Hạn chế và thách thức của mạng nơ-ron thần kinh trong tương lai y học

Bài viết của Thạc sĩ, Bác sĩ Mai Viễn Phương - Bác sĩ nội soi tiêu hóa - Khoa Khám bệnh & Nội khoa - Bệnh viện Đa khoa Quốc tế Vinmec Central Park.

Khái niệm trí tuệ nhân tạo (AI) lần đầu tiên được đề xuất tại Hội nghị Dartmouth vào năm 1956. Mặc dù các định nghĩa về trí tuệ nhân tạo khác nhau, nhưng mọi người đều chấp nhận rằng trí tuệ nhân tạo được thiết kế để thực hiện các nhiệm vụ mà trước đây chỉ trí tuệ con người mới thực hiện được.
Mạng lưới thần kinh nhân tạo (mạng nơ-ron nhân tạo) thuộc về một loại phụ của trí tuệ nhân tạo và đã được sử dụng trong nhiều chuyên ngành phụ của y học lâm sàng, bao gồm bệnh lý học, X quang, tim mạch, thần kinh học, chỉnh hình và khoa tiêu hóa. Rối loạn đường tiêu hóa là bệnh của hệ tiêu hóa của con người và các phác đồ điều trị các bệnh tiêu hoá dựa rất nhiều vào việc kiểm tra hình ảnh. Dữ liệu hình ảnh hàng loạt là gánh nặng đối với bác sĩ X quang, có khả năng làm tăng tỷ lệ đưa ra các quyết định lâm sàng không chính xác. Bằng chứng thuyết phục cho thấy mạng nơ-ron nhân tạo có thể giải quyết vấn đề này một cách hiệu quả.

Các nghiên cứu tích lũy đã chứng minh rằng mạng nơ-ron nhân tạo có thể có tiềm năng đáng kể trong chẩn đoán và điều trị các bệnh tiêu hoá. Các mô hình dựa trên mạng nơ-ron nhân tạo thường có độ chính xác và giá trị AUC tối ưu. Một số chỉ số đánh giá của mô hình mạng nơ-ron nhân tạo, thậm chí còn đạt độ chính xác 100%. Để xác thực thêm các chỉ số mạng nơ-ron nhân tạo, các phép so sánh cũng đã được thực hiện và có thể được chia thành ba khía cạnh dựa trên các đối tượng được so sánh. Đầu tiên, liên quan đến các chuyên gia, các nghiên cứu liên quan đến việc so sánh với các chuyên gia nhằm cho thấy mạng nơ-ron nhân tạo vượt trội so với chẩn đoán nhân tạo.

Phần lớn các mạng nơ-ron nhân tạo cho thấy tốc độ nhanh hơn và độ chính xác tốt hơn các bác sĩ lâm sàng chuyên nghiệp. Do đó, một số tác giả tuyên bố rằng mạng nơ-ron nhân tạo sẽ trở thành công cụ tuyệt vời cho các bác sĩ và nhà khoa học, thậm chí có thể thay thế con người trong khả năng này. Thứ hai, các mô hình mạng nơ-ron nhân tạo khác nhau đã được nghiên cứu. Các nhà nghiên cứu đã sử dụng một số thuật toán mạng nơ-ron nhân tạo đã được đào tạo với cùng một tập dữ liệu và trải qua các giai đoạn xác nhận. Các mô hình có mức độ phù hợp tốt nhất sau đó được chọn ra để xử lý để khám phá thêm. Các so sánh cho thấy khả năng của các mô hình khác nhau trong việc xử lý các vấn đề lâm sàng. Cuối cùng, các dữ liệu được báo cáo khác đã chỉ ra rằng học từ các giáo trình là một cách tiếp cận khác để xác định hiệu quả của các mô hình đã phát triển.

Tuy nhiên, loại phương pháp so sánh này không đáng tin cậy do sự không nhất quán của các đường cơ sở nghiên cứu, chẳng hạn như sự khác biệt về bộ dữ liệu, hiệu suất phần cứng và thời gian chạy. Những sai lệch không xác định này cũng có thể ảnh hưởng đến kết quả so sánh. Do đó, phương pháp này không được khuyến khích cho các nghiên cứu tiếp theo để xác minh thêm các ưu điểm của các mô hình. Nói chung, bằng chứng thuyết phục chỉ ra rằng mạng nơ-ron nhân tạo có thể dẫn đầu việc phân loại và phân tích sâu về thực hành lâm sàng tiêu hoá so với các mô hình thống kê tuyến tính và lao động của con người.

