp.127-157.

<7> C. Shi, et al. (2021), “Imaging beyond seeing: early prognosis of cancer treatment”,Small Methods,5(3), DOI: 10.1002/smtd.202001025.

<8> https://healthmanagement.org/c/hospital/issuearticle/ai-in-medical-imaging-may-make-the-biggest-impact-in-healthcare.

<9> https://www.businesswire.com/news/home/20210319005094/en/New-Data-on-Stroke -Care-Show-the-Impact-of-Viz.ai%E2%80%99s-Artificial-Intelligence-Powered- Platform -on-Patient-Outcomes.

<10> https://nhandan.vn/tieu-diem/de-xuat-dua-chi-tieu-bac-si-va-dieu-duong-vao-bo-chi-tieu-phat-trien-kinh-te-xa-hoi375804/#:~:text=Hi%E1%BB%87n%20nay%2C%20b %C3%A1c%20s%C4%A9%20tr%C3%AAn,h%E1%BB%8Dc%20l%C3%A0%2066%2C9%25.

Sử dụng AI vào Chẩn đoán hình ảnh: thực trạng và tương lai

Việc đọc và phân tích hình ảnh y tế – một trách nhiệm trọng tâm trong quá trình của các bác sĩ X quang đãng (hay bác sĩ chẩn đoán hình ảnh) – đã liên quan đến việc áp dụng ngày càng tăng các ứng dụng trí tuệ tự tạo (AI) trong số những năm ngay sát đây. Bài viết này để mắt tới tiến trình, thử thách và thời cơ trong việc phát triển các mô hình AI X quang cùng việc áp dụng chúng trong thực hành thực tế lâm sàng. Bọn chúng tôi bàn luận về các tính năng mà các thuật toán dựa vào AI phục vụ trong việc cung ứng các bác sĩ X quang, bao hàm phát hiện, phân nhiều loại quy trình làm việc và định lượng, cũng tương tự xu hướng new nổi của việc thực hiện AI hình ảnh y tế của các bác sĩ lâm sàng không hẳn là chưng sĩ X quang. Cửa hàng chúng tôi xác định thách thức trung tâm của bao gồm hóa trong vấn đề sử dụng các thuật toán AI trong X quang quẻ và yêu cầu về những biện pháp bảo đảm xác nhận bao hàm sự hợp tác và ký kết giữa chưng sĩ lâm sàng và AI, tính khác nhau và đo lường sau triển khai. Cuối cùng, chúng ta trao đổi về sự tiến bộ hối hả trong việc cách tân và phát triển các quy mô ngôn ngữ lớn đa phương thức trong AI; hiện đại này đại diện thay mặt cho một thời cơ lớn cho sự trở nên tân tiến của các mô hình AI y tế tổng quát rất có thể giải quyết cục bộ các nhiệm vụ giải thích hình hình ảnh và chưa dừng lại ở đó nữa. 

Trong trong thời điểm gần đây, những mô hình ai đó đã được minh chứng là thành công đáng nhắc trong việc lý giải hình hình ảnh y tế. Việc thực hiện chúng sẽ được mở rộng cho các ứng dụng hình ảnh y tế khác nhau, bao gồm, tuy nhiên không giới hạn, chẩn đoán các tình trạng domain authority liễu và giải thích điện chổ chính giữa đồ, slide căn bệnh lý, cùng hình ảnh nhãn khoa. Trong những các ứng dụng này, việc thực hiện AI trong X quang đãng đã cho thấy nhiều có tương lai trong việc phát hiện với phân loại những bất thường trên X quang đãng thông thường, chụp cắt lớp vi tính (CT), cùng chụp cộng hưởng trường đoản cú (MRI), dẫn đến chẩn đoán đúng đắn hơn và cải thiện quyết định điều trị.

