TiaSang
Thứ 3, Ngày 21 tháng 9 năm 2021
Đổi mới sáng tạo

AI trong đọc ảnh y tế: Một tiềm năng lớn đang bị bỏ lỡ

29/12/2020 07:05 - Anh Thư – Hảo Linh

Việt Nam cần có một chiến lược toàn diện và khung pháp lý rõ ràng về dữ liệu y tế số, nếu không muốn vụt mất cơ hội quý báu để khai thác giá trị từ chuyển đổi số y tế của một thị trường nội địa có quy mô xấp xỉ 23 tỷ USD.

"AI là tương lai"

“AI là tương lai” – TS. BS. Trần Quang Lục, khoa chẩn đoán hình ảnh của Bệnh viện Đa khoa tỉnh Phú Thọ nhắc đi nhắc lại câu này ít nhất ba lần trong cuộc trò chuyện với phóng viên Tia Sáng khi được hỏi tại sao bệnh viện này lại chủ động tìm đến để tham gia thử nghiệm VinDr - một phần mềm AI chẩn đoán các bệnh lý về tim, phổi và vú qua ảnh y tế của Viện Big Data, Vingroup. Trước đó, họ còn là một trong những bệnh viện đầu tiên ở Việt Nam sử dụng IBM Waston và Rapid AI, hai phần mềm sử dụng trí tuệ nhân tạo của Mỹ giúp điều trị bệnh nhân ung thư và bệnh nhân đột quỵ hiệu quả hơn. 

Một ngày Bệnh viện Đa khoa tỉnh Phú Thọ có thể tham gia khám sức khỏe tổng quát cho tới một nghìn người. Bác sĩ Lục cho biết, có những ngày anh phải đọc tới 300 tấm phim chụp X-quang lồng ngực và phải trả kết quả sớm cho bệnh nhân, “nhiều khi không đủ thời gian”. Ở các bệnh viện tuyến Trung ương, mỗi bác sĩ có thể đọc tới 500 tấm phim một ngày1. “Bệnh viện tuyến tỉnh và Trung ương bây giờ ở đâu chẳng quá tải. Bác sĩ bọn tôi căng như dây đàn. Làm việc có được nghỉ ngơi đâu.” – Bác sĩ Cung Văn Công, trưởng khoa chẩn đoán hình ảnh của Bệnh viện Phổi Trung ương chia sẻ. Bệnh viện này cũng đang thực hiện chương trình phòng chống lao quốc gia, kết hợp với các bệnh viện tuyến dưới để tầm soát bệnh lao trên cả nước.    

Theo TS Phạm Huy Hiệu, một trong những thành viên phát triển phần mềm VinDr, số lượng các BS chẩn đoán hình ảnh ở Việt Nam quá ít so với số lượng bệnh nhân, “việc này buộc họ phải thích nghi để đưa ra chẩn đoán nhanh nhất có thể”. Tuy nhiên, việc đưa ra quyết định quá nhanh sẽ kéo theo việc bác sĩ mắc phải sai lầm trong chẩn đoán, do bỏ sót những dấu hiệu quan trọng trên phim chụp. Và đó là một nguy cơ rất thật. Bản thân bác sĩ Công cũng phân trần rằng “Nếu đầu giờ sáng một tấm phim bác sĩ có khi còn đọc được hết, nhưng đến 12h trưa bụng lép kẹp, mắt hoa lên rồi thì có khi 10 dấu hiệu lại bỏ sót đến ba, bốn chẳng hạn”.

Mục tiêu đầu tiên khi đưa AI hỗ trợ chẩn đoán bệnh dựa trên hình ảnh Y tế là để giảm tải cho các bác sĩ. Các phần mềm AI cho phép bác sĩ có thể tải lên một lúc hàng trăm, hàng nghìn ảnh và máy sẽ trả về các kết quả với tốc độ trung bình dưới một giây mỗi ảnh, nhanh gấp hàng trăm lần so với tốc độ của bác sĩ. Các phần mềm được phát triển hiện nay trên thế giới thường tập trung đọc ảnh X-quang ngực vì đây là loại ảnh chiếm tỉ lệ cao nhất trong các loại phim chụp. Phần mềm VinDr đang thử nghiệm rộng rãi hiện nay hỗ trợ bác sĩ đọc các ảnh X-quang ngực với 28 dấu hiệu bệnh lý về tim phổi và đọc các ảnh mammo (ảnh siêu âm vú) với 19 tổn thương khác nhau. 

