Tiểu luận: Ứng dụng của AI vào trong y học hiện đại | Học viện Ngân Hàng

Tiểu luận: Ứng dụng của AI vào trong y học hiện đại | Học viện Ngân Hàng với những kiến thức và thông tin bổ ích giúp sinh viên tham khảo, ôn luyện và phục vụ nhu cầu học tập của mình cụ thể là có định hướng, ôn tập, nắm vững kiến thức môn học và làm bài tốt trong những bài kiểm tra, bài tiểu luận, bài tập kết thúc học phần. Mời bạn đọc đón xem!

106 53 lượt tải Tải xuống

Chia sẻ Báo cáo tài liệu

MỤC LỤC

LỜI CẢM ƠN...................................................................................................................2

Chương I. Tổng quan về trí tuệ nhân tạo.......................................................................2

1.1. Định nghĩa cơ bản về trí tuệ nhân tạo..................................................................3

1.2. Lịch sử hình thành và phát triển của AI nói chung và trong y học hiện đại nói

riêng...............................................................................................................................5

1.2.1. Thực trạng AI hiện nay...................................................................................5

1.2.2. Các cột mốc quan trọng trong lịch sử phát triển AI.....................................6

1.2.3 AI trong y học hiện tại....................................................................................10

1.3. Các loại AI và những thành phần cơ bản...........................................................11

1.3.1. Các loại AI......................................................................................................11

1.3.2. Câc thành phần cơ bản của Ai......................................................................14

Chương II. Trí tuệ nhân tạo trong y học......................................................................16

2.1. Lợi thế của việc sử dụng AI trong y tế................................................................16

2.1.1. Cung cấp dữ liệu thực tế...............................................................................16

2.1.2. Tự động hóa công việc...................................................................................17

2.1.3. Tiết kiệm thời gian và nguồn lực..................................................................17

2.1.4. Hỗ trợ nghiên cứu.......................................................................................... 18

2.1.5. Giảm gánh nặng cho các y bác sĩ..................................................................18

2.2. Nhược điểm của AI trong y học..........................................................................18

2.2.1. Cần sự giám sát của con người.....................................................................18

2.2.2. Có thể bỏ qua các vấn đề xã hội....................................................................19

2.2.3. Tăng tỉ lệ thất ngiệp.......................................................................................19

2.2.4. Tính toán sai lầm vẫn có thể xảy ra..............................................................20

2.2.5. Rủi ro về bảo mặt...........................................................................................20

2.3. Ứng dụng của AI trong y học..............................................................................20

2.3.1. Ứng dụng tổng quát.......................................................................................20

2.3.2. Ứng dụng cụ thể.............................................................................................23

Chương III. Tương lai của AI trong bối cảnh đại dịch COVID 19, đề xuất giải pháp

cải thiện...........................................................................................................................25

3.1. AI trong bối cảnh đại dịch COVID 19 hiện nay.................................................25

3.1.1. Phát hiện các ổ dịch và theo dõi nguồn lây..................................................25

3.1.2. Dự báo một đợt bùng phát............................................................................27

3.1.3. Tiên lượng...................................................................................................... 28

3.1.4. Phát triển thuốc và vắc xin............................................................................28

3.2. Các giải pháp giúp tăng cường, phát triển và cải thiện ứng dụng của trí thông

minh nhân tạo trong y tế............................................................................................29

3.2.1. Hợp tác cùng nhau để xây dựng nên những AI chất lượng trong việc chăm

sóc sức khỏe..............................................................................................................30

3.2.2. Cải thiện chất lương giáo dục và kỹ năng....................................................30

3.2.3. Tăng cường chất lượng dữ liệu, quản trị, bảo mật và khả năng tương tác.

................................................................................................................................... 31

3.2.4. Quản lý sự thay đổi........................................................................................31

3.2.5. Đầu tư vào tài năng và tạo ra các vai trò mới..............................................32

3.2.6. Làm việc ở quy mô lớn..................................................................................32

3.2.7. Quy định, hoạch định chính sách, trách nhiệm pháp lý và quản lý rủi ro 32

3.2.8. Kinh phí..........................................................................................................32

Chương IV. Tổng kết......................................................................................................33

LỜI CẢM ƠN

Chúng em xin gửi lời cảm ơn chân thành đến cô Chu Hồng Hải – giảng viên môn Năng

lực số lớp K24CLC - TCC đã tạo điều kiện thuận lợi cho chúng em học tập và hoàn thành

Bài tập lớn này. Đặc biệt, chúng em xin bày tỏ lòng biết ơn sâu sắc đến cô, người đã dày

công truyền đạt kiến thức và hướng dẫn chúng em chi tiết trong quá trình làm bài. Chúng

em đã cố gắng vận dụng những kiến thức đã học và tìm hiểu, nghiên cứu được trong học

kỳ qua để hoàn thành bài nhưng do kiến thức hạn chế và chưa có nhiều kinh nghiệm thực

tiễn nên khó tránh khỏi những thiếu sót trong quá trình nghiên cứu và trình bày. Rất kính

mong sự góp ý của quý thầy cô để bài tiểu luận của em được hoàn thiện hơn. Một lần

nữa, em xin trân trọng cảm ơn sự quan tâm giúp đỡ của các thầy cô đã giúp đỡ em trong

quá trình thực hiện bài tiểu luận này. Xin trân trọng cảm ơn!

Chương I. Tổng quan về trí tuệ nhân tạo

1.1. Định nghĩa cơ bản về trí tuệ nhân tạo ( ) (Thuu Chương 1 trong slide thuyết

trình)

Trong triển lãm công nghệ IFA 2018 diễn ra tại Berlin, các hãng sản xuất công nghệ hàng

đầu thế giới như Samsung, LG, Sony,... đã công bố rất nhiều các mẫu sản phẩm mới tích

hợp trí tuệ nhân tạo AI nhằm tăng trải nghiệm của người tiêu dùng như các mẫu TV

BRAVIA, Family Hub của Samsung; loạt thiết bị gia dụng cao cấp của LG; chú chó robot

AIBO của Sony và rất nhiều các thiết bị khác cho thấy các hãng điện tử trên thế giới đều

chú trọng vào việc sự phát triển của trí tuệ nhân tạo.

Trí tuệ nhân tạo hay trí thông minh nhân tạo (Artificial intelligence) là một nhánh của

khoa học máy tính liên quan đến việc xây dựng các máy tính có khả năng thực hiện

những nhiệm vụ thường đòi hỏi trí thông minh của con người. Nó mô phỏng các quá

trình suy nghĩ, xử lí của con người bằng máy móc, đặc biệt là các hệ thống máy tính. Các

ứng dụng cụ thể của AI bao gồm các hệ thống chuyên gia, xử lý ngôn ngữ tự nhiên, nhận

dạng giọng nói và tầm nhìn máy.Trí tuệ nhân tạo khác với việc lập trình logic trong các

ngôn ngữ lập trình ở việc ứng dụng các hệ thống học máy (machine learning) để mô

phỏng trí tuệ của con người trong cách xử lý công việc mà con người làm tốt hơn máy

tính. (Cụ thể, trí tuệ nhân tạo giúp máy tính có được những khẳ năng của trí tuệ con

người như: biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn

ngữ, lời nói, biết học hỏi và tự thích nghi,…). Tuy rằng trí thông minh nhân tạo thường

dược công chúng biết dến như những trí thông minh siêu việt trong các tác phẩm khoa

học viễn tưởng, thực chất nó lại là một trong những ngành trọng yếu của tin học. Cách

thức vận hành của AI thường biểu hiện qua hành vi, sự học hỏi và khả năng thích ứng

một cách thông minh của máy móc. Trí tuệ nhân tạo giúp máy tính có thể học hỏi từ kinh

nghiệm, điều chỉnh theo những đầu vào mới và thực hiện các nhiệm vụ giống như con

người. Hầu hết các ví dụ về AI mà bạn nghe dến ngày nay - từ các máy tính biết chơi cờ,

tự lái xe - phụ thuộc rất nhiều vào việc học sâu (DL) và xử lí ngôn ngữ tự nhiên (NLP).

Bằng những công nghệ này, máy tính có thể được đào tạo để hoàn thành các nhiệm vụ cụ

thể bằng cách xử lý một lượng lớn dữ liệu và nhận dạng các mẫu trong dữ liệu. Trí tuệ

nhân tạo tập trung vào việc xây dựng và quản lý, có thể học cách quyết định tự động và

thực hiện các hành động thay cho một con người. AI không phải là một công nghệ duy

nhất. Nó là một thuật ngữ bao gồm bất kỳ loại phần mềm hoặc phần cứng nào hỗ trợ học

máy(ML), tầm nhìn máy tính (CV), thông hiểu ngôn ngữ tự nhiên (NLU) và xử lý ngôn

ngữ tự nhiên (NLP). AI ngày nay sử dụng phần cứng CMOS thông thường và các thuật

toán cơ bản giống nhau hỗ trợ, thúc đẩy các phần mềm truyền thống. Các thế hệ AI dự

kiến trong tương lai sẽ truyền cảm hứng cho các loại mạch và kiến trúc mới, giúp nó có

thể đưa ra các quyết định dựa trên dữ liệu nhanh hơn và chính xác hơn người bình thường

có thể làm.

1.2. Lịch sử hình thành và phát triển của AI nói chung và trong y học hiện đại nói

riêng. ( ) (Thỏ Chương 2 trong slide thuyết trình)

1.2.1. Thực trạng AI hiện nay.

Thực ra nguồn gốc ra đời trí tuệ nhân tạo AI không hề sớm như đã nói, nhưng nó là thành

quả tất yếu của sự phát triển khoa học và công nghệ, là giải pháp cho những bài toán khó

của sự phát triển loài người trong tương lai. Dưới đây chúng ta cùng điểm lại những cột

mốc quan trọng trong lịch sử phát triển trí tuệ nhân tạo AI.

Ngày nay, việc tiếp tục nghiên cứu và cải tiến trí tuệ nhân tạo AI về các công nghệ nền

tảng đã thể hiện rõ trong các kỹ năng tự động hóa và lý luận có thể được tích hợp trong

điện thoại, máy tính và máy móc…. Trí tuệ nhân tạo AI theo cách nào đang trở thành một

thực tế nền tảng của thế giới hiện nay.

Trong khi các bộ phim khoa học viễn tưởng và tiểu thuyết Hollywood mô tả AI là những

robot giống như con người chiếm lĩnh thế giới, thì sự phát triển hiện tại của công nghệ AI

không hề đáng sợ như chúng ta vẫn thấy trên phim ảnh. Thay vào đó, trí tuệ nhân tạo AI

đã phát triển để cung cấp nhiều lợi ích cụ thể trong các ngành công nghiệp, chăm sóc sức

khỏe, bán lẻ…

AI đã được con người nghiên cứu từ rất sớm ở thập niên 60, khi đó ta đã khám phá ra

được những vấn đề mà công nghệ này có thể giải quyết. Vào những năm 1960, Bộ Quốc

phòng Hoa Kỳ đã quan tâm đến loại công việc này và bắt đầu xây dựng máy tính để bắt

chước những lý luận cơ bản của con người. Ví dụ, Cơ quan Dự án Nghiên cứu Quốc

phòng Tiên tiến (DARPA) đã hoàn thành dự án lập bản đồ cho đường phố vào những năm

1970, và chính DARPA cũng đã sản xuất ra trợ lý cá nhân thông minh vào năm 2003.

Công việc khởi đầu này đã mở đường cho sự tự động hóa và lý luận toán học mà chúng ta

thấy trong các máy tính ngày nay, bao gồm các hệ thống hỗ trợ quyết định và hệ thống

tìm kiếm thông minh, được thiết kế để hỗ trợ, bổ sung và tăng cường khả năng của con

người.

1.2.2. Các cột mốc quan trọng trong lịch sử phát triển AI.

1.2.2.1. AI trong những năm 1900

Sau những năm 1900, tốc độ đổi mới trong trí tuệ nhân tạo đã phát triển đáng kể.

1921: Karel Čapek, một nhà viết kịch người Séc, cho ra mắt vở kịch khoa học viễn tưởng

“Rossum’s Universal Robots” (bản dịch tiếng Anh). Vở kịch của ông đã khám phá khái

niệm về những người nhân tạo do nhà máy sản xuất mà anh gọi là “rô bốt” – đây là lần

đầu tiên từ rô bốt được sử dụng. Kể từ thời điểm này trở đi, mọi người đã lấy ý tưởng

“robot” và triển khai nó vào các nghiên cứu, nghệ thuật và khám phá của họ.

1927: Bộ phim khoa học viễn tưởng Metropolis, do Fritz Lang đạo diễn, kể về một cô gái

người máy không thể phân biệt bản thân là người máy với cơ thể người mà từ đó đã trở

nên phát điên. Sau đó, cô gái robot tấn công thị trấn, tàn phá thành phố Berlin của tương

lai. Bộ phim này có ý nghĩa quan trọng vì đây là mô tả trên màn ảnh đầu tiên về một

người máy và do đó mang lại nguồn cảm hứng cho các nhân vật không phải con người

nổi tiếng khác như nhân vật C-P30 trong bộ phim khoa học viễn tưởng nổi tiếng “Chiến

tranh giữa các vì sao”.

1929: Nhà sinh vật học và giáo sư người Nhật Bản Makoto Nishimura đã tạo ra

Gakutensoku, người máy đầu tiên được chế tạo ở Nhật Bản. Gakutensoku có nghĩa là

"học hỏi từ quy luật tự nhiên", ngụ ý trí tuệ nhân tạo của robot có thể thu thập kiến thức

từ con người và thiên nhiên. Một số tính năng của nó bao gồm cử động đầu và tay cũng

như thay đổi nét mặt.

1939: John Vincent Atanasoff (nhà vật lý và nhà phát minh), cùng với trợ lý là sinh viên

mới tốt nghiệp Clifford Berry, đã tạo ra Máy tính Atanasoff-Berry (ABC) với khoản tài

trợ 650 đô la từ tại Đại học Bang Iowa. ABC nặng hơn 700 pound và có thể giải quyết

đồng thời 29 phương trình tuyến tính.

1949: Cuốn sách “Bộ não khổng lồ: Hay máy móc suy nghĩ” của nhà khoa học máy tính

Edmund Berkeley lưu ý rằng máy móc ngày càng có khả năng xử lý lượng lớn thông tin

với tốc độ và kỹ năng vượt trội. Ông tiếp tục so sánh máy móc với não người nếu nó

được làm bằng “phần cứng và dây điện thay vì các sợi cơ và dây thần kinh”, mô tả khả

năng của máy móc đối với trí óc con người, nói rằng “một cỗ máy, do đó, có thể suy

nghĩ”.

1.2.2.2. AI trong những năm 1950

Những năm 1950 được chứng minh là thời điểm mà nhiều tiến bộ trong lĩnh vực trí tuệ

nhân tạo đã thành hiện thực với sự gia tăng các phát hiện dựa trên nghiên cứu về AI của

nhiều nhà khoa học máy tính khác nhau.

1950: Claude Shannon, “cha đẻ của lý thuyết thông tin”, xuất bản “Lập trình máy tính để

chơi cờ”, đây là bài báo đầu tiên thảo luận về sự phát triển của chương trình máy tính có

khă răng chơi cờ.

1950: Alan Turing xuất bản “Máy tính và trí thông minh”, trong đó đề xuất ý tưởng về

“Trò chơi mô phỏng” - một câu hỏi rằng liệu máy móc có thể suy nghĩ hay không. Đề

xuất này sau đó trở thành “Bài kiểm tra Turing”, đo lường trí thông minh của máy móc.

Sự phát triển của Turing đã kiểm tra khả năng suy nghĩ của một cỗ máy như con người.

Bài kiểm tra Turing đã trở thành một thành phần quan trọng trong triết lý trí tuệ nhân tạo,

thảo luận về trí thông minh, ý thức và khả năng của máy móc.

1952: Arthur Samuel, một nhà khoa học máy tính, đã phát triển một chương trình máy

tính chơi cờ caro - chương trình đầu tiên học cách chơi một trò chơi một cách độc lập.

1955: John McCarthy và một nhóm các đồng nghiệp của ông đã sáng lập một đề xuất cho

hội thảo về “trí tuệ nhân tạo”. Năm 1956 khi hội thảo diễn ra, sự ra đời chính thức của từ

này là do McCarthy.

1955: Allen Newell (nhà nghiên cứu), Herbert Simon (nhà kinh tế học) và Cliff Shaw

(nhà lập trình) là đồng tác giả của Logic Theorist, chương trình máy tính trí tuệ nhân tạo

đầu tiên.

1958: McCarthy phát triển Lisp, ngôn ngữ lập trình phổ biến nhất và vẫn được ưa chuộng

để nghiên cứu trí tuệ nhân tạo.

1959: Samuel đặt ra thuật ngữ "máy học" khi nói về việc lập trình một máy tính để chơi

cờ vua tốt hơn người đã viết ra chương trình của nó.

1.2.2.3. AI trong những năm 1960

Sự đổi mới trong lĩnh vực trí tuệ nhân tạo đã phát triển nhanh chóng trong suốt những

năm 1960. Việc tạo ra các ngôn ngữ lập trình mới, rô bốt và ô tô tự động, các nghiên cứu

và các bộ phim mô tả những sinh vật thông minh nhân tạo ngày càng phổ biến. Điều này

nhấn mạnh tầm quan trọng của AI trong nửa sau của thế kỷ 20.

1961: Unimate, một robot công nghiệp do George Devol phát minh vào những năm 1950,

trở thành bộ phận đầu tiên làm việc trong dây chuyền lắp ráp General Motors ở New

Jersey. Trách nhiệm của nó bao gồm vận chuyển các khuôn đúc từ dây chuyền lắp ráp và

hàn các bộ phận trên ô tô - một nhiệm vụ được coi là nguy hiểm đối với con người.

1964: Daniel Bobrow, một nhà khoa học máy tính, đã tạo ra STUDENT, một chương

trình AI ban đầu được viết bằng Lisp để giải các bài toán đại số. STUDENT được coi là

cột mốc quan trọng ban đầu của quá trình xử lý ngôn ngữ tự nhiên của AI.

1966: Shakey the Robot, do Charles Rosen phát triển với sự giúp đỡ của 11 người khác,

là robot di động đa năng đầu tiên, còn được gọi là “người điện tử đầu tiên”.

1968: Bộ phim khoa học viễn tưởng 2001: A Space Odyssey của đạo diễn Stanley

Kubrick được phát hành. Nó có HAL (Máy tính thuật toán được lập trình theo phương

pháp Heurisally), là một máy tính có tri giác. HAL kiểm soát các hệ thống của tàu vũ trụ

và tương tác với phi hành đoàn của con tàu, trò chuyện với họ như thể HAL là con người

cho đến khi sự cố xảy ra làm thay đổi các tương tác của HAL theo hướng tiêu cực.

1968: Terry Winograd, giáo sư khoa học máy tính, đã tạo ra SHRDLU, một chương trình

máy tính ngôn ngữ tự nhiên ban đầu.

1.2.2.4. AI trong những năm 1970

Giống như những năm 1960, những năm 1970 tiếp tục ghi nhận những tiến bộ nhanh

chóng, đặc biệt là rô bốt và ô tô tự động. Tuy nhiên, trí tuệ nhân tạo trong những năm

1970 phải đối mặt với nhiều thách thức, chẳng hạn như sự cắt giảm tài trợ của chính phủ

cho nghiên cứu AI.

1970: WABOT-1, robot hình người đầu tiên, được chế tạo ở Nhật Bản tại Đại học

Waseda. Các tính năng của nó bao gồm cử động tay chân, khả năng nhìn và khả năng trò

chuyện.

1973: James Lighthill, một nhà toán học ứng dụng, đã báo cáo tình hình nghiên cứu trí

tuệ nhân tạo cho Hội đồng Khoa học Anh, tuyên bố: “Không có lĩnh vực nào mà những

khám phá được thực hiện cho đến nay tạo ra tác động lớn như những tuyên bố hứa hẹn

ban đầu,” dẫn đến sự cắt giảm đáng kể hỗ trợ nghiên cứu AI từ chính phủ Anh.

1977: Bộ phim Chiến tranh giữa các vì sao của đạo diễn George Lucas được phát hành.

Phim có C-3PO, một robot hình người và “thông thạo hơn bảy triệu hình thức giao tiếp”.

Là bạn đồng hành với C-3PO, bộ phim còn có sự tham gia của R2-D2 - một robot nhỏ,

không có khả năng nói như con người (nghịch đảo của C-3PO); thay vào đó, R2-D2 giao

tiếp bằng tiếng bíp điện tử. Các chức năng của nó bao gồm sửa chữa và lái thử các máy

bay chiến đấu.

1979: Stanford Cart, một robot di động được trang bị TV điều khiển từ xa được tạo ra bởi

James L. Adams, sinh viên tốt nghiệp ngành cơ khí lúc bấy giờ vào năm 1961. Năm

1979, một “thanh trượt” hoặc xoay cơ học có thể di chuyển camera TV sang hai bên,

được thêm vào bởi Hans Moravec, khi đó là một nghiên cứu sinh. Chiếc xe đẩy thành

công vượt qua một căn phòng đầy ghế mà không có sự can thiệp nào của con người trong

khoảng năm giờ, khiến nó trở thành một trong những ví dụ sớm nhất về phương tiện tự

hành.

1.2.2.5. AI trong những năm 1980

Sự phát triển nhanh chóng của trí tuệ nhân tạo tiếp tục trong những năm 1980. Bất chấp

những tiến bộ và sự phấn khích đằng sau AI, sự thận trọng bao quanh một “Mùa đông

AI” là không thể tránh khỏi, một khoảng thời gian sụt giảm nguồn vốn và sự quan tâm

dành cho trí tuệ nhân tạo.

1980: WABOT-2 được chế tạo tại Đại học Waseda. Sự ra đời này của WABOT cho phép

robot hình người này giao tiếp với mọi người cũng như đọc các bản nhạc và chơi nhạc

trên đàn organ điện tử.

1981: Bộ Thương mại Quốc tế và Công nghiệp Nhật Bản đã phân bổ 850 triệu đô la cho

dự án Máy tính Thế hệ thứ Năm, với mục tiêu là phát triển máy tính có thể trò chuyện,

dịch ngôn ngữ, giải thích hình ảnh và diễn đạt suy luận giống như con người.

1984: Bộ phim Electric Dreams, do Steve Barron đạo diễn, được phát hành. Cốt truyện

xoay quanh mối tình tay ba giữa một người đàn ông, một phụ nữ và một máy tính cá nhân

có tri giác có tên là “Edgar”.

1984: Tại Hiệp hội vì sự phát triển của trí tuệ nhân tạo (AAAI), Roger Schank (nhà lý

thuyết về AI) và Marvin Minsky (nhà khoa học nhận thức) cảnh báo về mùa đông AI, đây

là trường hợp đầu tiên khi sự quan tâm và tài trợ cho nghiên cứu trí tuệ nhân tạo bị cắt

giảm. Lời cảnh báo của họ đã trở thành sự thật trong vòng ba năm sau đó.

1986: Mercedes-Benz chế tạo và phát hành một chiếc xe van không người lái được trang

bị camera và cảm biến dưới sự chỉ đạo của Ernst Dickmanns. Nó có thể lái với vận tốc 55

dặm/giờ trên một con đường không có chướng ngại vật và không có người điều khiển.

1988: Nhà khoa học máy tính và nhà triết học Judea Pearl xuất bản “Lý luận xác suất

trong các hệ thống thông minh”. Pearl cũng được ghi nhận là người đã phát minh ra mạng

Bayes, một “mô hình đồ họa xác suất” đại diện cho tập hợp các biến và sự phụ thuộc của

chúng thông qua biểu đồ xoay chiều có hướng (DAG).

1988: Rollo Carpenter, lập trình viên và là người phát minh ra hai robot trò chuyện,

Jabberwacky và Cleverbot (phát hành vào những năm 1990), đã phát triển Jabberwacky

để "mô phỏng cuộc trò chuyện tự nhiên của con người theo cách thú vị, giải trí và hài

hước." Đây là một ví dụ về AI thông qua một chatbot giao tiếp với mọi người.

1.2.2.6. AI trong những năm 1990

Sự kết thúc của thiên niên kỷ đã ở phía trước, nhưng nó chỉ cho thấy trí tuệ nhân tạo tiếp

tục phát triển không ngừng.

1995: Nhà khoa học máy tính Richard Wallace đã phát triển chatbot A.L.I.C.E. Sự khác

biệt giữa A.L.I.C.E. và ELIZA là việc bổ sung thu thập dữ liệu các mẫu ngôn ngữ tự

nhiên.

1997: Các nhà khoa học máy tính Sepp Hochreiter và Jürgen Schmidhuber đã phát triển

Bộ nhớ ngắn hạn dài hạn (LSTM), một loại kiến trúc mạng nơ-ron tuần hoàn (RNN)

được sử dụng để nhận dạng chữ viết tay và giọng nói.

1997: Deep Blue, một máy tính có khả năng chơi cờ vua do IBM phát triển đã trở thành

hệ thống đầu tiên chiến thắng một ván cờ với một nhà đương kim vô địch thế giới là

Garry Kasparov.

1998: Dave Hampton và Caleb Chung phát minh ra Furby, robot đồ chơi hình “thú cưng”

đầu tiên dành cho trẻ em.

1999: Cùng với Furby, Sony đã giới thiệu AIBO (Artificial Intelligence RoBOt), một chú

chó robot trị giá 2.000 USD được chế tạo để "học" bằng cách tương tác với môi trường,

chủ sở hữu và các AIBO khác. Các tính năng của nó bao gồm khả năng hiểu và phản hồi

hơn 100 lệnh thoại cũng như giao tiếp với chủ nhân của nó.

1.2.2.7. AI từ 2000-2010

Thiên niên kỷ mới đã diễn ra - và sau khi nỗi lo về Y2K giảm dần - AI tiếp tục có xu

hướng đi lên. Đúng như dự đoán, nhiều phát minh ứng dụng trí tuệ nhân tạo đã được tạo

ra cũng như các phương tiện truyền thông (cụ thể là phim ảnh) về khái niệm trí tuệ nhân

tạo và vị trí của nó liên tục được ra đời.

2000: Sự cố Y2K, còn được gọi là sự cố năm 2000, là một loại lỗi máy tính liên quan đến

việc định dạng và lưu trữ dữ liệu lịch điện tử bắt đầu từ ngày 01/01/2000. Cho rằng tất cả

các phần mềm và chương trình internet đã được tạo ra vào những năm 1900, một số hệ

thống sẽ gặp khó khăn khi thích ứng với định dạng năm mới 2000 (và hơn thế nữa).

Trước đây, các hệ thống tự động này chỉ phải thay đổi hai chữ số cuối cùng của năm; bây

giờ, tất cả bốn chữ số phải được chuyển sang - một thách thức đối với công nghệ và

những người đang sử dụng nó.

2000: Giáo sư Cynthia Breazeal đã phát triển Kismet, một robot có thể nhận biết và mô

phỏng cảm xúc bằng khuôn mặt của nó. Nó có cấu trúc giống như một khuôn mặt người

với mắt, môi, mí mắt và lông mày.

2000: Honda phát hành ASIMO, một robot hình người sử dụng trí tuệ nhân tạo.

2001: Bộ phim khoa học viễn tưởng A.I. Artificial Intelligence, do Steven Spielberg đạo

diễn, được phát hành. Bộ phim lấy bối cảnh một xã hội tương lai lạc hậu và theo chân

nhân vật chính David, một đứa trẻ hình người tiên tiến được lập trình với những cảm xúc

như con người, bao gồm cả khả năng yêu thương.

