Một hệ thống trí tuệ nhân tạo mới có khả năng phân tích hình dạng và cấu trúc của tế bào máu có thể cải thiện đáng kể việc chẩn đoán các bệnh như ung thư máu. Các nhà nghiên cứu cho biết công cụ này có thể nhận diện tế bào bất thường với độ chính xác và tính nhất quán cao hơn so với các chuyên gia, qua đó giúp giảm nguy cơ bỏ sót hoặc đưa ra chẩn đoán không chắc chắn.

Hệ thống có tên CytoDiffusion sử dụng AI tạo sinh, cùng loại công nghệ được sử dụng trong các bộ tạo hình ảnh như DALL-E, để phân tích chi tiết hình thái của tế bào máu. Thay vì chỉ tập trung vào những đặc điểm dễ nhận thấy, hệ thống còn nghiên cứu các biến đổi tinh vi trong hình ảnh tế bào dưới kính hiển vi.

Nhiều công cụ AI y tế hiện nay được huấn luyện để phân loại hình ảnh theo các nhóm đã định sẵn. Ngược lại, nhóm nghiên cứu đứng sau CytoDiffusion chứng minh rằng cách tiếp cận của họ có thể nhận biết đầy đủ hình thái bình thường của tế bào máu, đồng thời phát hiện một cách đáng tin cậy những tế bào hiếm hoặc bất thường, những dấu hiệu có thể liên quan đến bệnh lý. Nghiên cứu do các nhà khoa học từ Đại học Cambridge, Đại học Luân đôn và Đại học Queen Mary ở Vương Quốc Anh thực hiện và được công bố trên tạp chí Nature Machine Intelligence.

Việc xác định những khác biệt nhỏ về kích thước, hình dạng và cấu trúc của tế bào máu đóng vai trò then chốt trong chẩn đoán nhiều rối loạn huyết học. Tuy nhiên, để thành thạo kỹ năng này cần nhiều năm kinh nghiệm, và ngay cả các bác sĩ được đào tạo bài bản cũng có thể bất đồng quan điểm khi đánh giá những ca phức tạp.

Tác giả nghiên cứu Simon Deltadahl cho biết: “Trong cơ thể chúng ta có rất nhiều loại tế bào máu khác nhau, mỗi loại có đặc tính và vai trò riêng. Ví dụ, bạch cầu chuyên chống lại nhiễm trùng. Nhưng việc nhận biết thế nào là một tế bào máu bất thường hay bị bệnh dưới kính hiển vi là yếu tố quan trọng trong chẩn đoán nhiều bệnh”. 

Một tiêu bản máu thông thường có thể chứa hàng nghìn tế bào riêng lẻ,  con số vượt xa khả năng một người có thể xem xét từng tế bào. Deltadahl giải thích: “Con người không thể nhìn hết tất cả các tế bào trong một tiêu bản, điều đó là không khả thi. Mô hình của chúng tôi có thể tự động hóa quy trình này, xử lý các trường hợp thông thường và làm nổi bật những điểm bất thường để bác sĩ xem xét”. 

Để xây dựng CytoDiffusion, nhóm nghiên cứu đã huấn luyện hệ thống trên hơn nửa triệu hình ảnh tiêu bản máu được thu thập tại Bệnh viện Addenbrooke ở Cambridge. Bộ dữ liệu này được mô tả là lớn nhất thuộc loại này; bao gồm các loại tế bào máu phổ biến, những ví dụ hiếm gặp và các đặc điểm thường gây nhầm lẫn cho các hệ thống tự động.

Thay vì chỉ học cách phân loại tế bào vào các nhóm cố định, AI này mô hình hóa toàn bộ hình thái của tế bào máu. Cách làm này giúp hệ thống thích ứng tốt hơn với sự khác biệt giữa các bệnh viện, kính hiển vi và kỹ thuật nhuộm mẫu, đồng thời nâng cao khả năng phát hiện tế bào hiếm hoặc bất thường.

