AI trong y khoa

1. Artificial Intelligence in Cardiovascular Imaging

2. Deep learning/
Machine learning/
Artificial Intelligence
Hoàng Minh Lợi
Vinmec Times City

3. Tổng quan
0 Gần đây Trí tuệ nhân tạo “Artificial Intelligence (AI) " đã trở
thành thuật ngữ quen thuộc
0 Theo trường phái lạc quan Ray Kurzweil and Patrick
Winston,[1] cho rằng người máy thông minh sẽ thay thế con người
vào khoảng năm 2040s,
0 Phái bi quan lại cho rằng AI là con quái vật đầy pháp thuật, đe
doạ văn minh nhân loại Elon Musk, "summoning the demon"
0 Thực tế thì AI đã đi vào cuộc sống một cách tự nhiên; bên cạnh
những tiện ích mang lại cho nhân loại, cũng có những mặt trái
của AI.
0 Riêng CĐHA ứng dụng AI đã có từ lâu, trong vòng 5-10 năm tới
máy tính và AI sẽ thay thế dần con người như Ezekiel Emanuel,
đã cho rằng “đã hết rồi thời kỳ huy hoàng của CĐHA "end
radiology as a thriving specialty”.

4. Các thuật ngữ

5. “AI-Artificial Intelligence
Trí tuệ nhân tạo”

6. ▪ Hệ thần kinh não bộ là
mạng nơ ron kết nối phức
tạp được mã hoá số để
nhận dạng từng giác quan
▪ Từ thính giác, thị giác, xúc
giác…; máy tính sẽ nhận
dạng âm thanh giọng nói
để phân tích và kết nối dữ
liệu: được hiểu là "Học
sâu".
▪ Sao chép cách nhận dạng
của não bộ bằng máy.
“DL-Deep Learning Học sâu”

7. “DL-Deep Learning Học sâu”
▪ Đó là những gì thường được gọi là AI trong báo chí
▪ Các ứng dụng CĐHA và y tế thực sự đại diện cho học sâu
bằng cách sử dụng các mạng thần kinh để tạo ra các thuật
toán, để đưa ra chẩn đoán và dự đoán.
▪ Những gì đã được gọi là "CADx" (Chẩn đoán hỗ trợ máy
tính) hoặc "CADe" (Phát hiện hỗ trợ máy tính) thường đòi
hỏi trình độ chuyên môn cao và nhiều bước cần tiến hành
nhiều tháng hoặc nhiều năm để phát triển và tinh chỉnh.
▪ Điều đã thay đổi là khả năng tạo thuật toán trực tiếp từ cơ
sở dữ liệu hình ảnh lớn, đơn giản hơn, trực tiếp từ dữ liệu.
Giảm thiểu các rào cản đối với phát triển thuật toán,

9. “DL-Deep Learning Học sâu”
▪ Học sâu sẽ dẫn đến việc phát triển phần mềm máy tính, từ
đó sẽ gia tăng số lượng lớn về dữ liệu (big data), dẫn đến
phát triển phần mềm hình ảnh.
▪ Học sâu cũng đã được sử dụng để cải thiện chất lượng hình
ảnh từ X quang, Siêu âm, CT, MRI và các hình ảnh Hybrix
khác.
▪ Một phần mềm mới đây đã sử dụng DL để giảm liều 200
lần thấp hơn liều FDG khi quét PET / CT. [4]
▪ Trong y học để cải thiện hiệu quả, nhanh chóng và an toàn
cho bệnh nhân.
▪ Giao tiếp và phối hợp cũng được cải thiện.

10. Deep Learning & Machine learning

11. “ML-machine learning Học máy”
0 ML-machine learning” xuất hiện một thập niên trở lại, Học máy để tạo ra một
mẫu đơn giản từ dữ liệu.
0 Hình 1: Dữ liệu của National Lung Screening Trial (NLST) về nốt mờ phổi lành hay
ác tính, dựa trên kích thước, bờ tua gai để dự báo giá trị ác tính so với biến số khác
như tuổi, giới...