2002: i-Robot phát hành Roomba, một robot hút bụi tự động có khả năng tránh chướng

ngại vật.

2004: Robot thám hiểm Spirit and Opportunity của NASA điều hướng bề mặt sao Hỏa

mà không cần sự can thiệp của con người.

2004: Bộ phim khoa học viễn tưởng I, Robot, do Alex Proyas đạo diễn, được phát hành.

Lấy bối cảnh vào năm 2035, robot hình người phục vụ loài người trong khi nhân vật

chính của phim thì kịch liệt chống lại người máy, kết quả của một bi kịch cá nhân (do một

người máy gây ra).

2006: Oren Etzioni (giáo sư khoa học máy tính), Michele Banko, và Michael Cafarella

(các nhà khoa học máy tính), đặt ra thuật ngữ “máy đọc”, định nghĩa nó là khả năng hiểu

văn bản tự chủ không cần sự giám sát của con người.

2007: Giáo sư khoa học máy tính Fei Fei Li và các đồng nghiệp đã tạo ra ImageNet, một

cơ sở dữ liệu gồm các hình ảnh có chú thích với mục đích hỗ trợ nghiên cứu phần mềm

nhận dạng đối tượng.

2009: Google bí mật phát triển một chiếc xe hơi không người lái. Đến năm 2014, nó đã

vượt qua bài kiểm tra tự lái của Nevada.

1.2.2.8. AI từ 2010 đến nay

Thập kỷ hiện tại có ý nghĩa vô cùng quan trọng đối với sự đổi mới của AI. Từ năm 2010

trở đi, trí tuệ nhân tạo đã gắn liền với cuộc sống hàng ngày của chúng ta. Chúng ta sử

dụng điện thoại thông minh có trợ lý ảo và máy tính có chức năng "thông minh" mà hầu

hết chúng ta đều coi đó là những tính năng phải có. AI không còn là một giấc mơ viễn

vông nữa.

2010: ImageNet ra mắt Thử thách nhận dạng hình ảnh quy mô lớn ImageNet (ILSVRC),

cuộc thi nhận dạng đối tượng cho AI được tổ chức hàng năm của họ.

2010: Microsoft ra mắt Kinect cho Xbox 360, thiết bị chơi game đầu tiên theo dõi chuyển

động cơ thể người bằng camera 3D và phát hiện tia hồng ngoại.

2011: Watson, một máy tính trả lời câu hỏi bằng ngôn ngữ tự nhiên do IBM tạo ra, đã

đánh bại hai người từng là nhà vô địch Jeopardy!, Ken Jennings và Brad Rutter, trong

một trận đấu trên truyền hình.

2011: Apple phát hành Siri, một trợ lý ảo trên hệ điều hành iOS của Apple. Siri sử dụng

giao diện ngôn ngữ tự nhiên để suy luận, quan sát, trả lời và đề xuất mọi thứ cho người

dùng của nó. Nó thích ứng với các lệnh thoại và tạo ra “trải nghiệm được cá nhân hóa”

cho mỗi người dùng.

2012: Jeff Dean và Andrew Ng (các nhà nghiên cứu của Google) đã đào tạo một mạng

lưới thần kinh lớn gồm 16.000 bộ xử lý để nhận dạng hình ảnh của mèo (mặc dù không

cung cấp thông tin cơ bản) bằng cách hiển thị 10 triệu hình ảnh không gắn nhãn từ video

YouTube.

2013: Một nhóm nghiên cứu từ Đại học Carnegie Mellon đã phát hành Never Ending

Image Learner (NEIL), một hệ thống học máy có thể so sánh và phân tích các mối liên hệ

giữa các hình ảnh.

2014: Microsoft phát hành Cortana, phiên bản trợ lý ảo tương tự như Siri trên iOS.

2014: Amazon tạo ra Amazon Alexa, một trợ lý gia đình được phát triển thành loa thông

minh có chức năng như trợ lý cá nhân.

2015: Elon Musk, Stephen Hawking và Steve Wozniak trong số 3.000 người khác đã ký

một bức thư ngỏ cấm phát triển và sử dụng vũ khí tự động (cho mục đích chiến tranh).

2015-2017: Google DeepMind’s AlphaGo, một chương trình máy tính có khả năng chơi

cờ vây, đã đánh bại nhiều nhà vô địch (con người) khác nhau.

2016: Một robot hình người tên là Sophia được tạo ra bởi Hanson Robotics. Cô ấy được

biết đến là “công dân robot” đầu tiên. Điều khác biệt của Sophia với những robot hình

người trước đây là cô ấy giống người thật, với khả năng nhìn (nhận dạng hình ảnh), biểu

cảm khuôn mặt và giao tiếp thông qua AI.

2016: Google phát hành Google Home, một chiếc loa thông minh sử dụng AI để hoạt

động như một “trợ lý cá nhân” giúp người dùng ghi nhớ công việc, tạo cuộc hẹn và tìm

kiếm thông tin bằng giọng nói.

2017: Phòng thí nghiệm Nghiên cứu Trí tuệ Nhân tạo của Facebook đã đào tạo hai

chatbot giao tiếp với nhau để học cách thương lượng. Tuy nhiên, khi các chatbot trò

chuyện, chúng tách khỏi ngôn ngữ của con người (được lập trình bằng tiếng Anh) và phát

minh ra ngôn ngữ của riêng mình để giao tiếp với nhau - thể hiện trí tuệ nhân tạo ở một

mức độ cao hơn.

2018: AI xử lý ngôn ngữ của Alibaba (tập đoàn công nghệ Trung Quốc) vượt trội trí tuệ

con người trong bài kiểm tra khả năng đọc và hiểu ở Stanford. Phần xử lý ngôn ngữ của

Alibaba đạt điểm "82,44 so với 82,30 trên bộ 100.000 câu hỏi"

2018: Samsung giới thiệu Bixby, một trợ lý ảo. Các chức năng của Bixby bao gồm Thoại,

nơi người dùng có thể nói chuyện và đặt câu hỏi, đề xuất và gợi ý; Vision, nơi khả năng

“nhìn thấy” của Bixby được tích hợp vào ứng dụng máy ảnh và có thể xem những gì

người dùng nhìn thấy (tức là nhận dạng đối tượng, tìm kiếm, mua hàng, dịch thuật, ,,,); và

Trang chủ, nơi Bixby sử dụng thông tin dựa trên ứng dụng để giúp sử dụng và tương tác

với người dùng (ví dụ: các ứng dụng thời tiết và thể dục.)

1.2.3 AI trong y học hiện tại.

Những phát triển không ngừng trong công nghệ trí tuệ nhân tạo (AI) được kỳ vọng sẽ

mang đến những đổi mới cho ngành chăm sóc sức khỏe trong tương lai. Học máy, một

trường con của AI, là nghiên cứu về thuật toán máy tính được cải thiện tự động thông qua

trải nghiệm bằng cách áp dụng các phương pháp toán học. Học sâu, một tập con của học

máy, đề cập đến một thuật toán học bằng cách xử lý dữ liệu đầu vào thông qua mạng nơ-

ron nhân tạo. bắt chước các tế bào thần kinh trong não sinh học. Sự phát triển bùng nổ

của dữ liệu kỹ thuật số, sức mạnh tính toán được thúc đẩy bởi những đổi mới, nâng cấp

trong công nghệ phần cứng, chẳng hạn như đơn vị xử lý đồ họa và sự phát triển nhanh

chóng của các thuật toán học máy, được triển khai phổ biến bằng cách sử dụng học sâu,

tất cả đang để lại những dấu ấn đáng kể trong lĩnh vực chăm sóc sức khỏe. Theo đó,

nhiều tạp chí y khoa đã xuất bản một số lượng lớn các nghiên cứu phân tích một lượng

lớn dữ liệu sức khỏe bằng cách sử dụng công nghệ học máy để chẩn đoán và điều trị bệnh

nhân. Một số nghiên cứu này bao gồm phân tích hình ảnh y tế bằng công nghệ AI để phân

biệt hình ảnh và sử dụng chúng cho các phương pháp điều trị; dự đoán quá trình của bệnh

thông qua các dữ liệu y tế và chăm sóc sức khỏe khác nhau; phát triển các thiết bị y tế có

thể hỗ trợ việc ra quyết định trong quá trình điều trị hoặc để chẩn đoán; và mã hóa dữ liệu

y tế.

Hơn nữa, nhiều nỗ lực đã được thực hiện để phát triển và thương mại hóa các thiết bị y tế

dựa trên AI. Ngoài các nhà sản xuất thiết bị y tế hàng đầu, chẳng hạn như General

Electric, Siemens và Phillips, các công ty công nghệ thông tin hàng đầu thế giới như

Samsung, Google, Apple, Microsoft và Amazon cùng nhiều công ty khởi nghiệp đã

chứng minh những thành tựu nghiên cứu đáng kể trong việc sử dụng AI trong chăm sóc

sức khỏe. Dựa trên những thành tựu nghiên cứu này, các công ty cũng đang nỗ lực để

thiết lập những mục tiêu kinh doanh mới. Ngoài ra, những nỗ lực này của ngành công

nghiệp và lĩnh vực y tế đang góp phần vào việc các cơ quan quản lý phê duyệt thành công

các thiết bị y tế dựa trên AI. Tại Mỹ, Cục Quản lý Thực phẩm và Dược phẩm (FDA) đã

phê duyệt việc sử dụng các thiết bị y tế dựa trên AI lần đầu tiên vào năm 2017, và tại Hàn

Quốc, Bộ An toàn Thực phẩm và Dược phẩm đã phê duyệt việc sử dụng các thiết bị y tế

dựa trên AI kể từ 2018.

Tuy nhiên, vẫn còn nhiều lo ngại liên quan đến những công nghệ y tế dựa trên AI do các

công nghệ chăm sóc sức khỏe dựa trên AI khác với các công nghệ chăm sóc sức khỏe

truyền thống như thế nào; do đó, số lượng triển khai điều trị lâm sàng thực tế sử dụng AI

vẫn còn hạn chế. Để giới thiệu và triển khai công nghệ AI trong các cơ sở y tế thực tế và

mang lại kết quả có ý nghĩa cho những người tham gia chăm sóc sức khỏe, bao gồm cả

bác sĩ và bệnh nhân, nhiều thách thức khác nhau cần phải được giải quyết. Do đó, nghiên

cứu này thảo luận về thực trạng của sự phát triển hiện nay của công nghệ AI trong và

ngoài nước trong chăm sóc sức khỏe và xem xét các vấn đề cần giải quyết để triển khai

AI trong chăm sóc sức khỏe.

1.3. Các loại AI và những thành phần cơ bản. (Chu Minh) (Chương 3 trong slide

thuyết trình) ( ) (Thỏ Chương 3 trong slide thuyết trình)

1.3.1. Các loại AI.

1.3.1.1. Công nghệ AI phản ứng.

-Công nghệ AI phản ứng tuân theo những nguyên tắc cơ bản nhất của AI và đúng như tên

gọi, chỉ có khả năng sử dụng trí thông minh của mình để nhận thức và phản ứng với thế

giới trước mắt. Công nghệ AI phản ứng không có khả năng lưu trữ bộ nhớ, bởi vậy nó

không thể dựa vào những kinh nghiệm, dữ liệu trong quá khứ để đưa ra quyết định mới

trong thời gian thực.

-Nhận thức thế giới một cách trực tiếp có nghĩa công nghệ AI phản ứng được thiết kế chỉ

để hoàn thành một số nhiệm vụ đặc thù. Tuy nhiên, việc cố ý thu hẹp khả năng của công

nghệ AI phản ứng không phải một hình thức cắt giảm chi phí phát mình, thay vào đó loại

AI này sẽ đáng tin cậy hơn bởi sẽ phản ứng theo cùng một cách với những tác động giống

nhau vào mọi thời điểm.

-Một ví dụ nổi tiếng về công nghệ này là Deep Blue, được công ty IBM thiết kế vào

những năm 1990 như một siêu máy tính chơi cờ vua và nó đã đánh bại đại kiện tướng thế

giới Gary Kasparov trong một trận đấu. Deep Blue chỉ có khả năng xác định các quân

trên bàn cờ và cách di chuyển các quân cờ dựa trên các quy tắc của cờ vua, nhận biết vị

trí hiện tại của từng quân và xác định nước đi hợp lý nhất tại thời điểm đó. Nó không tính

toán các bước đi tiềm năng trong tương lai của đối thủ hay cố gắng đặt các quân cờ của

mình vào vị trí tốt hơn. Mỗi lượt được xem như thực tế của riêng nó, tách biệt với bất kỳ

chuyển động nào khác đã được thực hiện trước đó.

-Ngoài ra, chúng ta có thể kể đến trò chơi AlphaGo của Google. AlphaGo cũng không có

khả năng đánh giá các nước đi trong tương lai nhưng dựa vào mạng lưới tình toán của

riêng mình để đánh giá các diễn biến của trò chơi hiện tại, giúp nó có lợi thế hơn Deep

Blue trong một trò chơi phức tạp hơn. AlphaGo cũng đã vượt qua các đối thủ cấp độ thế

giới, điển hình là việc đánh bại nhà vô địch cờ vây Lee Sedol vào năm 2016.

-Mặc dù bị giới hạn về phạm vi và không dễ thay đổi, công nghệ AI phản ứng có thể đạt

được sự phức tạp và mang lại độ tin cậy cao khi được tạo ra để hoàn thành các nhiệm vụ

mang tính lặp lại.

1.3.1.2. Bộ nhớ hạn chế.

-Trí tuệ nhân tạo với bộ nhớ hạn chế có khả năng lưu trữ dữ liệu và dự đoán trước đó khi

thu thập thông tin và cân nhắc các quyết định tiềm năng - về cơ bản là nhìn vào quá khứ

để tìm manh mối cho những gì có thể xảy ra tiếp theo. Trí tuệ nhân tạo có bộ nhớ hạn chế

phức tạp hơn và thể hiện nhiều khả năng hơn so với công nghệ AI phản ứng.

-AI với bộ nhớ hạn chế được tạo ra khi một đội ngũ liên tục đào tạo cho mô hình về cách

phân tích và sử dụng dữ liệu mới hoặc khi hệ thống AI được xây dựng để các mô hình có

thể tự động đào tạo và đổi mới. Khi AI với bộ nhớ hạn chế được sử dụng trong học máy,

nó phải tuân theo sáu bước: Phải tạo dữ liệu thực hành; phải tạo mô hình học máy; mô

hình phải có khả năng đưa ra dự đoán; mô hình phải có khả năng tiếp nhận phản hồi của

con người hoặc môi trường, rằng phản hồi đó phải được lưu trữ dưới dạng dữ liệu và các

bước này phải được lặp lại như một chu kỳ.

-Có ba mô hình học máy chính sử dụng trí tuệ nhân tạo với bộ nhớ hạn chế:

 Học tập củng cố: đưa ra dự đoán tốt hơn thông qua việc thử-và-sai lặp đi lặp lại.

 Bộ nhớ Ngắn hạn Dài hạn (LSTM): sử dụng dữ liệu trong quá khứ để giúp dự

đoán sự kiện kế tiếp một trình tự. Các LTSM xem những thông tin gần đây là yếu

tố quan trọng nhất khi đưa ra dự đoán và giảm tải những dữ liệu cũ hơn trong quá

khứ, tuy nhiên vẫn sử dụng chúng để cho ra kết quả.

 Mạng đối thủ tạo ra tiến hóa (E-GAN): tiến hóa theo thời gian, phát triển để

khám phá các khả năng mới được biến đổi dựa trên kinh nghiệm trước đó với mỗi

quyết định mới. Mô hình này không ngừng theo đuổi con đường tốt hơn dẫn đến

kết quả và sử dụng các mô phỏng cùng thống kê, hoặc cơ hội, để dự đoán kết quả

trong suốt chu kỳ đột biến tiến hóa của nó.

1.3.1.3. Lý thuyết Tâm trí.

-Lý thuyết về Tâm trí hiện tại mới chỉ đơn thuần là - lý thuyết. Chúng ta vẫn chưa đạt dến

tiềm lực khoa học và công nghệ cần thiết để tiếp cận được cấp độ trí tuệ nhân tạo tiếp

theo này.

-Khái niệm này dựa trên tiền đề tâm trí, rằng các sinh vật sống khác có suy nghĩ và cảm

xúc ảnh hưởng đến hành vi của bản thân. Với AI, điều đó có nghĩa AI có thể hiểu cách

con người, động vật và các máy móc khác cảm thấy và đưa ra quyết định thông qua sự tự

phản ánh và quyết tâm, sau đó sẽ sử dụng thông tin đó để đưa ra quyết định của riêng

chúng. Về cơ bản, máy móc sẽ phải có khả năng nắm bắt và xử lý khái niệm “tâm trí”,

những dao động của cảm xúc trong quá trình đưa ra quyết định và một loạt các khái niệm

tâm lý khác trong thời gian thực, tạo ra mối quan hệ hai chiều giữa con người và trí tuệ

nhân tạo.

1.3.1.4. Tự nhận thức.

-Một khi Lý thuyết về Tâm trí có thể được thiết lập trong trí thông minh nhân tạo, có thể

là trong tương lai, bước cuối cùng sẽ là để AI có khả năng tự nhận thức. Loại trí tuệ nhân

tạo này sở hữu ý thức ở cấp độ con người và hiểu được sự tồn tại của chính nó trên thế

giới, cũng như sự hiện diện và các trạng thái cảm xúc của người khác. Nó có thể hiểu

những gì người khác có thể cần không chỉ dựa trên những thông tin họ truyền đạt cho

chúng, mà còn thông qua cách thức họ truyền đạt thông tin.

-Tự nhận thức trong trí tuệ nhân tạo dựa vào cả việc các nhà nghiên cứu con người hiểu

được tiền đề của ý thức và sau đó học cách tái tạo nó để có thể xây dựng thành máy móc.

1.3.2. Câc thành phần cơ bản của Ai.

-Nhiều công nghệ mang tính cách mạng của AI đều là những từ khá thông dụng, phổ

biến, như “xử lý ngôn ngữ tự nhiên”, “học sâu” và “phân tích dự đoán”. Những công

nghệ tiên tiến cho phép các hệ thống máy tính hiểu được ý nghĩa của ngôn ngữ con

người, học hỏi kinh nghiệm và đưa ra các dự đoán tương ứng.

-Hiểu được biệt ngữ của AI là chìa khóa cho việc thảo luận về các ứng dụng trong thế

giới thực của công nghệ này. Các công nghệ mang tính đột phá, cách mạng hóa cách con

người tương tác với dữ liệu và đưa ra quyết định,

1.3.2.1. Học máy | Học hỏi từ kinh nghiệm

-Máy học, hay Machine Learning, là một ứng dụng của AI cung cấp cho các hệ thống

máy tính khả năng tự động học hỏi và cải thiện từ kinh nghiệm quá khứ mà không cần

được lập trình rõ ràng. Máy học tập trung vào việc phát triển các thuật toán có thể phân

tích dữ liệu và đưa ra dự đoán. Ngoài việc được sử dụng để dự đoán những bộ phim

Netflix bạn có thể thích hoặc lựa chọn tuyến đường tốt nhất cho ứng dụng Uber của bạn,

công nghệ máy học đang được áp dụng cho các ngành chăm sóc sức khỏe, dược phẩm và

khoa học đời sống để hỗ trợ chẩn đoán bệnh, phân tích hình ảnh y tế và đẩy nhanh quá

trình phát triển thuốc.

1.3.2.2. Học sâu | Tự giáo dục

-Học sâu là một tập hợp con của học máy sử dụng mạng lưới thần kinh nhân tạo học bằng

cách xử lý dữ liệu. Các mạng lưới thần kinh nhân tạo bắt chước các mạng lưới thần kinh

sinh học trong não người.

-Nhiều lớp mạng nơ-ron nhân tạo làm việc cùng nhau để xác định một đầu ra duy nhất từ

nhiều đầu vào, ví dụ như xác định hình ảnh của một khuôn mặt từ một bức tranh. Máy

móc học hỏi thông qua việc củng cố tích cực và tiêu cực cho các nhiệm vụ mà chúng thực

hiện, đòi hỏi quá trình xử lý và củng cố liên tục để tiến bộ.

-Một hình thức học sâu khác là nhận dạng giọng nói, cho phép trợ lý giọng nói trong điện

thoại hiểu các câu hỏi như "Này Siri, Trí tuệ nhân tạo hoạt động như thế nào?"

1.3.2.3. Mạng thần kinh | Tạo ra tổ chức

-Mạng nơ-ron cho phép học sâu. Như đã đề cập, mạng thần kinh là hệ thống máy tính

được mô phỏng theo các kết nối thần kinh trong não người. Tương ứng với các tế bào

cảm thụ trong não người là các perceptron. Cũng giống như các bó nơ-ron tạo ra mạng

lưới thần kinh trong não, các ngăn xếp perceptron tạo ra mạng thần kinh nhân tạo trong

hệ thống máy tính.

-Mạng nơ-ron học bằng cách xử lý các ví dụ có sẵn. Ví dụ thích hợp nhất là dưới dạng tập

dữ liệu lớn, chẳng hạn như 1.000 bức ảnh về mèo. Bằng cách xử lý nhiều hình ảnh (đầu

vào), máy có thể tạo ra một đầu ra duy nhất, trả lời câu hỏi, "Hình ảnh đó có phải là con

mèo hay không?"

-Quá trình ấy xử lí dữ liệu nhiều lần để tìm ra các mối liên kết và cung cấp ý nghĩa cho

dữ liệu chưa được xác định trước đó. Thông qua các mô hình học tập khác nhau, giống

như củng cố tích cực, máy được dạy rằng nó đã xác định thành công đối tượng.

1.3.2.4. Máy tính nhận thức | Suy luận từ ngữ cảnh

-Điện toán nhận thức là một thành phần thiết yếu khác của AI. Mục đích của nó là bắt

chước và cải thiện sự tương tác giữa con người và máy móc. Điện toán nhận thức tìm

cách tái tạo quá trình suy nghĩ của con người trong một mô hình máy tính, trong trường

hợp này, bằng cách hiểu ngôn ngữ của con người và ý nghĩa của hình ảnh.

-Cùng với nhau, điện toánh nhận thức và trí tuệ nhân tạo cố gắng mang lại cho máy móc

những hành vi giống con người và khả năng xử lý thông tin.

1.3.2.5, Xử lý ngôn ngữ tự nhiên (NLP) | Hiểu ngôn ngữ

-Xử lý ngôn ngữ tự nhiên hoặc Natural Language Processing, cho phép máy tính thông

dịch, nhận dạng và tạo ra ngôn ngữ cùng lời nói của con người. Mục tiêu cuối cùng của

NLP là cho phép tương tác liền mạch với máy móc mà chúng ta sử dụng hàng ngày bằng

cách dạy các hệ thống hiểu ngôn ngữ của con người trong ngữ cảnh và tạo ra các phản

ứng logic.

-Các ví dụ đời thực về NLP có Skype Translator, phiên dịch lời nói của nhiều ngôn ngữ

trong thời gian thực để tạo điều kiện giao tiếp.

1.3.2.6. Thị giác máy tính | Nhận dạng hình ảnh

-Thị giác máy tính là một kỹ thuật thực hiện học sâu và nhận dạng mẫu để diễn giải nội

dung của hình ảnh; bao gồm các biểu đồ, bảng và hình ảnh trong tài liệu PDF, cũng như

văn bản và video khác. Thị giác máy tính là một lĩnh vực không thể thiếu của AI, cho

phép máy tính xác định, xử lý và giải thích dữ liệu trực quan.

-Những ứng dụng của công nghệ này đã bắt đầu cách mạng hóa các ngành như nghiên

cứu, phát triển và chăm sóc sức khỏe. Công nghệ này đang được sử dụng để chẩn đoán

bệnh nhân nhanh hơn bằng cách sử dụng Thị giác máy tính và máy học để đánh giá hình

ảnh chụp X-quang của bệnh nhân.

Chương II. Trí tuệ nhân tạo trong y học ( ) (Chu Minh chương 4, 5 trong slide

thuyết trình)

2.1. Lợi thế của việc sử dụng AI trong y tế

2.1.1. Cung cấp dữ liệu thực tế.

-Một yếu tố quan trọng của việc chẩn đoán và giải quyết các vấn đề y học là việc thu thập

thông tin chính xác một cách kịp thời. Với AI, các bác sĩ và các chuyên gia y tế khác có

thể tận dụng dữ liệu ngay lập tức và chính xác để xúc tiến, tối ưu hóa việc ra quyết định

lâm sàng quan trọng. Tạo ra kết quả nhanh chóng và thực tế hơn có thể giúp các bước

phòng ngừa được cải thiện, tiết kiệm chi phí và thời gian chờ đợi của bệnh nhân.

-Phân tích dữ liệu thời gian thực có thể giúp tăng cường sự liên kết giữa bác sĩ và bệnh

nhân. Cung cấp dữ liệu quan trọng của bệnh nhân thông qua các thiết bị di động có thể

thu hút bệnh nhân tham gia vào quá trình điều trị của họ. Cảnh báo di động có thể thông

báo cho các bác sĩ và y tá kịp thời về những thay đổi bất ngờ trong tình trạng bệnh nhân,

đặc biệt trong các trường hợp khẩn cấp.

-Tiến sĩ Christopher C. Yang, Giáo sư Khoa học Thông tin của Đại học Drexel, cho biết

“Khi công nghệ AI ngày càng trở nên tiên tiến hơn, nó có thể thu thập nhiều dữ liệu hơn

các cơ sở y tế truyền thống gấp nhiều lần”.

2.1.2. Tự động hóa công việc.

-Trí tuệ nhân tạo trong y học đã thay đổi các phương thức chăm sóc sức khỏe ở khắp mọi

nơi. Những đổi mới ấy bao gồm lập lịch hẹn, phiên dịch các chi tiết lâm sàng và theo dõi

lịch sử bệnh nhân. AI đang cho phép các cơ sở y tế hợp lý hóa các công việc tẻ nhạt và tỉ

mỉ hơn. Ví dụ, công nghệ X quang thông minh có thể xác định các điểm đánh dấu trực

quan quan trọng, tiết kiệm hàng giờ phân tích căng thẳng. Các hệ thống tự động khác tồn

tại để tự động hóa việc lên lịch cuộc hẹn, theo dõi bệnh nhân và đưa ra các lời khuyên

chăm sóc sức khỏe.

-Một ví dụ cụ thể cho việc tự động hóa bởi AI là xem xét bảo hiểm. AI được sử dụng để

giảm thiểu chi phí phát sinh từ việc từ chối yêu cầu bảo hiểm. Với AI, các nhà cung cấp

dịch vụ y tế có thể xác định và giải quyết các khiếu nại nhầm lẫn trước khi các công ty

bảo hiểm từ chối thanh toán cho họ. Điều này không chỉ đơn giản hóa quy trình xác nhận

quyền sở hữu, AI còn tiết kiệm thời gian cho nhân viên bệnh viện để làm việc thông qua

việc từ chối và gửi lại yêu cầu.

-Ngoài ra, việc cho phép thanh toán nhanh hơn và yêu cầu chính xác hơn giúp các bệnh

viện có thể tự tin hơn về khung thời gian hoàn trả, khiến họ sẵn sàng chấp nhận một số

lượng lớn hơn các gói bảo hiểm. Về cơ bản, AI cho phép các bệnh viện chấp nhận một

loạt các kế hoạch, mang lại lợi ích cho những bệnh nhân hiện có và tiềm năng.