Sau hai tháng thử nghiệm VinDr, BS Trần Quang Lục cho biết, “Chỉ cần thời gian ngắn thôi có thể sàng lọc được tất cả các bệnh nhân rất nhanh”. Các bác sĩ sẽ không mất thời gian vào các trường hợp máy báo là bình thường mà để dành nguồn lực “tập trung vào trường hợp khác khó hơn”.  


Annalise.ai đã có các chứng nhận quốc tế về độ an toàn nhưng Đình Áng không tiết lộ có bao nhiêu bệnh viện hay phòng khám đang sử dụng phần mềm này. 

Hơn nữa, không chỉ bác sĩ mà bệnh nhân cũng là những người được hưởng lợi từ việc ứng dụng AI trong y tế.  Trong một loạt các tấm phim được đưa đến cho AI, phần mềm cũng có thể tự động sắp xếp các phim có dấu hiệu cấp cứu lên phía trên danh sách, đưa cho bác sĩ đọc trước vào đầu ngày làm việc, khi mức độ tập trung của bác sĩ cao, ít xảy ra sai sót. Theo Trần Đặng Đình Áng, đồng sáng lập của Harrison.ai – một startup về AI trong y tế được thành lập tại Úc, “Ảnh X-quang lồng ngực có thể là cơ hội duy nhất để phát hiện sớm các bệnh như ung thư phổi, xơ hóa phổi. Nếu chúng ta bỏ sót các dấu hiệu và kết luận rằng bệnh nhân hoàn toàn khỏe mạnh, thì có thể phải rất lâu sau họ mới quay lại bệnh viện để khám”. Hiện nay, Harrison.ai đang phát triển sản phẩm Annalise.ai phát hiện tới 124 các dấu hiệu trên một tấm X-quang ngực, từ tim, phổi đến ổ bụng, xương khớp. Những người đứng sau Annalise.ai dự kiến sẽ sớm đưa sản phẩm này về Việt Nam.

Các phần mềm ứng dụng AI vào đọc ảnh y tế chẩn đoán bệnh nghe có vẻ đầy tiềm năng và hứa hẹn nhưng vẫn còn nhiều câu hỏi bỏ ngỏ. Một mình AI có thể đưa ra chẩn đoán chính xác đến hơn 90% so với các bác sĩ (như công bố của VinDr) nhưng AI cộng với bác sĩ liệu có kết quả tốt hơn hay không? Trần Đặng Đình Áng tránh nói về độ chính xác của phần mềm vì anh e ngại biết đâu bác sĩ có thể có những xung đột hay quá phụ thuộc vào AI khi chẩn đoán bệnh. “Hiện giờ trên thị trường có nhiều thổi phồng về ứng dụng AI trong y tế, nhưng mọi người nên nhớ rằng AI vẫn là một công cụ, dụng cụ y tế, không khác gì một dao mổ, một viên thuốc” – Áng nói. Anh đang bắt đầu nghiên cứu về mối quan hệ giữa AI và bác sĩ.   

Dẫu vậy, những phản hồi của phía bác sĩ dùng thử những phần mềm này khá tích cực. BS Lục cho biết khi đưa ra chẩn đoán anh cảm thấy tự tin hơn vì biết rằng các dữ liệu huấn luyện máy học được dán nhãn bởi “các thầy” của mình. Hơn nữa, có khi anh còn cảm thấy “chính ra thì mình còn học của nó (AI) cơ”, đặc biệt là với ảnh mammo. “Có những cái khi mình nghi ngờ, nhưng mình chưa dám xác định có tổn thương hay không, mình đẩy qua dữ liệu phần mềm thì phần mềm bảo có thể đó là khối u, sau đó mình cũng tăng thêm phần tự tin và tin tưởng hơn để chẩn đoán có thể đó là khối u.” – BS Lục chia sẻ. 

Nhưng dữ liệu ở đâu? 