Trong các thử nghiệm, CytoDiffusion phát hiện tế bào bất thường liên quan đến ung thư máu với độ nhạy cao hơn đáng kể so với các hệ thống hiện có. Hệ thống cũng cho kết quả tương đương hoặc tốt hơn các mô hình hàng đầu hiện nay, ngay cả khi được huấn luyện với số lượng mẫu ít hơn nhiều, và đặc biệt có thể định lượng mức độ tin cậy trong chính các dự đoán của mình.

Simon Deltadahl nói rằng: “Khi kiểm tra độ chính xác, hệ thống này nhỉnh hơn con người một chút. Nhưng điểm nổi bật thực sự là khả năng nhận biết khi nào thì nó không chắc chắn. Mô hình của chúng tôi sẽ không bao giờ khẳng định chắc chắn rồi lại sai, điều mà con người đôi khi vẫn gặp phải”. 

Đồng tác giả nghiên cứu, Giáo sư Michael Roberts từ Đại học Cambridge, cho biết hệ thống đã được đánh giá dựa trên các thách thức thực tế mà AI y tế thường gặp. “Chúng tôi đánh giá phương pháp này trước nhiều tình huống thực tế, như hình ảnh chưa từng thấ;, hình ảnh được chụp bằng các thiết bị khác nhau và mức độ không chắc chắn của nhãn dữ liệu. Khung đánh giá này mang lại cái nhìn đa chiều về hiệu suất mô hình, điều mà chúng tôi tin sẽ có lợi cho cộng đồng nghiên cứu”. 

Nhóm nghiên cứu cũng phát hiện CytoDiffusion có thể tạo ra các hình ảnh tế bào máu tổng hợp gần như không thể phân biệt với ảnh thật. Trong một “bài kiểm tra Turing” với sự tham gia của 10 bác sĩ huyết học giàu kinh nghiệm, các chuyên gia không thể phân biệt ảnh thật và ảnh do AI tạo ra tốt hơn mức ngẫu nhiên. Trong khuôn khổ dự án, họ công bố bộ sưu tập hình ảnh tiêu bản máu ngoại vi được cho là lớn nhất thế giới hiện nay, với hơn nửa triệu mẫu, để công khai cho cộng đồng.

Deltadahl cho biết: “Bằng cách mở nguồn tài nguyên này, chúng tôi hy vọng sẽ trao quyền cho các nhà nghiên cứu trên toàn cầu trong việc xây dựng và thử nghiệm các mô hình AI mới, dân chủ hóa khả năng tiếp cận dữ liệu y tế chất lượng cao, và cuối cùng là góp phần cải thiện chăm sóc bệnh nhân”. 

Dù đạt được nhiều kết quả ấn tượng, nhóm nghiên cứu nhấn mạnh rằng CytoDiffusion không nhằm thay thế các bác sĩ được đào tạo bài bản. Thay vào đó, hệ thống được thiết kế để hỗ trợ bác sĩ bằng cách nhanh chóng đánh dấu các trường hợp đáng lo ngại và tự động xử lý các mẫu thông thường.

Giáo sư Parashkev Nachev từ Đại học Luân đôn, nhận định: “Giá trị thực sự của AI trong y tế không nằm ở việc mô phỏng chuyên môn của con người với chi phí thấp hơn, mà ở khả năng mang lại sức mạnh chẩn đoán, tiên lượng và đưa ra khuyến nghị vượt trội so với cả chuyên gia lẫn các mô hình thống kê đơn giản. Nghiên cứu của chúng tôi cho thấy AI tạo sinh sẽ giữ vai trò trung tâm trong sứ mệnh này, không chỉ nâng cao độ tin cậy của các hệ thống hỗ trợ lâm sàng mà còn giúp chúng hiểu rõ giới hạn kiến thức của chính mình. Nhận thức ‘siêu nhận thức’ này biết mình không biết gì là yếu tố then chốt trong ra quyết định lâm sàng, và ở đây chúng tôi cho thấy máy móc có thể làm tốt hơn con người”. 

Nhóm nghiên cứu lưu ý rằng vẫn cần thêm các nghiên cứu tiếp theo nhằm tăng tốc độ của hệ thống và kiểm chứng hiệu quả của nó trên các nhóm bệnh nhân đa dạng hơn, nhằm bảo đảm độ chính xác và tính công bằng.

Đ.T.V (NASTIS), theo https://www.sciencedaily.com/, 2/2026