2.1.3. Tiết kiệm thời gian và nguồn lực.

-Khi các quy trình quan trọng hơn được tự động hóa, các chuyên gia y tế có nhiều thời

gian hơn để đánh giá bệnh nhân và chẩn đoán bệnh. AI đang đẩy nhanh các hoạt động để

tiết kiệm thời gian làm việc quý giá cho các cơ sở y tế. Trong bất kỳ lĩnh vực nào, thời

gian luôn là vàng, vì vậy AI có khả năng tiết kiệm một khoản chi phí khổng lồ.

-Ước tính khoảng 200 tỷ đô la bị lãng phí trong ngành chăm sóc sức khỏe hàng năm. Một

phần lớn các chi phí không cần thiết này là do các vấn đề quản trị, chẳng hạn như nộp

đơn, xem xét và giải quyết các tài khoản. Một lĩnh vực khác cần cải thiện là xác định mức

độ cần thiết về y tế. Theo phương pháp truyền thống, nhân viên cần dành hàng giờ để

xem lại lịch sử và thông tin của bệnh nhân để đánh giá đúng mức độ cần thiết về mặt y tế.

Các thuật toán xử lý ngôn ngữ tự nhiên (NLP) và học sâu (DL) mới có thể hỗ trợ các bác

sĩ xem xét các trường hợp nhập viện và tránh bị từ chối.

-Bằng cách giải phóng thời gian năng suất và nguồn lực quan trọng, các chuyên gia y tế

được phân bổ nhiều thời gian hơn để hỗ trợ và giao tiếp với bệnh nhân.

2.1.4. Hỗ trợ nghiên cứu.

-AI cho phép các nhà nghiên cứu thu thập một lượng lớn dữ liệu từ nhiều nguồn khác

nhau. Khả năng thu nạp lượng thông tin phong phú và ngày càng tăng cho phép ta phân

tích hiệu quả hơn các căn bệnh chết người. Liên quan đến dữ liệu thời gian thực, nghiên

cứu có thể được hưởng lợi từ lượng thông tin đa dạng có sẵn, miễn là nó được phiên dịch

dễ dàng.

-Các cơ quan nghiên cứu y tế như Phòng thí nghiệm Dữ liệu Ung thư cho Trẻ em đang

phát triển phần mềm hữu ích cho các nhà y tế để tận dụng tốt hơn các bộ sưu tập dữ liệu

khổng lồ. AI cũng đã được sử dụng để đánh giá và phát hiện các triệu chứng sớm hơn

trong quá trình tiến triển của bệnh. Các giải pháp Telehealth đang được triển khai để theo

dõi tiến trình của bệnh nhân, khôi phục dữ liệu chẩn đoán quan trọng và đóng góp thông

tin dân số vào các mạng chia sẻ.

2.1.5. Giảm gánh nặng cho các y bác sĩ.

-Một số báo cáo nghiên cứu mới đây cho thấy hơn một nửa số bác sĩ cảm thấy căng thẳng

do áp lực thời gian và các điều kiện làm việc khác. AI giúp hợp lý hóa các thủ tục, tự

động hóa các chức năng, chia sẻ dữ liệu ngay lập tức và tổ chức các hoạt động, tất cả đều

giúp các chuyên gia y tế giảm thiếu rất nhiều nhiệm vụ.

-Tiến sĩ Yang giải thích, “Yếu tố quan trọng nhất khiến bác sĩ kiệt sức là số lượng bệnh

nhân và bản chất của nghề nghiệp. Tuy nhiên, vì AI có thể hỗ trợ các hoạt động đòi hỏi

nhiều thời gian hơn, chẳng hạn như giải thích các chẩn đoán, các chuyên gia y tế có thể

giảm bớt căng thẳng.”

2.2. Nhược điểm của AI trong y học.

2.2.1. Cần sự giám sát của con người.

Mặc dù AI đã tiến một bước dài trong lĩnh vực y tế, nhưng sự giám sát của con người vẫn

là điều cần thiết. Ví dụ, robot phẫu thuật hoạt động theo logic, trái ngược với sự đồng

cảm. Bác sĩ có thể quan sát, phát hiện những dấu hiệu quan trọng, có thể giúp chẩn đoán

hoặc ngăn ngừa các biến chứng nguy hiểm.

“AI đã tồn tại được vài thập kỷ và vẫn đang tiếp tục phát triển. Khi lĩnh vực này phát

triển, sẽ có nhiều sự tương tác hơn giữa các chuyên gia chăm sóc sức khỏe và các chuyên

gia công nghệ.” AI yêu cầu đầu vào và sự giám sát của con người phải được tận dụng một

cách hiệu quả.

2.2.2. Có thể bỏ qua các vấn đề xã hội.

Nhu cầu của bệnh nhân thường vượt ra khỏi điều kiện thể chắt tức thời. Các yếu tố xã

hội, kinh tế và lịch sử có thể tác động tới những bệnh nhân cụ thể. Ví dụ, một hệ thống AI

có thể phân bổ một bệnh nhân đến một trung tâm chăm sóc cụ thể dựa trên một chẩn đoán

cụ thể. Tuy nhiên, hệ thống này có thể không tính đến những hạn chế về kinh tế của bệnh

nhân hoặc các sở thích cá nhân khác.

Quyền riêng tư cũng trở thành một vấn đề khi kết hợp, sử dụng hệ thống AI. Các thương

hiệu lớn như Amazon có khả năng thu thập và tận dụng dữ liệu một cách tự do hơn. Mặt

khác, các bệnh viện có thể gặp phải một số khó khăn khi cố gắng truyền dữ liệu từ các

thiết bị di động của Apple. Những hạn chế về quy định và xã hội này có thể hạn chế khả

năng của AI trong việc hỗ trợ các hoạt động y tế.

2.2.3. Tăng tỉ lệ thất ngiệp.

Mặc dù AI có thể giúp cắt giảm chi phí và giảm áp lực cho bác sĩ, nhưng nó cũng có thể

khiến một số công việc trở nên dư thừa. Biến số này có thể dẫn đến việc thay thế các

chuyên gia đã đầu tư thời gian và tiền bạc vào giáo dục chăm sóc sức khỏe, gây ra những

vấn đề về sự công bằng.

Một báo cáo của Diễn đàn Kinh tế Thế giới 2018 dự kiến AI sẽ tạo ra tổng cộng 58 triệu

việc làm vào năm 2022. Tuy nhiên, cùng một nghiên cứu cho thấy 75 triệu việc làm sẽ bị

AI thay thế hoặc phá hủy vào cùng năm. Lý do chính dẫn đến việc sụt giảm cơ hội việc

làm này là do AI được tích hợp nhiều hơn trên các lĩnh vực khác nhau, các công việc

mang tính lặp lại sẽ trở nên thừa thãi.

Mặc dù AI hứa hẹn sẽ cải thiện một số khía cạnh của chăm sóc sức khỏe và y học, nhưng

điều quan trọng là phải xem xét các nhánh khác của xã hội khi tích hợp công nghệ này.

2.2.4. Tính toán sai lầm vẫn có thể xảy ra.

-AI y tế phụ thuộc nhiều vào dữ liệu chẩn đoán có sẵn từ hàng triệu bệnh nhân điều trị

được lập trình trước đó. Trong trường hợp có ít dữ liệu về bệnh tật, nhân khẩu học hoặc

các yếu tố môi trường cụ thể, việc chẩn đoán sai hoàn toàn có thể xảy ra. Yếu tố này trở

nên đặc biệt quan trọng khi kê đơn thuốc cụ thể.

-AI không ngừng phát triển và cải tiến để giải quyết những khoảng trống về dữ liệu. Tuy

nhiên, điều quan trọng cần lưu ý là các nhóm dân số cụ thể vẫn có thể bị loại trừ khỏi

kiến thức nền hiện có của AI.

2.2.5. Rủi ro về bảo mặt.

Vì AI nói chung phụ thuộc vào mạng dữ liệu nên hệ thống luôn có khả năng gặp rủi ro

bảo mật. Vì vậy, việc tăng cường an toàn an ninh mạng rất cần thiết để đảm bảo công

nghệ này bền vững. Theo Forrester Consulting, 88% những người ra quyết định trong

ngành bảo mật tin rằng việc tấn công hệ thống AI đang là một mối đe dọa tiềm tàng.

Khi AI sử dụng dữ liệu để làm cho các hệ thống thông minh hơn và chính xác hơn, các

cuộc tấn công mạng sẽ kết hợp AI để trở nên thông minh hơn, khiến chúng khó dự đoán

và ngăn chặn hơn. Một khi gây thiệt hại cho hệ thống phòng thủ, các cuộc tấn công sẽ

khó giải quyết, đối phó hơn nhiều.

2.3. Ứng dụng của AI trong y học.

2.3.1. Ứng dụng tổng quát.

Trí tuệ nhân tạo là công nghệ máy tính đang phát triển vô cùng nhanh chóng và đã bắt

đầu được sử dụng rộng rãi trong lĩnh vực y tế để cải thiện trình độ chuyên môn và hiệu

quả công việc lâm sàng. Tại các nước đang phát triển trên thế giới vẫn còn sự bất bình

đẳng giữa các dịch vụ y tế ở thành thị và nông thôn, trong đó sự thiếu hụt bác sĩ là

nguyên nhân chính. Một số nghiên cứu đã chỉ ra rằng việc áp dụng các kỹ thuật y tế hỗ

trợ máy tính hoặc AI có thể cải thiện kết quả chăm sóc sức khỏe ở khu vực nông thôn của

các nước đang phát triển. Dưới đây là một số những ứng dụng tổng quát của AI trong y

học.

2.3.1.1. Việc đưa ra quyết định lâm sàng:

Với sự phát triển nhanh chóng của công nghệ, lượng thông tin mới từ các công trình

nghiên cứu ngày càng nhiều và nhanh hơn. Hiện nay, lượng thông tin y khoa đã tăng gấp

đôi cứ sau mỗi 3 năm. Người ta ước tính rằng nếu một bác sĩ muốn cập nhật toàn bộ

thông tin y khoa thì phải đọc 29 giờ mỗi ngày. Ngoài ra, nguồn dữ liệu lớn (big data), bao

gồm các dữ liệu từ hồ sơ sức khoẻ điện tử (EHR), các dữ liệu “omic” - dữ liệu về di

truyền học (genomics), dữ liệu về chuyển hóa (metabolomics) và dữ liệu về protein

(proteomics), dữ liệu về xã hội học và lối sống là những nguồn dữ liệu sẽ không có ích

nếu không được phân tích toàn diện. Giải pháp duy nhất để có thể tiếp cận và sử dụng

khối lượng thông tin khổng lồ trong lĩnh vực y tế đó là sử dụng công nghệ trí tuệ nhân

tạo. IBM Watson là một trong những hệ thống hàng đầu hỗ trợ chăm sóc sức khỏe bằng

AI, giúp các bác sĩ đưa ra quyết định hiệu quả. Với khả năng máy học (machine learning)

và khả năng xử lý ngôn ngữ tự nhiên (NLP), hệ thống này giúp các bác sĩ xem xét hồ sơ

sức khoẻ điện tử của bệnh nhân và cập nhật thông tin hướng dẫn điều trị từ các công trình

nghiên cứu y khoa. Một nghiên cứu mù đôi đã so sánh các quyết định của hội đồng

những chuyên gia nghiên cứu, điều trị ung thư với quyết định của trí tuệ nhân tạo từ hệ

thống ung thư Watson. Kết quả cho thấy 90% các khuyến nghị mà hệ thống đưa ra là phù

hợp với các khuyến nghị của hội đồng các chuyên gia, nhưng hệ thống chỉ mất 40 giây để

hoàn tất quy trình.

2.3.1.2. AI trong hồ sơ sức khoẻ điện tử.

Năm 2009, Bộ Y tế Hoa Kỳ bắt đầu khuyến khích áp dụng EHRs. Tuy nhiên, quá trình đó

đã gặp nhiều thách thức. Các rào cản chính bao gồm sự không hài lòng của nhân viên y tế

với hệ thống EHR, nhất là các vấn đề về khả năng tương tác và độ trễ trong việc ứng

dụng hồ sơ sức khoẻ điện tử, nhất là tại các cơ sở chăm sóc ban đầu. Hiện nay, EHR đã

trở thành một trong những công việc tiêu tốn nhiều thời gian nhất của nhân viên y tế tại

các cơ sở chăm sóc sức khỏe. Công nghệ AI hứa hẹn có thể giúp các nhà cung cấp dịch

vụ chăm sóc sức khỏe thu thập, lưu trữ, định dạng lại và theo dõi dữ liệu lâm sàng, cũng

như các kế hoạch và đánh giá cá nhân hóa một cách nhanh chóng và tiện lợi hơn.

2.3.1.3. AI trong chẩn đoán.

Lỗi chẩn đoán là một mối đe dọa nghiêm trọng tới chất lượng và an toàn trong chăm sóc

sức khỏe. Tại Mỹ, ước tính tỷ lệ lỗi chẩn đoán ngoại trú là 5,08% tương đương 12 triệu

người mỗi năm. Khoảng một nửa trong số các lỗi này là có khả năng gây hại. Công nghệ

AI đã được sử dụng để cải thiện chất lượng chẩn đoán, đặc biệt là trong X quang. AI dựa

trên nguồn dữ liệu gồm 129.450 hình ảnh lâm sàng để chẩn đoán bệnh ngoài da, kết quả

đã chứng minh rằng hệ thống này có thể phân loại, chẩn đoán ung thư da ở mức độ tương

đương với các bác sĩ da liễu. Một thuật toán dựa trên hình ảnh cộng hưởng từ của chuyển

động tim cho phép dự đoán chính xác kết quả bệnh nhân bị tăng áp phổi; một phương

pháp khác phân loại nhịp tự động trong phân tích điện tâm đồ liên tục (ECGs) ở những

bệnh nhân mắc bệnh nghiêm trọng. Một nghiên cứu khác đã xem xét các kết quả đầy hứa

hẹn trong việc sử dụng AI để điều trị, chẩn đoán đột quỵ và cho thấy rằng công nghệ AI

có thể đóng một vai trò quan trọng trong việc quản lý bệnh nhân đột quỵ.

2.3.1.4. AI trong robots y học.

Các ứng dụng của công nghệ AI trong y tế cũng bao gồm các robot và thiết bị hỗ trợ. Ví

dụ, robot đàm thoại có thể tạo điều kiện giao tiếp giữa bệnh nhân với các chuyên gia y tế;

thiết bị hỗ trợ chuyển động có thể giúp điều phối bệnh nhân đi, đứng hoặc ngồi; và robot

giống động vật có thể giao tiếp và xác định bệnh nhân. Robot cũng có thể được sử dụng

trong phẫu thuật với tư cách là trợ lý bác sĩ phẫu thuật, như hệ thống phẫu thuật da Vinci

là một trong những hệ thống phẫu thuật robot được sử dụng phổ biến nhất.

2.3.1.5. AI trong y học cá thể.

Y học cá thể (Personized medicine) là một mô hình chăm sóc sức khỏe mới, trong đó việc

điều trị và phòng ngừa bệnh dựa trên các điều kiện cá nhân, bao gồm thông tin di truyền,

đặc điểm tâm lý xã hội, môi trường và lối sống. Tất cả thông tin này sẽ tạo ra một lượng

dữ liệu khổng lồ, chỉ có thể được phân tích và tích hợp bởi công nghệ AI.

2.3.1.6. AI trong quản lý khám, chữa bệnh.

Việc đưa công nghệ AI vào các hệ thống quản lý chăm sóc sức khỏe có thể giúp xác định

các chẩn đoán và điều trị không cần thiết. Do đó, công nghệ AI y tế không chỉ tập trung

vào các tương tác truyền thống giữa bệnh nhân với nhà cung cấp dịch vụ chăm sóc sức

khỏe mà còn có thể được sử dụng trong quản lý hệ thống y tế cho các tổ chức quy mô

lớn. Các hệ thống có thể theo dõi chi tiêu y tế, chi phí hồi phục và đáp ứng điều trị, do đó

làm cải thiện sức khỏe dân số và chất lượng chăm sóc trong khi giảm tải rất nhiều chi phí

phát sinh.

Công nghệ AI trong y tế có tiềm năng làm cải thiện khả năng tiếp cận chăm sóc sức khỏe

và chất lượng chăm sóc sức khỏe, theo các nghiên cứu thì nó hoàn toàn có thể triển khai

tại các nước đang phát triển. Để thực hiện mục tiêu này, các nhà nghiên cứu đề xuất phát

triển một mạng lưới dịch vụ AI y tế nhiều cấp độ tại các nước đang phát triển, bao gồm:

hệ thống AI trong y tế tuyến đầu (cấp độ đầu tiên), hệ thống AI trong y tế tuyến khu vực

(cấp độ trung bình) và phát triển AI trong hệ thống y tế cấp quốc gia (cấp độ cao nhất).

2.3.2. Ứng dụng cụ thể.

2.3.2.1. Tim mạch

2.3.2.1.1. Rung nhĩ (rối loạn nhịp tim)

Phát hiện sớm rung nhĩ là một trong những ứng dụng đầu tiên của AI trong y học.

AliveCor đã nhận được sự chấp thuận của FDA vào năm 2014 cho ứng dụng di động

Kardia của họ, cho phép theo dõi điện tâm đồ dựa trên điện thoại thông minh và phát hiện

rung tâm nhĩ. Nghiên cứu REHEARSE-AF gần đây đã chỉ ra rằng theo dõi điện tâm đồ từ

xa với Kardia ở bệnh nhân điều trị cấp cứu có nhiều khả năng xác định rung tâm nhĩ hơn

so với chăm sóc thông thường. Apple cũng đã được FDA chấp thuận cho Apple Watch 4

của họ có thể dễ dàng đo và nhận diện điện tâm đồ để phát hiện rung nhĩ. Nhưng cũng có

một số chỉ trích về công nghệ điện tâm đồ trên đồng hồ thông minh đeo tay và điện thoại

di động thông minh, nêu bật những hạn chế trong việc sử dụng chúng, chẳng hạn như tỷ

lệ chẩn đoán sai bắt nguồn từ các chuyển động giả và các rào cản trong việc áp dụng công

nghệ trên ở bệnh nhân cao tuổi – đối tượng có nhiều khả năng gặp rung nhĩ.

2.3.2.1.2. Nguy cơ tim mạch

Được áp dụng cho hồ sơ bệnh nhân điện tử, AI đã được sử dụng để dự đoán nguy cơ mắc

bệnh tim mạch, chẳng hạn như hội chứng mạch vành cấp và suy tim tốt hơn so với các

phương pháp chẩn đoán truyền thống. Tuy nhiên, các đánh giá toàn diện gần đây đã báo

cáo kết quả có thể thay đổi tùy thuộc vào kích thước của mẫu vật được sử dụng trong báo

cáo nghiên cứu.

2.3.2.2. Y học phổi

Các xét nghiệm chẩn đoán chức năng phổi đã được báo cáo là một lĩnh vực đầy hứa hẹn

cho sự phát triển, ứng dụng của AI trong việc điều trị và nghiên cứu phổi. Một nghiên

cứu gần đây đã cho thấy cách phần mềm tích hơp AI cung cấp cách diễn giải chính xác

hơn và đóng vai trò như một công cụ hỗ trợ quyết định trong trường hợp giải thích kết

quả từ các bài kiểm tra chức năng phổi. Tuy nhiên, nghiên cứu đã nhận được một số phê

bình, một trong số đó báo cáo tỷ lệ chẩn đoán chính xác ở các bệnh nhân tham gia thấp

hơn đáng kể so với tỷ lệ trung bình của cả nước.

2.3.2.3. Nội tiết

Việc theo dõi đường huyết liên tục cho phép bệnh nhân tiểu đường xem các chỉ số đường

huyết được thống kê trong thời gian thực và cung cấp thông tin về hướng và tốc độ thay

đổi mức đường huyết. Medtronic đã nhận được sự chấp thuận của FDA cho hệ thống

Guardian của họ để theo dõi lượng đường, được ghép nối với điện thoại thông minh. Vào

năm 2018, công ty đã hợp tác với Watson (AI do IBM phát triển) để phát triển hệ thống

Sugar.IQ của họ, giúp người dùng ngăn ngừa tốt hơn các đợt hạ đường huyết dựa trên

việc đo lặp lại. Theo dõi chỉ số đường huyết liên tục có thể cho phép bệnh nhân tối ưu

hóa việc kiểm soát đường huyết và giảm thiểu các triệu chứng, rủi ro liên quan đến các

đợt hạ đường huyết. Tuy nhiên, một nghiên cứu tập trung vào trải nghiệm của các bệnh

nhân trong việc theo dõi lượng đường đã báo cáo rằng những người tham gia trải nghiệm

hệ thống có bày tỏ sự tin tưởng vào các báo cáo, cũng nói rằng họ thất bại trong việc tự

điều tiết mức đường troing cơ thể.

2.3.2.4. Thận

Trí tuệ nhân tạo đã được áp dụng tương dối trong khoa thận học lâm sàng. Ví dụ, nó đã

được chứng minh là hữu ích cho việc dự đoán sự suy giảm mức lọc cầu thận ở những

bệnh nhân bị bệnh thận đa nang và để chẩn đoán nguy cơ mắc bệnh thận IgA tiến triển.

Dù vậy, một báo cáo đánh giá gần đây cho rằng nghiên cứu tại thời điểm này đang bị giới

hạn bởi kích thước mẫu cần thiết để phân tích là chưa đủ.

2.3.2.5. Tiêu hóa

Chuyên ngành tiêu hóa được hưởng lợi nhiều từ việc ứng dụng AI trong các cơ sở y tế.

Các bác sĩ chuyên khoa tiêu hóa đã sử dụng mạng lưới thần kinh phức hợp trong số các

mô hình học sâu để xử lý hình ảnh nội soi, siêu âm và phát hiện các cấu trúc bất thường

như polyp đại tràng. Mạng lưới thần kinh nhân tạo cũng đã được sử dụng để chẩn đoán

bệnh trào ngược dạ dày thực quản và viêm teo dạ dày, cũng như để dự đoán khả năng

xuất huyết tiêu hóa, khả năng sống sót của tế bào ung thư thực quản, bệnh viêm ruột, di

căn trong ung thư đại trực tràng và ung thư biểu mô tế bào vảy thực quản.

2.3.2.6. Thần kinh

Thiết bị phát hiện động kinh thông minh là công nghệ đầy hứa hẹn có tiềm năng cải thiện

việc quản lý bệnh động kinh thông qua giám sát cấp cứu vĩnh viễn. Empatica đã nhận

được sự chấp thuận của FDA vào năm 2018 cho thiết bị Embrace có thể đeo được của họ,

liên kết với các thiết bị khác truyền điện qua da có khả năng phát hiện các cơn động kinh

tổng quát và báo cáo cho một ứng dụng trên điện thoại giúp cảnh báo những người thân

trong gia đình và bác sĩ đáng tin cậy để xác định vị trí của bệnh nhân. Một báo cáo tập

trung vào trải nghiệm của bệnh nhân tiết lộ rằng, trái ngược với thiết bị đeo được theo dõi

hoạt động của tim, bệnh nhân mắc chứng động kinh không có rào cản trong việc sử dụng

thiết bị phát hiện động kinh và cho biết họ rất quan tâm đến việc sử dụng các thiết bị đeo

được trên người. Các cảm biến đeo được trên cơ thể đã chứng tỏ sự hữu ích của chúng

khi nhận diện được dáng đi, tư thế và độ run ở bệnh nhân đa xơ cứng, bệnh Parkinson và

bệnh Huntington.

Chương III. Tương lai của AI trong bối cảnh đại dịch COVID 19, đề xuất giải

pháp cải thiện (Mun+Vy) (chương 6 trong slide thuyết trình)

3.1. AI trong bối cảnh đại dịch COVID 19 hiện nay ( )Mun

Đại dịch COVID-19 đã ảnh hưởng đến lĩnh vực y tế và xã hội nói chung với quy mô và

tốc độ chưa từng thấy trong lịch sử hiện đại. Ban đầu, một số chuyên gia cho rằng đại

dịch là một sự kiện “thiên nga đen”, hiếm gặp nhưng có khả năng ảnh hưởng lớn và chỉ

có khả năng dự đoán. Tuy nhiên, một số chuyên gia khác cho rằng nó có thể dự đoán

được rõ ràng, giông shư các chủng virus hô hấp trọng điểm trước đó như SARS (2003 ),

H1N1 (2009) và MERS (2012) .

Trí tuệ nhân tạo (AI) và đặc biệt là học máy (ML) và học sâu (DL) được sử dụng trong

nhiều tác vụ để giúp các nhà khoa học y tế chống lại tác động của COVID-19. Với đầu

vào phù hợp và thiết kế thuật toán sáng tạo, AI có thể nhận ra các mẫu, dự đoán kết quả,

hỗ trợ ra quyết định y tế và giúp khám phá thông tin liên quan từ đại dịch. Trong khi hầu

hết các phương pháp thống kê thông thường không thể xử lý 'dữ liệu lớn' ở các dạng khác

nhau của nó (ví dụ: văn bản và hình ảnh) thì ML và DL giúp phân tích các tương tác phi

tuyến tính rất phức tạp trong bộ dữ liệu lớn, tách biệt mối quan hệ giữa các yếu tố dự báo

và kết quả. Không có gì ngạc nhiên khi đã có sự bùng nổ đầu tư vốn vào lĩnh vực hình

ảnh y tế dựa trên AI và thị trường chăm sóc sức khỏe AI dự kiến sẽ đạt 6,6 tỷ đô la vào

năm 2021.Dưới đây là một số những đóng góp, ứng dụng quan trọng của AI trong việc

ứng phó với đại dịch COVID 19.

3.1.1. Phát hiện các ổ dịch và theo dõi nguồn lây

Phát hiện những ổ dịch mới chú trọng vào việc tập trung phát triển khả năng giám sát,

phòng ngừa và hoạt động hiệu quả để phát hiện các mối nguy sinh học trong cộng đồng.

Xử lý ngôn ngữ tự nhiên (NLP) là một lĩnh vực con của AI tập trung vào việc lập trình

máy móc để đọc, hiểu và trích xuất ý nghĩa của ngôn ngữ con người. Nói cách khác, NLP

đại diện cho việc xử lý tự động dữ liệu phi cấu trúc như lời nói hoặc văn bản. NLP có thể

phân tích dữ liệu dựa trên ngôn ngữ một cách nhất quán mà không gây mệt mỏi hoặc sai

lệch, điều này rất cần thiết để xem xét lượng dữ liệu phi cấu trúc đáng kinh ngạc được tạo

ra hàng ngày trên phương tiện truyền thông xã hội, truy vấn và tìm kiếm hồ sơ sức khỏe

điện tử. Do đó, NLP là một công cụ quan trọng để phân tích đầy đủ dữ liệu của văn bản

một cách hiệu quả.

Ví dụ, sự phổ biến của các mạng xã hội trực tuyến như Twitter đã tạo ra tương tác xã hội

lớn giữa người dùng với sự gia tăng nhanh chóng của dữ liệu lớn. Các thuật toán được

giám sát và bán giám sát, được sử dụng để cung cấp tín hiệu và giám sát hội chứng (hen

suyễn / khó thở) . Ưu điểm của bán giám sát so với các thuật toán giám sát cổ điển cho

phép các tác giả giảm thiểu nỗ lực gắn nhãn cần thiết để xây dựng một bộ phân loại với

hiệu suất tương đương.