Tháng sáu vừa qua, Bệnh viện Phổi Trung ương đã tiếp nhận gần 30 xe chụp X-quang lồng ngực lưu động trong khuôn khổ chương trình phòng chống lao quốc gia. Những chiếc xe này sẽ tỏa đi các tỉnh để khám sàng lọc lao cho người dân trên khắp cả nước. Những tấm ảnh X-quang thu từ những chiếc xe lưu động này sẽ trở thành nguồn dữ liệu đầu vào cho một chương trình ứng dụng AI vào chẩn đoán bệnh lao phổi và dự đoán những vùng nhiều người nhiễm bệnh này trên cả nước. 

Bệnh viện Phổi Trung ương cho biết họ đặt mục tiêu có được 30.000 ảnh chụp trong cơ sở dữ liệu này. Giám đốc và Trưởng khoa Chẩn đoán hình ảnh của Bệnh viện Phổi Trung ương đều quả quyết rằng cơ sở dữ liệu đó là “không hề khiêm tốn”, “rất lớn” và “không thể thu thập trong thời gian ngắn”. 


Tuy nhiên, con số đó vẫn chưa đáng kể nếu so với lượng dữ liệu đầu vào của VinDr với gần 300 nghìn ảnh X-quang lồng ngực của Bệnh viện Đại học Y Hà Nội, Bệnh viện Quân đội TW 108 và Vinmec. Harrison.ai còn tiết lộ rằng lượng dữ liệu để họ huấn luyện Annalise.ai là 800 nghìn ảnh chụp X-Quang, thu thập từ IMed Radiology Network, một mạng lưới bệnh viện và phòng khám chẩn đoán hình ảnh lớn thứ hai ở Úc. Trần Đặng Đình Áng tự tin cho rằng vì Úc là một quốc gia đa chủng tộc (gần 30% dân số Úc là người di cư từ các nước khác) nên dữ liệu huấn luyện Annalise.ai đủ đa dạng, cho phép phần mềm này có thể là công cụ đắc lực của các bác sĩ trên khắp thế giới. Nhưng cả sản phẩm của VinDr và Harrison.ai đều chưa phổ biến rộng rãi và hai nhóm này vẫn đang tiếp tục mở rộng kho dữ liệu huấn luyện AI của mình. 

Có được dữ liệu đã khó nhưng thách thức hơn cả với bất kì một chương trình ứng dụng AI trong y tế là dán nhãn dữ liệu. Mỗi tấm phim X-quang thu thập được cần được khoanh vùng từng vị trí, xác định tên gọi của mỗi dấu hiệu bệnh lý. Nếu muốn chương trình AI đọc được càng nhiều bệnh, nhận dạng được càng chi tiết mức độ nặng nhẹ của bệnh thì việc dán nhãn lại đòi hỏi nhiều nguồn lực. Với chương trình của VinDr có thể hỗ trợ bác sĩ chẩn đoán 28 bệnh lý ở tim và phổi trên một tấm phim X-Quang thì cần ít nhất là 28 nhãn và với Harrison.ai thì cần 124 nhãn. Người làm nhiệm vụ “dán nhãn” này không ai khác chính là các bác sĩ chuyên khoa hình ảnh ở các bệnh viện. Cũng cần nói thêm rằng, mỗi ảnh không chỉ cần một bác sĩ dán nhãn là đủ. TS. Phạm Huy Hiệu chia sẻ rằng, một trong những điều quan trọng anh nhận ra khi làm dự án này đó là “Bác sĩ hiện nay đọc ảnh chỉ đồng thuận với nhau khoảng 50%-60% thôi, thậm chí thấp hơn”. Vậy nên, mỗi tấm phim chụp phải được dán nhãn bởi ít nhất là ba bác sĩ và dữ liệu cuối cùng đưa cho AI “học” phải được thống nhất bởi một nhóm bác sĩ. 

Nhìn vào quy trình đọc phim hết sức nhẹ nhàng, đơn giản của AI, ít người có thể tưởng tượng ra “nỗ lực khổng lồ” đằng sau đó, theo lời của Đình Áng. Harrison.ai quy tụ 150 bác sĩ ở khắp các bệnh viện tại Việt Nam dành ra tổng cộng 56.000 giờ đồng hồ để dán nhãn kho dữ liệu của họ. VinDr sau khi huấn luyện AI còn kiểm định tính chính xác của AI bằng cách mời một hội đồng vài chục người tới ngồi so sánh kết quả đọc phim giữa bác sĩ và AI trong gần một tuần.  Vậy nên, “nỗ lực khổng lồ” đằng sau việc dán nhãn cũng đi kèm với khoản đầu tư “rất đắt đỏ”, anh Hiệu cho biết. 

