Hekate is a pioneering Artificial Intelligence company founded in 2016 with the mission of “Bringing the benefits of AI to everyone”. We research and develop artificial intelligence in areas such as: Natural Language, Computer Vision, Machine Learning, Big Data Analytics
Trí tuệ nhân tạo đã mở đầu cho một cuộc cách mạng trong lĩnh vực y tế và đặc biệt là các bệnh về não. Công nghệ này đã mở đường cho việc nghiên cứu, điều trị, quản lý và dự đoán bệnh nhanh chóng và dễ dàng hơn. Hơn nữa, những tiến bộ trong công nghệ xử lý hình ảnh đã dẫn đến việc tiết kiệm chi phí trong việc phân tích và hạn chế rủi ro sai sót. Những nghiên cứu ứng dụng trí tuệ nhân tạo vào bệnh về não cho phép các bác sĩ thực hiện các xét nghiệm sàng lọc về cấu trúc não và suy ra nguyên nhân của chức năng bất thường. Ví dụ: người ta ước tính rằng tỷ lệ lỗi và biến thể hàng ngày trong X quang lớn hơn 3%–5%. Điều này đòi hỏi các phương pháp mới để giúp bác sĩ phân tích dữ liệu hiệu quả và chính xác hơn.
Trong số các phương pháp này, kỹ thuật Machine Learning (ML) hiện đang nổi tiếng và được sử dụng rộng rãi để giải quyết các vấn đề liên quan đến não bộ. ML là một tập hợp con của các thuật toán AI tự động “học” để xác định các danh mục hoặc dự báo các điều kiện chưa biết hoặc trong tương lai bắt đầu từ dữ liệu. Một số giải pháp đã được phát triển trong nhiều năm và nhiều giải pháp trong số đó vẫn mang lại kết quả thành công trong việc phân tích và xử lý dữ liệu não bộ.
Các nghiên cứu định lượng và định tính về cấu trúc bình thường và cấu trúc gặp bệnh lý thường là một phần của các nhiệm vụ lâm sàng trong đó ML đã đạt được kết quả hứa hẹn nhất trong các bệnh như chứng mất trí, tâm thần phân liệt, bệnh đa xơ cứng, ung thư và các bệnh truyền nhiễm và thoái hóa. Hơn nữa, các phương pháp tiếp cận để phân đoạn và phát hiện cấu trúc não, cũng như các mô bệnh lý, cũng được nghiên cứu rộng rãi. Tuy nhiên, cần lưu ý rằng do tính phức tạp và lượng dữ liệu não bộ, các phương pháp ML thường bao gồm một số bước để thực sự thực hiện một nhiệm vụ. Ví dụ: tiền xử lý hình ảnh, lựa chọn và xếp hạng tính năng cũng như thay đổi kích thước thường được yêu cầu ở các giai đoạn ban đầu để tăng hiệu suất thuật toán lên mức phù hợp. Trong những năm gần đây, một lĩnh vực con của AI, Deep Learning (DL), đã cách mạng hóa nhiều loại nhiệm vụ giải phẫu thần kinh. Đặc biệt, các thuật toán DL đã vươn lên vị trí nổi bật trong thị giác máy tính, vượt trội so với các phương pháp khác trên một số tiêu chuẩn phân tích hình ảnh cao cấp. Không giống như các mô hình ML truyền thống, trong DL, các biểu diễn và tính năng hữu ích được tự động học, trực tiếp từ dữ liệu thô, khắc phục vấn đề tính toán thủ công và lựa chọn các thuộc tính có thể liên quan. Nhờ những tiến bộ đáng kể về sức mạnh tính toán, bao gồm cả việc sử dụng Bộ xử lý đồ họa (GPU), các thuật toán như vậy đang bắt đầu được sử dụng hiệu quả để học hỏi từ các hình ảnh 3D và 2D điển hình của lĩnh vực y tế.
Trí tuệ nhân tạo trong chăm sóc sức khỏe sử dụng các thuật toán và phần mềm điện toán để phân tích dữ liệu y tế có cấu trúc và phi cấu trúc phức tạp nhằm mô phỏng nhận thức của con người. Điều này có thể được sử dụng để thu được những hiểu biết và dự đoán hữu ích, cho phép hiểu rõ hơn về sự tiến triển của bệnh và do đó tạo điều kiện phát hiện bệnh sớm. Các kỹ thuật AI bao gồm học máy (ML) và xử lý ngôn ngữ tự nhiên (NLP).
