Nhóm nghiên cứu tại University of Missouri nghiên cứu khả năng dùng trí tuệ nhân tạo để hỗ trợ phát hiện u hắc tố bằng việc phân tích ảnh các bất thường trên da. Dự án do Kamlendra Singh, phó giáo sư nghiên cứu tại College of Veterinary Medicine và điều tra viên chính tại Bond Life Sciences Center, dẫn dắt. Họ nhấn mạnh rằng hệ thống được thiết kế để hỗ trợ quyết định lâm sàng chứ không thay thế chuyên gia y tế.
Nhóm huấn luyện và kiểm thử các mô hình trên cơ sở dữ liệu gồm 400,000 hình ảnh, thu từ kỹ thuật chụp ảnh toàn thân 3D độ phân giải cao, phương pháp tạo bản đồ số ba chiều cho phép xem các chi tiết trực quan tinh tế trên toàn cơ thể. Ba mô hình AI hiện có được so sánh để xác định khả năng phân biệt giữa melanoma và các tình trạng da lành tính.
Kết quả cho thấy mỗi mô hình riêng đạt độ chính xác lên tới 88%, và khi kết hợp ba mô hình, độ chính xác vượt quá 92%. Nhóm lưu ý rằng huấn luyện trên bộ dữ liệu lớn hơn và đa dạng hơn — bao gồm hình ảnh đại diện cho các tông da, điều kiện ánh sáng và góc chụp khác nhau — sẽ cải thiện độ chính xác theo thời gian. Singh cảnh báo còn cần thời gian trước khi hệ thống được dùng trong môi trường lâm sàng và cho rằng việc giải thích rõ cách AI đưa ra kết luận sẽ giúp chuyên gia y tế tin tưởng hơn. Nghiên cứu được công bố trên Biosensors and Bioelectronics: X, nguồn University of Missouri.
Từ khó
- trí tuệ nhân tạo — hệ thống máy tính mô phỏng tư duy con người
- u hắc tố — ung thư da bắt nguồn từ tế bào sắc tố
- bản đồ số ba chiều — mô hình số hiển thị cấu trúc cơ thể ba chiều
- độ chính xác — tỷ lệ kết quả đúng so với tổng số
- huấn luyện — dạy mô hình máy tính bằng dữ liệu mẫu
- bộ dữ liệu — tập hợp các hình ảnh hoặc thông tin
- lâm sàng — liên quan tới chăm sóc và khám bệnh
Mẹo: di chuột, dùng phím Tab hoặc chạm vào các từ được tô sáng trong bài để xem định nghĩa nhanh ngay khi bạn đọc hoặc nghe.
Câu hỏi thảo luận
- Bạn nghĩ lợi ích lớn nhất khi dùng AI hỗ trợ phát hiện u hắc tố là gì? Vì sao?
- Làm thế nào việc đa dạng hóa bộ dữ liệu (tông da, ánh sáng, góc chụp) ảnh hưởng tới độ công bằng của hệ thống?
- Những bước thực tế nào cần thực hiện trước khi hệ thống này được dùng trong môi trường lâm sàng?
Bài viết liên quan
Tại sao mô hình ngôn ngữ lớn khó nhân số bốn chữ số
Một nghiên cứu do University of Chicago dẫn đầu giải thích vì sao nhiều mô hình ngôn ngữ lớn không nhân đúng hai số có bốn chữ số. Nghiên cứu so sánh huấn luyện tinh chỉnh tiêu chuẩn và phương pháp Chuỗi suy luận ẩn (ICoT) và thấy ICoT giúp mô hình lưu và dùng kết quả trung gian.