Để đào tạo một bác sĩ có trình độ chuyên môn đòi hỏi thời gian và chi phí kinh tế và xã hội đáng kể. Tuy nhiên, học mạng nơ-ron nhân tạo là một quá trình tương đối đơn giản. Dựa trên các báo cáo hiện tại, việc đào tạo các mô hình mạng nơ-ron nhân tạo với cơ sở dữ liệu mẫu lớn chỉ cần vài ngày. Mạng nơ-ron nhân tạo có thể phân tích toàn diện các tính năng dữ liệu và điều chỉnh các giá trị trọng số trong thời gian cực kỳ ngắn. Hơn nữa, phần cứng là yêu cầu cơ bản để chạy các thuật toán mạng nơ-ron nhân tạo, đặc biệt là card đồ họa và bộ xử lý trung tâm, hai yếu tố xử lý dữ liệu quan trọng. Phần cứng hiệu suất cao có giá vài nghìn đô la, rẻ hơn nhiều so với việc đào tạo một bác sĩ. Nói chung, thời gian và chi phí kinh tế để đào tạo các mô hình mạng nơ-ron nhân tạo nhỏ hơn nhiều so với đào tạo bác sĩ. Người ta tin rằng mạng nơ-ron nhân tạo sẽ đóng một vai trò quan trọng trong thực hành lâm sàng trong tương lai gần.

Việc chẩn đoán toàn diện các bệnh tiêu hoá cần nhiều loại xét nghiệm. Bác sĩ lâm sàng tiêu hoá phải tích hợp các chỉ số lâm sàng để đưa ra chẩn đoán. Tuy nhiên, các hướng dẫn hiện có và sự đồng thuận của chuyên gia không thể giúp các bác sĩ lâm sàng tiêu hoá kiểm soát phần lớn các bệnh phức tạp. Mạng nơ-ron nhân tạo có thể giảm thiểu hạn chế này. Nhiều loại đặc điểm của bệnh nhân và các chỉ số lâm sàng có thể được đưa vào các mô hình dự đoán. Dữ liệu được lưu trữ trong hình ảnh cao hơn về mặt hình học so với dữ liệu dạng văn bản. CNN có thể giải thích hình ảnh X quang và nội soi. Tốc độ phân tích của CNN thậm chí còn đủ nhanh để có thể đạt được khả năng phát hiện trong thời gian thực. Một số nghiên cứu đồng thời bao gồm các chỉ số lâm sàng và thông tin hình ảnh để phân tích tình huống của bệnh nhân.

Việc áp dụng mạng nơ-ron nhân tạo dường như là một cách để khắc phục các vấn đề hiện có cho các bác sĩ tiêu hoá. Tuy nhiên, những hạn chế nhất định cần được xem xét nghiêm túc. Thứ nhất, phương pháp đào tạo ảnh hưởng đến hiệu quả của các mô hình mạng nơ-ron nhân tạo. Hầu hết các nhóm nghiên cứu đã thực hiện các nghiên cứu mẫu nhỏ với ít hơn 1000 trường hợp. Đối với phát hiện qua nội soi, mặc dù số lượng khung hình đóng băng có thể lên đến mười nghìn, một số khung hình là từ cùng một video. Do đó, độ lặp lại của khung làm giảm tính đại diện của chúng. Kích thước nhỏ của tập dữ liệu dẫn đến khả năng trang bị quá mức cao hơn, điều này đề cập đến các mô hình được đào tạo quá nhiều và quá phù hợp với các đặc điểm của tập dữ liệu nội bộ. Việc quan sát cứng nhắc các tập dữ liệu bên trong đương nhiên sẽ làm giảm tính linh hoạt của mô hình để quản lý dữ liệu bên ngoài. Ví dụ, nếu mô hình được đào tạo với tập dữ liệu bệnh nhân từ quốc gia A, bệnh nhân từ quốc gia B có thể không được mô tả tốt bởi mô hình này do các yếu tố khác nhau. Nếu không, bộ dữ liệu hồi cứu nên được sử dụng làm nguồn chính của đào tạo mạng nơ-ron nhân tạo. Tương tự như các nghiên cứu hồi cứu thông thường, các sai lệch cũng tồn tại và ảnh hưởng đến việc áp dụng các mô hình. Sự thiên vị lựa chọn là yếu tố quan trọng nhất. Dữ liệu bệnh nhân từ tiền sử bệnh có thể được lựa chọn dựa trên các chương trình nghiên cứu. Thông tin của các trường hợp đã đăng ký là không linh hoạt, có nghĩa là các nhà nghiên cứu không thể loại trừ khả năng sai lệch như họ mong đợi.