Mặc dù Cục làm chủ Thực phẩm và chế phẩm Hoa Kỳ (FDA) sẽ phê để ý hơn 200 sản phẩm AI X quang quẻ thương mại, nhưng số đông trở ngại đáng kể buộc phải được khắc phục trước khi chúng ta có thể thấy việc thực hiện lâm sàng thành công rộng rãi các thành phầm này. Việc kết hợp AI trong X quang đặt ra cả lợi ích và thách thức tiềm năng cho cộng đồng y tế với AI. Shop chúng tôi hy vọng rằng việc giải quyết triệt để những sự việc này cùng các chiến thuật toàn diện hơn, bao gồm cả việc phát triển các quy mô nền tảng mới, sẽ dẫn đến việc áp dụng thoáng rộng hơn AI vào lĩnh vực quan tâm sức khỏe khoắn này.

Xem thêm: 10+ cách tẩy logo trên áo đơn giản trong 5 phút, cách tẩy chữ in trên áo đơn giản tại nhà

Sử dụng AI trong X quangX quang như một siêng ngành gồm vị trí giỏi cho việc áp dụng và áp dụng AI vì một trong những yếu tố chính. Đầu tiên, AI vượt trội trong bài toán phân tích hình ảnh, cùng không giống hệt như các chăm ngành khác áp dụng hình ảnh, X quang tất cả quy trình làm việc kỹ thuật số được cấu hình thiết lập và các tiêu chuẩn chỉnh phổ quát tháo để lưu trữ hình ảnh, để tích phù hợp AI dễ dãi hơn. Hơn nữa, AI tương xứng tự nhiên trong quy trình lý giải hình hình ảnh và có thể tái tạo những nhiệm vụ diễn giải được xác định cụ thể một biện pháp hiệu quả.

SỬ DỤNG AI đến BÁC SĨ X QUANG

Có các hứa hẹn trong việc mày mò các quy mô AI X quang có thể tăng tốc khả năng diễn giải thừa ra ngoài kĩ năng của các chuyên gia con người. Ví dụ, các thuật toán AI rất có thể dự đoán đúng chuẩn kết trái lâm sàng bên trên cơ sở dữ liệu CT trong số trường hợp chấn thương sọ não với ung thư. Ngoài ra, các dấu ấn sinh học tập hình hình ảnh có nguồn gốc từ AI rất có thể giúp review nhanh chóng với khách quan tiền các cấu tạo và quá trình bệnh lý tương quan đến yếu tố cơ thể, ví dụ điển hình như mật độ khoáng xương, mỡ các thứ trong ruột và mỡ chảy xệ gan, rất có thể được sử dụng để sàng lọc các tình trạng sức khỏe khác nhau. Khi vận dụng cho hình hình ảnh CT thông thường, các dấu ấn sinh học có xuất phát từ AI này đang chứng tỏ hữu ích vào việc dự đoán các tính năng phụ trong tương lai. Hơn nữa, nghiên cứu vừa mới đây đã chỉ ra rằng điểm can xi động mạch vành, thường thu được trên các đại lý chụp CT, rất có thể được xác minh bằng phương pháp siêu âm tim. Gần như phát hiện tại này chỉ ra rằng giá trị của các mô hình AI X quang đãng cho người mắc bệnh (ví dụ: ko tiếp xúc cùng với bức xạ).

AI X quang đang thu hút sự quan tâm trái đất và những thuật toán AI thương mại dịch vụ đã được cải tiến và phát triển bởi các công ty bao gồm trụ thường trực hơn đôi mươi quốc gia. Các nghiên cứu và phân tích đã chỉ ra rằng rằng một trong những bệnh viện, cũng tương tự các trung tâm âu yếm khác, đã áp dụng các sản phẩm AI thành công xuất sắc và các phương pháp lớn hơn có nhiều khả năng sử dụng AI hơn so với các thực hành nhỏ hơn hiện nay. Các bác sĩ X quang áp dụng AI vào thực hành của họ thường ưng ý với trải nghiệm của họ và thấy rằng AI cung ứng giá trị mang lại họ và bệnh nhân của họ. Mặc dù nhiên, những bác sĩ X quang đã bày tỏ run sợ về bài toán thiếu loài kiến thức, thiếu tin cậy và cầm cố đổi phiên bản sắc công việc và nghề nghiệp và quyền từ chủ. Những nhà vô địch địa phương về AI, giáo dục, huấn luyện và đào tạo và hỗ trợ hoàn toàn có thể giúp quá qua những lo ngại này. đa số các bác bỏ sĩ X quang quẻ và bác bỏ sĩ nội trú mong muốn đợi những biến đổi đáng kể trong nghành nghề X quang đãng trong thập kỷ tới và tin tưởng rằng AI nên có vai trò là “phi công phụ”, hoạt động như một tín đồ đọc máy hai và cải thiện các nhiệm vụ quy trình làm việc. Tuy vậy sự thâm nhập của AI tại thị phần Hoa Kỳ hiện được mong tính chỉ với 2%, cơ mà sự sẵn sàng của các bác sĩ X quang cùng tiềm năng của công nghệ cho thấy rằng việc dịch thêm vào thực hành thực tế lâm sàng có chức năng xảy ra.

