Các mô hình trí tuệ nhân tạo (AI) phân tích bộ dữ liệu để tìm ra mẫu và đưa ra dự đoán. Để một mô hình AI hoạt động với khả năng tốt nhất, nó cần được đào tạo liên tục trên một tập dữ liệu. Ví dụ, AI Builder của Microsoft là một nền tảng cung cấp cho các mô hình AI có khả năng cần thiết để tối ưu hóa quy trình kinh doanh. Điều khiến AI Builder trở nên độc đáo là người dùng có thể xây dựng các mô hình tùy chỉnh, phù hợp với nhu cầu của họ – hoặc thậm chí chọn mô hình AI dựng sẵn cho các tình huống kinh doanh thông thường.
Nhưng với lượng lớn dữ liệu vẫn chưa được gắn nhãn, làn sóng mô hình AI tiếp theo sẽ cần phải đào tạo sâu hơn. Những mô hình này được gọi là mô hình nền tảng. Các mô hình nền tảng về cơ bản là tương lai của các mô hình AI, cho phép công nghệ hoạt động với sự tinh chỉnh tối thiểu.
ỨNG DỤNG AI VÀO CHĂM SÓC SỨC KHỎE
Theo báo cáo do Đại học Stanford công bố, các mô hình AI y tế thường sử dụng một phương thức đầu vào duy nhất, chẳng hạn như hình ảnh y tế, ghi chú lâm sàng hoặc dữ liệu có cấu trúc như mã ICD. Tuy nhiên, báo cáo chỉ ra rằng hồ sơ sức khỏe vốn có tính đa phương thức với rất nhiều loại dữ liệu khác nhau. Đây là nơi các mô hình nền tảng có thể kết hợp nhiều phương thức trong quá trình đào tạo.
“Khả năng phân tích nhiều phương thức dữ liệu y tế không chỉ giúp thể hiện trạng thái bệnh nhân tốt hơn để sử dụng trong các ứng dụng tiếp theo mà còn mở ra nhiều con đường hơn để tương tác với AI. Các bác sĩ lâm sàng có thể truy vấn cơ sở dữ liệu về hình ảnh y tế bằng cách sử dụng mô tả ngôn ngữ tự nhiên về các bất thường hoặc sử dụng mô tả để tạo ra hình ảnh y tế tổng hợp với các bệnh lý phản thực tế”, báo cáo cho biết.
Trong khi đó, Google cũng đã báo cáo sự tiến bộ trong các mô hình ngôn ngữ lớn (LLM) cho lĩnh vực y tế. Không giống như một số trường hợp sử dụng LLM khác, các ứng dụng AI trong lĩnh vực y tế đòi hỏi sự tập trung tối đa vào sự an toàn để bảo vệ sức khỏe của bệnh nhân. Med-PaLM của Google là một phiên bản của PaLM đã được điều chỉnh cho lĩnh vực y tế.
“Med-PaLM là tổ chức đầu tiên đạt được điểm đậu (>60%) cho các câu hỏi kiểu cấp phép y tế của Hoa Kỳ. Mô hình này không chỉ trả lời chính xác các câu hỏi trắc nghiệm, câu hỏi mở mà còn đưa ra cơ sở lý luận và đánh giá các câu trả lời của chính mình. Gần đây, phiên bản tiếp theo của chúng tôi, Med-PaLM 2, đã liên tục thực hiện ở cấp độ bác sĩ chuyên nghiệp trong các câu hỏi khám bệnh, đạt 85%. Đây là mức cải thiện 18% so với hiệu suất trước đây của Med-PaLM và vượt xa các mô hình AI tương tự”, Google viết trong một bài đăng trên blog.
MÔ HÌNH AI ĐIỀU TRỊ UNG THƯ
Các mô hình AI đã được sử dụng tích cực để nghiên cứu và điều trị ung thư. Ví dụ, Google đã hợp tác với Mayo Clinic để khám phá cách AI có thể hỗ trợ quá trình lập kế hoạch xạ trị tẻ nhạt, tốn thời gian, một phương pháp điều trị ung thư phổ biến được sử dụng để điều trị hơn một nửa số bệnh ung thư ở Hoa Kỳ.
Các ví dụ khác về AI trong điều trị ung thư bao gồm sự phát triển của MIT và Trung tâm Ung thư Đa khoa Mass ở Hoa Kỳ. Nhóm đã phát triển và thử nghiệm một công cụ AI có tên là Sybil.
