Một năm, nước Mỹ có 230.000 ca ung thư vú mới. Số lượng bệnh nhân ung thư ngày càng gia tăng do thói quen ăn uống, hóa chất, chế độ tập luyện và nghỉ ngơi của con người hiện đại.
Với các bác sĩ, việc chẩn đoán ung thư là một công việc quan trọng nhưng đầy khó khăn vì cuộc sống của nhiều người phụ thuộc rất lớn vào các kết luận đó.
Theo một số báo cáo, kết quả của chẩn đoán các nhà bệnh học (pathologist-cho biết bệnh nhân có ung thư hay không) đôi khi chỉ có độ chính xác là 48%.
Để chẩn đoán bệnh, theo các chuyên gia, mỗi bệnh nhân cần được chụp hàng chục tấm ảnh có độ phân giải lớn hơn 10 megapixels và được phóng to 40 lần (digitized at 40X magnification), rồi tìm các bức ảnh có hình ảnh bất thường để phân tích.
Đặt mình vào vị trí các bác sĩ, mọi người mới thấy sự phức tạp và khó khăn đối với người làm công việc này.
Tuy nhiên, ở những công việc đòi hỏi khối lượng lớn và có các giải thuật để thực hiện thì đó chính là nơi mà hệ thống máy tính sẽ phát huy tốt ưu điểm của nó.
Trí thông minh nhân tạo đánh dấu các vùng ung thư. Ảnh: CNN.
Trong nhiều năm qua, Tập đoàn Google đã xây dựng một hệ thống nhận diện hình ảnh (image recognition) tiên tiến thông qua các dự án GoogLeNet (ban đầu được dùng cho dự án xe tự hành-autonomuos car-của công ty).
Hệ thống này huấn luyện các xe ô tô nhận ra các chướng ngại trên đường giao thông, biển báo dừng... Và bây giờ, Google đang áp dụng công nghệ GoogLeNet cho các hệ thống chẩn đoán ung thư.
Bài toán được đặt ra ở đây là phát hiện ra các mẫu ung thư có kích cỡ 100x100 pixels trong các tập ảnh (slides) có kích thước 10 megapixels.
Các nhà nghiên cứu đã sử dụng kiến trúc Convolutional Neural Network (CNN) trên tập dữ liệu Camelyon16 (Camelyon16 dataset).
Và hệ thống của Google có thể phân biệt các mẫu ung thư với độ chính xác lên đến 92,4%. Trong khi đó, kết quả tốt nhất của chẩn đoán do con người thực hiện là 73,2%.
"Sau khi bổ sung, bao gồm cả mạng lưới huấn luyện để kiểm tra hình ảnh ở độ phóng đại khác nhau (giống như những gì mà một nhà bệnh lý học, bác sĩ đang thực hiện), chúng tôi cho thấy rằng nó đã có thể tạo ra một mô hình phù hợp hoặc vượt quá hiệu suất của một nhà bệnh lý học.
Vì một nhà bệnh lý học không có thời gian để kiểm tra các slide với độ lớn, nhiều và phức tạp như vậy ", một nhà nghiên cứu cho biết.
Phương pháp có thể mô tả đơn giản là một hệ thống học có giám sát (supervised learning). Nghĩa là cho một hình ảnh có đánh dấu là có ung thư hoặc không ung thư vào hệ thống. Đây là cách huấn luyện hệ thống.
Sau đó hệ thống sẽ xây dựng được một mô hình (model). Hệ thống dựa vào các dữ liệu trong quá khứ được đưa vào và học cách phát hiện ra các mẫu, mẫu nào ung thư, mẫu nào không. Từ đó sẽ thực hiện các dự đoán với các slide mới.
Theo bài báo do Google công bố, họ sử dụng 269 mẫu hình ảnh (slides) chia làm 2 nhóm.
Một nhóm là các dữ liệu để huấn luyện hệ thống (training data): 215 mẫu, và một nhóm kia là các dữ liệu xác nhận (validation data): 54 mẫu. Ngoài ra còn sử dụng 130 mẫu của Camelyon để kiểm tra chẩn đoán thử.
Trong 110 mẫu thừ, hệ thống này chỉ chẩn đoán sai, cảnh báo giả (false positive) cho là có ung thư ở 2 mẫu trên thực tế không phải vậy và kết quả diện tích nằm dưới đường biểu diễn (chương trình tính sẵn Area Under Curve) lên đến 97.6%.
Google hi vọng trí thông minh nhân tạo sẽ kết hợp với bác sĩ để chẩn đoán ung thư.
Tuy nhiên, với kết quả này, Google vẫn khẳng định trí thông minh nhân tạo (AI) không thể thay thế những nhà bệnh lý học (pathologist), bác sĩ chẩn đoán ung thư.
Vì hệ thống AI này vẫn tạo ra nhiều cảnh báo giả (false positive) và không phát hiện được những sự bất thường trong các mẫu do mô hình ngoại suy từ quá khứ.
Điều này vẫn cần đến ý kiến chuyên môn. Do vậy Google hy vọng khi AI kết hợp với bác sĩ sẽ cung cấp một chất lượng chẩn đoán tốt hơn nhiều so với hiện tại.