SỬ DỤNG MỚI NỔI đến CÁC BÁC SĨ KHÔNG CHUYÊN VỀ X-QUANGMặc dù nhiều ứng dụng AI X quang hiện tại tại được thiết kế với cho những bác sĩ X quang, nhưng bao gồm một xu hướng nhỏ nhưng đã nổi lên trên toàn cầu đối với việc thực hiện AI hình ảnh y tế cho những bác sĩ lâm sàng không chăm về X quang quẻ và các bên liên quan khác (tức là những nhà cung cấp dịch vụ chăm lo sức khỏe khoắn và bệnh dịch nhân). Xu thế này mang lại cơ hội cải thiện khả năng tiếp cận hình hình ảnh y tế và giảm các lỗi chẩn đoán phổ cập trong những cơ sở có nguồn lực phải chăng và các khoa cung cấp cứu, nơi thường thiếu bảo hiểm X quang suốt ngày đêm. Ví dụ, một nghiên cứu cho thấy một khối hệ thống AI để lý giải X quang ngực, khi kết hợp với đầu vào xuất phát từ 1 bác sĩ nội trú không phải là bác sĩ X quang, có những giá trị hiệu suất tương tự như các bác sĩ X quang quẻ được chứng nhận bởi Hội đồng siêng môn. Một áp dụng AI phổ biến được nhắm phương châm sử dụng bởi các bác sĩ lâm sàng không X quang để phát hiện ùn tắc mạch máu phệ trong hệ thống thần khiếp trung ương đã giúp giảm đáng kể thời hạn can thiệp và nâng cao kết quả của bệnh dịch nhân. Hơn nữa, ai đó đã được chứng tỏ là đẩy nhanh việc thu thập hình hình ảnh y tế bên phía ngoài quy trình trình làng truyền thống với các ứng dụng cầm tay mới, triệu tập vào bác sĩ lâm sàng để thông báo tác dụng AI. Xu thế này, mặc dù không được thiết lập tốt, đã có được trích dẫn là mối bắt nạt dọa lâu bền hơn tiềm tàng so với X quang quẻ như một chuyên khoa bởi vì các mô hình AI tiên tiến hoàn toàn có thể làm giảm sự phức hợp của việc giải thích kỹ thuật để chưng sĩ lâm sàng ko chụp X quang hoàn toàn có thể sử dụng hình ảnh mà ko cần phụ thuộc bác sĩ X quang.

Các chuyên môn hình hình ảnh di rượu cồn và phải chăng tiền thường xuyên được AI cung cấp và đã giao hàng để đi lùi rào cản cho việc áp dụng lâm sàng rộng rãi hơn của ai trong hình hình ảnh y tế bên phía ngoài quy trình X quang truyền thống. Ví dụ, khối hệ thống MRI cầm tay Swoop, một thiết bị quan tâm tại điểm giải quyết và xử lý những tinh giảm hiện gồm trong các hình thức công nghệ hình ảnh, hỗ trợ khả năng tiếp cận và năng lực cơ động cho 1 loạt các ứng dụng lâm sàng. Hệ thống cắm vào ổ kết nối điện tiêu chuẩn và được điều khiển bởi i
Pad của Apple. Đầu dò vô cùng âm di động cầm tay và smartphone thông minh trong những ứng dụng cung cấp AI hoàn toàn có thể được sử dụng để sở hữu được tin tức chẩn đoán ngay cả bởi người tiêu dùng mà ko được huấn luyện và đào tạo chính thức về khôn cùng âm tim hoặc thực hiện siêu âm trong chăm sóc sản khoa. Quan sát chung, tuy vậy việc áp dụng AI hình hình ảnh y tế của các bác sĩ lâm sàng ko chụp X quang vẫn còn đấy trong giai đoạn đầu, nhưng lại nó bao gồm tiềm năng giải pháp mạng hóa việc tiếp cận hình hình ảnh y tế và nâng cao kết quả của bệnh nhân.