Về phương diện phát hiện bùng phát COVID-19, thay vì ủy thác cho các cuộc điều tra

truyền thống và báo cáo lâm sàng, trong đó các quy trình thu thập dữ liệu tốn nhiều công

sức và tốn kém, mạng xã hội và dữ liệu của chính phủ cho phép phân tích thông tin địa lý

và thời gian.nhanh hơn rất nhiều. Ví dụ, việc ghi nhận đợt bùng phát SARS-CoV-2 một

phần có liên quan đến thuật toán dịch tễ học AI có tên là 'BlueDot'. Dữ liệu lớn đóng một

vai trò quan trọng trong thuật toán BlueDot. Nó sử dụng NLP để trích xuất dữ liệu từ

hàng trăm nghìn nguồn trong các bản tin tiếng nước ngoài và các thông báo chính thức để

cung cấp tin tức về các dịch bệnh tiềm ẩn. Các nhà khoa học dữ liệu của BlueDot đã phân

loại dữ liệu theo cách thủ công và phát triển các từ khóa có liên quan để NLP quét nguồn

dữ liệu. Kết quả là, thuật toán đã xác định các trường hợp nghi ngờ để các chuyên gia dữ

liệu con người phân tích thêm. Thuật toán BlueDot đã dự đoán sự lây lan sớm của

COVID-19 bên ngoài Vũ Hán dựa trên dữ liệu du lịch được tạo ra từ Hiệp hội Vận tải

Hàng không Quốc tế. Các thuật toán BlueDot cũng đã dự đoán thành công sự lây lan

quốc tế của vi rút Zika ở Nam Florida vào năm 2016. Một kỹ thuật NLP khác có thể được

sử dụng để theo dõi dư luận về sự bùng phát bệnh truyền nhiễm và các chính sách của

chính phủ được gọi là 'phân tích cảm tính'. Các nhà phân tích dữ liệu sử dụng phương

pháp này để trích xuất thông tin trực tuyến từ các nền tảng truyền thông xã hội nhằm hiểu

được phản ứng của công chúng đối với sự bùng phát dịch bệnh. Dữ liệu ở định dạng văn

bản được tách thành các thành phần cơ bản, được gắn nhãn bởi các chuyên gia về con

người để ấn định và cho điểm cảm tính. Điều này cũng cung cấp cho các cơ quan chính

phủ những hiểu biết có giá trị để định hướng các nỗ lực hướng tới giáo dục công.

Ngoài ra, theo dõi tiếp xúc kỹ thuật số cũng giúp ngăn ngừa sự lây lan rộng hơn của dịch

bệnh. Đây là một phương pháp kiểm soát thiệt hại hiệu quả để giảm thiểu sự phát triển

của một đợt bùng phát sau khi tiếp xúc ban đầu. Nói chung, quy trình xác định một cá thể

bị nhiễm bệnh với thời gian theo dõi là 14 ngày sau khi phơi nhiễm được báo cáo. Một số

quốc gia có các ứng dụng di động để theo dõi liên hệ. Bluetooth và hệ thống định vị toàn

cầu là công nghệ chính để theo dõi những khu vực lân cận. Trung Quốc là một trong

những quốc gia đầu tiên triển khai hợp nhất tập trung dữ liệu theo dõi trên điện thoại di

động. Mã sức khỏe độc quyền do AI tạo (xanh lá cây, hổ phách và đỏ) được sản xuất theo

từng cá nhân, biểu thị cho mức độ rủi ro lây nhiễm bệnh của công dân Trung Quốc. Thuật

toán đằng sau hệ thống không hoàn toàn rõ ràng và không thể truy cập được đối với công

chúng. Một công dân có mã màu đỏ sẽ được hướng dẫn để hạn chế sự di chuyển của họ ở

một số vị trí địa lý nhất định. Vi phạm có thể được đánh dấu trong hệ thống tín dụng xã

hội của Trung Quốc, dẫn đến các hình phạt cá nhân nghiêm trọng từ các cơ quan công

quyền. Ngược lại, Singapore đã thực hiện một cách tiếp cận nhận thức rõ ràng hơn về

quyền riêng tư, bao gồm một ứng dụng hỗ trợ quyết định chọn tham gia giúp các cơ quan

y tế theo dõi và liên hệ với những người dùng bị nhiễm bệnh. Ứng dụng này sử dụng một

giao thức để ghi lại các cuộc gặp gỡ giữa hai người tham gia sử dụng thiết bị trao đổi số

nhận dạng tạm thời. Nếu người dùng bị nhiễm bệnh, họ được yêu cầu chia sẻ lịch sử gặp

gỡ của mình với các quan chức y tế công cộng.

Tại Mỹ, Google / Apple Exposure Notification gần đây đã được triển khai trên điện thoại

thông minh. Công nghệ này sử dụng bluetooth để thông báo cho người dùng về khả năng

tiếp xúc với người dùng khác với chẩn đoán COVID-19, bất kể người dùng có biết nhau

hay không. Quá trình theo dõi được thực hiện hầu như trong thời gian thực và nhanh hơn

khi so sánh với các kỹ thuật được sử dụng trong các nền tảng phi kỹ thuật số. Tuy nhiên,

việc kiểm soát quyền riêng tư và vi phạm bảo mật dữ liệu có thể dẫn đến sự phản đối của

người dùng, đặc biệt là trong trường hợp vi phạm quyền riêng tư dữ liệu. Vì lý do này,

việc triển khai các ứng dụng theo dõi liên hệ vẫn còn gây tranh cãi ở nhiều quốc gia.

3.1.2. Dự báo một đợt bùng phát

Các mô hình toán học và thống kê dân số khác nhau đã được sử dụng để dự báo mức độ

và sự lây lan của các đợt bùng phát. Ở Brazil, phương pháp tiếp cận ML đã được sử dụng

để dự báo các trường hợp tích lũy COVID-19 ở thời điểm 3 dến 6 ngày trong tương lai.

Phương pháp hồi quy vectơ và tập hợp xếp chồng đạt hiệu suất tốt hơn trong số ba mô

hình dựa trên ML khác. Dự đoán ngắn hạn Các mô hình ML có thể hỗ trợ chính phủ

Brazil và các cơ quan y tế công cộng trong việc đưa ra quyết định và xác định chính sách

công. Tuy nhiên, các mô hình đề xuất trên được xây dựng cụ thể với bộ dữ liệu từ hệ

thống y tế Brazil, do đó, sẽ gặp thách thức về mặt kỹ thuật nếu áp dụng mô hình này ở

các nước khác.

Thật không may, các mô hình dự đoán dựa trên ML không đáng tin cậy cho lắm, một

phần vì dữ liệu quá khứ không đủ và vì trong giai đoạn đầu của đại dịch, các nhà điều tra

đã sử dụng kết quả từ các nghiên cứu có khả năng sai lệch. Ngoài dữ liệu trong quá khứ,

ML cần được đào tạo một lượng lớn dữ liệu để tạo ra các thuật toán dự đoán chính xác.

Tuy nhiên, việc điều phối thu thập dữ liệu là một thách thức ngay cả đối với các khu vực

địa lý nhỏ hơn. Tại Singapore, một tập đoàn y tế quốc gia được yêu cầu thu thập dữ liệu

chi tiết từ các hệ thống y tế dến bệnh viện và phòng khám. Mặc dù nguồn lực tài chính và

hậu cần rất dồi dào, nhưng quy mô dữ liệu có thể không có sẵn trong giai đoạn đầu của

đợt bùng phát, vốn vô cùng cần thiết cho việc dự đoán khả năng lây lan của dịch. Do đó,

nhiều mô hình được sử dụng để theo dõi và dự báo COVID-19 đã sử dụng các mô hình

dịch tễ học như mô hình Dễ nhiễm - Bị lây nhiễm - Phục hồi (SIR) hoặc Dễ bị lây nhiễm

- Được chẩn đoán - Bệnh tật - Nhận biết - Bị đe dọa - Được chữa lành và Tuyệt chủng

(SIDARTHE) để biện minh cho việc kiểm soát các biện pháp như giãn cách xã hội, xét

nghiệm toàn diện và theo dõi nguồn lây. Các mô hình cơ học này bắt chước mô hình động

của sự lan truyền COVID-19 và được sử dụng để mô phỏng các kịch bản truyền tải trong

tương lai dưới nhiều giả định và phân tích các khả năng khác nhau.

3.1.3. Tiên lượng

Năng lực hạn chế của các đơn vị chăm sóc đặc biệt làm cho sự sẵn có của các mô hình

tiên lượng dự báo mức độ nghiêm trọng của bệnh là rất quan trọng đối với các chuyên gia

chăm sóc sức khỏe, phân loại cũng như chính sách công.

Ở những bệnh nhân bị suy hô hấp giảm oxy trong máu do viêm phổi nặng, Chỉ số ROX

(SpO2, FiO2 và tốc độ hô hấp) đã được sử dụng để dự đoán thất bại của việc hỗ trợ ống

thông mũi và yêu cầu cần được hỗ trợ hô hấp thêm bằng phương pháp đặt nội khí quản.

Một mô hình ML giám sát cũng được phát triển để dự đoán việc đặt nội khí quản ở những

bệnh nhân nhập viện với COVID-19. Mô hình dựa trên 24 giờ đầu tiên nhập viện. Các

phép đo tỷ lệ mắc bệnh đi kèm của Elixhauser và dữ liệu chuỗi thời gian đã được sử dụng

để phù hợp với bộ phân loại ngẫu nhiên nhằm dự đoán rủi ro khi đặt ống nội khí quản.

Thuật toán hoạt động tốt hơn Chỉ số ROX, thể hiện diện tích dưới đường cong đặc tính

máy thu (AUC) là 0,84 đối với mô hình ML và 0,64 đối với Chỉ số ROX.

3.1.4. Phát triển thuốc và vắc xin

Các phương pháp tính toán để sàng lọc các hợp chất tiềm năng thành protein đã được

chứng minh là cải thiện tỷ lệ thành công và rút ngắn thời gian phát triển thuốc. Mô hình

dựa trên DL này có hiệu suất ấn tượng đối với dự đoán liên kết protein - phối tử và phát

triển thuốc, tương tự như cách tiếp cận dựa trên ML. được áp dụng để sử dụng lại thuốc

cho thử nghiệm in vitro chống lại vi rút Ebola. Do đó, các loại thuốc hiện có có thể được

sử dụng lại để điều trị COVID-19. Đối với SARS-CoV-2, dường như có tám protein của

virus có thể được sử dụng làm mục tiêu tiềm năng, bao gồm RNA polymerase phụ thuộc

RNA, protease 3-chymotrypsin (3CL), protease giống papain, helicase, spike (S)

glycoprotein, exonuclease, endoRNAse, 2′-O-ribose methyltransferase và vỏ protein. Hu

và cộng sự đã sử dụng mạng lưới thần kinh đa nhiệm để xác định các tác nhân điều trị

tiềm năng. Trình tự axit amin của các protein này được chiết xuất từ Trung tâm Thông tin

Công nghệ Sinh học Quốc gia. Bộ dữ liệu dành riêng cho vi rút được lấy từ Viện Nghiên

cứu Thuốc Y tế Toàn cầu. Tác giả đề xuất 10 loại thuốc có triển vọng làm chất ức chế

SARS-CoV-2. Abacavir và darunavir cho thấy hiệu lực liên kết cao với nhiều protein của

SARS-CoV-2. Hiện đang có một thử nghiệm lâm sàng về darunavir chống lại COVID-19

(ChiCTR2000029541). Beck và đồng nghiệp đã sử dụng ML không giám sát để dự đoán

hiệu lực ức chế của atazanavir và remdesivir chống lại SARS-CoV-2 3CL proteinase.

Ngoài việc cách mạng hóa ngành công nghiệp dược phẩm sinh học, AI đang tác động tích

cực đến lĩnh vực phát triển vắc xin. Liên quan đến các ứng dụng hóa sinh, AI giúp các

nhà khoa học hiểu rõ hơn về protein liên quan đến SARS-CoV-2 và tìm kiếm các mục

tiêu tiềm năng. ML cho phép quét nhanh toàn bộ proteome của virus, cho phép điều tra

nhanh hơn và có ít tốn kém hơn so với các kỹ thuật cũ được sử dụng để phát triển vắc-

xin. Công nghệ tiêm chủng ngược dựa trên ML được sử dụng để dự đoán các mục tiêu

protein tiềm năng để phát triển COVID-19. Vaxign-ML là một ML được giám sát

(eXtreme Gradient Boosting) được thiết kế để dự đoán điểm số protein của tất cả SARS-

CoV-2 phân lập các protein Wuhan-Hu-1.Một protein có điểm độ sinh protein cao hơn

được coi là một ứng cử viên cho vắc xin mạnh hơn với khả năng bảo vệ cao hơn. Mô

hình này đã xác định sáu protein, bao gồm protein S và năm protein không cấu trúc. Các

ứng cử viên protein này được dự đoán là chất kết dính, rất quan trọng đối với sự bám

dính của vi rút và sự xâm nhập của vật chủ. Vào năm 2018, Google DeepMind đã sử

dụng thuật toán DL, AlphaFold, để dự đoán khoảng cách và sự phân bố góc giữa các gốc

axit amin. Mô hình này được đào tạo về các cấu trúc được trích xuất từ một cơ sở dữ liệu

protein. Tập dữ liệu này đã tạo ra 31.247 miền protein. Công nghệ này đã phát triển sang

thế hệ tiếp theo với AlphaFold 2. Thuật toán này đã đạt được điểm cao nhất từ những nhà

đánh giá quan trọng về dự đoán cấu trúc protein, vượt qua phiên bản 2018 ban đầu của

AlphaFold và cung cấp thông tin quan trọng để dự đoán các protein cấu trúc liên quan

đến SARS-CoV-2 cho việc phát triển vắc xin.

3.2. Các giải pháp giúp tăng cường, phát triển và cải thiện ứng dụng của trí thông

minh nhân tạo trong y tế. (Vy)

Những bước tiến đạt được của AI trong lĩnh vực chăm sóc sức khỏe là rất quan trọng.

Tiến tới một thế giới trong đó AI có thể mang lại những cải tiến đáng kể, nhất quán và

toàn cầu trong việc chăm sóc sẽ khó khăn hơn.

Tất nhiên, AI không phải là liều thuốc chữa bách bệnh cho các hệ thống chăm sóc sức

khỏe mà nó đi kèm với những ràng buộc. Các phân tích dưới đây này và những quan

điểm mới nhất từ các bên liên quan và nhân viên tuyến đầu cho thấy một loạt các chủ đề

mà tất cả những người chơi trong lĩnh vực chăm sóc sức khỏe sẽ cần giải quyết.

3.2.1. Hợp tác cùng nhau để xây dựng nên những AI chất lượng trong việc chăm sóc

sức khỏe

Việc thiếu sự phát triển đa ngành, sự tham gia từ sớm của các nhân viên y tế, sự lặp lại

hạn chế của các AI trong lĩnh vực chăm sóc sức khỏe nói chung được coi là những rào

cản lớn đối với việc sớm giải quyết vấn đề về chất lượng và áp dụng các giải pháp trên

quy mô lớn. Cuộc khảo sát cho thấy điều này được thúc đẩy bởi cả hai phía: chỉ 14%

giám đốc điều hành khởi nghiệp cảm thấy rằng đầu vào của các chuyên gia chăm sóc sức

khỏe là rất quan trọng trong giai đoạn thiết kế ban đầu; trong khi các chuyên gia chăm

sóc sức khỏe nhận thấy vai trò các đơn vị tư nhân trong các lĩnh vực như tổng hợp hoặc

phân tích dữ liệu, cung cấp không gian an toàn cho các bể dữ liệu hoặc giúp nâng cao kỹ

năng cho nhân viên y tế luôn ở mức tối thiểu hoặc thậm chí không tồn tại.

Một vấn đề mà các giải pháp liên quan đến AI phải đối mặt là xây dựng bằng chứng lâm

sàng về chất lượng và hiệu quả. Trong khi các công ty khởi nghiệp quan tâm đến các giải

pháp mở rộng quy mô nhanh chóng, thì những người hành nghề chăm sóc sức khỏe phải

có bằng chứng rằng những ý tưởng mới này sẽ “không gây hại” trước khi nó được ứng

dụng lên bệnh nhân. Họ không hiểu rõ cách chúng hoạt động, dữ liệu cơ bản đến từ đâu

và các thuật toán, vì vậy họ dễ dàng cân nhắc đến chuyện bỏ qua khái niệm AI, coi nó

như một điều không khả thi. Tính minh bạch và sự hợp tác giữa các nhà đổi mới và các

nhà thực hành sẽ là chìa khóa trong việc mở rộng quy mô AI trong lĩnh vực chăm sóc sức

khỏe ở châu Âu nói riêng và trên thế giới nói chung.

Thiết kế lấy người dùng cuối – tức công chúng, người dùng phổ thông, làm trung tâm

cũng là một phần thiết yếu khác của một sản phẩm chất lượng. Nhiều người được phỏng

vấn đồng ý rằng nếu thiết kế AI mang lại giá trị cho người dùng cuối, thì những người

dùng đó có nhiều khả năng chú ý đến chất lượng dữ liệu mà họ đóng góp, do đó cải thiện

AI và tạo ra một vòng tròn đạo đức.

3.2.2. Cải thiện chất lương giáo dục và kỹ năng.

AI trong lĩnh vực chăm sóc sức khỏe sẽ đòi hỏi những nhà lãnh đạo thành thạo trong cả

lĩnh vực y sinh và khoa học dữ liệu. Gần đây đã có những động thái nhằm đào tạo sinh

viên trong ngành khoa học mà y học, sinh học và tin học gặp nhau thông qua các bằng

cấp chung. Nói rộng hơn, các kỹ năng như hiểu biết kỹ thuật số cơ bản, các nguyên tắc cơ

bản về gen, AI và học máy cần trở thành xu hướng chủ đạo cho tất cả các học viên, được

bổ sung bằng các kỹ năng tư duy phản biện và phát triển tư duy học hỏi liên tục. Cùng

với việc nâng cấp hệ thống đào tạo lâm sàng, các hệ thống chăm sóc sức khỏe cần suy

nghĩ về lực lượng lao động hiện có và cung cấp việc học liên tục, đồng thời các học viên

cũng cần thời gian và động lực để tiếp tục học.

3.2.3. Tăng cường chất lượng dữ liệu, quản trị, bảo mật và khả năng tương tác.

Cả người được phỏng vấn và người trả lời khảo sát đều nhấn mạnh rằng truy cập dữ liệu,

chất lượng và tính khả dụng là những rào cản tiềm năng. Các phân tích của MGI cho thấy

chăm sóc sức khỏe là một trong những lĩnh vực ít được số hóa nhất ở châu Âu, tụt hậu

trong các quy trình kinh doanh kỹ thuật số, chi tiêu kỹ thuật số cho người lao động, tăng

vốn kỹ thuật số và số hóa công việc. Điều quan trọng là phải số hóa cơ bản cho hệ thống

và dữ liệu trước khi bắt tay vào triển khai AI - đặc biệt là vì những thất vọng của nhân

viên với số hóa cơ bản có thể ảnh hưởng tới việc giới thiệu AI rộng rãi hơn.

Ngoài ra, khi nhiều dịch vụ chăm sóc sức khỏe được cung cấp bằng cách sử dụng các

công nghệ kỹ thuật số mới, mối quan tâm của cộng đồng về cách dữ liệu chăm sóc sức

khỏe được sử dụng đã tăng lên. Các tổ chức chăm sóc sức khỏe nên có các chính sách

chia sẻ dữ liệu mạnh mẽ và tuân thủ để hỗ trợ những cải tiến trong chăm sóc mà AI mang

lại đồng thời cung cấp các biện pháp bảo vệ phù hợp theo cách tiết kiệm chi phí.

Thử thách cuối cùng về dữ liệu là làm cho các tập dữ liệu nói chuyện với nhau. Các nhà

hoạch định chính sách, cơ quan tài trợ và các tổ chức phi lợi nhuận cần nỗ lực để ẩn danh

và liên kết dữ liệu một cách đầy đủ, đồng thời, để xây dựng cơ sở dữ liệu mà các bên liên

quan có thể truy cập bằng các biện pháp bảo vệ thích hợp. Để tận dụng tối đa nguồn dữ

liệu phong phú sẵn có, các hệ thống chăm sóc sức khỏe cần có cơ sở hạ tầng dữ liệu được

kết nối với nhau. Đây là một mảng mà Châu Âu có thể có một lợi thế đáng kể, xét về bộ

dữ liệu quốc gia rộng lớn và mạng lưới các cụm hoặc trung tâm đổi mới cùng sự hợp tác

giữa Châu Âu với giới học thuật và công nghiệp, cung cấp một nguyên mẫu cho việc tạo

ra các trung tâm AI khổng lồ trong lĩnh vực chăm sóc sức khỏe.

3.2.4. Quản lý sự thay đổi

Quản lý sự thay đổi trong khi giới thiệu AI không khác gì quản lý sự thay đổi trong các tổ

chức phức tạp, nhưng đối với chăm sóc sức khỏe, khả năng lãnh đạo lâm sàng là chìa

khóa quan trọng để xác định đúng các trường hợp sử dụng hỗ trợ chứ không phải là

chống đối các bác sĩ và thực sự tăng cường hơn là thay thế khả năng của họ để cung cấp

dịch vụ chăm sóc tốt nhất có thể cho bệnh nhân. Điều này có thể bao gồm việc ưu tiên

các giải pháp tập trung vào việc giảm thời gian mọi người dành cho các công việc hành

chính thông thường, thay vì những giải pháp như trợ lý ảo tương tác trực tiếp với bệnh

nhân hoặc các công cụ CDS tạo điều kiện cho các hoạt động mà bác sĩ coi là cốt lõi đối

với vai trò chuyên môn của họ, tức chẩn đoán lâm sàng.

Các nhà cung cấp dịch vụ chăm sóc sức khỏe cũng cần phải minh bạch về lợi ích và rủi ro

của AI. Nó có thể không phải là một quá trình nhanh chóng, nhưng nó sẽ sớm trở nên

ngày càng hữu ích cho người dùng và là một phần quan trọng của quá trình áp dụng tổng

thể.

3.2.5. Đầu tư vào tài năng và tạo ra các vai trò mới

Các tổ chức chăm sóc sức khỏe cần xem xét cách họ sẽ phát triển và tuyển dụng những

học viên mới. Điều này rất quan trọng đối với việc giới thiệu và áp dụng thành công AI,

chẳng hạn như nhà khoa học dữ liệu hoặc kỹ sư dữ liệu. Nhu cầu về nhân lực như vậy

đang tăng lên giữa các ngành công nghiệp và sự cạnh tranh để tìm kiếm nhân sự tài năng

sẽ rất khốc liệt, nhưng nhiều chuyên gia dữ liệu trẻ tìm thấy một công việc thực sự trong

chăm sóc sức khỏe và sứ mệnh của nó và hào hứng với tiềm năng của sức khỏe kỹ thuật

số và AI. Phát triển các mô hình linh hoạt, nhanh nhẹn để thu hút và giữ chân những nhân

tài như vậy sẽ là một phần quan trọng trong chiến lược nhân sự của các tổ chức này.

3.2.6. Làm việc ở quy mô lớn

Những kinh nghiệm từ các khu vực công và tư nhân nhằm phát triển AI trong chăm sóc

sức khỏe đến nay cho thấy vấn đề quy mô - phần lớn là do các nguồn lực cần thiết để

phát triển các giải pháp AI mạnh mẽ hoặc làm cho chúng tiết kiệm chi phí. Không phải

bệnh viện nào cũng có đủ khả năng để ứng dụng AI, hoặc có quyền truy cập đủ dữ liệu để

tạo ra các thuật toán có ý nghĩa. Các tổ chức nhỏ hơn có thể được hưởng lợi từ việc làm

việc trong các cụm đổi mới tập hợp AI, sức khỏe kỹ thuật số, nghiên cứu y sinh, nghiên

cứu dịch thuật hoặc các lĩnh vực có liên quan khác. Các tổ chức lớn hơn có thể phát triển

thành các trung tâm xuất sắc mở đường cho các hợp tác khu vực và công tư nhằm mở

rộng quy mô AI trong lĩnh vực chăm sóc sức khỏe.

3.2.7. Quy định, hoạch định chính sách, trách nhiệm pháp lý và quản lý rủi ro

Ngày nay, trách nhiệm đối với các giải pháp AI - cả về y tế và kỹ thuật - được phân chia

giữa các tổ chức chăm sóc sức khỏe và nhân viên của họ. Những người được phỏng vấn

nhấn mạnh tầm quan trọng của việc làm rõ liệu AI sẽ được quản lý như một sản phẩm

hay như một công cụ hỗ trợ việc ra quyết định tương tự như cách được cung cấp bởi Cơ

quan Dược phẩm Châu Âu (EMA) về thuốc hoặc bởi các cơ quan chức năng quốc gia

trên các thiết bị y tế. Một vấn đề khác cần được làm rõ là mức độ mà bệnh nhân tiếp cận

với một số công cụ AI cần được quản lý hoặc hạn chế theo đơn thuốc. Vấn đề về trách

nhiệm pháp lý và quản lý rủi ro là một thách thức đặc biệt. An toàn của bệnh nhân là điều

tối quan trọng, nhưng các nhà cung cấp dịch vụ chăm sóc sức khỏe cũng phải nghĩ đến

trách nhiệm giải trình chuyên môn của bác sĩ lâm sàng, cũng như việc bảo vệ tổ chức của

họ khỏi rủi ro về danh tiếng, pháp lý hoặc tài chính.

3.2.8. Kinh phí

Việc hoàn trả thuốc và thiết bị y tế vốn phức tạp và thậm chí còn thiếu rõ ràng hơn khi

nói đến các giải pháp AI. Trách nhiệm đối với các quyết định về việc hoàn trả thuốc hoặc

thiết bị thuộc về các tổ chức chi trả quốc gia và địa phương tùy thuộc vào quốc gia và

quyết định này thường bao gồm những gì sẽ được hoàn trả và với mức giá nào. Các tiêu

chí rõ ràng về việc hoàn trả tiềm năng cho các ứng dụng AI sẽ là yếu tố quan trọng để áp

dụng nó trên quy mô lớn, cùng với các mô hình tài trợ sáng tạo đảm bảo lợi ích được chia

sẻ giữa các tổ chức.

Chương IV. Tổng kết và nhớ cảm ơn mọi người đã lắng nghe bài thuyết trình ( )Mun

AI có tiềm năng giúp khắc phục nhiều vấn đề trong lĩnh vực chăm sóc sức khỏe nhưng

chúng ta vẫn còn cả một chặng đường phía trước để biến điều này thành hiện thực. Một

vấn đề lớn và rào cản từ việc biến điều này thành hiện thực là dữ liệu. Chúng ta có thể

phát minh ra tất cả các công nghệ và thuật toán học máy đầy hứa hẹn nhưng nếu không

có dữ liệu đầy đủ và được trình bày tốt, chúng ta không thể khai thác trọn vẹn tiềm năng

của AI trong lĩnh vực chăm sóc sức khỏe. Ngành y tế cần số hóa hồ sơ bệnh án, cần cùng

nhau thống nhất tiêu chuẩn hóa cơ sở hạ tầng dữ liệu, cần tạo ra một hệ thống vững mạnh

để bảo mật dữ liệu của bệnh nhân. Nếu không có những thay đổi căn bản này và sự hợp

tác trong ngành chăm sóc sức khỏe, sẽ rất khó để đạt được mục tiêu thực sự của AI là

giúp ích cho sức khỏe con người.

