Trong lĩnh vực y tế, sự mơ hồ trong hình ảnh y khoa như X-quang, CT hay MRI thường gây khó khăn cho các bác sĩ trong việc chẩn đoán chính xác bệnh lý. Ví dụ, tràn dịch màng phổi và thâm nhiễm phổi trên phim X-quang phổi có thể trông gần giống nhau, khiến việc xác định nguyên nhân trở nên phức tạp. Trí tuệ nhân tạo (AI) đã và đang mang lại những bước tiến vượt bậc, hỗ trợ bác sĩ phân tích hình ảnh y khoa với độ chính xác cao hơn. Đặc biệt, một nghiên cứu từ Viện Công nghệ Massachusetts (MIT) đã phát triển một cải tiến đơn giản nhưng hiệu quả, giúp giảm kích thước tập hợp dự đoán của AI đến 30%, đồng thời tăng độ tin cậy của các chẩn đoán. Bài viết này sẽ phân tích cách AI cải thiện độ tin cậy trong chẩn đoán y khoa, tập trung vào kỹ thuật phân loại chuẩn hóa (conformal classification) và phương pháp tăng cường tại thời điểm kiểm thử (Test-Time Augmentation - TTA), đồng thời thảo luận về tiềm năng ứng dụng trong y tế và các lĩnh vực khác.

Sự mơ hồ trong chẩn đoán hình ảnh y khoa và vai trò của AI

Hình ảnh y khoa thường chứa đựng những chi tiết phức tạp và đôi khi mơ hồ, khiến ngay cả những bác sĩ giàu kinh nghiệm cũng gặp thách thức trong việc đưa ra chẩn đoán chính xác. Ví dụ, trên phim X-quang phổi, tràn dịch màng phổi (tích tụ dịch bất thường) có thể bị nhầm lẫn với thâm nhiễm phổi (tích tụ mủ hoặc máu). Sự nhầm lẫn này không chỉ kéo dài thời gian chẩn đoán mà còn có thể dẫn đến điều trị sai lầm, ảnh hưởng trực tiếp đến sức khỏe bệnh nhân.

AI, với khả năng phân tích chi tiết và nhận diện mẫu trong dữ liệu lớn, đã trở thành công cụ đắc lực hỗ trợ bác sĩ. Các mô hình học máy có thể phát hiện những đặc điểm nhỏ mà mắt thường khó nhận ra, từ đó đưa ra các dự đoán về bệnh lý. Tuy nhiên, do tính chất phức tạp của hình ảnh y khoa, một dự đoán duy nhất từ AI có thể không đủ tin cậy. Thay vào đó, bác sĩ thường cần một tập hợp các khả năng (prediction set) để xem xét và đưa ra quyết định cuối cùng. Điều này dẫn đến sự ra đời của các phương pháp như phân loại chuẩn hóa, giúp AI cung cấp một tập hợp các chẩn đoán có xác suất cao, kèm theo cam kết rằng chẩn đoán đúng nằm trong tập hợp đó.

Phân loại chuẩn hóa: Lợi ích và hạn chế

Phân loại chuẩn hóa (conformal classification) là một cách tiếp cận đầy hứa hẹn trong việc tạo ra tập hợp dự đoán đáng tin cậy. Phương pháp này hoạt động bằng cách chuyển đổi điểm xác suất của mô hình AI (ví dụ, 20% khả năng là viêm màng phổi) thành một tập hợp các chẩn đoán tiềm năng, đảm bảo rằng chẩn đoán đúng có xác suất cao nằm trong tập hợp này. Điểm mạnh của phân loại chuẩn hóa là khả năng áp dụng dễ dàng lên các mô hình học máy sẵn có mà không cần huấn luyện lại.

Tuy nhiên, phương pháp này cũng có những hạn chế. Do sự bất định cố hữu trong dự đoán AI, tập hợp dự đoán thường quá lớn, khiến việc sử dụng trở nên bất tiện. Chẳng hạn, trong một bài toán phân loại hình ảnh với hàng nghìn nhãn (labels), mô hình có thể xuất ra một tập hợp chứa hàng trăm khả năng để đảm bảo độ chính xác. Điều này không chỉ làm tăng khối lượng công việc cho bác sĩ mà còn làm giảm tính thực tiễn của AI trong môi trường lâm sàng. Hơn nữa, tập hợp dự đoán có thể không ổn định, nghĩa là một thay đổi nhỏ trong dữ liệu đầu vào (như xoay nhẹ hình ảnh) có thể dẫn đến một tập hợp hoàn toàn khác, làm giảm độ tin cậy của mô hình.