Các biện pháp đảm bảo an toàn để khái quát hóa hiệu quảKhi coi xét câu hỏi áp dụng rộng thoải mái các thuật toán AI trong X quang, một câu hỏi quan trọng được để ra: Liệu bọn chúng có hiệu quả với toàn bộ bệnh nhân không? Các quy mô cơ bản của các ứng dụng AI rõ ràng thường ko được demo nghiệm bên phía ngoài môi trường mà bọn chúng được huấn luyện và ngay cả các hệ thống AI nhận ra sự chấp thuận đồng ý của FDA hãn hữu khi được thử nghiệm sau đây hoặc trong nhiều môi trường xung quanh lâm sàng. Khôn cùng ít thí điểm ngẫu nhiên, tất cả đối triệu chứng đã cho biết sự an toàn và công dụng của các thuật toán AI hiện gồm trong X quang và việc thiếu đánh giá thực tế về các hệ thống AI có thể gây ra khủng hoảng đáng nói cho người bị bệnh và bác sĩ lâm sàng.

Hơn nữa, các nghiên cứu và phân tích đã chỉ ra rằng hiệu suất của đa số mô hình AI X quang quẻ trở nên tồi tệ hơn khi chúng được áp dụng cho những bệnh nhân khác cùng với những người bị bệnh được sử dụng để trở nên tân tiến mô hình, một hiện tượng kỳ lạ được call là “dịch đưa tập dữ liệu”. Vào việc giải thích hình ảnh y tế, sự thay đổi tập dữ liệu rất có thể xảy ra bởi vì nhiều yếu hèn tố không giống nhau, chẳng hạn như sự biệt lập trong hệ thống quan tâm sức khỏe, dân số bệnh nhân và thực hành lâm sàng. Ví dụ, năng suất của các quy mô phân đoạn khối u não và lý giải X quang quẻ ngực trở nên tồi tệ hơn khi các mô hình được chứng thực trên dữ liệu bên ngoài được thu thập tại những bệnh viện khác với tài liệu được áp dụng để huấn luyện và đào tạo mô hình. Trong một lấy một ví dụ khác, một phân tích hồi cứu cho thấy thêm hiệu suất của một mô hình AI dịch vụ thương mại trong vấn đề phát hiện nay gãy xương xương cột sống cổ tử cung nhát hơn trong thực tế so cùng với hiệu suất lúc đầu được báo cáo cho FDA. Tuổi của dịch nhân, điểm lưu ý gãy xương và đổi khác thoái hóa ở xương cột sống đã tác động đến độ nhạy và xác suất dương tính giả mang đến mức hạn chế tính bổ ích lâm sàng của mô hình AI và làm cho dấy lên sốt ruột về việc khái quát mắng hóa các thuật toán AI X quang quẻ trên các môi trường thiên nhiên lâm sàng.

Hình 2. Kiểm tra tổng quát cho các hệ thống AI vào X quang.Có một nhu yếu cấp bách cho việc cải tiến và phát triển các cách thức cải thiện câu hỏi khái quát lác hóa những thuật toán vào các thiết đặt mới. Khi nghành này trưởng thành, kiểm tra bao quát hóa tốt hơn dựa trên các tiêu chuẩn chỉnh được chấp nhận phải được thiết lập cấu hình trước khi những thuật toán được vận dụng rộng rãi. Các kiểm tra này bao hàm ba nghành liên quan: hợp tác giữa chưng sĩ lâm sàng với AI, tính biệt lập và đo lường (Hình 2).