Thứ hai trong các hạn chế là sự thỏa hiệp giữa khả năng diễn giải và độ chính xác cần được nhấn mạnh. Các mô hình có độ chính xác tối ưu thường thiếu khả năng diễn giải (tức là, khả năng giải thích). Ngược lại, các mô hình có khả năng diễn giải gần như hoàn hảo thì kém chính xác hơn, như hồi quy tuyến tính. Trong quá trình đào tạo mạng nơ-ron nhân tạo, điều chế thuật toán và phản hồi dữ liệu bị mù. Các nhà nghiên cứu không biết các chức năng kích hoạt trong các lớp ẩn, tương tự như một cỗ máy giấu mạch trong hộp và chỉ đặt các công tắc và bộ hiển thị bên ngoài; tính năng này được gọi là "hộp đen". Đối với các quyết định y tế quan trọng, bác sĩ và bệnh nhân đều có quyền biết các quyết định đã được thực hiện như thế nào. Việc không thể hiểu cách mô hình đưa ra quyết định đương nhiên sẽ làm giảm lòng tin của bệnh nhân và bác sĩ. Ngược lại, thiếu khả năng giải thích khiến các nhà nghiên cứu không thể mô tả các quá trình suy diễn của các mô hình mạng nơ-ron nhân tạo, làm giảm giá trị tham chiếu của chúng.

Thứ ba trong các hạn chế của mạng nơ-ron thần kinh là các vấn đề xã hội học cần được xem xét cẩn thận đối với các ứng dụng mạng nơ-ron nhân tạo, có thể được chia thành ba khía cạnh. Đầu tiên, liên quan đến trách nhiệm y tế, có thể xảy ra sai sót và sơ suất y tế, mặc dù mạng nơ-ron nhân tạo có thành tích xuất sắc trong giai đoạn xác nhận. Như vậy, ai là người phải chịu trách nhiệm về các quyết định và cách phân bổ trách nhiệm bồi thường thiệt hại rất khó xác định. Bác sĩ, bệnh nhân và lập trình viên dường như đều vô tội và các tai nạn chủ yếu là do những thiếu sót cố hữu chứ không phải do sự bất cẩn của con người. Thứ hai, liên quan đến tính bảo mật, hoạt động của các mô hình mạng nơ-ron nhân tạo yêu cầu nhiều loại dữ liệu, một số trong số đó liên quan đến quyền riêng tư của bệnh nhân. Các bác sĩ phản bội quyền tư nhân sẽ nhận hình phạt. Tuy nhiên, các mô hình mạng nơ-ron nhân tạo được kết nối với Internet hoặc mạng nội bộ của công ty. Thực tế, rất khó để phân biệt nguồn gốc của một tiết lộ quyền riêng tư. Hơn nữa, khả năng trích xuất dữ liệu của mạng nơ-ron nhân tạo là không thể so sánh được. Do đó, các phạm vi miễn chấp thuận yêu cầu tranh luận thêm. Sự cân bằng giữa nghiên cứu mạng nơ-ron nhân tạo và quyền riêng tư của bệnh nhân vẫn là một thách thức.

Cuối cùng, về luật pháp, sự tham gia của nhiều bên là một đặc điểm quan trọng của mạng nơ-ron nhân tạo, bao gồm bệnh viện, bệnh nhân, nhà cung cấp sản phẩm và công ty bảo hiểm. Rất tiếc, các quy tắc về mạng nơ-ron nhân tạo được sử dụng trong thực hành y tế vẫn còn ít người biết đến. Các quy phạm pháp luật hiện hành không thể hỗ trợ việc áp dụng và các nghiên cứu triển vọng về mạng nơ-ron nhân tạo s. Về luật pháp, sự tham gia của nhiều bên là một đặc điểm quan trọng của mạng nơ-ron nhân tạo, bao gồm bệnh viện, bệnh nhân, nhà cung cấp sản phẩm và công ty bảo hiểm. Rất tiếc, các quy tắc về mạng nơ-ron nhân tạo được sử dụng trong thực hành y tế vẫn còn ít người biết đến. Các quy phạm pháp luật hiện hành không thể hỗ trợ việc áp dụng và các nghiên cứu triển vọng về mạng nơ-ron nhân tạo.

Sự tham gia của nhiều bên là một đặc điểm quan trọng của mạng nơ-ron nhân tạo, bao gồm bệnh viện, bệnh nhân, nhà cung cấp sản phẩm và công ty bảo hiểm. Rất tiếc, các quy tắc về mạng nơ-ron nhân tạo được sử dụng trong thực hành y tế vẫn còn ít người biết đến. Các quy phạm pháp luật hiện hành không thể hỗ trợ việc áp dụng và các nghiên cứu triển vọng về mạng nơ-ron nhân tạo.

Tài liệu tham khảo

Cao B, Zhang KC, Wei B, Chen L. Status quo and future prospects of artificial neural network from the perspective of gastroenterologists. World J Gastroenterol 2021; 27(21): 2681-2709 [DOI: 10.3748/wjg.v27.i21.2681]

Karakitsos P , Ioakim-Liossi A, Pouliakis A, Botsoli-Stergiou EM, Tzivras M, Archimand Viêm A, Kyrkou K. Một nghiên cứu so sánh về ba biến thể của bộ định lượng véc tơ học trong việc phân biệt lành tính với tế bào ác tính ở dạ dày. Tế bào học . Năm 1998; 9 : 114-125. [ PubMed ] [Cited in This Article: 2]