Cải tiến với Test-Time Augmentation (TTA)

Để khắc phục những hạn chế của phân loại chuẩn hóa, các nhà nghiên cứu tại MIT, dẫn đầu bởi TS. Divya Shanmugam, đã phát triển một kỹ thuật gọi là tăng cường tại thời điểm kiểm thử (Test-Time Augmentation - TTA). TTA vốn được sử dụng trong thị giác máy tính để cải thiện độ chính xác của mô hình bằng cách tạo ra nhiều phiên bản khác nhau của cùng một hình ảnh (ví dụ: cắt xén, lật, phóng to) và tổng hợp các dự đoán từ các phiên bản này. Trong nghiên cứu này, TTA được tích hợp vào quy trình phân loại chuẩn hóa để tạo ra tập hợp dự đoán nhỏ hơn nhưng vẫn đảm bảo độ tin cậy.

Quy trình triển khai TTA bao gồm việc giữ lại một phần dữ liệu hình ảnh đã gán nhãn để tối ưu hóa cách tổng hợp các phiên bản tăng cường. Các nhà nghiên cứu tự động chọn những phương pháp tăng cường giúp tối đa hóa độ chính xác của mô hình. Sau đó, họ áp dụng phân loại chuẩn hóa trên các dự đoán đã qua TTA, kết quả là một tập hợp dự đoán nhỏ hơn từ 10 đến 30% so với phương pháp truyền thống, mà vẫn duy trì cam kết xác suất ban đầu.

Kỹ thuật này không chỉ dễ triển khai mà còn không yêu cầu huấn luyện lại mô hình, giúp tiết kiệm thời gian và tài nguyên tính toán. Quan trọng hơn, TTA cải thiện độ chính xác tổng thể của mô hình, bù đắp cho phần dữ liệu đã gán nhãn bị hy sinh trong quá trình tối ưu hóa. Kết quả là, bác sĩ có thể nhanh chóng khoanh vùng chẩn đoán đúng từ một tập hợp lựa chọn nhỏ hơn, từ đó cải thiện hiệu quả và rút ngắn thời gian điều trị cho bệnh nhân.

Phương pháp kết hợp TTA và phân loại chuẩn hóa không chỉ hữu ích trong chẩn đoán hình ảnh y khoa mà còn có tiềm năng ứng dụng trong nhiều lĩnh vực khác, chẳng hạn như phân loại loài động vật trong công viên hoang dã hay nhận diện đối tượng trong các hệ thống giám sát. Bằng cách cung cấp tập hợp dự đoán nhỏ hơn nhưng chính xác hơn, kỹ thuật này giúp người dùng đưa ra quyết định nhanh chóng và hiệu quả hơn.

Trong tương lai, nhóm nghiên cứu tại MIT dự định mở rộng kiểm nghiệm phương pháp này sang các bài toán phân loại văn bản, chẳng hạn như phân tích báo cáo y khoa hoặc tài liệu pháp lý. Họ cũng đang tìm cách giảm lượng tính toán cần thiết cho TTA, nhằm làm cho kỹ thuật này trở nên khả thi hơn trên các thiết bị có tài nguyên hạn chế, như máy tính tại phòng khám nhỏ hoặc thiết bị di động.

Sự mơ hồ trong hình ảnh y khoa là một thách thức lớn đối với các bác sĩ, nhưng AI đang mở ra những cơ hội mới để cải thiện độ chính xác và hiệu quả chẩn đoán. Nhờ cải tiến từ các nhà nghiên cứu tại MIT, kỹ thuật phân loại chuẩn hóa kết hợp với TTA đã giúp giảm kích thước tập hợp dự đoán đến 30%, đồng thời duy trì độ tin cậy cao. Phương pháp này không chỉ hỗ trợ bác sĩ trong việc khoanh vùng chẩn đoán nhanh chóng mà còn có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực khác. Với những bước tiến như thế này, AI đang từng bước trở thành một trợ thủ đắc lực, giúp giảm mơ hồ và tăng độ chính xác trong y tế, mang lại lợi ích thiết thực cho cả bác sĩ và bệnh nhân.

A.T (NASTIS), theo The Guardian và Live Science, 6/2025