Các nhà khoa học Nga tạo ra "đôi mắt thứ hai" cho bác sĩ X quang

© Sputnik / AI generated

Theo các nhà phát triển, thuật toán này có thể "dạy" các bác sĩ X-quang trẻ không chỉ cách nhìn vào hình ảnh mà còn cả cách nhận biết các chi tiết quan trọng để chẩn đoán. Kết quả nghiên cứu đã được trình bày tại Hội thảo NeurIPS về Hệ thống xử lý thông tin thần kinh.

Tùy thuộc vào nhiệm vụ—ví dụ, tìm kiếm các dấu hiệu của viêm phổi, suy tim hoặc theo dõi quá trình lành vết gãy xương sườn—bác sĩ phải chú trọng đánh giá các thành phần khác nhau của phim chụp X-quang ngực. Tuy nhiên, theo các nhà khoa học từ Đại học Innopolis, các mạng nơ-ron nhân tạo "chẩn đoán" hiện đại lại tập trung vào các điểm ảnh cực tối hoặc cực sáng, có thể do ánh sáng xung quanh trong phòng chụp X-quang hoặc sự hấp thụ bức xạ bởi đồ trang sức trên cơ thể bệnh nhân gây ra.

Các chuyên gia của Đại học Innopolis đã tạo ra một trợ lý AI dành cho bác sĩ X quang, không chỉ dựa vào hình ảnh mà còn dựa vào dữ liệu y tế, bao gồm dữ liệu giải phẫu, chẩn đoán và các thông tin khác.

"Mô hình của chúng tôi kết hợp thị giác, ngôn ngữ và kiến thức y khoa để dự đoán hướng nhìn của bác sĩ chẩn đoán khi xem xét hình ảnh X-quang. Nó liên kết các pixel không chỉ dựa trên độ sáng (trên các vùng sáng), mà còn với ý nghĩa y khoa của các vùng này và nhiệm vụ chẩn đoán. Phương pháp phân tích dữ liệu độc đáo này cho phép chúng tôi nhìn sâu vào mạng lưới thần kinh và trích xuất các mô tả ngữ nghĩa dễ hiểu đối với con người từ các mảnh hình ảnh riêng lẻ: 'xương', 'tim', 'vùng tối'", - ông Dmitry Lvov, một trong những tác giả của nghiên cứu và là chuyên gia tại Phòng thí nghiệm Trí tuệ Nhân tạo trong Y học của Đại học Innopolis cho biết.

Ba loại dữ liệu đã được sử dụng để huấn luyện mạng nơ-ron: các đặc điểm hình ảnh thu được từ các thuật toán y tế chuyên biệt; mô tả văn bản của các nhãn chẩn đoán, chẳng hạn như "bình thường" hoặc "viêm phổi"; và dữ liệu ngữ nghĩa - ví dụ về mô tả dữ liệu ở cấp độ con người. Kết quả là, mô hình không chỉ dự đoán bản đồ nhiệt sự chú ý mà còn cả trình tự các điểm nhìn cố định: tọa độ của các vùng hình ảnh và thời gian chú ý đến chúng - chính xác như cách một bác sĩ X-quang phân bổ sự chú ý khi tìm kiếm câu trả lời cho một vấn đề y tế cụ thể.

Theo ông Ilya Pershin, người đứng đầu Phòng thí nghiệm Trí tuệ Nhân tạo của Đại học Innopolis, hệ thống mới có thể phát hiện viêm phổi và suy tim với độ chính xác cao hơn 5% so với các hệ thống tương tự. Tuy nhiên, giá trị của mô hình không nằm ở khả năng trở thành một "bác sĩ độc lập", mà ở việc đào tạo nhân viên mới không chỉ đọc hình ảnh mà còn "quan sát" chúng một cách chính xác.

"Mô hình mới này có thể tạo cơ sở cho các phần mềm mô phỏng để đào tạo các bác sĩ chẩn đoán hình ảnh trong tương lai không chỉ đọc hình ảnh thuần túy mà còn tìm kiếm hình ảnh chính xác. Hơn nữa, việc dự đoán 'quỹ đạo' nhìn giúp các bác sĩ hiểu rõ hơn và tin tưởng hơn vào hoạt động của các hệ thống AI y tế, từ đó củng cố niềm tin vào công nghệ. Tất nhiên, việc triển khai và mở rộng quy mô mô hình này sẽ cần thêm sự kiểm chứng tại nhiều cơ sở y tế khác nhau", ông Pershin nhấn mạnh.