Hiện nay tại Việt Nam, theo tìm hiểu của Tia Sáng, rất ít* công ty có sản phẩm ứng dụng AI trong việc hỗ trợ bác sĩ chẩn đoán bệnh dựa trên hình ảnh Y tế hiện đang được ứng dụng lâm sàng tại các bệnh viện. Viettel từng tuyên bố trong chương trình Ngày hội AI Việt Nam (AI4VN) cách đây một tháng rằng họ có chương trình đọc nội soi dạ dày để phát hiện sớm ung thư dạ dày và viêm dạ dày mạn tính với độ chính xác lên tới 90%. Đầu năm nay FPT chia sẻ rằng họ đạt huy chương bạc trong cuộc thi Pneumothorax Challenge (do Hiệp hội Ảnh Y tế và Viện xương khớp Mỹ tổ chức) về ứng dụng AI để đọc ảnh X-quang ngực nhằm phát hiện tràn dịch khí màng phổi và khối u thận. Tuy nhiên, khi phóng viên Tia Sáng liên lạc với hai công ty này để hỏi kĩ hơn về cách đo độ chính xác của phần mềm, nguồn gốc và khối lượng dữ liệu để họ huấn luyện AI thì đều không nhận được câu trả lời. 

Trong cuộc hội thảo diễn ra vào tháng 11 vừa qua của Hội truyền thông số về khai thác giá trị dữ liệu y tế, nhiều diễn giả trong hội thảo cho rằng startup đang gặp khó khăn trong việc tiếp cận dữ liệu y tế. Việc bệnh viện có được cung cấp các phim chụp cho các doanh nghiệp hay không là một khoảng mờ trong luật của Việt Nam hiện tại. Một công ty có thể khẳng định rằng họ tuân thủ chặt chẽ nguyên tắc bảo vệ quyền riêng tư về dữ liệu y tế, lấy ảnh và xóa toàn bộ thông tin định danh người bệnh đi kèm với tấm phim chụp ngay tại bệnh viện. Tuy nhiên, nếu chiếu theo Luật khám chữa bệnh năm 2009 thì điều đó có thể là không được phép nếu không được sự đồng ý của bệnh nhân. Ngoài ra, cũng theo luật này, bệnh án (mà các phim chụp là một phần trong đó) được lưu trữ “ở các cấp độ mật theo luật bí mật nhà nước”. Theo ông Nguyễn Thế Vinh, phó trưởng phòng Công nghệ Thông tin của Bệnh viện Nhi Trung ương, cũng trong buổi hội thảo nói trên, chia sẻ rằng, với quy định như vậy, dữ liệu y tế đưa lên đám mây, server của doanh nghiệp “là cũng bị mắc”. 

Thật khó để tưởng tượng một doanh nghiệp nhỏ ở Việt Nam có đủ nguồn lực và vị thế dám đầu tư một nguồn lực khổng lồ vào thu thập và dán nhãn một cơ sở dữ liệu y tế lớn để rồi có nguy cơ gặp rủi ro về pháp lý. Báo cáo của Viện Nghiên cứu chính sách và Phát triển truyền thông cho rằng Việt Nam đang “bỏ lỡ cơ hội quý báu để khai thác giá trị từ chuyển đổi số y tế của một thị trường nội địa có quy mô xấp xỉ 23 tỷ USD do thiếu một chiến lược toàn diện và khung pháp lí rõ ràng về dữ liệu y tế số”. Việc nhà nước xây dựng hành lang pháp lí cho việc chia sẻ dữ liệu y tế và nếu tốt hơn là đầu tư xây dựng các cơ sở dữ liệu y tế đủ lớn và đủ đa dạng về một số bệnh phổ biến trên cả nước sẽ tạo cơ hội cho rất nhiều nhóm nghiên cứu, startup tham gia hỗ trợ hệ thống khám chữa bệnh hiện đang quá tải với việc phục vụ cho gần 100 triệu dân và đang bước vào giai đoạn già hóa. □

------

1 https://vnexpress.net/nguoi-phu-ta-co-kha-nang-phan-than-nghin-lan-4119258.html

*Ngoài VinDr, hiện nay Vingroup còn có cả phần mềm VinAid thuộc dự án VinBrain.

Tags: