Một bác sĩ chẩn đoán hình ảnh có thể phải đọc hàng trăm tấm phim mỗi ngày. Tới tấm thứ 200, mắt mỏi, đầu nặng, một nốt mờ nhỏ xíu rất dễ trôi qua. Đó là lý do AI chẩn đoán hình ảnh trở thành một trong những ứng dụng AI phát triển nhanh nhất trong y tế: một “đôi mắt thứ hai” không biết mệt.
Câu trả lời ngắn: AI chẩn đoán hình ảnh là phần mềm học từ rất nhiều phim X-quang, CT, MRI, nhũ ảnh đã có kết luận của bác sĩ để tự đánh dấu vùng nghi ngờ. Nó giỏi ở việc hẹp, nhanh và đều tay, giúp sàng lọc và đọc lại phim; nhưng không thay được bác sĩ vì không biết bệnh sử, có thể sai mà vẫn tự tin, và không chịu trách nhiệm pháp lý.
Bài viết giải thích AI “nhìn” phim thế nào, cách đọc đúng các con số độ chính xác, những nơi AI đang thật sự giúp ích, các rủi ro ít người nói tới và người bệnh nên hiểu gì khi kết quả có AI tham gia.
Nếu muốn nắm ý chính trong 4 phút, hãy xem video AI đọc phim X-quang thế nào của kênh Vọc Sĩ trước khi đi vào chi tiết.
Tóm tắt nhanh
- Với AI, tấm phim là một lưới số độ sáng; mạng nơ-ron tích chập học dấu hiệu bệnh theo từng tầng.
- AI học từ phim đã có nhãn của bác sĩ, nên chất lượng phụ thuộc mạnh vào dữ liệu học.
- Ứng dụng rõ nhất: sàng lọc, xếp ưu tiên ca khẩn, làm người đọc thứ hai, hỗ trợ nơi thiếu chuyên gia.
- Đọc độ chính xác cần nhìn độ nhạy, độ đặc hiệu và nơi thử nghiệm, không chỉ một con số “99%”.
- Rủi ro lớn: đổi máy chụp là kém đi, sai mà vẫn tự tin, bác sĩ quá tin máy; quyết định cuối vẫn là của con người.
Nội dung chính:
- AI chẩn đoán hình ảnh nhìn tấm phim thế nào
- AI học đọc phim từ đâu
- AI đang giúp gì trong bệnh viện
- Đọc đúng con số độ chính xác
- Các cột mốc của AI đọc phim
- Giới hạn và rủi ro
- AI có thay được bác sĩ không
- Người bệnh nên biết gì
- Hiểu lầm phổ biến
- Câu hỏi thường gặp
AI chẩn đoán hình ảnh nhìn tấm phim thế nào
Chúng ta nhìn phim X-quang ngực và thấy xương sườn, tim, hai lá phổi. Máy thì không “thấy” gì cả. Với AI, tấm phim chỉ là một lưới khổng lồ các con số, mỗi số là độ sáng tối của một điểm ảnh. Một phim X-quang kỹ thuật số có thể gồm vài triệu điểm như vậy. Việc của AI là tìm ra quy luật trong biển số ấy.
Công cụ chủ lực là mạng nơ-ron tích chập (convolutional neural network, CNN) và gần đây có thêm các kiến trúc Transformer cho ảnh. Chúng làm việc theo từng tầng, giống cách một người học vẽ: trước hết là nét, sau đó là hình, rồi mới tới vật.
- Tầng đầu: nhận ra những thứ đơn giản như đường viền, vệt sáng, góc cạnh.
- Tầng giữa: ghép các nét thành hình dạng: một đốm tròn, một vùng mờ, một bờ không đều.
- Tầng sâu: nhận ra cấu trúc có dáng vẻ đáng ngờ như nốt phổi, vùng đông đặc, vi vôi hoá.
- Đầu ra: một điểm nghi ngờ (ví dụ 0–100) và thường kèm bản đồ nhiệt khoanh vùng cần xem.
AI học đọc phim từ đâu
Hãy hình dung một sinh viên y năm nhất được đưa một chồng phim khổng lồ, tấm nào cũng có đáp án do bác sĩ giàu kinh nghiệm ghi sẵn: tấm này có khối u, tấm kia bình thường. Sinh viên xem đi xem lại, dần nhận ra dấu hiệu lặp lại. AI học đúng như vậy, gọi là học có giám sát, chỉ khác là nó xem được số phim mà không ai đọc hết trong đời.
Nhãn là thứ đắt nhất
Ảnh thì bệnh viện có nhiều, nhưng ảnh có nhãn chính xác thì hiếm. Mỗi nhãn cần bác sĩ chuyên khoa đọc, đôi khi phải đối chiếu kết quả sinh thiết hoặc theo dõi bệnh nhân nhiều năm. Nhãn sai thì AI học sai, giống học sinh học theo đáp án in nhầm.
Dữ liệu phải đa dạng
Một mô hình tốt cần phim từ nhiều bệnh viện, nhiều hãng máy chụp, nhiều nhóm tuổi, giới tính, chủng tộc. Thiếu đa dạng, AI sẽ giỏi ở “sân nhà” và lúng túng ở nơi khác (chi tiết ở phần rủi ro).
Sau khi học, mô hình phải được thử trên bộ phim nó chưa từng thấy, tốt nhất là của bệnh viện khác, rồi mới xin phép cơ quan quản lý và thử trong quy trình thật.
AI chẩn đoán hình ảnh đang giúp gì trong bệnh viện
AI hữu ích nhất ở những việc hẹp, lặp lại và có khối lượng lớn. Có bốn vai trò chính:
1. Sàng lọc và xếp hàng ưu tiên
AI đọc nhanh hàng loạt phim và đẩy những ca có vẻ khẩn lên đầu danh sách. Ví dụ với ảnh CT não nghi đột quỵ, phần mềm có thể báo động tắc mạch lớn để ê-kíp can thiệp sớm, vì trong đột quỵ mỗi phút đều quý.
2. Người đọc thứ hai
Bác sĩ đọc xong, AI đọc lại. Hai bên đồng ý thì yên tâm hơn; bất đồng thì xem kỹ lần nữa. Ở chương trình sàng lọc ung thư vú, nhiều nơi vốn cần hai bác sĩ đọc mỗi nhũ ảnh; AI có thể đảm nhận một phần việc này.
3. Hỗ trợ nơi thiếu chuyên gia
Ở vùng xa, chiếc máy X-quang có AI giúp sàng lọc lao phổi ngay tại chỗ. Năm 2021, Tổ chức Y tế Thế giới (WHO) đã khuyến nghị có thể dùng phần mềm phát hiện hỗ trợ bằng máy tính (CAD) đọc phim X-quang ngực để sàng lọc lao cho người từ 15 tuổi trở lên.
4. Đo đạc và theo dõi
Đếm, đo kích thước nốt phổi qua các lần chụp, tính thể tích khối u, đo mật độ xương: việc tỉ mỉ, tốn thời gian mà máy làm nhanh và đều tay.
Chẩn đoán hình ảnh là lĩnh vực có nhiều thiết bị AI được cấp phép nhất. Trong danh sách thiết bị y tế có AI của Cục Quản lý Thực phẩm và Dược phẩm Mỹ (FDA), tổng số đã vượt 1.200 vào năm 2025, và khoảng ba phần tư thuộc chuyên ngành chẩn đoán hình ảnh. Đa số được cấp phép cho một nhiệm vụ hẹp, không phải “đọc mọi thứ”.
Đọc đúng con số độ chính xác của AI đọc phim
Tin tức hay viết “AI phát hiện ung thư chính xác 95%”. Con số đó dễ gây hiểu lầm nếu không biết nó đo gì. Có hai chỉ số quan trọng hơn:
- Độ nhạy (sensitivity): trong số người thật sự có bệnh, AI bắt được bao nhiêu. Độ nhạy thấp nghĩa là bỏ sót.
- Độ đặc hiệu (specificity): trong số người không có bệnh, AI xác nhận đúng bao nhiêu. Độ đặc hiệu thấp nghĩa là báo động giả nhiều, khiến người khỏe phải chụp thêm, sinh thiết thêm.
Hai chỉ số này thường “kéo co” nhau: chỉnh AI nhạy hơn để không bỏ sót thì nó báo động giả nhiều hơn, và ngược lại. Ngoài ra còn chỉ số AUC (diện tích dưới đường cong ROC) dùng để so sánh tổng quát, nhưng người đọc tin chỉ cần nhớ độ nhạy và độ đặc hiệu.
Ví dụ minh họa: sàng lọc 1.000 người, trong đó 10 người có bệnh. AI có độ nhạy 90% sẽ bắt được 9 người, sót 1. Nếu độ đặc hiệu khoảng 95%, trong 990 người khỏe sẽ có khoảng 50 người bị báo nhầm, phải chụp hoặc xét nghiệm thêm. Nghĩa là phần lớn các “báo động” của AI là người khỏe.
Vì sao “chính xác 95%” có thể vô nghĩa
Giả sử bệnh chỉ gặp ở 1 trong 100 người được sàng lọc. Một chương trình “luôn trả lời không có bệnh” đã đúng 99%, dù bỏ sót mọi ca bệnh. Vì thế con số tổng hợp luôn phải đi kèm độ nhạy, độ đặc hiệu và tỷ lệ bệnh trong nhóm thử.
Bốn câu hỏi khi đọc tin “AI giỏi hơn bác sĩ”
- Thử trên phim của bệnh viện khác, hay chính bệnh viện đã cung cấp dữ liệu học?
- So với bác sĩ nào: bác sĩ đọc phim một mình trong điều kiện thử nghiệm, hay quy trình thật?
- Thử nghiệm hồi cứu trên phim cũ, hay thử nghiệm tiến cứu có nhóm đối chứng?
- Kết quả cuối cùng cho người bệnh có tốt hơn không (phát hiện sớm hơn, ít ca bỏ sót hơn)?
Một ví dụ đáng chú ý là thử nghiệm ngẫu nhiên MASAI tại Thụy Điển với hơn 100.000 phụ nữ. Kết quả công bố đầu năm 2025 trên The Lancet Digital Health cho thấy nhóm sàng lọc có AI hỗ trợ phát hiện nhiều hơn khoảng 29% ca ung thư vú, trong khi khối lượng đọc phim của bác sĩ giảm khoảng 44%. Lưu ý: ở đây AI hỗ trợ bác sĩ, không thay bác sĩ.
Các cột mốc của AI đọc phim
AI đọc phim không mới; cái mới là độ chính xác đủ để dùng hằng ngày.
- Thập niên 1990: phần mềm phát hiện hỗ trợ bằng máy tính (CAD) đầu tiên cho nhũ ảnh, dựa trên quy tắc viết tay; được cấp phép ở Mỹ năm 1998 nhưng báo động giả khá nhiều.
- 2012: học sâu thắng lớn ở cuộc thi ImageNet, mở đường cho mạng nơ-ron tích chập vào y tế.
- 2016–2017: các mô hình học sâu đọc X-quang ngực, phim võng mạc, ảnh da liễu đạt kết quả ngang chuyên gia trên bộ dữ liệu thử.
- 2018: phần mềm xếp ưu tiên ca nghi đột quỵ trên CT được FDA cho phép; cùng năm, hệ thống tự động sàng lọc bệnh võng mạc tiểu đường đầu tiên được cấp phép.
- 2021: WHO khuyến nghị dùng CAD đọc X-quang ngực sàng lọc lao.
- 2023–2025: thử nghiệm ngẫu nhiên quy mô lớn như MASAI; số thiết bị AI được cấp phép tăng nhanh mỗi năm.
Giới hạn và rủi ro của AI chẩn đoán hình ảnh
Đổi máy chụp, đổi bệnh viện là kém đi
AI chỉ giỏi trên kiểu dữ liệu nó đã học. Một nghiên cứu năm 2018 (Zech và cộng sự, PLOS Medicine) cho thấy mô hình phát hiện viêm phổi trên X-quang ngực giảm hiệu quả rõ rệt khi đem sang bệnh viện khác; mô hình thậm chí nhận ra được phim đến từ bệnh viện nào, tức là có thể học “mẹo” thay vì học bệnh. Hiện tượng này gọi là dịch chuyển dữ liệu (dataset shift).
Sai mà vẫn tự tin
AI có thể đưa ra điểm nghi ngờ rất cao cho một vùng hoàn toàn bình thường, hoặc bỏ qua một tổn thương lạ chưa từng gặp trong dữ liệu học. Nó không biết mình không biết.
Bác sĩ quá tin máy
Đây là rủi ro âm thầm nhất, gọi là thiên kiến tự động hoá (automation bias). Một nghiên cứu đăng trên tạp chí Radiology năm 2023 cho bác sĩ đọc nhũ ảnh kèm gợi ý của “AI” (thực chất có cài gợi ý sai). Khi gợi ý sai, độ chính xác của bác sĩ ít kinh nghiệm giảm từ gần 80% xuống dưới 20%, và cả bác sĩ rất giàu kinh nghiệm cũng giảm từ khoảng 82% xuống khoảng 45%.
Thiên lệch dữ liệu và trách nhiệm
Dữ liệu học thiếu một nhóm người (độ tuổi, màu da, loại cơ thể) thì AI có thể kém hơn với nhóm đó. Và khi có sai sót, người chịu trách nhiệm trước bệnh nhân vẫn là bác sĩ, bệnh viện; AI không ký tên vào kết luận.
AI có thay được bác sĩ chẩn đoán hình ảnh không
Năm 2016, một nhà khoa học AI nổi tiếng từng nói nên ngừng đào tạo bác sĩ chẩn đoán hình ảnh vì AI sẽ làm tốt hơn trong vài năm. Gần một thập kỷ sau, nhu cầu bác sĩ chẩn đoán hình ảnh trên thế giới vẫn tăng. Lý do nằm ở chỗ đọc phim chỉ là một phần công việc:
- Bác sĩ kết hợp hình ảnh với triệu chứng, xét nghiệm, tiền sử, phim cũ của bệnh nhân.
- Bác sĩ phát hiện cả những bất thường “ngoài đề” mà AI chuyên một việc không được dạy.
- Bác sĩ trao đổi với đồng nghiệp lâm sàng, tư vấn bước tiếp theo, chịu trách nhiệm pháp lý.
Cách nhìn hợp lý hiện nay, như video kết luận: coi AI là một đồng nghiệp cẩn thận nhưng chưa trưởng thành, không phải vị thầy không bao giờ sai. Câu nói hay được nhắc trong ngành là: AI sẽ không thay bác sĩ, nhưng bác sĩ biết dùng AI có thể thay bác sĩ không biết dùng.
| Việc | AI làm tốt | Bác sĩ làm tốt |
|---|---|---|
| Đọc khối lượng lớn | Nhanh, không mệt, đều tay | Chậm hơn, dễ mỏi cuối ca |
| Bắt dấu hiệu hẹp đã học | Rất tốt nếu dữ liệu giống lúc học | Tốt, nhưng có thể sót nốt nhỏ |
| Ca lạ, bệnh hiếm | Kém, có thể bỏ qua | Nhận ra điều bất thường |
| Kết hợp bệnh sử, tư vấn | Không làm được | Việc cốt lõi của bác sĩ |
| Chịu trách nhiệm | Không | Có |
Người bệnh nên biết gì khi kết quả có AI tham gia
Bạn có thể đã được chụp phim ở nơi có dùng phần mềm AI mà không biết. Vài điều nên nắm:
1. Kết luận chính thức là của bác sĩ
Kết quả chẩn đoán hình ảnh có giá trị là bản kết luận có chữ ký bác sĩ, không phải điểm số hay bản đồ nhiệt của phần mềm.
2. Cứ hỏi, đó là quyền của bạn
Bạn có thể hỏi: kết quả có dùng phần mềm hỗ trợ không, bác sĩ đã xem lại chưa, có cần chụp thêm hay theo dõi không.
3. Đừng tự chẩn đoán bằng chatbot
Chatbot đa năng không phải phần mềm y tế được cấp phép đọc phim. Tải ảnh phim hoặc hồ sơ bệnh lên chatbot còn có rủi ro lộ dữ liệu sức khỏe cá nhân. Hãy dùng chatbot để hiểu thuật ngữ, chuẩn bị câu hỏi cho bác sĩ, không phải để thay kết luận.
4. Giữ lại phim cũ
Dù người hay máy đọc, so sánh với phim lần trước luôn giúp đánh giá thay đổi chính xác hơn. Hãy lưu đĩa hoặc đường dẫn phim kỹ thuật số.