12. “ML-machine learning Học máy”
▪ Đây là một ví dụ rất đơn
giản về học máy cơ bản
trong đó máy "hồi quy
logistic" học và dự báo tốt
hơn về bệnh ác tính khi các
yếu tố nguy cơ tăng lên.
▪ Mỗi một nhóm phần mềm
ML sẽ có một công thức hồi
quy khác nhau tuỳ vùng,
nhóm nghề nhiệp; vd nhóm
cựu chiến binh có nhiều
khả năng đã tiếp xúc với
chất gây ung thư nghề
nghiệp hoặc có thói quen
sử dụng rượu và thuốc lá
cao hơn.

13. ▪ 1600 đời Đường gọi là Suanpan, Nhật nhập khẩu gọi là
Soroban (Wikipedia)
▪ 1940s Máy tính đầu tiên: cộng trừ nhân chia.
▪ Church–Turing đưa ra giả thuyết máy tính có thể mô
phỏng các quy trình để đạt đến khả năng tạo dựng bộ
não điện tử “building an electronic brain”.
▪ 1950s ra đời Test Turing và là một trong những người
khởi xướng AI hiện đại
“AI-Artificial Intelligence
Trí tuệ nhân tạo”

14. “AI-Artificial Intelligence
Trí tuệ nhân tạo”

15. “AI-Artificial Intelligence
Trí tuệ nhân tạo”
▪ 1990s : In 1997, sự
kiện chấn động thế giới
IBM’s Deep Blue đánh
bại kiện tướng cờ vua
quốc tế Garry Kasparov.
▪ In 2016, Google’s
Deepmind đánh bại Lee
Sedol tỉ số 4-1.
▪ AI đã đi trước 10 năm
so với momg đợi.

16. “AI-Artificial Intelligence
Trí tuệ nhân tạo”
Có 3 cấp AI:
1. ANI: art. narrow int.
mức thấp
2. AGI: art. general int.
mức thông dụng
3. ASI: super mức siêu
AGI có 7 khả năng:
1. đưa ra lý do
2. lên kế hoạch
3. giải quyết vấn đề
4. tóm lược nội dung
5. hiểu được các ý tưởng phức
tạp
6. học nhanh
7. học từ kinh nghiệm.

17. “AI-Artificial Intelligence
Trí tuệ nhân tạo”
Quy trình chiến lược của
AI
1. Học máy hồi quy
(reverse
engineering) thiết
kế đối chiếu thông
qua bộ AMD –
advance micro
device): chip điện
tử
2. Kích thích tiến hoá
(stimulating
evolution)
3. Tự động hoàn toàn
(autonomy)
Phát triển qua nhiều giai đoạn:

18. “AI-Artificial Intelligence
Trí tuệ nhân tạo”

19. AI trong đời sống thường ngày

20. SmartPhone/ Television …
0 Nhận dạng mặt
0 Vân tay
0 Giọng nói
0 Đô thị thông minh
0 Căn hộ thông minh
0 Tủ lạnh thông minh
Every where

21. Movies
Ex Machina
Every where

22. GPS

23. Medical Teaching - Simulation

24. AI trong Y học

25. AI trong Y học
5 dự án Block chain ứng dụng trong lĩnh vực y tế
0 Bằng cách sử dụng AI hỗ trợ blockchain, Doc.AI nhằm mục
đích tạo ra dữ liệu sinh học – như hệ gen và vi sinh vật – có
thể truy cập và kiểm soát bởi người sử dụng.
0 Thông qua việc thực hiện xử lý ngôn ngữ tự nhiên và “thị
giác máy tính”, có thể tạo ra những nền tảng dữ liệu y học.
0 Công nghệ blockchain được triển khai cho phép bất kỳ
người dùng nào bắt đầu “thử nghiệm dữ liệu” – một tập
hợp dữ liệu y tế, sau đó sẽ được kết nối thông qua các
nhóm dữ liệu để tạo ra các mô hình dự báo (4ps).
0 Nhờ công cụ này, mỗi bệnh nhân sẽ có một bộ dữ liệu mà
bác sĩ rất cần tham khảo.

