Anant Madabhushi, Tiến sĩ, FAIMBE, FIEEE, FNAI, và giáo sư tại Đại học Emory, cho biết: “Tôi cố tình đặt tên cho bài nói chuyện của mình sau Người phiên dịch bệnh, xuất hiện cách đây khoảng một thập kỷ ghi lại lịch sử của bệnh ung thư. . “Khi chúng ta nghĩ về trí tuệ nhân tạo, tôi nghĩ rằng AI có khả năng là người phiên dịch cho Tất cả các Bệnh tật.” Ông đã xuất bản hơn 450 bản thảo, nắm giữ hơn 100 bằng sáng chế, đã nhận được hơn 80 triệu đô la tài trợ nghiên cứu và nổi tiếng là người dẫn đầu toàn cầu về trí tuệ nhân tạo (AI) để cải thiện kết quả cho bệnh nhân ung thư. Ông nhấn mạnh tiềm năng của AI trong việc cải thiện độ chính xác và hiệu quả của chẩn đoán ung thư, cũng như tạo ra một nền tảng giúp đưa ra các quyết định điều trị sáng suốt hơn, trong phần “Người phiên dịch bệnh: Ứng dụng của AI đối với các vấn đề về ung thư da và hơn thế nữa” tại Đại học Phẫu thuật Mohs Hoa Kỳ năm 2023 tại Seattle, Washington.1
Anant Madabhushi, TS. Hình ảnh lịch sự: Twitter/@anantm
Bảo mật việc làm với AI
Một trong những câu hỏi phổ biến nhất mà Madabhushi nhận được là liệu AI có thay thế các công việc bệnh lý hay không. Câu trả lời ngắn gọn là không, nó sẽ chỉ giúp ích ở những khu vực có sự chênh lệch về chăm sóc sức khỏe. Vai trò của AI và hình ảnh điện toán sẽ giúp ích trong các nhiệm vụ chẩn đoán, tiên lượng và dự đoán để tiết kiệm thời gian cho các nhà nghiên cứu bệnh học và bác sĩ da liễu.
Ông trích dẫn một nghiên cứu cho thấy sự đánh giá về tình trạng thiếu bác sĩ giải phẫu bệnh trên toàn thế giới ở 134 quốc gia và vùng lãnh thổ, chiếm 95% dân số toàn cầu. Do hiện tại không có cơ sở dữ liệu để tìm mọi nhà nghiên cứu bệnh học trên thế giới nên kết quả nghiên cứu được tính toán với các nguồn như tạp chí, liên lạc với các hiệp hội nghề nghiệp và báo cáo về lực lượng lao động y tế của Tổ chức Y tế Thế giới. Kết quả cho thấy cứ 125 bác sĩ y khoa thì có 1 nhà nghiên cứu bệnh học và 70% lực lượng lao động nghiên cứu bệnh học tập trung ở 10 quốc gia chủ yếu ở Hoa Kỳ, Ấn Độ, Trung Quốc, Brazil và Nga.2
Trải nghiệm đầu tiên với mạng lưới thần kinh
Madabhushi chia sẻ: “Tôi đoán chúng ta có thể gọi nó là rượu cũ trong bình mới vì học sâu dựa trên thuật toán học máy có tên là mạng lưới thần kinh từ những năm 60”. Ông tiếp tục giải thích rằng trong thập kỷ qua, khả năng tính toán ngày càng tăng với các thuật toán tốt hơn có thể được xây dựng với khả năng thực hiện các tác vụ phức tạp. Một trong những ví dụ đầu tiên của cách tiếp cận này mà Madabhushi có trong bệnh lý kỹ thuật số là với các hình ảnh ung thư vú, được chú thích về vị trí của các tế bào ung thư và được cung cấp cho thuật toán. Thuật toán có thể học các biểu diễn liên quan đến các tế bào ung thư và sử dụng các biểu diễn đó để xác định các tế bào ung thư trên các hình ảnh mới. Ông giải thích: “Cái hay của phương pháp này là, không thực sự biết gì về bệnh học, một trong những sinh viên của tôi có thể huấn luyện các thuật toán chỉ dựa trên vị trí của các tế bào ung thư này do một nhà nghiên cứu bệnh học cung cấp.