Hiểu lầm phổ biến về AI trong y tế
“AI đã giỏi hơn bác sĩ”
Một số nghiên cứu cho thấy AI ngang hoặc nhỉnh hơn bác sĩ ở một nhiệm vụ hẹp, trên một bộ dữ liệu cụ thể. Điều đó khác xa “giỏi hơn bác sĩ” trong toàn bộ công việc chẩn đoán.
“Máy móc thì khách quan, không thiên vị”
AI học từ dữ liệu do con người thu thập và gắn nhãn, nên mang theo khoảng trống và thiên lệch của dữ liệu đó.
“Được cấp phép là dùng được ở mọi nơi”
Cấp phép thường cho một mục đích, một loại ảnh cụ thể. Mỗi bệnh viện vẫn nên kiểm tra lại trên dữ liệu và máy chụp của chính mình.
Câu hỏi thường gặp về AI chẩn đoán hình ảnh
AI chẩn đoán hình ảnh đọc được những loại phim nào?
Phổ biến nhất là X-quang ngực, CT não và ngực, nhũ ảnh sàng lọc ung thư vú, MRI, ảnh võng mạc và ảnh giải phẫu bệnh kỹ thuật số. Mỗi phần mềm thường chỉ được thiết kế và cấp phép cho một hoặc vài loại ảnh và một nhóm dấu hiệu cụ thể, không đọc được tất cả.
AI đọc phim có nhanh hơn bác sĩ không?
Có. Phần mềm thường cho kết quả trong vài giây tới vài phút mỗi ca và có thể chạy suốt ngày đêm. Giá trị lớn nhất của tốc độ là đẩy ca khẩn lên trước, giúp bác sĩ xử lý sớm hơn, chứ không phải bỏ qua bước bác sĩ đọc lại.
Nếu AI và bác sĩ kết luận khác nhau thì sao?
Trong quy trình đúng, bất đồng là tín hiệu để xem kỹ hơn: bác sĩ đọc lại, hội chẩn với đồng nghiệp hoặc chỉ định thêm xét nghiệm. Kết luận cuối cùng vẫn do bác sĩ đưa ra và chịu trách nhiệm.
AI có giúp phát hiện ung thư sớm hơn không?
Một số thử nghiệm lớn như MASAI ở Thụy Điển cho thấy AI hỗ trợ giúp phát hiện thêm ca ung thư vú trong sàng lọc. Tuy vậy, cần thêm thời gian theo dõi để biết lợi ích cuối cùng với sức khỏe và tránh phát hiện quá mức những tổn thương không nguy hiểm.
Tôi có nên tải phim chụp lên chatbot để hỏi không?
Không nên dùng chatbot đa năng để thay kết luận của bác sĩ. Nếu muốn tìm hiểu, hãy xoá thông tin cá nhân trên ảnh, đọc kỹ chính sách dữ liệu và chỉ dùng câu trả lời để chuẩn bị câu hỏi cho buổi khám.
Kết luận: đôi mắt thứ hai, không phải người thay thế
AI chẩn đoán hình ảnh mạnh ở chỗ nhìn kỹ, nhìn nhanh và không biết mệt. Nó đang giúp sàng lọc, xếp ưu tiên ca khẩn và làm người đọc thứ hai ở nhiều nơi. Nhưng hiểu một con người, cân nhắc hoàn cảnh và chịu trách nhiệm cho quyết định vẫn là việc của thầy thuốc. Quay lại bác sĩ ở tấm phim thứ 200: thứ ông cần không phải cỗ máy thay mình, mà là một đôi mắt tỉnh táo bên cạnh nhắc nhẹ “ở góc này, xin hãy nhìn lại”.
Bạn có yên tâm nếu phim chụp của mình được AI đọc trước rồi bác sĩ xác nhận? Hãy chia sẻ suy nghĩ trong phần bình luận, và theo dõi Nhật Phúc cùng kênh Vọc Sĩ để hiểu AI theo cách dễ hiểu nhất.
Bài viết mang tính phổ biến kiến thức, không thay thế tư vấn của bác sĩ.
Bình luận
Chưa có bình luận nào. Bạn có câu hỏi hay kinh nghiệm riêng về chủ đề này? Hãy là người mở đầu.