HỢP TÁC GIỮA BÁC SĨ LÂM SÀNG VÀ AI

Việc sử dụng thành công xuất sắc AI vào X quang phụ thuộc vào sự phù hợp tác hiệu quả giữa bác bỏ sĩ lâm sàng cùng AI. Về lý thuyết, việc sử dụng các thuật toán AI để cung cấp các bác sĩ X quang được cho phép quy trình bắt tay hợp tác giữa con fan và AI, cùng với con người và AI tận dụng các thế bạo gan bổ sung. Các nghiên cứu và phân tích đã đã cho thấy rằng cung cấp AI trong việc lý giải hình ảnh y tế có lợi hơn cho một vài bác sĩ lâm sàng so với những người dân khác với thường đưa về nhiều tác dụng hơn cho các bác sĩ lâm sàng ít khiếp nghiệm.

Mặc cho dù có một vài bằng chứng cho thấy các bác sĩ lâm sàng dìm được cung cấp AI rất có thể đạt được hiệu suất xuất sắc hơn so với những bác sĩ lâm sàng không được hỗ trợ, cơ quan nghiên cứu về sự bắt tay hợp tác giữa con fan và AI để lý giải hình ảnh cung cấp minh chứng hỗn vừa lòng về cực hiếm của sự bắt tay hợp tác như vậy. Kết quả biến đổi tùy theo số liệu, nhiệm vụ cụ thể và đoàn hệ phân tích được đề cập, với các nghiên cứu cho biết thêm mặc cho dù AI gồm thể nâng cấp hiệu suất của những bác sĩ X quang, đôi lúc một mình AI hoạt động tốt rộng so với bác bỏ sĩ X quang thực hiện AI.

Nhiều phương thức AI là “hộp đen”, tức là quá trình ra quyết định của chúng không thuận lợi giải say mê bởi bé người; điều này rất có thể đặt ra những thử thách cho những bác sĩ lâm sàng đang nỗ lực hiểu và tin cậy vào các đề xuất của AI. Các nghiên cứu về tiềm năng của các cách thức AI hoàn toàn có thể giải mê say để xây dựng lòng tin vào các bác sĩ lâm sàng đã cho thấy kết quả lếu láo hợp. Do đó, rất cần phải chuyển từ bỏ các reviews tập trung vào hiệu suất chủ quyền của các mô hình sang các reviews tập trung vào kết quả khi các thuật toán này được thực hiện làm công cụ cung ứng trong quy trình quá trình lâm sàng trong trái đất thực. Giải pháp tiếp cận này sẽ có thể chấp nhận được chúng tôi hiểu rõ hơn về hiệu quả và hạn chế của ai trong thực hành thực tế lâm sàng và tùy chỉnh thiết lập các biện pháp bảo đảm an toàn cho sự hợp tác kết quả giữa chưng sĩ lâm sàng với AI.

TÍNH MINH BẠCHTính rõ ràng là một thử thách lớn trong việc reviews hành vi khái quát hóa của các thuật toán AI vào hình ảnh y tế. Dẫn chứng khoa học, được đánh giá ngang sản phẩm về công dụng là thiếu hụt đối với hầu như các sản phẩm AI có sẵn trên thị trường. Nhiều report được công bố về các thiết bị được FDA đồng ý chấp thuận bỏ qua tin tức về size mẫu, đặc điểm nhân khẩu học của người bị bệnh và thông số kỹ thuật kỹ thuật của thiết bị được sử dụng để có được hình hình ảnh được giải thích. Quanh đó ra, chỉ 1 phần nhỏ các phân tích thiết bị cung ứng dữ liệu về những nhóm nhân khẩu học rõ ràng được thực hiện trong quá trình đào tạo ra thuật toán, cũng như hiệu suất chẩn đoán của những thuật toán này khi vận dụng cho bệnh nhân hậu các đội nhân khẩu học tập ít được đại diện. Bài toán thiếu tin tức này gây khó khăn cho câu hỏi xác định kĩ năng khái quát hóa của người nào và các thuật toán học sản phẩm trên các quần thể người bị bệnh khác nhau.