Machine learning (ML) là một kỹ thuật AI tập trung vào việc xây dựng các thuật toán máy tính học hỏi từ dữ liệu và tự động cải thiện độ chính xác của chúng theo thời gian. Thuật toán là một loạt các bước xử lý thống kê được ‘đào tạo’ để tìm các mẫu và tính năng trong dữ liệu lớn nhằm đưa ra quyết định và dự đoán dựa trên dữ liệu mới. ML có thể được giám sát hoặc không giám sát. Ngoài ra, kỹ thuật học sâu (DL) cũng có thể được sử dụng để hỗ trợ phân tích dữ liệu.
Trong dữ liệu học có giám sát được gắn nhãn trước và thuật toán học cách liên kết các tính năng đầu vào từ các luồng dữ liệu khác nhau để dự đoán nhãn tốt nhất. Điều này đào tạo thuật toán để học cách liên kết các tính năng từ tập dữ liệu mới với một nhãn cụ thể. Sau đó, thuật toán có thể được sử dụng trên dữ liệu thử nghiệm chưa được gắn nhãn để đưa ra dự đoán về giá trị đầu ra. Chúng tôi đã sử dụng các hình ảnh được trích xuất từ máy X-quang để sử dụng trong quá trình dán nhãn và làm sạch dữ liệu hình ảnh để dán nhãn các trường hợp liên quan đến não. Sau đó, thuật toán có thể được áp dụng cho các phim chụp X quang mới, không được dán nhãn để dự đoán các bệnh về não. Có sẵn nhiều loại thuật toán ML được giám sát, nhiều thuật toán trong số đó đến từ thống kê truyền thống như cây quyết định, hồi quy logistic và tuyến tính.
Đọc thêm:
Chiến lược AI trong lĩnh vực chăm sóc sức khỏe
Đạo đức và quản trị khi ứng dụng trí tuệ nhân tạo vì sức khỏe
Trong học tập không giám sát, dữ liệu đầu vào không được gắn nhãn và không có kết quả đã biết nào được cung cấp trong mô hình. Trong trường hợp này, thuật toán trích xuất các tính năng có ý nghĩa như các mẫu và mối quan hệ trong dữ liệu mà con người sẽ bỏ lỡ. Một kỹ thuật học tập không giám sát thường được sử dụng là phân cụm, trong đó dữ liệu có độ phức tạp cao có thể được tổ chức thành các nhóm tương tự để ngoại suy các mối quan hệ thuật toán. Ví dụ: dữ liệu từ các dấu ấn sinh học khác nhau thu được từ các mẫu hình ảnh não, di truyền, huyết tương và dịch não tủy có thể được phân tích bằng kỹ thuật phân cụm bên trong để phát hiện ra các dấu hiệu chẩn đoán. ‘ẩn nấp’ của các bệnh về não.
Học sâu là một tập hợp con của học máy sử dụng các thuật toán để xác định các mạng thần kinh nhân tạo được thiết kế để tìm hiểu cách bộ não con người học. Phương pháp DL sử dụng mạng thần kinh nhân tạo (ANN) để xử lý dữ liệu thông qua nhiều lớp ẩn trong mạng thần kinh. Nó đòi hỏi một lượng lớn dữ liệu trải qua nhiều lớp tính toán để điều chỉnh và cải thiện kết quả mà không cần trích xuất tính năng thủ công. Học sâu phù hợp với dữ liệu đa chiều như thông tin trong bệnh án điện tử và hình ảnh y tế. Mạng thần kinh chuyển đổi (CNN) là một ví dụ về mạng thần kinh sâu đã được sử dụng trong phân tích hình ảnh thần kinh.
Xử lý ngôn ngữ tự nhiên (NLP) là một nhánh của AI sử dụng các phương pháp dựa trên máy tính để phân tích ngôn ngữ, văn bản và lời nói. NLP kết hợp ngôn ngữ học tính toán với các mô hình thống kê, học máy và học sâu cho phép máy tính xử lý ngôn ngữ của con người (ví dụ: văn bản hoặc lời nói) và ‘hiểu’ ý nghĩa đầy đủ của nó. nó. Các phương pháp NLP có thể được sử dụng để trích xuất thông tin từ dữ liệu phi cấu trúc (ví dụ: ghi chú lâm sàng, cuộc trò chuyện của bệnh nhân được ghi lại) thành định dạng có cấu trúc để cho phép phân tích bằng kỹ thuật ML.