26. IBM - Watson for Oncology
Hệ thống AI của cty Watson -
IBM hỗ trợ cho Chương trình
chọn phác đồ điều trị 13 loại K
tại Việt Nam:
▪ Vú, phổi, đại tràng, trực tràng,
dạ dày, cổ tử cung, buồng
trứng, tiền liệt, bàng quang,
tuyến giáp, gan, nội mạc tử
cung và thực quản.
▪ Kết quả thực nghiệm từ 3
bệnh viện: Viện K trung
ương, Viện Ung bướu TP
HCM, BV Đa khoa tỉnh Phú
Thọ.

27. Triển vọng ứng dụng AI trong CĐHA
0 CADx" (Chẩn đoán hỗ trợ máy tính) hoặc "CADe" (Phát
hiện hỗ trợ máy tính) trong 10 năm tới thật sự tiềm
năng
0 Khả năng chuyển dữ liệu trực tiếp vào trong DL là mô
thức dự báo "model for prediction”, sẽ là thuật toán
trội hơn hẵn so với chỉ sử dụng PACS hoặc
Workstation như hiện nay.
0 Tương tự muốn nghe nhạc trên đĩa CD, bây giờ chúng
ta có thể chọn bản nhạc yêu thích, ai trình bày theo thể
loại nào.

28. 1. Nhũ ảnh: - Trim radiologist workloads for mammography
2. Phân loại BIRADS - Reduce overdiagnosis of breast
cancer
3. Sàng lọc nốt mờ phổi - Enhance detection of pulmonary
nodules
4. Đánh giá phân loại nốt mờ phổi - Assess CT lung
screening exams
5. Phát hiện vi xuất huyết não - Detect cerebral microbleeds
on MRI
6. Tổn thương tuyến giáp - Optimize risk stratification of
thyroid nodules
AI trong CĐHA tim mạch?

29. AI trong CĐHA tim mạch
▪ Với chương trình machine-learning FFR-CT, hiện nay
đã thực hiện được khá nhanh, tuy nhiên chỉ ở giai
đoạn thử nghiệm.
▪ Erik L. Ridley, CT tube voltage doesn't affect AI FFR-
CT analysis May 8, 2019 các thuật toán AI đã đánh giá
dự trữ vành phân đoạn với CT tube voltages từ 100 -
120 kVp, American Journal of Roentgenology

30. Chụp động mạch vành – Can thiệp
Can thiệp + đặt stent ở bn hẹp đmv giai đoạn trung gian chưa
cần Bech et al. Circulation 2001;103:2928-2934
Kern et al. Circulation 2006; 114:1321-1341

31. kV tác động đến FFR-CT qua thuật toán học máy:
100 kVp 120 kVp
▪ Hệ số tương quan Spearman 0.622 0.669
▪ Hệ số tương quan nội tại (Intraclass correlation coefficient
0.76 0.77
▪ Sensitivity 73.5% 85%
▪ Specificity 79% 72.8%
▪ Diện tích dưới đường cong 0.82 0.84
Sự khác biệt không có ý nghĩa thống kê.
AI trong CĐHA tim mạch

32. ▪ Mới đây trong danh sách nghiên cứu của Cannavo’s
phần 4 về đánh giá thực hành (Practical
Considerations for AI series) có thể chuyển đổi CT liều
thấp với chất lượng ảnh cao đối với việc phát hiện
phình mạch nội sọ.
▪ Kỳ vọng Machine-learning FFR-CT có evident base các
Hội/ Guideline chap nhận
AI trong CĐHA tim mạch

33. References
1. Creighton J. The "Father of Artificial Intelligence" says
singularity is 30 years away. Retrieved
from Futurism: https://futurism.com/father-artificial-
intelligence-sigularity-decades-away/. Accessed May 1,
2018.
2. Mukherjee S. A.I. versus M.D. The New Yorker.2017, April
3.
3. Chockley KEE. The end of radiology? Three threats to the
future practice of radiology. Journal of the American
College of Radiology. 2016; 13(12):1415–1420.
4. Xu J. 200x Low-dose PET reconstruction using deep
learning. arXiv:1712.04119v1.

34. Progress report

35. Official website
www.asci-2020.org
35
Xin trân trọng cám ơn