Việc xác nhận hòa bình hạn chế của các mô hình này đã tạo ra lời kêu gọi minh bạch và ngặt nghèo hơn với câu hỏi sử dụng danh sách kiểm tra nhằm xác minh việc triển khai đúng các mô hình AI vào hình ảnh y tế với để bảo đảm an toàn khả năng tái tạo vừa đủ và tác dụng lâm sàng. Một chiến thuật cho tính minh bạch là làm chủ và phát hành công khai minh bạch các bộ tài liệu hình ảnh y tế để giao hàng như một điểm chuẩn chung cùng hiển thị hiệu suất thuật toán. Sự sẵn có của các bộ tài liệu X quang quẻ ngực được phát hành công khai đã cung ứng hỗ trợ cho những văn minh đáng đề cập trong việc nâng cấp xác nhấn AI.68,69 mặc dù nhiên, có những thử thách trong việc thống trị các bộ dữ liệu hình hình ảnh y tế công cộng, bao gồm các mối thân thiện về quyền riêng tư về việc chia sẻ dữ liệu, ngân sách cơ sở hạ tầng dữ liệu, và trình bày quá mức dữ liệu từ các trung trung ương y tế học tập thuật với các nguồn lực xứng đáng kể. Học liên kết, một biện pháp tiếp cận khác để chia sẻ dữ liệu, liên quan đến việc đào tạo mô hình AI trên những nguồn dữ liệu phi triệu tập mà không yêu cầu chuyển tài liệu sang kho tàng trữ trung tâm. Những quy trình được sắp xếp phù hợp để thống trị và chia sẻ các bộ dữ liệu y tế đa dạng mẫu mã là quan trọng để phân biệt trong việc tùy chỉnh cấu hình tính hữu dụng lâm sàng.

GIÁM SÁT SAU TRIỂN KHAINgay cả sau khi một mô hình được triển khai, hiệu suất của nó trong quả đât thực rất có thể suy giảm theo thời gian. Vào việc phân tích và lý giải hình hình ảnh y tế, những đổi khác này hoàn toàn có thể xảy ra do các yếu tố khác biệt như thay đổi tỷ lệ mắc bệnh, tiến bộ trong technology y tế và biến đổi trong thực hành lâm sàng. Câu hỏi không update mô hình để đề đạt những thay đổi này có thể dẫn mang lại hiệu suất mô hình kém và thực hiện sai. Mặc dù nhiên, các yêu cầu quy định rất có thể hạn chế cập nhật các mô hình sau khi chúng đã được phê duyệt.

Giám sát liên tục hiệu suất mô hình và các biện pháp dữ thế chủ động để giải quyết sự đổi khác tập dữ liệu theo thời gian có thể nâng cao độ đúng mực và độ tin cẩn của các mô hình AI trong lý giải hình hình ảnh y tế. Update thường xuyên dữ liệu giảng dạy và đào tạo và giảng dạy lại mô hình trên dữ liệu mới trải qua học tập liên tục hoàn toàn có thể giúp bảo trì hiệu suất mô hình theo thời gian. Quanh đó ra, kết hợp phản hồi từ các bác sĩ lâm sàng rất có thể giúp nâng cao hiệu suất của mô hình bằng phương pháp cung cung cấp thông tin cụ thể trong trái đất thực và xác minh các lĩnh vực cần cải thiện. Cuối cùng, đo lường và tính toán sau xúc tiến là điều quan trọng để bảo đảm an toàn rằng các quy mô AI vẫn công dụng và đáng tin cậy trong môi trường xung quanh lâm sàng.

Mô hình AI Y tế tổng thể cho X quangThế hệ mô hình AI bây giờ trong X quang chỉ rất có thể xử lý một tập hợp các nhiệm vụ phiên dịch tinh giảm và chúng phụ thuộc vào rất những vào dữ liệu được thống trị đã được dán nhãn với phân các loại cụ thể. Mặc dù tập trung vào hình ảnh như một đầu vào mô hình riêng lẻ có một số giá trị, tuy vậy nó không phản ánh công việc nhận thức thực sự của X quang, liên quan đến bài toán diễn giải các kỳ thi chẩn đoán hình hình ảnh y khoa một cách toàn diện, so sánh những kỳ thi lúc này và trước đây, cùng tổng hợp thông tin này với dữ liệu ngữ cảnh lâm sàng để lấy ra các khuyến nghị chẩn đoán cùng quản lý. Sự tập trung hẹp của các chiến thuật AI hiện tất cả vào việc phân tích và lý giải các hình ảnh riêng lẻ một cách cô lập đã góp phần vào sự xâm nhập hạn chế của các ứng dụng AI x-quang vào thực tế.