Bấm Tải xuống để xem toàn bộ.

| 1/60

| | Tải xuống

Preview text:

MỤC LỤC
LỜI CẢM ƠN...................................................................................................................2
Chương I. Tổng quan về trí tuệ nhân tạo.......................................................................2
1.1. Định nghĩa cơ bản về trí tuệ nhân tạo..................................................................3
1.2. Lịch sử hình thành và phát triển của AI nói chung và trong y học hiện đại nói
riêng...............................................................................................................................5
1.2.1. Thực trạng AI hiện nay...................................................................................5
1.2.2. Các cột mốc quan trọng trong lịch sử phát triển AI.....................................6
1.2.3 AI trong y học hiện tại....................................................................................10
1.3. Các loại AI và những thành phần cơ bản...........................................................11
1.3.1. Các loại AI......................................................................................................11
1.3.2. Câc thành phần cơ bản của Ai......................................................................14
Chương II. Trí tuệ nhân tạo trong y học......................................................................16
2.1. Lợi thế của việc sử dụng AI trong y tế................................................................16
2.1.1. Cung cấp dữ liệu thực tế...............................................................................16
2.1.2. Tự động hóa công việc...................................................................................17
2.1.3. Tiết kiệm thời gian và nguồn lực..................................................................17
2.1.4. Hỗ trợ nghiên cứu..........................................................................................18
2.1.5. Giảm gánh nặng cho các y bác sĩ..................................................................18
2.2. Nhược điểm của AI trong y học..........................................................................18
2.2.1. Cần sự giám sát của con người.....................................................................18
2.2.2. Có thể bỏ qua các vấn đề xã hội....................................................................19
2.2.3. Tăng tỉ lệ thất ngiệp.......................................................................................19
2.2.4. Tính toán sai lầm vẫn có thể xảy ra..............................................................20
2.2.5. Rủi ro về bảo mặt...........................................................................................20
2.3. Ứng dụng của AI trong y học..............................................................................20
2.3.1. Ứng dụng tổng quát.......................................................................................20
2.3.2. Ứng dụng cụ thể.............................................................................................23
Chương III. Tương lai của AI trong bối cảnh đại dịch COVID 19, đề xuất giải pháp
cải thiện...........................................................................................................................25
3.1. AI trong bối cảnh đại dịch COVID 19 hiện nay.................................................25 1
3.1.1. Phát hiện các ổ dịch và theo dõi nguồn lây..................................................25
3.1.2. Dự báo một đợt bùng phát............................................................................27
3.1.3. Tiên lượng......................................................................................................28
3.1.4. Phát triển thuốc và vắc xin............................................................................28
3.2. Các giải pháp giúp tăng cường, phát triển và cải thiện ứng dụng của trí thông
minh nhân tạo trong y tế............................................................................................29
3.2.1. Hợp tác cùng nhau để xây dựng nên những AI chất lượng trong việc chăm
sóc sức khỏe..............................................................................................................30
3.2.2. Cải thiện chất lương giáo dục và kỹ năng....................................................30
3.2.3. Tăng cường chất lượng dữ liệu, quản trị, bảo mật và khả năng tương tác.
................................................................................................................................... 31
3.2.4. Quản lý sự thay đổi........................................................................................31
3.2.5. Đầu tư vào tài năng và tạo ra các vai trò mới..............................................32
3.2.6. Làm việc ở quy mô lớn..................................................................................32
3.2.7. Quy định, hoạch định chính sách, trách nhiệm pháp lý và quản lý rủi ro 32
3.2.8. Kinh phí..........................................................................................................32
Chương IV. Tổng kết......................................................................................................33 2 LỜI CẢM ƠN
Chúng em xin gửi lời cảm ơn chân thành đến cô Chu Hồng Hải – giảng viên môn Năng
lực số lớp K24CLC - TCC đã tạo điều kiện thuận lợi cho chúng em học tập và hoàn thành
Bài tập lớn này. Đặc biệt, chúng em xin bày tỏ lòng biết ơn sâu sắc đến cô, người đã dày
công truyền đạt kiến thức và hướng dẫn chúng em chi tiết trong quá trình làm bài. Chúng
em đã cố gắng vận dụng những kiến thức đã học và tìm hiểu, nghiên cứu được trong học
kỳ qua để hoàn thành bài nhưng do kiến thức hạn chế và chưa có nhiều kinh nghiệm thực
tiễn nên khó tránh khỏi những thiếu sót trong quá trình nghiên cứu và trình bày. Rất kính
mong sự góp ý của quý thầy cô để bài tiểu luận của em được hoàn thiện hơn. Một lần
nữa, em xin trân trọng cảm ơn sự quan tâm giúp đỡ của các thầy cô đã giúp đỡ em trong
quá trình thực hiện bài tiểu luận này. Xin trân trọng cảm ơn! 3
Chương I. Tổng quan về trí tuệ nhân tạo
1.1. Định nghĩa cơ bản về trí tuệ nhân tạo (Thuu) (Chương 1 trong slide thuyết trình)
Trong triển lãm công nghệ IFA 2018 diễn ra tại Berlin, các hãng sản xuất công nghệ hàng
đầu thế giới như Samsung, LG, Sony,... đã công bố rất nhiều các mẫu sản phẩm mới tích
hợp trí tuệ nhân tạo AI nhằm tăng trải nghiệm của người tiêu dùng như các mẫu TV
BRAVIA, Family Hub của Samsung; loạt thiết bị gia dụng cao cấp của LG; chú chó robot
AIBO của Sony và rất nhiều các thiết bị khác cho thấy các hãng điện tử trên thế giới đều
chú trọng vào việc sự phát triển của trí tuệ nhân tạo. 4
Trí tuệ nhân tạo hay trí thông minh nhân tạo (Artificial intelligence) là một nhánh của
khoa học máy tính liên quan đến việc xây dựng các máy tính có khả năng thực hiện
những nhiệm vụ thường đòi hỏi trí thông minh của con người. Nó mô phỏng các quá
trình suy nghĩ, xử lí của con người bằng máy móc, đặc biệt là các hệ thống máy tính. Các
ứng dụng cụ thể của AI bao gồm các hệ thống chuyên gia, xử lý ngôn ngữ tự nhiên, nhận
dạng giọng nói và tầm nhìn máy.Trí tuệ nhân tạo khác với việc lập trình logic trong các
ngôn ngữ lập trình ở việc ứng dụng các hệ thống học máy (machine learning) để mô
phỏng trí tuệ của con người trong cách xử lý công việc mà con người làm tốt hơn máy
tính. (Cụ thể, trí tuệ nhân tạo giúp máy tính có được những khẳ năng của trí tuệ con
người như: biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn
ngữ, lời nói, biết học hỏi và tự thích nghi,…). Tuy rằng trí thông minh nhân tạo thường
dược công chúng biết dến như những trí thông minh siêu việt trong các tác phẩm khoa
học viễn tưởng, thực chất nó lại là một trong những ngành trọng yếu của tin học. Cách
thức vận hành của AI thường biểu hiện qua hành vi, sự học hỏi và khả năng thích ứng
một cách thông minh của máy móc. Trí tuệ nhân tạo giúp máy tính có thể học hỏi từ kinh
nghiệm, điều chỉnh theo những đầu vào mới và thực hiện các nhiệm vụ giống như con
người. Hầu hết các ví dụ về AI mà bạn nghe dến ngày nay - từ các máy tính biết chơi cờ,
tự lái xe - phụ thuộc rất nhiều vào việc học sâu (DL) và xử lí ngôn ngữ tự nhiên (NLP).
Bằng những công nghệ này, máy tính có thể được đào tạo để hoàn thành các nhiệm vụ cụ
thể bằng cách xử lý một lượng lớn dữ liệu và nhận dạng các mẫu trong dữ liệu. Trí tuệ
nhân tạo tập trung vào việc xây dựng và quản lý, có thể học cách quyết định tự động và
thực hiện các hành động thay cho một con người. AI không phải là một công nghệ duy
nhất. Nó là một thuật ngữ bao gồm bất kỳ loại phần mềm hoặc phần cứng nào hỗ trợ học
máy(ML), tầm nhìn máy tính (CV), thông hiểu ngôn ngữ tự nhiên (NLU) và xử lý ngôn 5
ngữ tự nhiên (NLP). AI ngày nay sử dụng phần cứng CMOS thông thường và các thuật
toán cơ bản giống nhau hỗ trợ, thúc đẩy các phần mềm truyền thống. Các thế hệ AI dự
kiến trong tương lai sẽ truyền cảm hứng cho các loại mạch và kiến trúc mới, giúp nó có
thể đưa ra các quyết định dựa trên dữ liệu nhanh hơn và chính xác hơn người bình thường có thể làm.
1.2. Lịch sử hình thành và phát triển của AI nói chung và trong y học hiện đại nói
riêng. (Thỏ) (Chương 2 trong slide thuyết trình)
1.2.1. Thực trạng AI hiện nay.
Thực ra nguồn gốc ra đời trí tuệ nhân tạo AI không hề sớm như đã nói, nhưng nó là thành
quả tất yếu của sự phát triển khoa học và công nghệ, là giải pháp cho những bài toán khó
của sự phát triển loài người trong tương lai. Dưới đây chúng ta cùng điểm lại những cột
mốc quan trọng trong lịch sử phát triển trí tuệ nhân tạo AI.
Ngày nay, việc tiếp tục nghiên cứu và cải tiến trí tuệ nhân tạo AI về các công nghệ nền
tảng đã thể hiện rõ trong các kỹ năng tự động hóa và lý luận có thể được tích hợp trong
điện thoại, máy tính và máy móc…. Trí tuệ nhân tạo AI theo cách nào đang trở thành một
thực tế nền tảng của thế giới hiện nay.
Trong khi các bộ phim khoa học viễn tưởng và tiểu thuyết Hollywood mô tả AI là những
robot giống như con người chiếm lĩnh thế giới, thì sự phát triển hiện tại của công nghệ AI
không hề đáng sợ như chúng ta vẫn thấy trên phim ảnh. Thay vào đó, trí tuệ nhân tạo AI
đã phát triển để cung cấp nhiều lợi ích cụ thể trong các ngành công nghiệp, chăm sóc sức khỏe, bán lẻ…
AI đã được con người nghiên cứu từ rất sớm ở thập niên 60, khi đó ta đã khám phá ra
được những vấn đề mà công nghệ này có thể giải quyết. Vào những năm 1960, Bộ Quốc
phòng Hoa Kỳ đã quan tâm đến loại công việc này và bắt đầu xây dựng máy tính để bắt
chước những lý luận cơ bản của con người. Ví dụ, Cơ quan Dự án Nghiên cứu Quốc
phòng Tiên tiến (DARPA) đã hoàn thành dự án lập bản đồ cho đường phố vào những năm
1970, và chính DARPA cũng đã sản xuất ra trợ lý cá nhân thông minh vào năm 2003.
Công việc khởi đầu này đã mở đường cho sự tự động hóa và lý luận toán học mà chúng ta
thấy trong các máy tính ngày nay, bao gồm các hệ thống hỗ trợ quyết định và hệ thống
tìm kiếm thông minh, được thiết kế để hỗ trợ, bổ sung và tăng cường khả năng của con người. 6
1.2.2. Các cột mốc quan trọng trong lịch sử phát triển AI.
1.2.2.1. AI trong những năm 1900
Sau những năm 1900, tốc độ đổi mới trong trí tuệ nhân tạo đã phát triển đáng kể. 7 8
1921: Karel Čapek, một nhà viết kịch người Séc, cho ra mắt vở kịch khoa học viễn tưởng
“Rossum’s Universal Robots” (bản dịch tiếng Anh). Vở kịch của ông đã khám phá khái
niệm về những người nhân tạo do nhà máy sản xuất mà anh gọi là “rô bốt” – đây là lần
đầu tiên từ rô bốt được sử dụng. Kể từ thời điểm này trở đi, mọi người đã lấy ý tưởng
“robot” và triển khai nó vào các nghiên cứu, nghệ thuật và khám phá của họ.
1927: Bộ phim khoa học viễn tưởng Metropolis, do Fritz Lang đạo diễn, kể về một cô gái
người máy không thể phân biệt bản thân là người máy với cơ thể người mà từ đó đã trở
nên phát điên. Sau đó, cô gái robot tấn công thị trấn, tàn phá thành phố Berlin của tương
lai. Bộ phim này có ý nghĩa quan trọng vì đây là mô tả trên màn ảnh đầu tiên về một
người máy và do đó mang lại nguồn cảm hứng cho các nhân vật không phải con người
nổi tiếng khác như nhân vật C-P30 trong bộ phim khoa học viễn tưởng nổi tiếng “Chiến tranh giữa các vì sao”. 9 10
1929: Nhà sinh vật học và giáo sư người Nhật Bản Makoto Nishimura đã tạo ra
Gakutensoku, người máy đầu tiên được chế tạo ở Nhật Bản. Gakutensoku có nghĩa là
"học hỏi từ quy luật tự nhiên", ngụ ý trí tuệ nhân tạo của robot có thể thu thập kiến thức
từ con người và thiên nhiên. Một số tính năng của nó bao gồm cử động đầu và tay cũng như thay đổi nét mặt.
1939: John Vincent Atanasoff (nhà vật lý và nhà phát minh), cùng với trợ lý là sinh viên
mới tốt nghiệp Clifford Berry, đã tạo ra Máy tính Atanasoff-Berry (ABC) với khoản tài
trợ 650 đô la từ tại Đại học Bang Iowa. ABC nặng hơn 700 pound và có thể giải quyết
đồng thời 29 phương trình tuyến tính.
1949: Cuốn sách “Bộ não khổng lồ: Hay máy móc suy nghĩ” của nhà khoa học máy tính
Edmund Berkeley lưu ý rằng máy móc ngày càng có khả năng xử lý lượng lớn thông tin
với tốc độ và kỹ năng vượt trội. Ông tiếp tục so sánh máy móc với não người nếu nó 11
được làm bằng “phần cứng và dây điện thay vì các sợi cơ và dây thần kinh”, mô tả khả
năng của máy móc đối với trí óc con người, nói rằng “một cỗ máy, do đó, có thể suy nghĩ”.
1.2.2.2. AI trong những năm 1950
Những năm 1950 được chứng minh là thời điểm mà nhiều tiến bộ trong lĩnh vực trí tuệ
nhân tạo đã thành hiện thực với sự gia tăng các phát hiện dựa trên nghiên cứu về AI của
nhiều nhà khoa học máy tính khác nhau.
1950: Claude Shannon, “cha đẻ của lý thuyết thông tin”, xuất bản “Lập trình máy tính để
chơi cờ”, đây là bài báo đầu tiên thảo luận về sự phát triển của chương trình máy tính có khă răng chơi cờ. 12
1950: Alan Turing xuất bản “Máy tính và trí thông minh”, trong đó đề xuất ý tưởng về
“Trò chơi mô phỏng” - một câu hỏi rằng liệu máy móc có thể suy nghĩ hay không. Đề
xuất này sau đó trở thành “Bài kiểm tra Turing”, đo lường trí thông minh của máy móc.
Sự phát triển của Turing đã kiểm tra khả năng suy nghĩ của một cỗ máy như con người.
Bài kiểm tra Turing đã trở thành một thành phần quan trọng trong triết lý trí tuệ nhân tạo,
thảo luận về trí thông minh, ý thức và khả năng của máy móc.
1952: Arthur Samuel, một nhà khoa học máy tính, đã phát triển một chương trình máy
tính chơi cờ caro - chương trình đầu tiên học cách chơi một trò chơi một cách độc lập.
1955: John McCarthy và một nhóm các đồng nghiệp của ông đã sáng lập một đề xuất cho
hội thảo về “trí tuệ nhân tạo”. Năm 1956 khi hội thảo diễn ra, sự ra đời chính thức của từ này là do McCarthy.
1955: Allen Newell (nhà nghiên cứu), Herbert Simon (nhà kinh tế học) và Cliff Shaw
(nhà lập trình) là đồng tác giả của Logic Theorist, chương trình máy tính trí tuệ nhân tạo đầu tiên. 13
1958: McCarthy phát triển Lisp, ngôn ngữ lập trình phổ biến nhất và vẫn được ưa chuộng
để nghiên cứu trí tuệ nhân tạo.
1959: Samuel đặt ra thuật ngữ "máy học" khi nói về việc lập trình một máy tính để chơi
cờ vua tốt hơn người đã viết ra chương trình của nó.
1.2.2.3. AI trong những năm 1960
Sự đổi mới trong lĩnh vực trí tuệ nhân tạo đã phát triển nhanh chóng trong suốt những
năm 1960. Việc tạo ra các ngôn ngữ lập trình mới, rô bốt và ô tô tự động, các nghiên cứu
và các bộ phim mô tả những sinh vật thông minh nhân tạo ngày càng phổ biến. Điều này
nhấn mạnh tầm quan trọng của AI trong nửa sau của thế kỷ 20.
1961: Unimate, một robot công nghiệp do George Devol phát minh vào những năm 1950,
trở thành bộ phận đầu tiên làm việc trong dây chuyền lắp ráp General Motors ở New
Jersey. Trách nhiệm của nó bao gồm vận chuyển các khuôn đúc từ dây chuyền lắp ráp và
hàn các bộ phận trên ô tô - một nhiệm vụ được coi là nguy hiểm đối với con người.
1964: Daniel Bobrow, một nhà khoa học máy tính, đã tạo ra STUDENT, một chương
trình AI ban đầu được viết bằng Lisp để giải các bài toán đại số. STUDENT được coi là
cột mốc quan trọng ban đầu của quá trình xử lý ngôn ngữ tự nhiên của AI. 14
1966: Shakey the Robot, do Charles Rosen phát triển với sự giúp đỡ của 11 người khác,
là robot di động đa năng đầu tiên, còn được gọi là “người điện tử đầu tiên”. 15 16
1968: Bộ phim khoa học viễn tưởng 2001: A Space Odyssey của đạo diễn Stanley
Kubrick được phát hành. Nó có HAL (Máy tính thuật toán được lập trình theo phương
pháp Heurisally), là một máy tính có tri giác. HAL kiểm soát các hệ thống của tàu vũ trụ
và tương tác với phi hành đoàn của con tàu, trò chuyện với họ như thể HAL là con người
cho đến khi sự cố xảy ra làm thay đổi các tương tác của HAL theo hướng tiêu cực.
1968: Terry Winograd, giáo sư khoa học máy tính, đã tạo ra SHRDLU, một chương trình
máy tính ngôn ngữ tự nhiên ban đầu.
1.2.2.4. AI trong những năm 1970
Giống như những năm 1960, những năm 1970 tiếp tục ghi nhận những tiến bộ nhanh
chóng, đặc biệt là rô bốt và ô tô tự động. Tuy nhiên, trí tuệ nhân tạo trong những năm
1970 phải đối mặt với nhiều thách thức, chẳng hạn như sự cắt giảm tài trợ của chính phủ cho nghiên cứu AI.
1970: WABOT-1, robot hình người đầu tiên, được chế tạo ở Nhật Bản tại Đại học
Waseda. Các tính năng của nó bao gồm cử động tay chân, khả năng nhìn và khả năng trò chuyện. 17
1973: James Lighthill, một nhà toán học ứng dụng, đã báo cáo tình hình nghiên cứu trí
tuệ nhân tạo cho Hội đồng Khoa học Anh, tuyên bố: “Không có lĩnh vực nào mà những
khám phá được thực hiện cho đến nay tạo ra tác động lớn như những tuyên bố hứa hẹn
ban đầu,” dẫn đến sự cắt giảm đáng kể hỗ trợ nghiên cứu AI từ chính phủ Anh.
1977: Bộ phim Chiến tranh giữa các vì sao của đạo diễn George Lucas được phát hành.
Phim có C-3PO, một robot hình người và “thông thạo hơn bảy triệu hình thức giao tiếp”. 18
Là bạn đồng hành với C-3PO, bộ phim còn có sự tham gia của R2-D2 - một robot nhỏ,
không có khả năng nói như con người (nghịch đảo của C-3PO); thay vào đó, R2-D2 giao
tiếp bằng tiếng bíp điện tử. Các chức năng của nó bao gồm sửa chữa và lái thử các máy bay chiến đấu.
1979: Stanford Cart, một robot di động được trang bị TV điều khiển từ xa được tạo ra bởi
James L. Adams, sinh viên tốt nghiệp ngành cơ khí lúc bấy giờ vào năm 1961. Năm
1979, một “thanh trượt” hoặc xoay cơ học có thể di chuyển camera TV sang hai bên, 19
được thêm vào bởi Hans Moravec, khi đó là một nghiên cứu sinh. Chiếc xe đẩy thành
công vượt qua một căn phòng đầy ghế mà không có sự can thiệp nào của con người trong
khoảng năm giờ, khiến nó trở thành một trong những ví dụ sớm nhất về phương tiện tự hành.
1.2.2.5. AI trong những năm 1980
Sự phát triển nhanh chóng của trí tuệ nhân tạo tiếp tục trong những năm 1980. Bất chấp
những tiến bộ và sự phấn khích đằng sau AI, sự thận trọng bao quanh một “Mùa đông
AI” là không thể tránh khỏi, một khoảng thời gian sụt giảm nguồn vốn và sự quan tâm
dành cho trí tuệ nhân tạo. 20
1980: WABOT-2 được chế tạo tại Đại học Waseda. Sự ra đời này của WABOT cho phép
robot hình người này giao tiếp với mọi người cũng như đọc các bản nhạc và chơi nhạc
trên đàn organ điện tử.
1981: Bộ Thương mại Quốc tế và Công nghiệp Nhật Bản đã phân bổ 850 triệu đô la cho
dự án Máy tính Thế hệ thứ Năm, với mục tiêu là phát triển máy tính có thể trò chuyện,
dịch ngôn ngữ, giải thích hình ảnh và diễn đạt suy luận giống như con người. 21
1984: Bộ phim Electric Dreams, do Steve Barron đạo diễn, được phát hành. Cốt truyện
xoay quanh mối tình tay ba giữa một người đàn ông, một phụ nữ và một máy tính cá nhân
có tri giác có tên là “Edgar”.
1984: Tại Hiệp hội vì sự phát triển của trí tuệ nhân tạo (AAAI), Roger Schank (nhà lý
thuyết về AI) và Marvin Minsky (nhà khoa học nhận thức) cảnh báo về mùa đông AI, đây
là trường hợp đầu tiên khi sự quan tâm và tài trợ cho nghiên cứu trí tuệ nhân tạo bị cắt
giảm. Lời cảnh báo của họ đã trở thành sự thật trong vòng ba năm sau đó.
1986: Mercedes-Benz chế tạo và phát hành một chiếc xe van không người lái được trang
bị camera và cảm biến dưới sự chỉ đạo của Ernst Dickmanns. Nó có thể lái với vận tốc 55
dặm/giờ trên một con đường không có chướng ngại vật và không có người điều khiển. 22
1988: Nhà khoa học máy tính và nhà triết học Judea Pearl xuất bản “Lý luận xác suất
trong các hệ thống thông minh”. Pearl cũng được ghi nhận là người đã phát minh ra mạng
Bayes, một “mô hình đồ họa xác suất” đại diện cho tập hợp các biến và sự phụ thuộc của
chúng thông qua biểu đồ xoay chiều có hướng (DAG).
1988: Rollo Carpenter, lập trình viên và là người phát minh ra hai robot trò chuyện,
Jabberwacky và Cleverbot (phát hành vào những năm 1990), đã phát triển Jabberwacky
để "mô phỏng cuộc trò chuyện tự nhiên của con người theo cách thú vị, giải trí và hài
hước." Đây là một ví dụ về AI thông qua một chatbot giao tiếp với mọi người.
1.2.2.6. AI trong những năm 1990
Sự kết thúc của thiên niên kỷ đã ở phía trước, nhưng nó chỉ cho thấy trí tuệ nhân tạo tiếp
tục phát triển không ngừng.
1995: Nhà khoa học máy tính Richard Wallace đã phát triển chatbot A.L.I.C.E. Sự khác
biệt giữa A.L.I.C.E. và ELIZA là việc bổ sung thu thập dữ liệu các mẫu ngôn ngữ tự nhiên.
1997: Các nhà khoa học máy tính Sepp Hochreiter và Jürgen Schmidhuber đã phát triển
Bộ nhớ ngắn hạn dài hạn (LSTM), một loại kiến trúc mạng nơ-ron tuần hoàn (RNN)
được sử dụng để nhận dạng chữ viết tay và giọng nói. 23
1997: Deep Blue, một máy tính có khả năng chơi cờ vua do IBM phát triển đã trở thành