Theo ABC News, Sybil đã được đào tạo về chụp cắt lớp vi tính ngực liều thấp, được khuyến nghị cho những người trong độ tuổi từ 50 đến 80, những người có tiền sử hút thuốc đáng kể hoặc hiện đang hút thuốc.
Đối với những bệnh nhân được sàng lọc ung thư phổi, Sybil có thể nhìn vào hình ảnh và dự đoán chính xác nguy cơ bệnh nhân phát triển ung thư phổi trong vòng sáu năm.
Trong một diễn biến khác, Paige, một nhà đột phá công nghệ chăm sóc sức khỏe, đang hợp tác với Microsoft để xây dựng mô hình AI dựa trên hình ảnh lớn nhất thế giới cho bệnh lý kỹ thuật số và ung thư.
Paige đã phát triển mô hình nền tảng lớn đầu tiên sử dụng hơn một tỷ hình ảnh từ nửa triệu slide bệnh lý về nhiều loại ung thư. Với Microsoft, mô hình AI mới có quy mô lớn hơn bất kỳ mô hình AI dựa trên hình ảnh nào khác hiện nay, được định cấu hình với hàng tỷ tham số. Mô hình này hỗ trợ nắm bắt sự phức tạp tinh tế của bệnh ung thư và đóng vai trò là nền tảng cho thế hệ ứng dụng lâm sàng và dấu ấn sinh học tính toán tiếp theo giúp vượt qua ranh giới của ung thư và bệnh lý.
Kết hợp kiến thức chuyên môn và sức mạnh tính toán khổng lồ của Microsoft với kiến thức chuyên môn sâu rộng của Paige về AI, công nghệ và bệnh lý kỹ thuật số, việc điều trị bệnh ung thư sẽ có tiến triển. Thông qua việc phát triển mô hình này, cuộc sống của hàng triệu người bị ảnh hưởng bởi bệnh ung thư sẽ được cải thiện.
Hướng tới giai đoạn phát triển tiếp theo, Paige sẽ kết hợp tới bốn triệu slide kính hiển vi số hóa trên nhiều loại ung thư từ kho lưu trữ dữ liệu lâm sàng quy mô petabyte chưa từng có. Microsoft sẽ cung cấp cơ sở hạ tầng siêu máy tính tiên tiến để Paige đào tạo công nghệ trên quy mô lớn và cuối cùng triển khai công nghệ này đến các bệnh viện và phòng thí nghiệm trên toàn cầu bằng Azure.
Thomas Fuchs, Tiến sĩ, Người sáng lập và Nhà khoa học trưởng của Paige, giải thích rằng bằng cách nhận ra tiềm năng của AI nhân tạo ở quy mô chưa từng có, sự hợp tác giữa mô hình Paige với Microsoft là một cột mốc quan trọng trong lịch sử ung thư.
Ông nói: “Nó mở ra một cánh cửa dẫn vào thế giới vi mô với độ trung thực phi thường, không chỉ cho phép độ chính xác cao hơn nhiều mà còn mang lại những khả năng hoàn toàn mới lạ”.
Phát biểu với CNBC, Fuchs cũng nhấn mạnh rằng quy trình chẩn đoán ung thư không thay đổi. Các nhà nghiên cứu bệnh học vẫn cần kiểm tra một mảnh mô trên phiến kính dưới kính hiển vi. Phương pháp này đã được thử và đúng, nhưng nếu các nhà nghiên cứu bệnh học bỏ sót điều gì đó, nó có thể gây ra hậu quả nghiêm trọng cho bệnh nhân.
Do đó, Paige đang nỗ lực số hóa quy trình làm việc của các nhà nghiên cứu bệnh học để cải thiện độ chính xác và hiệu quả trong chuyên ngành. Công ty đã nhận được sự chấp thuận của Cục Quản lý Thực phẩm và Dược phẩm cho công cụ FullFocus, cho phép các nhà nghiên cứu bệnh học kiểm tra các bản kính kỹ thuật số được quét trên màn hình thay vì dựa vào kính hiển vi. Paige cũng xây dựng một mô hình AI có thể giúp các nhà nghiên cứu bệnh học xác định ung thư vú, ung thư ruột kết và ung thư tuyến tiền liệt khi nó xuất hiện trên màn hình.
Google translate