Dữ liệu được kiểm tra theo ML/DL phải trải qua một loạt các bước tiền xử lý để chuyển đổi dữ liệu thô thành dữ liệu có thể đọc được bằng máy và để chuẩn bị cho dữ liệu đó trải qua quá trình trích xuất tính năng. Phân tích dữ liệu đã được thu thập được thực hiện dựa trên các đặc điểm nhất định được gọi là tính năng. Các tính năng đang được xem xét phải có khả năng phân biệt đối xử và không được dư thừa. Bằng cách này, thời gian đào tạo và các vấn đề về trang bị quá mức được giảm bớt. Có nhiều phương pháp khác nhau để trích xuất các tính năng. Sau khi trích xuất các tính năng, dữ liệu có thể được dán nhãn. Phương pháp mà máy đưa ra quyết định ghi nhãn dữ liệu được gọi là bộ phân loại. Nói cách khác, một máy sử dụng các thuật toán phân loại khác nhau để phân loại dữ liệu. Một số bộ phân loại được sử dụng thường xuyên nhất là SVM, RF, LR, DT, NB, KNN, v.v. Ngược lại, thay vì quy trình từng bước như ML, DL hình thành toàn bộ mạng lấy cảm hứng từ mạng thần kinh sinh học để thực hiện toàn bộ quy trình ML. Nó sử dụng một số lớp đơn vị xử lý phi tuyến tính. Đầu ra của một đơn vị được cung cấp làm đầu vào cho đơn vị tiếp theo. Xuyên suốt cấu trúc phân cấp của chuyển động dữ liệu, mỗi cấp độ sẽ biến đổi dữ liệu mà nó nhận được thành dữ liệu trừu tượng hơn để cung cấp cho cấp độ tiếp theo. DL sử dụng các loại phân loại khác nhau bao gồm RNN, CNN, máy Boltzmann, bộ mã hóa tự động và DBN.
Đánh giá hệ thống phát hiện ML/DL để hình thành khả năng phân loại chính xác các bệnh về não dựa trên một số thông số hoạt động bao gồm độ chính xác (Acy), độ nhạy (Sny)/thu hồi, độ đặc hiệu chính xác (Spy), độ chính xác (Prn), AUC và điểm F1 . Các số liệu hiệu suất khác nhau ngụ ý các kết luận khác nhau cho một mô hình phát hiện. Mặc dù một mô hình có thể cho kết quả tuyệt vời về độ chính xác, nhưng nó có thể cho kết quả rất kém về độ đặc hiệu.
Thước đo đánh giá cơ bản của bất kỳ hệ thống phân loại nào là độ chính xác. Nó chỉ đơn giản là số lần đoán đúng trong tổng số lần đoán. Về mặt toán học, nó có thể được định nghĩa là Acy = τp + τN/τp + FP + τN + FN, (1) trong đó τP và τN lần lượt là dương thực và âm thực, đề cập đến việc dán nhãn đúng dương là dương và âm là âm. Ghi nhãn tiêu cực là dương tính và ngược lại dẫn đến dương tính giả (FP) và âm tính giả (FP), tương ứng.
Mặc dù độ chính xác liên quan đến cả kết quả dương tính và âm tính, nhưng hiệu suất của một mô hình cụ thể về mặt phát hiện dương tính hoặc âm tính được đánh giá bằng cách sử dụng độ nhạy/khôi phục và độ đặc hiệu tương ứng. Do đó, độ nhạy và độ đặc hiệu được xác định bằng toán học là Sny = τP/τP + FN, Spy = τN/τN + FP. Chúng còn được gọi là tỷ lệ dương thực sự và tỷ lệ âm thực sự tương ứng. Công thức độ nhạy ngụ ý rằng nó là thước đo chẩn đoán bệnh nhân thành công. Mặt khác, độ chính xác đo lường thực tế của chẩn đoán, tức là tỷ lệ bệnh nhân được chẩn đoán bởi một hệ thống thực sự bị ảnh hưởng bởi căn bệnh này. Về mặt toán học, nó có thể được định nghĩa là Prn = τP/τP + FP.