hệ thống đầu tiên chiến thắng một ván cờ với một nhà đương kim vô địch thế giới là Garry Kasparov.
1998: Dave Hampton và Caleb Chung phát minh ra Furby, robot đồ chơi hình “thú cưng”
đầu tiên dành cho trẻ em. 24
1999: Cùng với Furby, Sony đã giới thiệu AIBO (Artificial Intelligence RoBOt), một chú
chó robot trị giá 2.000 USD được chế tạo để "học" bằng cách tương tác với môi trường,
chủ sở hữu và các AIBO khác. Các tính năng của nó bao gồm khả năng hiểu và phản hồi
hơn 100 lệnh thoại cũng như giao tiếp với chủ nhân của nó. 1.2.2.7. AI từ 2000-2010
Thiên niên kỷ mới đã diễn ra - và sau khi nỗi lo về Y2K giảm dần - AI tiếp tục có xu
hướng đi lên. Đúng như dự đoán, nhiều phát minh ứng dụng trí tuệ nhân tạo đã được tạo
ra cũng như các phương tiện truyền thông (cụ thể là phim ảnh) về khái niệm trí tuệ nhân
tạo và vị trí của nó liên tục được ra đời.
2000: Sự cố Y2K, còn được gọi là sự cố năm 2000, là một loại lỗi máy tính liên quan đến
việc định dạng và lưu trữ dữ liệu lịch điện tử bắt đầu từ ngày 01/01/2000. Cho rằng tất cả
các phần mềm và chương trình internet đã được tạo ra vào những năm 1900, một số hệ
thống sẽ gặp khó khăn khi thích ứng với định dạng năm mới 2000 (và hơn thế nữa). 25
Trước đây, các hệ thống tự động này chỉ phải thay đổi hai chữ số cuối cùng của năm; bây
giờ, tất cả bốn chữ số phải được chuyển sang - một thách thức đối với công nghệ và
những người đang sử dụng nó.
2000: Giáo sư Cynthia Breazeal đã phát triển Kismet, một robot có thể nhận biết và mô
phỏng cảm xúc bằng khuôn mặt của nó. Nó có cấu trúc giống như một khuôn mặt người
với mắt, môi, mí mắt và lông mày.
2000: Honda phát hành ASIMO, một robot hình người sử dụng trí tuệ nhân tạo. 26
2001: Bộ phim khoa học viễn tưởng A.I. Artificial Intelligence, do Steven Spielberg đạo
diễn, được phát hành. Bộ phim lấy bối cảnh một xã hội tương lai lạc hậu và theo chân 27
nhân vật chính David, một đứa trẻ hình người tiên tiến được lập trình với những cảm xúc
như con người, bao gồm cả khả năng yêu thương. 28 29
2002: i-Robot phát hành Roomba, một robot hút bụi tự động có khả năng tránh chướng ngại vật. 30 31
2004: Robot thám hiểm Spirit and Opportunity của NASA điều hướng bề mặt sao Hỏa
mà không cần sự can thiệp của con người.
2004: Bộ phim khoa học viễn tưởng I, Robot, do Alex Proyas đạo diễn, được phát hành.
Lấy bối cảnh vào năm 2035, robot hình người phục vụ loài người trong khi nhân vật
chính của phim thì kịch liệt chống lại người máy, kết quả của một bi kịch cá nhân (do một người máy gây ra).
2006: Oren Etzioni (giáo sư khoa học máy tính), Michele Banko, và Michael Cafarella
(các nhà khoa học máy tính), đặt ra thuật ngữ “máy đọc”, định nghĩa nó là khả năng hiểu
văn bản tự chủ không cần sự giám sát của con người. 32
2007: Giáo sư khoa học máy tính Fei Fei Li và các đồng nghiệp đã tạo ra ImageNet, một
cơ sở dữ liệu gồm các hình ảnh có chú thích với mục đích hỗ trợ nghiên cứu phần mềm nhận dạng đối tượng.
2009: Google bí mật phát triển một chiếc xe hơi không người lái. Đến năm 2014, nó đã
vượt qua bài kiểm tra tự lái của Nevada.
1.2.2.8. AI từ 2010 đến nay
Thập kỷ hiện tại có ý nghĩa vô cùng quan trọng đối với sự đổi mới của AI. Từ năm 2010
trở đi, trí tuệ nhân tạo đã gắn liền với cuộc sống hàng ngày của chúng ta. Chúng ta sử
dụng điện thoại thông minh có trợ lý ảo và máy tính có chức năng "thông minh" mà hầu
hết chúng ta đều coi đó là những tính năng phải có. AI không còn là một giấc mơ viễn vông nữa.
2010: ImageNet ra mắt Thử thách nhận dạng hình ảnh quy mô lớn ImageNet (ILSVRC),
cuộc thi nhận dạng đối tượng cho AI được tổ chức hàng năm của họ.
2010: Microsoft ra mắt Kinect cho Xbox 360, thiết bị chơi game đầu tiên theo dõi chuyển
động cơ thể người bằng camera 3D và phát hiện tia hồng ngoại.
2011: Watson, một máy tính trả lời câu hỏi bằng ngôn ngữ tự nhiên do IBM tạo ra, đã
đánh bại hai người từng là nhà vô địch Jeopardy!, Ken Jennings và Brad Rutter, trong
một trận đấu trên truyền hình. 33
2011: Apple phát hành Siri, một trợ lý ảo trên hệ điều hành iOS của Apple. Siri sử dụng
giao diện ngôn ngữ tự nhiên để suy luận, quan sát, trả lời và đề xuất mọi thứ cho người
dùng của nó. Nó thích ứng với các lệnh thoại và tạo ra “trải nghiệm được cá nhân hóa” cho mỗi người dùng. 34 35
2012: Jeff Dean và Andrew Ng (các nhà nghiên cứu của Google) đã đào tạo một mạng
lưới thần kinh lớn gồm 16.000 bộ xử lý để nhận dạng hình ảnh của mèo (mặc dù không
cung cấp thông tin cơ bản) bằng cách hiển thị 10 triệu hình ảnh không gắn nhãn từ video YouTube.
2013: Một nhóm nghiên cứu từ Đại học Carnegie Mellon đã phát hành Never Ending
Image Learner (NEIL), một hệ thống học máy có thể so sánh và phân tích các mối liên hệ giữa các hình ảnh.
2014: Microsoft phát hành Cortana, phiên bản trợ lý ảo tương tự như Siri trên iOS.
2014: Amazon tạo ra Amazon Alexa, một trợ lý gia đình được phát triển thành loa thông
minh có chức năng như trợ lý cá nhân.
2015: Elon Musk, Stephen Hawking và Steve Wozniak trong số 3.000 người khác đã ký
một bức thư ngỏ cấm phát triển và sử dụng vũ khí tự động (cho mục đích chiến tranh).
2015-2017: Google DeepMind’s AlphaGo, một chương trình máy tính có khả năng chơi
cờ vây, đã đánh bại nhiều nhà vô địch (con người) khác nhau.
2016: Một robot hình người tên là Sophia được tạo ra bởi Hanson Robotics. Cô ấy được
biết đến là “công dân robot” đầu tiên. Điều khác biệt của Sophia với những robot hình 36
người trước đây là cô ấy giống người thật, với khả năng nhìn (nhận dạng hình ảnh), biểu
cảm khuôn mặt và giao tiếp thông qua AI.
2016: Google phát hành Google Home, một chiếc loa thông minh sử dụng AI để hoạt
động như một “trợ lý cá nhân” giúp người dùng ghi nhớ công việc, tạo cuộc hẹn và tìm
kiếm thông tin bằng giọng nói.
2017: Phòng thí nghiệm Nghiên cứu Trí tuệ Nhân tạo của Facebook đã đào tạo hai
chatbot giao tiếp với nhau để học cách thương lượng. Tuy nhiên, khi các chatbot trò
chuyện, chúng tách khỏi ngôn ngữ của con người (được lập trình bằng tiếng Anh) và phát
minh ra ngôn ngữ của riêng mình để giao tiếp với nhau - thể hiện trí tuệ nhân tạo ở một mức độ cao hơn.
2018: AI xử lý ngôn ngữ của Alibaba (tập đoàn công nghệ Trung Quốc) vượt trội trí tuệ
con người trong bài kiểm tra khả năng đọc và hiểu ở Stanford. Phần xử lý ngôn ngữ của
Alibaba đạt điểm "82,44 so với 82,30 trên bộ 100.000 câu hỏi"
2018: Samsung giới thiệu Bixby, một trợ lý ảo. Các chức năng của Bixby bao gồm Thoại,
nơi người dùng có thể nói chuyện và đặt câu hỏi, đề xuất và gợi ý; Vision, nơi khả năng
“nhìn thấy” của Bixby được tích hợp vào ứng dụng máy ảnh và có thể xem những gì
người dùng nhìn thấy (tức là nhận dạng đối tượng, tìm kiếm, mua hàng, dịch thuật, ,,,); và
Trang chủ, nơi Bixby sử dụng thông tin dựa trên ứng dụng để giúp sử dụng và tương tác
với người dùng (ví dụ: các ứng dụng thời tiết và thể dục.)
1.2.3 AI trong y học hiện tại.
Những phát triển không ngừng trong công nghệ trí tuệ nhân tạo (AI) được kỳ vọng sẽ
mang đến những đổi mới cho ngành chăm sóc sức khỏe trong tương lai. Học máy, một
trường con của AI, là nghiên cứu về thuật toán máy tính được cải thiện tự động thông qua
trải nghiệm bằng cách áp dụng các phương pháp toán học. Học sâu, một tập con của học
máy, đề cập đến một thuật toán học bằng cách xử lý dữ liệu đầu vào thông qua mạng nơ-
ron nhân tạo. bắt chước các tế bào thần kinh trong não sinh học. Sự phát triển bùng nổ
của dữ liệu kỹ thuật số, sức mạnh tính toán được thúc đẩy bởi những đổi mới, nâng cấp
trong công nghệ phần cứng, chẳng hạn như đơn vị xử lý đồ họa và sự phát triển nhanh
chóng của các thuật toán học máy, được triển khai phổ biến bằng cách sử dụng học sâu,
tất cả đang để lại những dấu ấn đáng kể trong lĩnh vực chăm sóc sức khỏe. Theo đó,
nhiều tạp chí y khoa đã xuất bản một số lượng lớn các nghiên cứu phân tích một lượng
lớn dữ liệu sức khỏe bằng cách sử dụng công nghệ học máy để chẩn đoán và điều trị bệnh
nhân. Một số nghiên cứu này bao gồm phân tích hình ảnh y tế bằng công nghệ AI để phân
biệt hình ảnh và sử dụng chúng cho các phương pháp điều trị; dự đoán quá trình của bệnh
thông qua các dữ liệu y tế và chăm sóc sức khỏe khác nhau; phát triển các thiết bị y tế có 37
thể hỗ trợ việc ra quyết định trong quá trình điều trị hoặc để chẩn đoán; và mã hóa dữ liệu y tế.
Hơn nữa, nhiều nỗ lực đã được thực hiện để phát triển và thương mại hóa các thiết bị y tế
dựa trên AI. Ngoài các nhà sản xuất thiết bị y tế hàng đầu, chẳng hạn như General
Electric, Siemens và Phillips, các công ty công nghệ thông tin hàng đầu thế giới như
Samsung, Google, Apple, Microsoft và Amazon cùng nhiều công ty khởi nghiệp đã
chứng minh những thành tựu nghiên cứu đáng kể trong việc sử dụng AI trong chăm sóc
sức khỏe. Dựa trên những thành tựu nghiên cứu này, các công ty cũng đang nỗ lực để
thiết lập những mục tiêu kinh doanh mới. Ngoài ra, những nỗ lực này của ngành công
nghiệp và lĩnh vực y tế đang góp phần vào việc các cơ quan quản lý phê duyệt thành công
các thiết bị y tế dựa trên AI. Tại Mỹ, Cục Quản lý Thực phẩm và Dược phẩm (FDA) đã
phê duyệt việc sử dụng các thiết bị y tế dựa trên AI lần đầu tiên vào năm 2017, và tại Hàn
Quốc, Bộ An toàn Thực phẩm và Dược phẩm đã phê duyệt việc sử dụng các thiết bị y tế dựa trên AI kể từ 2018.
Tuy nhiên, vẫn còn nhiều lo ngại liên quan đến những công nghệ y tế dựa trên AI do các
công nghệ chăm sóc sức khỏe dựa trên AI khác với các công nghệ chăm sóc sức khỏe
truyền thống như thế nào; do đó, số lượng triển khai điều trị lâm sàng thực tế sử dụng AI
vẫn còn hạn chế. Để giới thiệu và triển khai công nghệ AI trong các cơ sở y tế thực tế và
mang lại kết quả có ý nghĩa cho những người tham gia chăm sóc sức khỏe, bao gồm cả
bác sĩ và bệnh nhân, nhiều thách thức khác nhau cần phải được giải quyết. Do đó, nghiên
cứu này thảo luận về thực trạng của sự phát triển hiện nay của công nghệ AI trong và
ngoài nước trong chăm sóc sức khỏe và xem xét các vấn đề cần giải quyết để triển khai
AI trong chăm sóc sức khỏe.
1.3. Các loại AI và những thành phần cơ bản. (Chu Minh) (Chương 3 trong slide
thuyết trình) (Thỏ) (Chương 3 trong slide thuyết trình) 1.3.1. Các loại AI.
1.3.1.1. Công nghệ AI phản ứng.
-Công nghệ AI phản ứng tuân theo những nguyên tắc cơ bản nhất của AI và đúng như tên
gọi, chỉ có khả năng sử dụng trí thông minh của mình để nhận thức và phản ứng với thế
giới trước mắt. Công nghệ AI phản ứng không có khả năng lưu trữ bộ nhớ, bởi vậy nó
không thể dựa vào những kinh nghiệm, dữ liệu trong quá khứ để đưa ra quyết định mới trong thời gian thực.
-Nhận thức thế giới một cách trực tiếp có nghĩa công nghệ AI phản ứng được thiết kế chỉ
để hoàn thành một số nhiệm vụ đặc thù. Tuy nhiên, việc cố ý thu hẹp khả năng của công 38
nghệ AI phản ứng không phải một hình thức cắt giảm chi phí phát mình, thay vào đó loại
AI này sẽ đáng tin cậy hơn bởi sẽ phản ứng theo cùng một cách với những tác động giống
nhau vào mọi thời điểm.
-Một ví dụ nổi tiếng về công nghệ này là Deep Blue, được công ty IBM thiết kế vào
những năm 1990 như một siêu máy tính chơi cờ vua và nó đã đánh bại đại kiện tướng thế
giới Gary Kasparov trong một trận đấu. Deep Blue chỉ có khả năng xác định các quân
trên bàn cờ và cách di chuyển các quân cờ dựa trên các quy tắc của cờ vua, nhận biết vị
trí hiện tại của từng quân và xác định nước đi hợp lý nhất tại thời điểm đó. Nó không tính
toán các bước đi tiềm năng trong tương lai của đối thủ hay cố gắng đặt các quân cờ của
mình vào vị trí tốt hơn. Mỗi lượt được xem như thực tế của riêng nó, tách biệt với bất kỳ
chuyển động nào khác đã được thực hiện trước đó.
-Ngoài ra, chúng ta có thể kể đến trò chơi AlphaGo của Google. AlphaGo cũng không có
khả năng đánh giá các nước đi trong tương lai nhưng dựa vào mạng lưới tình toán của
riêng mình để đánh giá các diễn biến của trò chơi hiện tại, giúp nó có lợi thế hơn Deep
Blue trong một trò chơi phức tạp hơn. AlphaGo cũng đã vượt qua các đối thủ cấp độ thế
giới, điển hình là việc đánh bại nhà vô địch cờ vây Lee Sedol vào năm 2016.
-Mặc dù bị giới hạn về phạm vi và không dễ thay đổi, công nghệ AI phản ứng có thể đạt
được sự phức tạp và mang lại độ tin cậy cao khi được tạo ra để hoàn thành các nhiệm vụ mang tính lặp lại.
1.3.1.2. Bộ nhớ hạn chế.
-Trí tuệ nhân tạo với bộ nhớ hạn chế có khả năng lưu trữ dữ liệu và dự đoán trước đó khi
thu thập thông tin và cân nhắc các quyết định tiềm năng - về cơ bản là nhìn vào quá khứ
để tìm manh mối cho những gì có thể xảy ra tiếp theo. Trí tuệ nhân tạo có bộ nhớ hạn chế
phức tạp hơn và thể hiện nhiều khả năng hơn so với công nghệ AI phản ứng.
-AI với bộ nhớ hạn chế được tạo ra khi một đội ngũ liên tục đào tạo cho mô hình về cách
phân tích và sử dụng dữ liệu mới hoặc khi hệ thống AI được xây dựng để các mô hình có
thể tự động đào tạo và đổi mới. Khi AI với bộ nhớ hạn chế được sử dụng trong học máy,
nó phải tuân theo sáu bước: Phải tạo dữ liệu thực hành; phải tạo mô hình học máy; mô
hình phải có khả năng đưa ra dự đoán; mô hình phải có khả năng tiếp nhận phản hồi của
con người hoặc môi trường, rằng phản hồi đó phải được lưu trữ dưới dạng dữ liệu và các
bước này phải được lặp lại như một chu kỳ.
-Có ba mô hình học máy chính sử dụng trí tuệ nhân tạo với bộ nhớ hạn chế:
 Học tập củng cố: đưa ra dự đoán tốt hơn thông qua việc thử-và-sai lặp đi lặp lại.
 Bộ nhớ Ngắn hạn Dài hạn (LSTM): sử dụng dữ liệu trong quá khứ để giúp dự
đoán sự kiện kế tiếp một trình tự. Các LTSM xem những thông tin gần đây là yếu 39
tố quan trọng nhất khi đưa ra dự đoán và giảm tải những dữ liệu cũ hơn trong quá
khứ, tuy nhiên vẫn sử dụng chúng để cho ra kết quả.
 Mạng đối thủ tạo ra tiến hóa (E-GAN): tiến hóa theo thời gian, phát triển để
khám phá các khả năng mới được biến đổi dựa trên kinh nghiệm trước đó với mỗi
quyết định mới. Mô hình này không ngừng theo đuổi con đường tốt hơn dẫn đến
kết quả và sử dụng các mô phỏng cùng thống kê, hoặc cơ hội, để dự đoán kết quả
trong suốt chu kỳ đột biến tiến hóa của nó.
1.3.1.3. Lý thuyết Tâm trí.
-Lý thuyết về Tâm trí hiện tại mới chỉ đơn thuần là - lý thuyết. Chúng ta vẫn chưa đạt dến
tiềm lực khoa học và công nghệ cần thiết để tiếp cận được cấp độ trí tuệ nhân tạo tiếp theo này.
-Khái niệm này dựa trên tiền đề tâm trí, rằng các sinh vật sống khác có suy nghĩ và cảm
xúc ảnh hưởng đến hành vi của bản thân. Với AI, điều đó có nghĩa AI có thể hiểu cách
con người, động vật và các máy móc khác cảm thấy và đưa ra quyết định thông qua sự tự
phản ánh và quyết tâm, sau đó sẽ sử dụng thông tin đó để đưa ra quyết định của riêng
chúng. Về cơ bản, máy móc sẽ phải có khả năng nắm bắt và xử lý khái niệm “tâm trí”,
những dao động của cảm xúc trong quá trình đưa ra quyết định và một loạt các khái niệm
tâm lý khác trong thời gian thực, tạo ra mối quan hệ hai chiều giữa con người và trí tuệ nhân tạo.
1.3.1.4. Tự nhận thức.
-Một khi Lý thuyết về Tâm trí có thể được thiết lập trong trí thông minh nhân tạo, có thể
là trong tương lai, bước cuối cùng sẽ là để AI có khả năng tự nhận thức. Loại trí tuệ nhân
tạo này sở hữu ý thức ở cấp độ con người và hiểu được sự tồn tại của chính nó trên thế
giới, cũng như sự hiện diện và các trạng thái cảm xúc của người khác. Nó có thể hiểu
những gì người khác có thể cần không chỉ dựa trên những thông tin họ truyền đạt cho
chúng, mà còn thông qua cách thức họ truyền đạt thông tin.
-Tự nhận thức trong trí tuệ nhân tạo dựa vào cả việc các nhà nghiên cứu con người hiểu
được tiền đề của ý thức và sau đó học cách tái tạo nó để có thể xây dựng thành máy móc. 40
1.3.2. Câc thành phần cơ bản của Ai.
-Nhiều công nghệ mang tính cách mạng của AI đều là những từ khá thông dụng, phổ
biến, như “xử lý ngôn ngữ tự nhiên”, “học sâu” và “phân tích dự đoán”. Những công
nghệ tiên tiến cho phép các hệ thống máy tính hiểu được ý nghĩa của ngôn ngữ con
người, học hỏi kinh nghiệm và đưa ra các dự đoán tương ứng.
-Hiểu được biệt ngữ của AI là chìa khóa cho việc thảo luận về các ứng dụng trong thế
giới thực của công nghệ này. Các công nghệ mang tính đột phá, cách mạng hóa cách con
người tương tác với dữ liệu và đưa ra quyết định,
1.3.2.1. Học máy | Học hỏi từ kinh nghiệm
-Máy học, hay Machine Learning, là một ứng dụng của AI cung cấp cho các hệ thống
máy tính khả năng tự động học hỏi và cải thiện từ kinh nghiệm quá khứ mà không cần
được lập trình rõ ràng. Máy học tập trung vào việc phát triển các thuật toán có thể phân
tích dữ liệu và đưa ra dự đoán. Ngoài việc được sử dụng để dự đoán những bộ phim
Netflix bạn có thể thích hoặc lựa chọn tuyến đường tốt nhất cho ứng dụng Uber của bạn,
công nghệ máy học đang được áp dụng cho các ngành chăm sóc sức khỏe, dược phẩm và
khoa học đời sống để hỗ trợ chẩn đoán bệnh, phân tích hình ảnh y tế và đẩy nhanh quá trình phát triển thuốc. 41
1.3.2.2. Học sâu | Tự giáo dục
-Học sâu là một tập hợp con của học máy sử dụng mạng lưới thần kinh nhân tạo học bằng
cách xử lý dữ liệu. Các mạng lưới thần kinh nhân tạo bắt chước các mạng lưới thần kinh
sinh học trong não người.
-Nhiều lớp mạng nơ-ron nhân tạo làm việc cùng nhau để xác định một đầu ra duy nhất từ
nhiều đầu vào, ví dụ như xác định hình ảnh của một khuôn mặt từ một bức tranh. Máy
móc học hỏi thông qua việc củng cố tích cực và tiêu cực cho các nhiệm vụ mà chúng thực
hiện, đòi hỏi quá trình xử lý và củng cố liên tục để tiến bộ.
-Một hình thức học sâu khác là nhận dạng giọng nói, cho phép trợ lý giọng nói trong điện
thoại hiểu các câu hỏi như "Này Siri, Trí tuệ nhân tạo hoạt động như thế nào?"
1.3.2.3. Mạng thần kinh | Tạo ra tổ chức
-Mạng nơ-ron cho phép học sâu. Như đã đề cập, mạng thần kinh là hệ thống máy tính
được mô phỏng theo các kết nối thần kinh trong não người. Tương ứng với các tế bào
cảm thụ trong não người là các perceptron. Cũng giống như các bó nơ-ron tạo ra mạng
lưới thần kinh trong não, các ngăn xếp perceptron tạo ra mạng thần kinh nhân tạo trong hệ thống máy tính.
-Mạng nơ-ron học bằng cách xử lý các ví dụ có sẵn. Ví dụ thích hợp nhất là dưới dạng tập
dữ liệu lớn, chẳng hạn như 1.000 bức ảnh về mèo. Bằng cách xử lý nhiều hình ảnh (đầu
vào), máy có thể tạo ra một đầu ra duy nhất, trả lời câu hỏi, "Hình ảnh đó có phải là con mèo hay không?"
-Quá trình ấy xử lí dữ liệu nhiều lần để tìm ra các mối liên kết và cung cấp ý nghĩa cho
dữ liệu chưa được xác định trước đó. Thông qua các mô hình học tập khác nhau, giống
như củng cố tích cực, máy được dạy rằng nó đã xác định thành công đối tượng.
1.3.2.4. Máy tính nhận thức | Suy luận từ ngữ cảnh
-Điện toán nhận thức là một thành phần thiết yếu khác của AI. Mục đích của nó là bắt
chước và cải thiện sự tương tác giữa con người và máy móc. Điện toán nhận thức tìm
cách tái tạo quá trình suy nghĩ của con người trong một mô hình máy tính, trong trường
hợp này, bằng cách hiểu ngôn ngữ của con người và ý nghĩa của hình ảnh.
-Cùng với nhau, điện toánh nhận thức và trí tuệ nhân tạo cố gắng mang lại cho máy móc
những hành vi giống con người và khả năng xử lý thông tin. 42
1.3.2.5, Xử lý ngôn ngữ tự nhiên (NLP) | Hiểu ngôn ngữ
-Xử lý ngôn ngữ tự nhiên hoặc Natural Language Processing, cho phép máy tính thông
dịch, nhận dạng và tạo ra ngôn ngữ cùng lời nói của con người. Mục tiêu cuối cùng của
NLP là cho phép tương tác liền mạch với máy móc mà chúng ta sử dụng hàng ngày bằng
cách dạy các hệ thống hiểu ngôn ngữ của con người trong ngữ cảnh và tạo ra các phản ứng logic.
-Các ví dụ đời thực về NLP có Skype Translator, phiên dịch lời nói của nhiều ngôn ngữ
trong thời gian thực để tạo điều kiện giao tiếp.
1.3.2.6. Thị giác máy tính | Nhận dạng hình ảnh
-Thị giác máy tính là một kỹ thuật thực hiện học sâu và nhận dạng mẫu để diễn giải nội
dung của hình ảnh; bao gồm các biểu đồ, bảng và hình ảnh trong tài liệu PDF, cũng như
văn bản và video khác. Thị giác máy tính là một lĩnh vực không thể thiếu của AI, cho
phép máy tính xác định, xử lý và giải thích dữ liệu trực quan.
-Những ứng dụng của công nghệ này đã bắt đầu cách mạng hóa các ngành như nghiên
cứu, phát triển và chăm sóc sức khỏe. Công nghệ này đang được sử dụng để chẩn đoán
bệnh nhân nhanh hơn bằng cách sử dụng Thị giác máy tính và máy học để đánh giá hình
ảnh chụp X-quang của bệnh nhân.
Chương II. Trí tuệ nhân tạo trong y học (Chu Minh) (chương 4, 5 trong slide thuyết trình)
2.1. Lợi thế của việc sử dụng AI trong y tế
2.1.1. Cung cấp dữ liệu thực tế.
-Một yếu tố quan trọng của việc chẩn đoán và giải quyết các vấn đề y học là việc thu thập
thông tin chính xác một cách kịp thời. Với AI, các bác sĩ và các chuyên gia y tế khác có
thể tận dụng dữ liệu ngay lập tức và chính xác để xúc tiến, tối ưu hóa việc ra quyết định
lâm sàng quan trọng. Tạo ra kết quả nhanh chóng và thực tế hơn có thể giúp các bước
phòng ngừa được cải thiện, tiết kiệm chi phí và thời gian chờ đợi của bệnh nhân.
-Phân tích dữ liệu thời gian thực có thể giúp tăng cường sự liên kết giữa bác sĩ và bệnh
nhân. Cung cấp dữ liệu quan trọng của bệnh nhân thông qua các thiết bị di động có thể 43
thu hút bệnh nhân tham gia vào quá trình điều trị của họ. Cảnh báo di động có thể thông
báo cho các bác sĩ và y tá kịp thời về những thay đổi bất ngờ trong tình trạng bệnh nhân,
đặc biệt trong các trường hợp khẩn cấp.
-Tiến sĩ Christopher C. Yang, Giáo sư Khoa học Thông tin của Đại học Drexel, cho biết
“Khi công nghệ AI ngày càng trở nên tiên tiến hơn, nó có thể thu thập nhiều dữ liệu hơn
các cơ sở y tế truyền thống gấp nhiều lần”.
2.1.2. Tự động hóa công việc.
-Trí tuệ nhân tạo trong y học đã thay đổi các phương thức chăm sóc sức khỏe ở khắp mọi