Tuy nhiên, có một xu hướng nhắm tới một phương pháp tiếp cận trọn vẹn hơn để cách tân và phát triển AI X-Quang, với mục đích hỗ trợ nhiều quý hiếm hơn là chỉ đơn giản là auto hóa các nhiệm vụ thông dịch riêng lẻ. Các quy mô được phân phát triển cách đây không lâu có thể xác định hàng chục hoặc thậm chí hàng ngàn phát hiện trên X quang ngực cùng chụp CT não thu được mà không có vật liệu tương phản, và chúng có thể cung cấp cho những bác sĩ X quang các chi tiết cụ thể về từng vạc hiện. Ngày càng có tương đối nhiều công ty cung ứng các giải pháp AI giải quyết toàn thể quy trình chẩn đoán với lâm sàng cho các tình trạng như đột nhiên quỵ với ung thư, từ sàng lọc đến ra mắt lâm sàng trực tiếp cùng theo dõi. Mặc dù các phương án AI toàn vẹn này rất có thể giúp các chuyên gia y tế thực hiện và sử dụng công nghệ dễ dàng hơn, nhưng các vấn đề về chứng thực và rành mạch vẫn là một trong mối quan tâm.

Một thế hệ mới của các mô hình AI y tế tổng quát với tiềm năng giải quyết toàn cục nhiệm vụ phân tích và lý giải hình hình ảnh X quang và chưa dừng lại ở đó nữa sẽ ở trên tuyến đường chân trời. Các mô hình này sẽ có khả năng tạo ra chính xác report X quang đầy đủ bằng phương pháp diễn giải một loạt các phát hiện với khoảng độ không chắc hẳn rằng và độ đặc hiệu dựa trên hình ảnh, bằng cách hợp nhất bối cảnh lâm sàng với dữ liệu hình hình ảnh và bằng cách tận dụng hình ảnh trước đó trong quyết định của tế bào hình. Biện pháp tiếp cận toàn diện này cân xứng hơn với các bước nhận thức toàn diện trong X quang. Những nghiên cứu ban sơ về các mô bên cạnh đó vậy đã chỉ ra rằng chúng rất có thể phát hiện một số trong những bệnh bên trên hình hình ảnh ở cấp cho độ chuyên viên mà không yêu cầu chú phù hợp thêm, một khả năng được gọi là học tập nhưng không cần dữ liệu gắn nhãn (Zero-shot learning).