Mặt khác, trung bình điều hòa của độ nhạy và độ chính xác được gọi là điểm F1 của mô hình đó, được định nghĩa là F1 = 2 × (Sny × Prn/Sny + Prn). Hơn nữa, biểu đồ tỷ lệ dương tính thật so với dương tính giả được sử dụng rộng rãi để đánh giá khả năng chẩn đoán của các hệ thống phân loại nhị phân và được gọi là đường cong đặc tính vận hành máy thu (ROC). Khu vực dưới đường cong ROC (AUC) xác định khả năng của mô hình để phân biệt giữa các tùy chọn nhị phân theo ngưỡng phân biệt đa dạng. Hơn nữa, MCC được định nghĩa là tỷ lệ giữa độ đặc hiệu và độ nhạy. Về mặt toán học, nó có thể được biểu diễn dưới dạng MCC = Spy/Sny. Một chỉ số đánh giá khác được gọi là chỉ số tương tự Jaccard (JSI) có thể được tính toán bằng toán học là JSI = P/τP + FN + FP.
Đối với tất cả các ứng dụng AI và ML cũng không ngoại lệ, đo lường hiệu suất là một nhiệm vụ thiết yếu. Độ chính xác, độ chính xác, độ nhạy và độ đặc hiệu là các chỉ số được sử dụng rộng rãi để đánh giá hiệu suất trong các nhiệm vụ phân loại ML. Độ chính xác và độ chính xác cho thấy độ tin cậy cơ bản của xét nghiệm, trong khi độ đặc hiệu và độ nhạy cho thấy khả năng xảy ra âm tính giả (FN) và dương tính giả (FP). Vì những lý do này, một số công trình đang bắt đầu mở rộng đánh giá của họ bằng cách báo cáo Giá trị dự đoán dương (PPV) và Giá trị dự đoán âm (NPV). Đường cong Đặc tính hoạt động của máy thu (ROC) của Diện tích dưới đường cong (AUC) là một trong những chỉ số đánh giá quan trọng nhất để kiểm tra hoặc trực quan hóa hiệu suất của một vấn đề phân loại ML. Nó cho biết mức độ một mô hình có khả năng phân biệt giữa các lớp: AUC càng cao, mô hình dự đoán càng tốt. Để thực hiện đánh giá định lượng kết quả phân đoạn tự động, quy trình thường được sử dụng là xác định sự trùng lặp với tiêu chuẩn vàng mà trong lĩnh vực này là phân đoạn thủ công bởi chuyên gia X quang. Nói chung, Hệ số Jaccard (JC) hoặc Chỉ số Tương tự Dice (DSI) được sử dụng. Nó nằm trong khoảng từ 0 đến 1, từ không trùng lặp đến trùng lặp hoàn hảo. Đối với phân đoạn xác suất, chỉ số xác thực là AUC. Các chỉ số xác thực khác bao gồm các giá trị Lỗi bình phương trung bình (MSE), Tỷ lệ tín hiệu trên nhiễu cao nhất (PSNR), Khoảng cách tuyệt đối trung bình (MAD) và Khoảng cách Housdorff (HDD). Về các vấn đề lập kế hoạch đường đi, các chỉ số đánh giá quan trọng nhất được báo cáo là Tâm khoảng cách khối lượng (CMD), Khoảng cách bình phương trung bình (MSD), Khoảng cách bình phương tối thiểu (mSD) và điểm rủi ro để đánh giá quỹ đạo và độ phức tạp của thời gian để đánh giá tổng thời gian thực thi cho các ứng dụng bị giới hạn thời gian. Đối với các mô hình dự đoán, các chỉ số được báo cáo là tỷ lệ lỗi, Lỗi tuyệt đối trung bình (MAE) và Lỗi bình phương trung bình gốc (RMSE) có thể được hiểu là thước đo tỷ lệ giữa giá trị thực và giá trị dự đoán. Như một nhận xét cuối cùng, điều đáng nói là những nỗ lực mà các nhà nghiên cứu đã bỏ ra để xác thực các phương pháp của họ, nhằm giảm khả năng xảy ra lỗi của con người và xử lý các biến thể trong dữ liệu não bộ. Với mục đích này, một vai trò quan trọng được thực hiện bởi các phương pháp xác nhận. Các phương pháp xác thực chéo (kfold, bỏ một lần và bỏ một nhóm) vẫn là cách tiếp cận có giá trị nhất theo nghĩa này. Các phương pháp như vậy cho phép chúng tôi xác thực tốt hơn các thuật toán ML và DL, tránh các thành kiến có thể xuất hiện trong một tập dữ liệu.