nơi. Những đổi mới ấy bao gồm lập lịch hẹn, phiên dịch các chi tiết lâm sàng và theo dõi
lịch sử bệnh nhân. AI đang cho phép các cơ sở y tế hợp lý hóa các công việc tẻ nhạt và tỉ
mỉ hơn. Ví dụ, công nghệ X quang thông minh có thể xác định các điểm đánh dấu trực
quan quan trọng, tiết kiệm hàng giờ phân tích căng thẳng. Các hệ thống tự động khác tồn
tại để tự động hóa việc lên lịch cuộc hẹn, theo dõi bệnh nhân và đưa ra các lời khuyên chăm sóc sức khỏe.
-Một ví dụ cụ thể cho việc tự động hóa bởi AI là xem xét bảo hiểm. AI được sử dụng để
giảm thiểu chi phí phát sinh từ việc từ chối yêu cầu bảo hiểm. Với AI, các nhà cung cấp
dịch vụ y tế có thể xác định và giải quyết các khiếu nại nhầm lẫn trước khi các công ty
bảo hiểm từ chối thanh toán cho họ. Điều này không chỉ đơn giản hóa quy trình xác nhận
quyền sở hữu, AI còn tiết kiệm thời gian cho nhân viên bệnh viện để làm việc thông qua
việc từ chối và gửi lại yêu cầu.
-Ngoài ra, việc cho phép thanh toán nhanh hơn và yêu cầu chính xác hơn giúp các bệnh
viện có thể tự tin hơn về khung thời gian hoàn trả, khiến họ sẵn sàng chấp nhận một số
lượng lớn hơn các gói bảo hiểm. Về cơ bản, AI cho phép các bệnh viện chấp nhận một
loạt các kế hoạch, mang lại lợi ích cho những bệnh nhân hiện có và tiềm năng.
2.1.3. Tiết kiệm thời gian và nguồn lực.
-Khi các quy trình quan trọng hơn được tự động hóa, các chuyên gia y tế có nhiều thời
gian hơn để đánh giá bệnh nhân và chẩn đoán bệnh. AI đang đẩy nhanh các hoạt động để
tiết kiệm thời gian làm việc quý giá cho các cơ sở y tế. Trong bất kỳ lĩnh vực nào, thời
gian luôn là vàng, vì vậy AI có khả năng tiết kiệm một khoản chi phí khổng lồ.
-Ước tính khoảng 200 tỷ đô la bị lãng phí trong ngành chăm sóc sức khỏe hàng năm. Một
phần lớn các chi phí không cần thiết này là do các vấn đề quản trị, chẳng hạn như nộp
đơn, xem xét và giải quyết các tài khoản. Một lĩnh vực khác cần cải thiện là xác định mức 44
độ cần thiết về y tế. Theo phương pháp truyền thống, nhân viên cần dành hàng giờ để
xem lại lịch sử và thông tin của bệnh nhân để đánh giá đúng mức độ cần thiết về mặt y tế.
Các thuật toán xử lý ngôn ngữ tự nhiên (NLP) và học sâu (DL) mới có thể hỗ trợ các bác
sĩ xem xét các trường hợp nhập viện và tránh bị từ chối.
-Bằng cách giải phóng thời gian năng suất và nguồn lực quan trọng, các chuyên gia y tế
được phân bổ nhiều thời gian hơn để hỗ trợ và giao tiếp với bệnh nhân.
2.1.4. Hỗ trợ nghiên cứu.
-AI cho phép các nhà nghiên cứu thu thập một lượng lớn dữ liệu từ nhiều nguồn khác
nhau. Khả năng thu nạp lượng thông tin phong phú và ngày càng tăng cho phép ta phân
tích hiệu quả hơn các căn bệnh chết người. Liên quan đến dữ liệu thời gian thực, nghiên
cứu có thể được hưởng lợi từ lượng thông tin đa dạng có sẵn, miễn là nó được phiên dịch dễ dàng.
-Các cơ quan nghiên cứu y tế như Phòng thí nghiệm Dữ liệu Ung thư cho Trẻ em đang
phát triển phần mềm hữu ích cho các nhà y tế để tận dụng tốt hơn các bộ sưu tập dữ liệu
khổng lồ. AI cũng đã được sử dụng để đánh giá và phát hiện các triệu chứng sớm hơn
trong quá trình tiến triển của bệnh. Các giải pháp Telehealth đang được triển khai để theo
dõi tiến trình của bệnh nhân, khôi phục dữ liệu chẩn đoán quan trọng và đóng góp thông
tin dân số vào các mạng chia sẻ.
2.1.5. Giảm gánh nặng cho các y bác sĩ.
-Một số báo cáo nghiên cứu mới đây cho thấy hơn một nửa số bác sĩ cảm thấy căng thẳng
do áp lực thời gian và các điều kiện làm việc khác. AI giúp hợp lý hóa các thủ tục, tự
động hóa các chức năng, chia sẻ dữ liệu ngay lập tức và tổ chức các hoạt động, tất cả đều
giúp các chuyên gia y tế giảm thiếu rất nhiều nhiệm vụ.
-Tiến sĩ Yang giải thích, “Yếu tố quan trọng nhất khiến bác sĩ kiệt sức là số lượng bệnh
nhân và bản chất của nghề nghiệp. Tuy nhiên, vì AI có thể hỗ trợ các hoạt động đòi hỏi
nhiều thời gian hơn, chẳng hạn như giải thích các chẩn đoán, các chuyên gia y tế có thể giảm bớt căng thẳng.”
2.2. Nhược điểm của AI trong y học.
2.2.1. Cần sự giám sát của con người.
Mặc dù AI đã tiến một bước dài trong lĩnh vực y tế, nhưng sự giám sát của con người vẫn
là điều cần thiết. Ví dụ, robot phẫu thuật hoạt động theo logic, trái ngược với sự đồng 45
cảm. Bác sĩ có thể quan sát, phát hiện những dấu hiệu quan trọng, có thể giúp chẩn đoán
hoặc ngăn ngừa các biến chứng nguy hiểm.
“AI đã tồn tại được vài thập kỷ và vẫn đang tiếp tục phát triển. Khi lĩnh vực này phát
triển, sẽ có nhiều sự tương tác hơn giữa các chuyên gia chăm sóc sức khỏe và các chuyên
gia công nghệ.” AI yêu cầu đầu vào và sự giám sát của con người phải được tận dụng một cách hiệu quả.
2.2.2. Có thể bỏ qua các vấn đề xã hội.
Nhu cầu của bệnh nhân thường vượt ra khỏi điều kiện thể chắt tức thời. Các yếu tố xã
hội, kinh tế và lịch sử có thể tác động tới những bệnh nhân cụ thể. Ví dụ, một hệ thống AI
có thể phân bổ một bệnh nhân đến một trung tâm chăm sóc cụ thể dựa trên một chẩn đoán
cụ thể. Tuy nhiên, hệ thống này có thể không tính đến những hạn chế về kinh tế của bệnh
nhân hoặc các sở thích cá nhân khác.
Quyền riêng tư cũng trở thành một vấn đề khi kết hợp, sử dụng hệ thống AI. Các thương
hiệu lớn như Amazon có khả năng thu thập và tận dụng dữ liệu một cách tự do hơn. Mặt
khác, các bệnh viện có thể gặp phải một số khó khăn khi cố gắng truyền dữ liệu từ các
thiết bị di động của Apple. Những hạn chế về quy định và xã hội này có thể hạn chế khả
năng của AI trong việc hỗ trợ các hoạt động y tế.
2.2.3. Tăng tỉ lệ thất ngiệp.
Mặc dù AI có thể giúp cắt giảm chi phí và giảm áp lực cho bác sĩ, nhưng nó cũng có thể
khiến một số công việc trở nên dư thừa. Biến số này có thể dẫn đến việc thay thế các
chuyên gia đã đầu tư thời gian và tiền bạc vào giáo dục chăm sóc sức khỏe, gây ra những
vấn đề về sự công bằng.
Một báo cáo của Diễn đàn Kinh tế Thế giới 2018 dự kiến AI sẽ tạo ra tổng cộng 58 triệu
việc làm vào năm 2022. Tuy nhiên, cùng một nghiên cứu cho thấy 75 triệu việc làm sẽ bị
AI thay thế hoặc phá hủy vào cùng năm. Lý do chính dẫn đến việc sụt giảm cơ hội việc
làm này là do AI được tích hợp nhiều hơn trên các lĩnh vực khác nhau, các công việc
mang tính lặp lại sẽ trở nên thừa thãi.
Mặc dù AI hứa hẹn sẽ cải thiện một số khía cạnh của chăm sóc sức khỏe và y học, nhưng
điều quan trọng là phải xem xét các nhánh khác của xã hội khi tích hợp công nghệ này. 46
2.2.4. Tính toán sai lầm vẫn có thể xảy ra.
-AI y tế phụ thuộc nhiều vào dữ liệu chẩn đoán có sẵn từ hàng triệu bệnh nhân điều trị
được lập trình trước đó. Trong trường hợp có ít dữ liệu về bệnh tật, nhân khẩu học hoặc
các yếu tố môi trường cụ thể, việc chẩn đoán sai hoàn toàn có thể xảy ra. Yếu tố này trở
nên đặc biệt quan trọng khi kê đơn thuốc cụ thể.
-AI không ngừng phát triển và cải tiến để giải quyết những khoảng trống về dữ liệu. Tuy
nhiên, điều quan trọng cần lưu ý là các nhóm dân số cụ thể vẫn có thể bị loại trừ khỏi
kiến thức nền hiện có của AI.
2.2.5. Rủi ro về bảo mặt.
Vì AI nói chung phụ thuộc vào mạng dữ liệu nên hệ thống luôn có khả năng gặp rủi ro
bảo mật. Vì vậy, việc tăng cường an toàn an ninh mạng rất cần thiết để đảm bảo công
nghệ này bền vững. Theo Forrester Consulting, 88% những người ra quyết định trong
ngành bảo mật tin rằng việc tấn công hệ thống AI đang là một mối đe dọa tiềm tàng.
Khi AI sử dụng dữ liệu để làm cho các hệ thống thông minh hơn và chính xác hơn, các
cuộc tấn công mạng sẽ kết hợp AI để trở nên thông minh hơn, khiến chúng khó dự đoán
và ngăn chặn hơn. Một khi gây thiệt hại cho hệ thống phòng thủ, các cuộc tấn công sẽ
khó giải quyết, đối phó hơn nhiều.
2.3. Ứng dụng của AI trong y học.
2.3.1. Ứng dụng tổng quát.
Trí tuệ nhân tạo là công nghệ máy tính đang phát triển vô cùng nhanh chóng và đã bắt
đầu được sử dụng rộng rãi trong lĩnh vực y tế để cải thiện trình độ chuyên môn và hiệu
quả công việc lâm sàng. Tại các nước đang phát triển trên thế giới vẫn còn sự bất bình
đẳng giữa các dịch vụ y tế ở thành thị và nông thôn, trong đó sự thiếu hụt bác sĩ là
nguyên nhân chính. Một số nghiên cứu đã chỉ ra rằng việc áp dụng các kỹ thuật y tế hỗ
trợ máy tính hoặc AI có thể cải thiện kết quả chăm sóc sức khỏe ở khu vực nông thôn của
các nước đang phát triển. Dưới đây là một số những ứng dụng tổng quát của AI trong y học. 47
2.3.1.1. Việc đưa ra quyết định lâm sàng:
Với sự phát triển nhanh chóng của công nghệ, lượng thông tin mới từ các công trình
nghiên cứu ngày càng nhiều và nhanh hơn. Hiện nay, lượng thông tin y khoa đã tăng gấp
đôi cứ sau mỗi 3 năm. Người ta ước tính rằng nếu một bác sĩ muốn cập nhật toàn bộ
thông tin y khoa thì phải đọc 29 giờ mỗi ngày. Ngoài ra, nguồn dữ liệu lớn (big data), bao
gồm các dữ liệu từ hồ sơ sức khoẻ điện tử (EHR), các dữ liệu “omic” - dữ liệu về di
truyền học (genomics), dữ liệu về chuyển hóa (metabolomics) và dữ liệu về protein
(proteomics), dữ liệu về xã hội học và lối sống là những nguồn dữ liệu sẽ không có ích
nếu không được phân tích toàn diện. Giải pháp duy nhất để có thể tiếp cận và sử dụng
khối lượng thông tin khổng lồ trong lĩnh vực y tế đó là sử dụng công nghệ trí tuệ nhân
tạo. IBM Watson là một trong những hệ thống hàng đầu hỗ trợ chăm sóc sức khỏe bằng
AI, giúp các bác sĩ đưa ra quyết định hiệu quả. Với khả năng máy học (machine learning)
và khả năng xử lý ngôn ngữ tự nhiên (NLP), hệ thống này giúp các bác sĩ xem xét hồ sơ
sức khoẻ điện tử của bệnh nhân và cập nhật thông tin hướng dẫn điều trị từ các công trình
nghiên cứu y khoa. Một nghiên cứu mù đôi đã so sánh các quyết định của hội đồng
những chuyên gia nghiên cứu, điều trị ung thư với quyết định của trí tuệ nhân tạo từ hệ
thống ung thư Watson. Kết quả cho thấy 90% các khuyến nghị mà hệ thống đưa ra là phù
hợp với các khuyến nghị của hội đồng các chuyên gia, nhưng hệ thống chỉ mất 40 giây để hoàn tất quy trình.
2.3.1.2. AI trong hồ sơ sức khoẻ điện tử.
Năm 2009, Bộ Y tế Hoa Kỳ bắt đầu khuyến khích áp dụng EHRs. Tuy nhiên, quá trình đó
đã gặp nhiều thách thức. Các rào cản chính bao gồm sự không hài lòng của nhân viên y tế
với hệ thống EHR, nhất là các vấn đề về khả năng tương tác và độ trễ trong việc ứng
dụng hồ sơ sức khoẻ điện tử, nhất là tại các cơ sở chăm sóc ban đầu. Hiện nay, EHR đã
trở thành một trong những công việc tiêu tốn nhiều thời gian nhất của nhân viên y tế tại
các cơ sở chăm sóc sức khỏe. Công nghệ AI hứa hẹn có thể giúp các nhà cung cấp dịch
vụ chăm sóc sức khỏe thu thập, lưu trữ, định dạng lại và theo dõi dữ liệu lâm sàng, cũng
như các kế hoạch và đánh giá cá nhân hóa một cách nhanh chóng và tiện lợi hơn.
2.3.1.3. AI trong chẩn đoán.
Lỗi chẩn đoán là một mối đe dọa nghiêm trọng tới chất lượng và an toàn trong chăm sóc
sức khỏe. Tại Mỹ, ước tính tỷ lệ lỗi chẩn đoán ngoại trú là 5,08% tương đương 12 triệu
người mỗi năm. Khoảng một nửa trong số các lỗi này là có khả năng gây hại. Công nghệ
AI đã được sử dụng để cải thiện chất lượng chẩn đoán, đặc biệt là trong X quang. AI dựa
trên nguồn dữ liệu gồm 129.450 hình ảnh lâm sàng để chẩn đoán bệnh ngoài da, kết quả
đã chứng minh rằng hệ thống này có thể phân loại, chẩn đoán ung thư da ở mức độ tương
đương với các bác sĩ da liễu. Một thuật toán dựa trên hình ảnh cộng hưởng từ của chuyển 48
động tim cho phép dự đoán chính xác kết quả bệnh nhân bị tăng áp phổi; một phương
pháp khác phân loại nhịp tự động trong phân tích điện tâm đồ liên tục (ECGs) ở những
bệnh nhân mắc bệnh nghiêm trọng. Một nghiên cứu khác đã xem xét các kết quả đầy hứa
hẹn trong việc sử dụng AI để điều trị, chẩn đoán đột quỵ và cho thấy rằng công nghệ AI
có thể đóng một vai trò quan trọng trong việc quản lý bệnh nhân đột quỵ.
2.3.1.4. AI trong robots y học.
Các ứng dụng của công nghệ AI trong y tế cũng bao gồm các robot và thiết bị hỗ trợ. Ví
dụ, robot đàm thoại có thể tạo điều kiện giao tiếp giữa bệnh nhân với các chuyên gia y tế;
thiết bị hỗ trợ chuyển động có thể giúp điều phối bệnh nhân đi, đứng hoặc ngồi; và robot
giống động vật có thể giao tiếp và xác định bệnh nhân. Robot cũng có thể được sử dụng
trong phẫu thuật với tư cách là trợ lý bác sĩ phẫu thuật, như hệ thống phẫu thuật da Vinci
là một trong những hệ thống phẫu thuật robot được sử dụng phổ biến nhất.
2.3.1.5. AI trong y học cá thể.
Y học cá thể (Personized medicine) là một mô hình chăm sóc sức khỏe mới, trong đó việc
điều trị và phòng ngừa bệnh dựa trên các điều kiện cá nhân, bao gồm thông tin di truyền,
đặc điểm tâm lý xã hội, môi trường và lối sống. Tất cả thông tin này sẽ tạo ra một lượng
dữ liệu khổng lồ, chỉ có thể được phân tích và tích hợp bởi công nghệ AI.
2.3.1.6. AI trong quản lý khám, chữa bệnh.
Việc đưa công nghệ AI vào các hệ thống quản lý chăm sóc sức khỏe có thể giúp xác định
các chẩn đoán và điều trị không cần thiết. Do đó, công nghệ AI y tế không chỉ tập trung
vào các tương tác truyền thống giữa bệnh nhân với nhà cung cấp dịch vụ chăm sóc sức
khỏe mà còn có thể được sử dụng trong quản lý hệ thống y tế cho các tổ chức quy mô
lớn. Các hệ thống có thể theo dõi chi tiêu y tế, chi phí hồi phục và đáp ứng điều trị, do đó
làm cải thiện sức khỏe dân số và chất lượng chăm sóc trong khi giảm tải rất nhiều chi phí phát sinh.
Công nghệ AI trong y tế có tiềm năng làm cải thiện khả năng tiếp cận chăm sóc sức khỏe
và chất lượng chăm sóc sức khỏe, theo các nghiên cứu thì nó hoàn toàn có thể triển khai
tại các nước đang phát triển. Để thực hiện mục tiêu này, các nhà nghiên cứu đề xuất phát
triển một mạng lưới dịch vụ AI y tế nhiều cấp độ tại các nước đang phát triển, bao gồm:
hệ thống AI trong y tế tuyến đầu (cấp độ đầu tiên), hệ thống AI trong y tế tuyến khu vực
(cấp độ trung bình) và phát triển AI trong hệ thống y tế cấp quốc gia (cấp độ cao nhất). 49
2.3.2. Ứng dụng cụ thể. 2.3.2.1. Tim mạch
2.3.2.1.1. Rung nhĩ (rối loạn nhịp tim)
Phát hiện sớm rung nhĩ là một trong những ứng dụng đầu tiên của AI trong y học.
AliveCor đã nhận được sự chấp thuận của FDA vào năm 2014 cho ứng dụng di động
Kardia của họ, cho phép theo dõi điện tâm đồ dựa trên điện thoại thông minh và phát hiện
rung tâm nhĩ. Nghiên cứu REHEARSE-AF gần đây đã chỉ ra rằng theo dõi điện tâm đồ từ
xa với Kardia ở bệnh nhân điều trị cấp cứu có nhiều khả năng xác định rung tâm nhĩ hơn
so với chăm sóc thông thường. Apple cũng đã được FDA chấp thuận cho Apple Watch 4
của họ có thể dễ dàng đo và nhận diện điện tâm đồ để phát hiện rung nhĩ. Nhưng cũng có
một số chỉ trích về công nghệ điện tâm đồ trên đồng hồ thông minh đeo tay và điện thoại
di động thông minh, nêu bật những hạn chế trong việc sử dụng chúng, chẳng hạn như tỷ
lệ chẩn đoán sai bắt nguồn từ các chuyển động giả và các rào cản trong việc áp dụng công
nghệ trên ở bệnh nhân cao tuổi – đối tượng có nhiều khả năng gặp rung nhĩ.
2.3.2.1.2. Nguy cơ tim mạch
Được áp dụng cho hồ sơ bệnh nhân điện tử, AI đã được sử dụng để dự đoán nguy cơ mắc
bệnh tim mạch, chẳng hạn như hội chứng mạch vành cấp và suy tim tốt hơn so với các
phương pháp chẩn đoán truyền thống. Tuy nhiên, các đánh giá toàn diện gần đây đã báo
cáo kết quả có thể thay đổi tùy thuộc vào kích thước của mẫu vật được sử dụng trong báo cáo nghiên cứu. 2.3.2.2. Y học phổi
Các xét nghiệm chẩn đoán chức năng phổi đã được báo cáo là một lĩnh vực đầy hứa hẹn
cho sự phát triển, ứng dụng của AI trong việc điều trị và nghiên cứu phổi. Một nghiên
cứu gần đây đã cho thấy cách phần mềm tích hơp AI cung cấp cách diễn giải chính xác
hơn và đóng vai trò như một công cụ hỗ trợ quyết định trong trường hợp giải thích kết
quả từ các bài kiểm tra chức năng phổi. Tuy nhiên, nghiên cứu đã nhận được một số phê
bình, một trong số đó báo cáo tỷ lệ chẩn đoán chính xác ở các bệnh nhân tham gia thấp
hơn đáng kể so với tỷ lệ trung bình của cả nước. 2.3.2.3. Nội tiết
Việc theo dõi đường huyết liên tục cho phép bệnh nhân tiểu đường xem các chỉ số đường
huyết được thống kê trong thời gian thực và cung cấp thông tin về hướng và tốc độ thay 50
đổi mức đường huyết. Medtronic đã nhận được sự chấp thuận của FDA cho hệ thống
Guardian của họ để theo dõi lượng đường, được ghép nối với điện thoại thông minh. Vào
năm 2018, công ty đã hợp tác với Watson (AI do IBM phát triển) để phát triển hệ thống
Sugar.IQ của họ, giúp người dùng ngăn ngừa tốt hơn các đợt hạ đường huyết dựa trên
việc đo lặp lại. Theo dõi chỉ số đường huyết liên tục có thể cho phép bệnh nhân tối ưu
hóa việc kiểm soát đường huyết và giảm thiểu các triệu chứng, rủi ro liên quan đến các
đợt hạ đường huyết. Tuy nhiên, một nghiên cứu tập trung vào trải nghiệm của các bệnh
nhân trong việc theo dõi lượng đường đã báo cáo rằng những người tham gia trải nghiệm
hệ thống có bày tỏ sự tin tưởng vào các báo cáo, cũng nói rằng họ thất bại trong việc tự
điều tiết mức đường troing cơ thể. 2.3.2.4. Thận
Trí tuệ nhân tạo đã được áp dụng tương dối trong khoa thận học lâm sàng. Ví dụ, nó đã
được chứng minh là hữu ích cho việc dự đoán sự suy giảm mức lọc cầu thận ở những
bệnh nhân bị bệnh thận đa nang và để chẩn đoán nguy cơ mắc bệnh thận IgA tiến triển.
Dù vậy, một báo cáo đánh giá gần đây cho rằng nghiên cứu tại thời điểm này đang bị giới
hạn bởi kích thước mẫu cần thiết để phân tích là chưa đủ. 2.3.2.5. Tiêu hóa
Chuyên ngành tiêu hóa được hưởng lợi nhiều từ việc ứng dụng AI trong các cơ sở y tế.
Các bác sĩ chuyên khoa tiêu hóa đã sử dụng mạng lưới thần kinh phức hợp trong số các
mô hình học sâu để xử lý hình ảnh nội soi, siêu âm và phát hiện các cấu trúc bất thường
như polyp đại tràng. Mạng lưới thần kinh nhân tạo cũng đã được sử dụng để chẩn đoán
bệnh trào ngược dạ dày thực quản và viêm teo dạ dày, cũng như để dự đoán khả năng
xuất huyết tiêu hóa, khả năng sống sót của tế bào ung thư thực quản, bệnh viêm ruột, di
căn trong ung thư đại trực tràng và ung thư biểu mô tế bào vảy thực quản. 2.3.2.6. Thần kinh
Thiết bị phát hiện động kinh thông minh là công nghệ đầy hứa hẹn có tiềm năng cải thiện
việc quản lý bệnh động kinh thông qua giám sát cấp cứu vĩnh viễn. Empatica đã nhận
được sự chấp thuận của FDA vào năm 2018 cho thiết bị Embrace có thể đeo được của họ,
liên kết với các thiết bị khác truyền điện qua da có khả năng phát hiện các cơn động kinh
tổng quát và báo cáo cho một ứng dụng trên điện thoại giúp cảnh báo những người thân
trong gia đình và bác sĩ đáng tin cậy để xác định vị trí của bệnh nhân. Một báo cáo tập
trung vào trải nghiệm của bệnh nhân tiết lộ rằng, trái ngược với thiết bị đeo được theo dõi
hoạt động của tim, bệnh nhân mắc chứng động kinh không có rào cản trong việc sử dụng
thiết bị phát hiện động kinh và cho biết họ rất quan tâm đến việc sử dụng các thiết bị đeo 51
được trên người. Các cảm biến đeo được trên cơ thể đã chứng tỏ sự hữu ích của chúng
khi nhận diện được dáng đi, tư thế và độ run ở bệnh nhân đa xơ cứng, bệnh Parkinson và bệnh Huntington.
Chương III. Tương lai của AI trong bối cảnh đại dịch COVID 19, đề xuất giải
pháp cải thiện (Mun+Vy) (chương 6 trong slide thuyết trình)
3.1. AI trong bối cảnh đại dịch COVID 19 hiện nay (Mun)
Đại dịch COVID-19 đã ảnh hưởng đến lĩnh vực y tế và xã hội nói chung với quy mô và
tốc độ chưa từng thấy trong lịch sử hiện đại. Ban đầu, một số chuyên gia cho rằng đại
dịch là một sự kiện “thiên nga đen”, hiếm gặp nhưng có khả năng ảnh hưởng lớn và chỉ
có khả năng dự đoán. Tuy nhiên, một số chuyên gia khác cho rằng nó có thể dự đoán
được rõ ràng, giông shư các chủng virus hô hấp trọng điểm trước đó như SARS (2003 ), H1N1 (2009) và MERS (2012) .
Trí tuệ nhân tạo (AI) và đặc biệt là học máy (ML) và học sâu (DL) được sử dụng trong
nhiều tác vụ để giúp các nhà khoa học y tế chống lại tác động của COVID-19. Với đầu
vào phù hợp và thiết kế thuật toán sáng tạo, AI có thể nhận ra các mẫu, dự đoán kết quả,
hỗ trợ ra quyết định y tế và giúp khám phá thông tin liên quan từ đại dịch. Trong khi hầu
hết các phương pháp thống kê thông thường không thể xử lý 'dữ liệu lớn' ở các dạng khác
nhau của nó (ví dụ: văn bản và hình ảnh) thì ML và DL giúp phân tích các tương tác phi
tuyến tính rất phức tạp trong bộ dữ liệu lớn, tách biệt mối quan hệ giữa các yếu tố dự báo
và kết quả. Không có gì ngạc nhiên khi đã có sự bùng nổ đầu tư vốn vào lĩnh vực hình
ảnh y tế dựa trên AI và thị trường chăm sóc sức khỏe AI dự kiến sẽ đạt 6,6 tỷ đô la vào
năm 2021.Dưới đây là một số những đóng góp, ứng dụng quan trọng của AI trong việc
ứng phó với đại dịch COVID 19.
3.1.1. Phát hiện các ổ dịch và theo dõi nguồn lây
Phát hiện những ổ dịch mới chú trọng vào việc tập trung phát triển khả năng giám sát,
phòng ngừa và hoạt động hiệu quả để phát hiện các mối nguy sinh học trong cộng đồng.
Xử lý ngôn ngữ tự nhiên (NLP) là một lĩnh vực con của AI tập trung vào việc lập trình
máy móc để đọc, hiểu và trích xuất ý nghĩa của ngôn ngữ con người. Nói cách khác, NLP
đại diện cho việc xử lý tự động dữ liệu phi cấu trúc như lời nói hoặc văn bản. NLP có thể
phân tích dữ liệu dựa trên ngôn ngữ một cách nhất quán mà không gây mệt mỏi hoặc sai
lệch, điều này rất cần thiết để xem xét lượng dữ liệu phi cấu trúc đáng kinh ngạc được tạo 52
ra hàng ngày trên phương tiện truyền thông xã hội, truy vấn và tìm kiếm hồ sơ sức khỏe
điện tử. Do đó, NLP là một công cụ quan trọng để phân tích đầy đủ dữ liệu của văn bản một cách hiệu quả.
Ví dụ, sự phổ biến của các mạng xã hội trực tuyến như Twitter đã tạo ra tương tác xã hội
lớn giữa người dùng với sự gia tăng nhanh chóng của dữ liệu lớn. Các thuật toán được
giám sát và bán giám sát, được sử dụng để cung cấp tín hiệu và giám sát hội chứng (hen
suyễn / khó thở) . Ưu điểm của bán giám sát so với các thuật toán giám sát cổ điển cho