Hình 3. Tiềm năng của các quy mô AI y tế tổng thể trong X quang.Sự phạt triển hối hả trong các quy mô AI, bao gồm các mô hình tự giám sát, quy mô đa phương thức, quy mô nền tảng, và đặc biệt là các mô hình ngôn ngữ to cho tài liệu văn bản và cho tài liệu hình ảnh và văn bạn dạng kết hợp, bao gồm tiềm năng đẩy nhanh quy trình tiến độ trong lĩnh vực này. Các mô hình ngôn ngữ to là các quy mô AI bao gồm một mạng lưới thần kinh tất cả trọng lượng sản phẩm tỷ trở lên, được đào tạo và huấn luyện trên một lượng lớn tài liệu không được gắn nhãn. Các nghiên cứu thuở đầu về các mô hình ngôn ngữ lớn cho những nhiệm vụ dựa trên văn bạn dạng trong y học tập đã bao hàm các chatbot như GPT-4 (Generative Pre-trained Transformer 4) với đã chỉ ra rằng các quy mô này có công dụng ghi chú y tế cấp chuyên viên lâm sàng, trả lời thắc mắc và bốn vấn. Công ty chúng tôi dự đoán rằng các quy mô AI sau này sẽ có thể xử lý tài liệu hình ảnh, lời nói và văn bản y tế và tạo ra các cổng đầu ra như phân tích và lý giải văn bản tự do, đề xuất bằng giọng nói và ghi chú hình ảnh phản ánh trình bày y học tiên tiến. Các mô hình này sẽ hoàn toàn có thể tạo ra áp sạc ra văn phiên bản phù hợp dựa trên đầu vào hình ảnh y tế, giao hàng cho nhu cầu ví dụ của người tiêu dùng cuối khác biệt và sẽ được cho phép các khuyến nghị được cá thể hóa và liên hệ ngôn ngữ thoải mái và tự nhiên trong nghiên cứu và phân tích hình ảnh. Ví dụ, với 1 hình ảnh y tế và tin tức lâm sàng có liên quan, mô hình sẽ tạo thành một report X quang hoàn hảo cho bác bỏ sĩ X quang, một report thân thiện với người bệnh với những mô tả dễ nắm bắt bằng ngôn từ ưa ham mê cho căn bệnh nhân, các đề xuất liên quan tiền đến cách thức phẫu thuật dựa vào các phương pháp hay duy nhất cho chưng sĩ phẫu thuật cùng các lời khuyên và xét nghiệm theo dõi và quan sát dựa trên vật chứng cho nhà cung ứng dịch vụ chăm sóc chính – tất cả đều bắt đầu từ dữ liệu hình hình ảnh và lâm sàng theo một mô hình tổng quát tốt nhất (Hình 3 ). Ngoài ra, các mô hình này có thể dễ dàng bao gồm hóa đến các vị trí địa lý mới, quần thể dịch nhân, phân bổ bệnh và đổi khác trong technology hình hình ảnh mà không đòi hỏi nỗ lực kỹ thuật đáng chú ý hoặc những hơn một vài dữ liệu mới.

Với tài năng của các quy mô ngôn ngữ lớn, việc huấn luyện và giảng dạy các mô hình ngôn ngữ to đa phương thức new với con số lớn dữ liệu văn phiên bản lâm sàng với hình hình ảnh y tế trong thế giới thực, tuy vậy đầy thách thức, tiềm ẩn sẽ xuất hiện khả năng biến đổi của AI X quang. Tuy nhiên, cường độ mà những mô ngoài ra vậy hoàn toàn có thể làm nặng thêm các vấn đề còn sống thọ với xác nhận rộng rãi vẫn chưa theo thông tin được biết và là một trong những lĩnh vực quan trọng để phân tích và quan lại tâm. Quan sát chung, tiềm năng mang lại các mô hình AI y tế bao quát để hỗ trợ các phương án toàn diện cho nhiệm vụ giải thích hình hình ảnh X quang đãng và chưa dừng lại ở đó nữa bao gồm khả năng biến đổi không chỉ nghành X quang mà lại còn chăm lo sức khỏe rộng rãi hơn.

Kết luậnAI là 1 ví dụ nổi bật của một bước đột phá công nghệ có chức năng hiện tại và tương lai rộng rãi trong nghành nghề hình ảnh y tế. X quang quẻ đã chứng kiến việc áp dụng các công nắm này trong thực hành lâm sàng mặt hàng ngày, tuy nhiên với tác động ảnh hưởng khiêm tốn cho đến nay. Sự khác hoàn toàn giữa ảnh hưởng tác động dự đoán cùng thực tế hoàn toàn có thể được quy cho những yếu tố khác nhau, ví dụ điển hình như không tồn tại dữ liệu tự các nghiên cứu và phân tích trong nhân loại thực tiềm năng, năng lực khái quát tháo hóa tinh giảm và sự khan hãn hữu của các chiến thuật AI toàn vẹn để lý giải hình ảnh. Khi những chuyên gia chăm sóc sức khỏe mạnh ngày càng sử dụng AI X quang cùng khi các mô hình ngôn ngữ lớn liên tiếp phát triển, tương lai của ai trong hình hình ảnh y tế có vẻ tươi sáng. Tuy nhiên, vẫn chưa chắc chắn liệu thực hành thực tế X quang đãng truyền thống, ở dạng hiện tại tại, có chia sẻ triển vọng đầy hứa hẹn này tuyệt không.

Bs Lê Đình sáng sủa (Dịch)

XEM BÀI GỐC: The Current & Future State of AI Interpretation of Medical Images | NEJM