Công nghệ AI đang cho thấy tiềm năng to lớn trong việc hỗ trợ chẩn đoán sớm các bệnh về não. Các thuật toán ML có khả năng phân tích một lượng lớn dữ liệu đa phương thức, cho phép phát hiện sớm tình trạng suy giảm nhận thức khi các biện pháp can thiệp có nhiều khả năng hiệu quả hơn.
Trong tương lai, AI có thể được sử dụng để xác định các phác đồ điều trị được cá nhân hóa hơn. Chi phí thực sự của việc triển khai công nghệ AI có thể sẽ cao. Tuy nhiên, khi công nghệ trở nên liên kết và phổ biến, các chi phí liên quan sẽ giảm và điều này cuối cùng có khả năng tiết kiệm tiền cho các dịch vụ y tế. Kết hợp các kỹ thuật AI với sự phát triển ngày càng tăng của các tập dữ liệu lớn, cơ sở dữ liệu dấu ấn sinh học và thông tin bệnh nhân trên hồ sơ y tế điện tử sẽ cho phép thu được kết quả chính xác và hiệu quả và tiết kiệm chi phí hơn. Chẩn đoán sớm các bệnh về não cho phép làm được nhiều việc để trì hoãn sự tiến triển của bệnh và giúp mọi người sống lâu hơn. Chẩn đoán rõ ràng cũng có thể làm giảm số lần nhập viện và hạn chế việc chăm sóc tại nhà.
AI có thể giải thích được đang cố gắng khắc phục điều này bằng cách sử dụng các thuật toán theo cách mà con người có thể hiểu được. Sử dụng AI để dự đoán chứng sa sút trí tuệ làm nảy sinh một số vấn đề pháp lý và đạo đức. Khi một cá nhân được chẩn đoán mắc bệnh não, có thể có những hậu quả nghiêm trọng về pháp lý và tài chính. Cần phải thiết lập niềm tin vào AI và xem xét các vấn đề như trách nhiệm giải trình, quyền riêng tư, quản trị dữ liệu, an ninh mạng và không phân biệt đối xử. Điều này có thể sẽ yêu cầu phát triển các hệ thống đạo đức và pháp lý để triển khai, xác thực và kiểm soát AI trong chăm sóc sức khỏe. Điều quan trọng là phải thừa nhận rằng AI được sử dụng tốt nhất khi kết hợp với chuyên môn lâm sàng từ một nhóm đa ngành và nó không phải là sự thay thế cho họ. AI hứa hẹn trong việc thúc đẩy chăm sóc hiệu quả và giúp chẩn đoán chính xác, nhưng giá trị của nó là hỗ trợ quyết định hơn là một tác nhân tự trị trong hệ thống chăm sóc sức khỏe. Sự tiến bộ trong AI như một công cụ hỗ trợ chẩn đoán chứng mất trí nhớ đang diễn ra với tốc độ nhanh chóng và đang thu hút sự chú ý đáng kể trong nghiên cứu y học.
Tuy nhiên, công nghệ này vẫn chưa được sử dụng thường xuyên trong thực hành lâm sàng và cần có các tiêu chuẩn được thiết lập để đánh giá hiệu quả và độ an toàn trước khi thực hiện. Để khai thác sức mạnh của công nghệ AI và biến nó thành một công cụ rộng rãi hơn để hỗ trợ chẩn đoán chứng mất trí nhớ, cần có sự hợp tác nhiều hơn giữa các bác sĩ lâm sàng và các nhà nghiên cứu AI. Điều này cuối cùng sẽ cho phép công nghệ AI cải thiện chẩn đoán sớm, điều này rất quan trọng để cải thiện chất lượng cuộc sống của bệnh nhân.
Liên hệ email business@hekate.ai hoặc website Hekate để nhận lời khuyên hữu ích về các giải pháp AI.