AI không phải lúc nào cũng thông minh hơn
Khi Madabhushi làm việc với Đại học Pennsylvania 6 năm trước, nhóm các nhà nghiên cứu của ông đã xem xét các sinh thiết nội mạc cơ tim để dự đoán sự hiện diện của suy tim từ các sinh thiết mục tiêu MMI. Họ đang làm việc với gần 100 hình ảnh từ các bệnh nhân trải qua cấy ghép tim để đưa vào thuật toán. Khi đo lường hiệu quả, thuật toán đã trở lại với độ chính xác 97%. Để xác thực thêm, các hình ảnh tương tự đã được gửi đến nhà nghiên cứu bệnh học tim mạch để xác định sự hiện diện hay vắng mặt của bệnh suy tim và thuật toán AI vẫn chính xác hơn khoảng 20% so với nhà nghiên cứu bệnh học. Không cần phải nói, Madabhushi và nhóm của ông đã rất phấn khởi và nghiên cứu đã được đưa tin.3
Công nghệ tương tự đã được thử nghiệm vài tháng sau đó và hiệu suất đã giảm từ độ chính xác 97% xuống còn 75%. Anh ấy ghi công một trong những sinh viên tốt nghiệp của mình vì đã nhận ra rằng việc nâng cấp phần mềm từ xa trên công nghệ này đã thay đổi một cách tinh vi hình thức của hình ảnh, điều này làm ảnh hưởng đến hiệu suất. Madabhushi cho biết: “Điều rút ra là chúng ta phải rất cẩn thận khi tin tưởng vào các thuật toán vũ phu này, đặc biệt là đối với các vấn đề trong y học và các vấn đề trong chăm sóc sức khỏe. Một trong những điều mà nhóm của chúng tôi đang cố gắng thực hiện là tìm ra những cách mà chúng tôi có thể cố gắng giải quyết một số biến thể này theo cái được gọi là hiệu ứng hàng loạt—thực tế là khi bạn lấy dữ liệu từ phòng thí nghiệm này sang phòng thí nghiệm khác, sẽ có là những biến thể trong cách những trang trình bày này đang bị lừa đảo.
suy nghĩ kết luận
Madabhushi đã chia sẻ nhiều nghiên cứu AI gần đây mà ông đã dẫn dắt để nghiên cứu chẩn đoán tự động ung thư da không phải khối u ác tính4, đó là một nghiên cứu được công bố vào năm ngoái. Ông cũng đưa ra cái nhìn sâu sắc về một nghiên cứu sơ bộ về phát hiện ung thư biểu mô tế bào vảy từ các phiến kính nhuộm hematoxylin và eosin đông lạnh trong phẫu thuật Mohs. Cả hai nghiên cứu đều mang đến cho những người tham dự ý tưởng về cách công nghệ AI có thể trợ giúp và hỗ trợ công việc khám da liễu hàng ngày của họ trong tương lai.
Diễn giả chính đã nói rõ rằng AI không phải là phép thuật và cần sự phát triển có chủ ý và chu đáo. Phân tích điện toán với hình ảnh và dữ liệu thông thường có thể giúp giải quyết các câu hỏi trong y học chính xác, cụ thể là tiên lượng và dự đoán đáp ứng với trị liệu. Có những ưu điểm chính đối với sự phát triển của AI bao gồm chi phí thấp, tiết kiệm thời gian và tính khả dụng. Anh ấy đã so sánh trực tiếp cho thấy rằng xét nghiệm phân tử có giá khoảng 4000 đô la, mất 2 tuần để lấy lại kết quả, khả năng tiếp cận chỉ ở Hoa Kỳ và mẫu mô bị hủy. Trong khi đó, xét nghiệm bệnh lý sử dụng công nghệ AI có giá 4 đô la, cho kết quả sau 20 phút, có khả năng tiếp cận trên toàn thế giới và mẫu mô được số hóa.
Người giới thiệu
1. Madabhushi, A. Người giải thích bệnh tật: các ứng dụng của AI đối với các vấn đề về ung thư da và hơn thế nữa. Trình bày tại: Cuộc họp Phẫu thuật của Đại học Mohs Hoa Kỳ năm 2023; Ngày 4-7 tháng 5 năm 2023; Seattle, WA.
2. Bychkov A, Fukuoka J. Đánh giá nguồn cung các nhà nghiên cứu bệnh học toàn cầu. Bệnh học hiện đại. 2022;35:1473-1522. doi:10.1038/s41379-022-01050-6
3. Nirschl JJ, Janowczyk A, Peyster EG, et al. Một bộ phân loại học sâu xác định bệnh nhân suy tim lâm sàng bằng cách sử dụng hình ảnh toàn bộ slide của mô H&E. XIN MỘT. 2018;13(4):e0192726. Xuất bản năm 2018 ngày 3 tháng 4. doi:10.1371/journal.pone.0192726
4. Zhou Y, Koyuncu C, Lu C, et al. Học sâu hiệu chuẩn đa cơ quan (MuSClD): Chẩn đoán tự động ung thư da không phải khối u ác tính. Hình ảnh Med Hậu môn. 2023;84:102702. doi:10.1016/j.media.2022.102702