phép các tác giả giảm thiểu nỗ lực gắn nhãn cần thiết để xây dựng một bộ phân loại với
hiệu suất tương đương.
Về phương diện phát hiện bùng phát COVID-19, thay vì ủy thác cho các cuộc điều tra
truyền thống và báo cáo lâm sàng, trong đó các quy trình thu thập dữ liệu tốn nhiều công
sức và tốn kém, mạng xã hội và dữ liệu của chính phủ cho phép phân tích thông tin địa lý
và thời gian.nhanh hơn rất nhiều. Ví dụ, việc ghi nhận đợt bùng phát SARS-CoV-2 một
phần có liên quan đến thuật toán dịch tễ học AI có tên là 'BlueDot'. Dữ liệu lớn đóng một
vai trò quan trọng trong thuật toán BlueDot. Nó sử dụng NLP để trích xuất dữ liệu từ
hàng trăm nghìn nguồn trong các bản tin tiếng nước ngoài và các thông báo chính thức để
cung cấp tin tức về các dịch bệnh tiềm ẩn. Các nhà khoa học dữ liệu của BlueDot đã phân
loại dữ liệu theo cách thủ công và phát triển các từ khóa có liên quan để NLP quét nguồn
dữ liệu. Kết quả là, thuật toán đã xác định các trường hợp nghi ngờ để các chuyên gia dữ
liệu con người phân tích thêm. Thuật toán BlueDot đã dự đoán sự lây lan sớm của
COVID-19 bên ngoài Vũ Hán dựa trên dữ liệu du lịch được tạo ra từ Hiệp hội Vận tải
Hàng không Quốc tế. Các thuật toán BlueDot cũng đã dự đoán thành công sự lây lan
quốc tế của vi rút Zika ở Nam Florida vào năm 2016. Một kỹ thuật NLP khác có thể được
sử dụng để theo dõi dư luận về sự bùng phát bệnh truyền nhiễm và các chính sách của
chính phủ được gọi là 'phân tích cảm tính'. Các nhà phân tích dữ liệu sử dụng phương
pháp này để trích xuất thông tin trực tuyến từ các nền tảng truyền thông xã hội nhằm hiểu
được phản ứng của công chúng đối với sự bùng phát dịch bệnh. Dữ liệu ở định dạng văn
bản được tách thành các thành phần cơ bản, được gắn nhãn bởi các chuyên gia về con
người để ấn định và cho điểm cảm tính. Điều này cũng cung cấp cho các cơ quan chính
phủ những hiểu biết có giá trị để định hướng các nỗ lực hướng tới giáo dục công.
Ngoài ra, theo dõi tiếp xúc kỹ thuật số cũng giúp ngăn ngừa sự lây lan rộng hơn của dịch
bệnh. Đây là một phương pháp kiểm soát thiệt hại hiệu quả để giảm thiểu sự phát triển
của một đợt bùng phát sau khi tiếp xúc ban đầu. Nói chung, quy trình xác định một cá thể
bị nhiễm bệnh với thời gian theo dõi là 14 ngày sau khi phơi nhiễm được báo cáo. Một số
quốc gia có các ứng dụng di động để theo dõi liên hệ. Bluetooth và hệ thống định vị toàn
cầu là công nghệ chính để theo dõi những khu vực lân cận. Trung Quốc là một trong
những quốc gia đầu tiên triển khai hợp nhất tập trung dữ liệu theo dõi trên điện thoại di
động. Mã sức khỏe độc quyền do AI tạo (xanh lá cây, hổ phách và đỏ) được sản xuất theo 53
từng cá nhân, biểu thị cho mức độ rủi ro lây nhiễm bệnh của công dân Trung Quốc. Thuật
toán đằng sau hệ thống không hoàn toàn rõ ràng và không thể truy cập được đối với công
chúng. Một công dân có mã màu đỏ sẽ được hướng dẫn để hạn chế sự di chuyển của họ ở
một số vị trí địa lý nhất định. Vi phạm có thể được đánh dấu trong hệ thống tín dụng xã
hội của Trung Quốc, dẫn đến các hình phạt cá nhân nghiêm trọng từ các cơ quan công
quyền. Ngược lại, Singapore đã thực hiện một cách tiếp cận nhận thức rõ ràng hơn về
quyền riêng tư, bao gồm một ứng dụng hỗ trợ quyết định chọn tham gia giúp các cơ quan
y tế theo dõi và liên hệ với những người dùng bị nhiễm bệnh. Ứng dụng này sử dụng một
giao thức để ghi lại các cuộc gặp gỡ giữa hai người tham gia sử dụng thiết bị trao đổi số
nhận dạng tạm thời. Nếu người dùng bị nhiễm bệnh, họ được yêu cầu chia sẻ lịch sử gặp
gỡ của mình với các quan chức y tế công cộng.
Tại Mỹ, Google / Apple Exposure Notification gần đây đã được triển khai trên điện thoại
thông minh. Công nghệ này sử dụng bluetooth để thông báo cho người dùng về khả năng
tiếp xúc với người dùng khác với chẩn đoán COVID-19, bất kể người dùng có biết nhau
hay không. Quá trình theo dõi được thực hiện hầu như trong thời gian thực và nhanh hơn
khi so sánh với các kỹ thuật được sử dụng trong các nền tảng phi kỹ thuật số. Tuy nhiên,
việc kiểm soát quyền riêng tư và vi phạm bảo mật dữ liệu có thể dẫn đến sự phản đối của
người dùng, đặc biệt là trong trường hợp vi phạm quyền riêng tư dữ liệu. Vì lý do này,
việc triển khai các ứng dụng theo dõi liên hệ vẫn còn gây tranh cãi ở nhiều quốc gia.
3.1.2. Dự báo một đợt bùng phát
Các mô hình toán học và thống kê dân số khác nhau đã được sử dụng để dự báo mức độ
và sự lây lan của các đợt bùng phát. Ở Brazil, phương pháp tiếp cận ML đã được sử dụng
để dự báo các trường hợp tích lũy COVID-19 ở thời điểm 3 dến 6 ngày trong tương lai.
Phương pháp hồi quy vectơ và tập hợp xếp chồng đạt hiệu suất tốt hơn trong số ba mô
hình dựa trên ML khác. Dự đoán ngắn hạn Các mô hình ML có thể hỗ trợ chính phủ
Brazil và các cơ quan y tế công cộng trong việc đưa ra quyết định và xác định chính sách
công. Tuy nhiên, các mô hình đề xuất trên được xây dựng cụ thể với bộ dữ liệu từ hệ
thống y tế Brazil, do đó, sẽ gặp thách thức về mặt kỹ thuật nếu áp dụng mô hình này ở các nước khác.
Thật không may, các mô hình dự đoán dựa trên ML không đáng tin cậy cho lắm, một
phần vì dữ liệu quá khứ không đủ và vì trong giai đoạn đầu của đại dịch, các nhà điều tra
đã sử dụng kết quả từ các nghiên cứu có khả năng sai lệch. Ngoài dữ liệu trong quá khứ,
ML cần được đào tạo một lượng lớn dữ liệu để tạo ra các thuật toán dự đoán chính xác.
Tuy nhiên, việc điều phối thu thập dữ liệu là một thách thức ngay cả đối với các khu vực
địa lý nhỏ hơn. Tại Singapore, một tập đoàn y tế quốc gia được yêu cầu thu thập dữ liệu
chi tiết từ các hệ thống y tế dến bệnh viện và phòng khám. Mặc dù nguồn lực tài chính và
hậu cần rất dồi dào, nhưng quy mô dữ liệu có thể không có sẵn trong giai đoạn đầu của 54
đợt bùng phát, vốn vô cùng cần thiết cho việc dự đoán khả năng lây lan của dịch. Do đó,
nhiều mô hình được sử dụng để theo dõi và dự báo COVID-19 đã sử dụng các mô hình
dịch tễ học như mô hình Dễ nhiễm - Bị lây nhiễm - Phục hồi (SIR) hoặc Dễ bị lây nhiễm
- Được chẩn đoán - Bệnh tật - Nhận biết - Bị đe dọa - Được chữa lành và Tuyệt chủng
(SIDARTHE) để biện minh cho việc kiểm soát các biện pháp như giãn cách xã hội, xét
nghiệm toàn diện và theo dõi nguồn lây. Các mô hình cơ học này bắt chước mô hình động
của sự lan truyền COVID-19 và được sử dụng để mô phỏng các kịch bản truyền tải trong
tương lai dưới nhiều giả định và phân tích các khả năng khác nhau. 3.1.3. Tiên lượng
Năng lực hạn chế của các đơn vị chăm sóc đặc biệt làm cho sự sẵn có của các mô hình
tiên lượng dự báo mức độ nghiêm trọng của bệnh là rất quan trọng đối với các chuyên gia
chăm sóc sức khỏe, phân loại cũng như chính sách công.
Ở những bệnh nhân bị suy hô hấp giảm oxy trong máu do viêm phổi nặng, Chỉ số ROX
(SpO2, FiO2 và tốc độ hô hấp) đã được sử dụng để dự đoán thất bại của việc hỗ trợ ống
thông mũi và yêu cầu cần được hỗ trợ hô hấp thêm bằng phương pháp đặt nội khí quản.
Một mô hình ML giám sát cũng được phát triển để dự đoán việc đặt nội khí quản ở những
bệnh nhân nhập viện với COVID-19. Mô hình dựa trên 24 giờ đầu tiên nhập viện. Các
phép đo tỷ lệ mắc bệnh đi kèm của Elixhauser và dữ liệu chuỗi thời gian đã được sử dụng
để phù hợp với bộ phân loại ngẫu nhiên nhằm dự đoán rủi ro khi đặt ống nội khí quản.
Thuật toán hoạt động tốt hơn Chỉ số ROX, thể hiện diện tích dưới đường cong đặc tính
máy thu (AUC) là 0,84 đối với mô hình ML và 0,64 đối với Chỉ số ROX.
3.1.4. Phát triển thuốc và vắc xin
Các phương pháp tính toán để sàng lọc các hợp chất tiềm năng thành protein đã được
chứng minh là cải thiện tỷ lệ thành công và rút ngắn thời gian phát triển thuốc. Mô hình
dựa trên DL này có hiệu suất ấn tượng đối với dự đoán liên kết protein - phối tử và phát
triển thuốc, tương tự như cách tiếp cận dựa trên ML. được áp dụng để sử dụng lại thuốc
cho thử nghiệm in vitro chống lại vi rút Ebola. Do đó, các loại thuốc hiện có có thể được
sử dụng lại để điều trị COVID-19. Đối với SARS-CoV-2, dường như có tám protein của
virus có thể được sử dụng làm mục tiêu tiềm năng, bao gồm RNA polymerase phụ thuộc
RNA, protease 3-chymotrypsin (3CL), protease giống papain, helicase, spike (S)
glycoprotein, exonuclease, endoRNAse, 2′-O-ribose methyltransferase và vỏ protein. Hu
và cộng sự đã sử dụng mạng lưới thần kinh đa nhiệm để xác định các tác nhân điều trị
tiềm năng. Trình tự axit amin của các protein này được chiết xuất từ Trung tâm Thông tin
Công nghệ Sinh học Quốc gia. Bộ dữ liệu dành riêng cho vi rút được lấy từ Viện Nghiên
cứu Thuốc Y tế Toàn cầu. Tác giả đề xuất 10 loại thuốc có triển vọng làm chất ức chế 55
SARS-CoV-2. Abacavir và darunavir cho thấy hiệu lực liên kết cao với nhiều protein của
SARS-CoV-2. Hiện đang có một thử nghiệm lâm sàng về darunavir chống lại COVID-19
(ChiCTR2000029541). Beck và đồng nghiệp đã sử dụng ML không giám sát để dự đoán
hiệu lực ức chế của atazanavir và remdesivir chống lại SARS-CoV-2 3CL proteinase.
Ngoài việc cách mạng hóa ngành công nghiệp dược phẩm sinh học, AI đang tác động tích
cực đến lĩnh vực phát triển vắc xin. Liên quan đến các ứng dụng hóa sinh, AI giúp các
nhà khoa học hiểu rõ hơn về protein liên quan đến SARS-CoV-2 và tìm kiếm các mục
tiêu tiềm năng. ML cho phép quét nhanh toàn bộ proteome của virus, cho phép điều tra
nhanh hơn và có ít tốn kém hơn so với các kỹ thuật cũ được sử dụng để phát triển vắc-
xin. Công nghệ tiêm chủng ngược dựa trên ML được sử dụng để dự đoán các mục tiêu
protein tiềm năng để phát triển COVID-19. Vaxign-ML là một ML được giám sát
(eXtreme Gradient Boosting) được thiết kế để dự đoán điểm số protein của tất cả SARS-
CoV-2 phân lập các protein Wuhan-Hu-1.Một protein có điểm độ sinh protein cao hơn
được coi là một ứng cử viên cho vắc xin mạnh hơn với khả năng bảo vệ cao hơn. Mô
hình này đã xác định sáu protein, bao gồm protein S và năm protein không cấu trúc. Các
ứng cử viên protein này được dự đoán là chất kết dính, rất quan trọng đối với sự bám
dính của vi rút và sự xâm nhập của vật chủ. Vào năm 2018, Google DeepMind đã sử
dụng thuật toán DL, AlphaFold, để dự đoán khoảng cách và sự phân bố góc giữa các gốc
axit amin. Mô hình này được đào tạo về các cấu trúc được trích xuất từ một cơ sở dữ liệu
protein. Tập dữ liệu này đã tạo ra 31.247 miền protein. Công nghệ này đã phát triển sang
thế hệ tiếp theo với AlphaFold 2. Thuật toán này đã đạt được điểm cao nhất từ những nhà
đánh giá quan trọng về dự đoán cấu trúc protein, vượt qua phiên bản 2018 ban đầu của
AlphaFold và cung cấp thông tin quan trọng để dự đoán các protein cấu trúc liên quan
đến SARS-CoV-2 cho việc phát triển vắc xin.
3.2. Các giải pháp giúp tăng cường, phát triển và cải thiện ứng dụng của trí thông
minh nhân tạo trong y tế. (Vy)
Những bước tiến đạt được của AI trong lĩnh vực chăm sóc sức khỏe là rất quan trọng.
Tiến tới một thế giới trong đó AI có thể mang lại những cải tiến đáng kể, nhất quán và
toàn cầu trong việc chăm sóc sẽ khó khăn hơn.
Tất nhiên, AI không phải là liều thuốc chữa bách bệnh cho các hệ thống chăm sóc sức
khỏe mà nó đi kèm với những ràng buộc. Các phân tích dưới đây này và những quan
điểm mới nhất từ các bên liên quan và nhân viên tuyến đầu cho thấy một loạt các chủ đề
mà tất cả những người chơi trong lĩnh vực chăm sóc sức khỏe sẽ cần giải quyết. 56
3.2.1. Hợp tác cùng nhau để xây dựng nên những AI chất lượng trong việc chăm sóc sức khỏe
Việc thiếu sự phát triển đa ngành, sự tham gia từ sớm của các nhân viên y tế, sự lặp lại
hạn chế của các AI trong lĩnh vực chăm sóc sức khỏe nói chung được coi là những rào
cản lớn đối với việc sớm giải quyết vấn đề về chất lượng và áp dụng các giải pháp trên
quy mô lớn. Cuộc khảo sát cho thấy điều này được thúc đẩy bởi cả hai phía: chỉ 14%
giám đốc điều hành khởi nghiệp cảm thấy rằng đầu vào của các chuyên gia chăm sóc sức
khỏe là rất quan trọng trong giai đoạn thiết kế ban đầu; trong khi các chuyên gia chăm
sóc sức khỏe nhận thấy vai trò các đơn vị tư nhân trong các lĩnh vực như tổng hợp hoặc
phân tích dữ liệu, cung cấp không gian an toàn cho các bể dữ liệu hoặc giúp nâng cao kỹ
năng cho nhân viên y tế luôn ở mức tối thiểu hoặc thậm chí không tồn tại.
Một vấn đề mà các giải pháp liên quan đến AI phải đối mặt là xây dựng bằng chứng lâm
sàng về chất lượng và hiệu quả. Trong khi các công ty khởi nghiệp quan tâm đến các giải
pháp mở rộng quy mô nhanh chóng, thì những người hành nghề chăm sóc sức khỏe phải
có bằng chứng rằng những ý tưởng mới này sẽ “không gây hại” trước khi nó được ứng
dụng lên bệnh nhân. Họ không hiểu rõ cách chúng hoạt động, dữ liệu cơ bản đến từ đâu
và các thuật toán, vì vậy họ dễ dàng cân nhắc đến chuyện bỏ qua khái niệm AI, coi nó
như một điều không khả thi. Tính minh bạch và sự hợp tác giữa các nhà đổi mới và các
nhà thực hành sẽ là chìa khóa trong việc mở rộng quy mô AI trong lĩnh vực chăm sóc sức
khỏe ở châu Âu nói riêng và trên thế giới nói chung.
Thiết kế lấy người dùng cuối – tức công chúng, người dùng phổ thông, làm trung tâm
cũng là một phần thiết yếu khác của một sản phẩm chất lượng. Nhiều người được phỏng
vấn đồng ý rằng nếu thiết kế AI mang lại giá trị cho người dùng cuối, thì những người
dùng đó có nhiều khả năng chú ý đến chất lượng dữ liệu mà họ đóng góp, do đó cải thiện
AI và tạo ra một vòng tròn đạo đức.
3.2.2. Cải thiện chất lương giáo dục và kỹ năng.
AI trong lĩnh vực chăm sóc sức khỏe sẽ đòi hỏi những nhà lãnh đạo thành thạo trong cả
lĩnh vực y sinh và khoa học dữ liệu. Gần đây đã có những động thái nhằm đào tạo sinh
viên trong ngành khoa học mà y học, sinh học và tin học gặp nhau thông qua các bằng
cấp chung. Nói rộng hơn, các kỹ năng như hiểu biết kỹ thuật số cơ bản, các nguyên tắc cơ
bản về gen, AI và học máy cần trở thành xu hướng chủ đạo cho tất cả các học viên, được
bổ sung bằng các kỹ năng tư duy phản biện và phát triển tư duy học hỏi liên tục. Cùng
với việc nâng cấp hệ thống đào tạo lâm sàng, các hệ thống chăm sóc sức khỏe cần suy
nghĩ về lực lượng lao động hiện có và cung cấp việc học liên tục, đồng thời các học viên
cũng cần thời gian và động lực để tiếp tục học. 57
3.2.3. Tăng cường chất lượng dữ liệu, quản trị, bảo mật và khả năng tương tác.
Cả người được phỏng vấn và người trả lời khảo sát đều nhấn mạnh rằng truy cập dữ liệu,
chất lượng và tính khả dụng là những rào cản tiềm năng. Các phân tích của MGI cho thấy
chăm sóc sức khỏe là một trong những lĩnh vực ít được số hóa nhất ở châu Âu, tụt hậu
trong các quy trình kinh doanh kỹ thuật số, chi tiêu kỹ thuật số cho người lao động, tăng
vốn kỹ thuật số và số hóa công việc. Điều quan trọng là phải số hóa cơ bản cho hệ thống
và dữ liệu trước khi bắt tay vào triển khai AI - đặc biệt là vì những thất vọng của nhân
viên với số hóa cơ bản có thể ảnh hưởng tới việc giới thiệu AI rộng rãi hơn.
Ngoài ra, khi nhiều dịch vụ chăm sóc sức khỏe được cung cấp bằng cách sử dụng các
công nghệ kỹ thuật số mới, mối quan tâm của cộng đồng về cách dữ liệu chăm sóc sức
khỏe được sử dụng đã tăng lên. Các tổ chức chăm sóc sức khỏe nên có các chính sách
chia sẻ dữ liệu mạnh mẽ và tuân thủ để hỗ trợ những cải tiến trong chăm sóc mà AI mang
lại đồng thời cung cấp các biện pháp bảo vệ phù hợp theo cách tiết kiệm chi phí.
Thử thách cuối cùng về dữ liệu là làm cho các tập dữ liệu nói chuyện với nhau. Các nhà
hoạch định chính sách, cơ quan tài trợ và các tổ chức phi lợi nhuận cần nỗ lực để ẩn danh
và liên kết dữ liệu một cách đầy đủ, đồng thời, để xây dựng cơ sở dữ liệu mà các bên liên
quan có thể truy cập bằng các biện pháp bảo vệ thích hợp. Để tận dụng tối đa nguồn dữ
liệu phong phú sẵn có, các hệ thống chăm sóc sức khỏe cần có cơ sở hạ tầng dữ liệu được
kết nối với nhau. Đây là một mảng mà Châu Âu có thể có một lợi thế đáng kể, xét về bộ
dữ liệu quốc gia rộng lớn và mạng lưới các cụm hoặc trung tâm đổi mới cùng sự hợp tác
giữa Châu Âu với giới học thuật và công nghiệp, cung cấp một nguyên mẫu cho việc tạo
ra các trung tâm AI khổng lồ trong lĩnh vực chăm sóc sức khỏe.
3.2.4. Quản lý sự thay đổi
Quản lý sự thay đổi trong khi giới thiệu AI không khác gì quản lý sự thay đổi trong các tổ
chức phức tạp, nhưng đối với chăm sóc sức khỏe, khả năng lãnh đạo lâm sàng là chìa
khóa quan trọng để xác định đúng các trường hợp sử dụng hỗ trợ chứ không phải là
chống đối các bác sĩ và thực sự tăng cường hơn là thay thế khả năng của họ để cung cấp
dịch vụ chăm sóc tốt nhất có thể cho bệnh nhân. Điều này có thể bao gồm việc ưu tiên
các giải pháp tập trung vào việc giảm thời gian mọi người dành cho các công việc hành
chính thông thường, thay vì những giải pháp như trợ lý ảo tương tác trực tiếp với bệnh
nhân hoặc các công cụ CDS tạo điều kiện cho các hoạt động mà bác sĩ coi là cốt lõi đối
với vai trò chuyên môn của họ, tức chẩn đoán lâm sàng.
Các nhà cung cấp dịch vụ chăm sóc sức khỏe cũng cần phải minh bạch về lợi ích và rủi ro
của AI. Nó có thể không phải là một quá trình nhanh chóng, nhưng nó sẽ sớm trở nên
ngày càng hữu ích cho người dùng và là một phần quan trọng của quá trình áp dụng tổng thể. 58
3.2.5. Đầu tư vào tài năng và tạo ra các vai trò mới
Các tổ chức chăm sóc sức khỏe cần xem xét cách họ sẽ phát triển và tuyển dụng những
học viên mới. Điều này rất quan trọng đối với việc giới thiệu và áp dụng thành công AI,
chẳng hạn như nhà khoa học dữ liệu hoặc kỹ sư dữ liệu. Nhu cầu về nhân lực như vậy
đang tăng lên giữa các ngành công nghiệp và sự cạnh tranh để tìm kiếm nhân sự tài năng
sẽ rất khốc liệt, nhưng nhiều chuyên gia dữ liệu trẻ tìm thấy một công việc thực sự trong
chăm sóc sức khỏe và sứ mệnh của nó và hào hứng với tiềm năng của sức khỏe kỹ thuật
số và AI. Phát triển các mô hình linh hoạt, nhanh nhẹn để thu hút và giữ chân những nhân
tài như vậy sẽ là một phần quan trọng trong chiến lược nhân sự của các tổ chức này.
3.2.6. Làm việc ở quy mô lớn
Những kinh nghiệm từ các khu vực công và tư nhân nhằm phát triển AI trong chăm sóc
sức khỏe đến nay cho thấy vấn đề quy mô - phần lớn là do các nguồn lực cần thiết để
phát triển các giải pháp AI mạnh mẽ hoặc làm cho chúng tiết kiệm chi phí. Không phải
bệnh viện nào cũng có đủ khả năng để ứng dụng AI, hoặc có quyền truy cập đủ dữ liệu để
tạo ra các thuật toán có ý nghĩa. Các tổ chức nhỏ hơn có thể được hưởng lợi từ việc làm
việc trong các cụm đổi mới tập hợp AI, sức khỏe kỹ thuật số, nghiên cứu y sinh, nghiên
cứu dịch thuật hoặc các lĩnh vực có liên quan khác. Các tổ chức lớn hơn có thể phát triển
thành các trung tâm xuất sắc mở đường cho các hợp tác khu vực và công tư nhằm mở
rộng quy mô AI trong lĩnh vực chăm sóc sức khỏe.
3.2.7. Quy định, hoạch định chính sách, trách nhiệm pháp lý và quản lý rủi ro
Ngày nay, trách nhiệm đối với các giải pháp AI - cả về y tế và kỹ thuật - được phân chia
giữa các tổ chức chăm sóc sức khỏe và nhân viên của họ. Những người được phỏng vấn
nhấn mạnh tầm quan trọng của việc làm rõ liệu AI sẽ được quản lý như một sản phẩm
hay như một công cụ hỗ trợ việc ra quyết định tương tự như cách được cung cấp bởi Cơ
quan Dược phẩm Châu Âu (EMA) về thuốc hoặc bởi các cơ quan chức năng quốc gia
trên các thiết bị y tế. Một vấn đề khác cần được làm rõ là mức độ mà bệnh nhân tiếp cận
với một số công cụ AI cần được quản lý hoặc hạn chế theo đơn thuốc. Vấn đề về trách
nhiệm pháp lý và quản lý rủi ro là một thách thức đặc biệt. An toàn của bệnh nhân là điều
tối quan trọng, nhưng các nhà cung cấp dịch vụ chăm sóc sức khỏe cũng phải nghĩ đến
trách nhiệm giải trình chuyên môn của bác sĩ lâm sàng, cũng như việc bảo vệ tổ chức của
họ khỏi rủi ro về danh tiếng, pháp lý hoặc tài chính. 3.2.8. Kinh phí
Việc hoàn trả thuốc và thiết bị y tế vốn phức tạp và thậm chí còn thiếu rõ ràng hơn khi
nói đến các giải pháp AI. Trách nhiệm đối với các quyết định về việc hoàn trả thuốc hoặc 59
thiết bị thuộc về các tổ chức chi trả quốc gia và địa phương tùy thuộc vào quốc gia và
quyết định này thường bao gồm những gì sẽ được hoàn trả và với mức giá nào. Các tiêu
chí rõ ràng về việc hoàn trả tiềm năng cho các ứng dụng AI sẽ là yếu tố quan trọng để áp
dụng nó trên quy mô lớn, cùng với các mô hình tài trợ sáng tạo đảm bảo lợi ích được chia sẻ giữa các tổ chức.
Chương IV. Tổng kết và nhớ cảm ơn mọi người đã lắng nghe bài thuyết trình (Mun)
AI có tiềm năng giúp khắc phục nhiều vấn đề trong lĩnh vực chăm sóc sức khỏe nhưng
chúng ta vẫn còn cả một chặng đường phía trước để biến điều này thành hiện thực. Một
vấn đề lớn và rào cản từ việc biến điều này thành hiện thực là dữ liệu. Chúng ta có thể
phát minh ra tất cả các công nghệ và thuật toán học máy đầy hứa hẹn nhưng nếu không
có dữ liệu đầy đủ và được trình bày tốt, chúng ta không thể khai thác trọn vẹn tiềm năng
của AI trong lĩnh vực chăm sóc sức khỏe. Ngành y tế cần số hóa hồ sơ bệnh án, cần cùng
nhau thống nhất tiêu chuẩn hóa cơ sở hạ tầng dữ liệu, cần tạo ra một hệ thống vững mạnh
để bảo mật dữ liệu của bệnh nhân. Nếu không có những thay đổi căn bản này và sự hợp
tác trong ngành chăm sóc sức khỏe, sẽ rất khó để đạt được mục tiêu thực sự của AI là
giúp ích cho sức khỏe con người. 60

Tiểu luận: Ứng dụng của AI vào trong y học hiện đại | Học viện Ngân Hàng

Thông tin :

Tài liệu liên quan:

Ứng Dụng Của Big Data Trong Hệ Thống Bán Lẻ Ở Việt Nam Qua Sự Thành Công Của Tập Đoàn Wal Mart | Bài Tập Môn Năng lực số ứng dụng

Thực Trạng Sử Dụng Thẻ Thanh Toán Ở Việt Nam | Bài Tập Môn Năng Lực Số Ứng Dụng

Tài liệu: Chương 1 Cơ sở lí thuyết liên quan đến Big Data | Năng lực số ứng dụng

Bài Tập Lớn Tên Đề Tài: Chatbot - Ứng Dụng Trong thương Mại Điện Tử Môn Năng Lực Số Ứng Dụng