Máy MRI tạo dữ liệu gồm nhiều lát cắt; các cấu trúc trên ảnh cần được xác định trước khi dùng để huấn luyện AI. Ảnh minh họa: NIH Image Gallery/Wikimedia Commons.

Trước khi một hệ thống trí tuệ nhân tạo có thể học cách nhận diện cơ quan hay vùng tổn thương trên ảnh y tế, con người phải chỉ cho nó đâu là cấu trúc cần quan tâm. Với ảnh CT hoặc MRI ba chiều, dữ liệu có thể gồm hàng trăm lát cắt. Chuyên gia phải xác định, khoanh vùng và gán nhãn trên từng ảnh, vừa tốn thời gian vừa dễ xuất hiện khác biệt giữa các lát cắt liền nhau.

Sáng chế “Annotation of Slice Images in Volumetric Medical Images” của nhóm nghiên cứu Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia TP.HCM (ĐHQG-HCM) đi vào chính công đoạn này. Giải pháp không trực tiếp chẩn đoán bệnh. Nó hỗ trợ con người tạo dữ liệu huấn luyện nhanh và nhất quán hơn trước khi các mô hình AI y tế được phát triển.

Quy mô của công việc gán nhãn có thể nhìn thấy qua một ví dụ tại Việt Nam. Năm 2021, một cuộc thi xử lý ảnh y tế sử dụng bộ dữ liệu 18.000 ảnh X-quang được bác sĩ gán nhãn để huấn luyện thuật toán phát hiện và khoanh vùng 14 nhóm bất thường tim, phổi. Đằng sau một bộ dữ liệu như vậy là khối lượng lớn thao tác chuyên môn mà người ngoài lĩnh vực ít nhìn thấy.

Sửa một lát cắt, hệ thống cập nhật vùng lân cận

Theo công bố của Trường Đại học Khoa học Tự nhiên, sau khi người dùng tạo hoặc hiệu chỉnh nhãn trên một lát cắt, mô hình học máy sẽ dự đoán và lan truyền nhãn sang những lát cắt kế tiếp. Hệ thống không chỉ xem từng ảnh riêng lẻ mà còn phân tích đặc điểm hình ảnh của cấu trúc và vị trí tương đối giữa các lát cắt.

Mỗi kết quả dự đoán đi kèm một mức độ tin cậy. Nhờ đó, người dùng có thể nhận ra những lát cắt cần kiểm tra kỹ hơn thay vì rà lại toàn bộ chuỗi ảnh với mức ưu tiên như nhau. Khi chuyên gia sửa một nhãn, thông tin hiệu chỉnh tiếp tục được cập nhật sang các lát cắt liên quan.

Ví dụ về phân vùng tương tác trên ảnh MRI. Đây là ảnh minh họa, không phải giao diện sáng chế của nhóm HCMUS. Ảnh: Rkikinis/Wikimedia Commons, CC BY-SA 3.0.

Cách thiết kế này vẫn đặt con người ở vị trí kiểm soát. AI nhận phần thao tác dự đoán và lặp lại; chuyên gia chịu trách nhiệm xem xét, sửa nhãn và quyết định kết quả cuối cùng. Điểm mới vì thế không đơn thuần là bổ sung thêm một thuật toán nhận diện, mà nằm ở phương thức tương tác giữa người dùng, ảnh y tế và mô hình học máy.

Ba năm để bảo hộ một giải pháp kỹ thuật

Theo ĐHQG-HCM, Văn phòng Sáng chế châu Âu đã cấp Bằng sáng chế số EP4432220 cho giải pháp và công bố trên European Patent Bulletin ngày 8/7/2026. Quá trình đăng ký, thẩm định kéo dài khoảng ba năm, qua nhiều vòng trao đổi với chuyên gia của Văn phòng Sáng chế châu Âu.

Nhóm tác giả gồm TS Lê Khánh Duy, giảng viên Khoa Công nghệ thông tin, trưởng nhóm; PGS.TS Trần Minh Triết, Phó Hiệu trưởng Trường Đại học Khoa học Tự nhiên; cùng hai cựu sinh viên Chương trình Cử nhân Tài năng khóa 2018 là nghiên cứu sinh Nguyễn Hồ Thăng Long và nghiên cứu sinh Phạm Minh Khôi. Hai nghiên cứu sinh hiện làm việc tại Dublin City University, Ireland. Nguồn chính thức của ĐHQG-HCM xác định đây là bằng sáng chế châu Âu đầu tiên của ĐHQG-HCM trong lĩnh vực AI ứng dụng y học.

Bằng sáng chế xác nhận điều gì?

Văn phòng Sáng chế châu Âu nêu ba yêu cầu cơ bản để một giải pháp được bảo hộ: có tính mới, có trình độ sáng tạo và có khả năng áp dụng công nghiệp. Vì vậy, việc được cấp bằng cho thấy giải pháp kỹ thuật đã vượt qua quá trình xem xét theo các tiêu chí này trong phạm vi yêu cầu bảo hộ.

 Bằng sáng chế không đồng nghĩa công nghệ đã được thử nghiệm lâm sàng, được cơ quan quản lý y tế chấp thuận hoặc triển khai tại bệnh viện. Với sáng chế của nhóm Trường Đại học Khoa học Tự nhiên, nguồn chính thức mới nêu kỳ vọng tích hợp vào phần mềm gán nhãn. Chưa có dữ liệu công khai về tỷ lệ tiết kiệm thời gian, độ chính xác trên từng bệnh lý hay đơn vị đang sử dụng.

Việc được bảo hộ tại châu Âu có ý nghĩa đối với năng lực biến kết quả nghiên cứu thành tài sản trí tuệ. Tuy nhiên, bằng sáng chế mới xác nhận giá trị của một giải pháp kỹ thuật trong phạm vi các yêu cầu được bảo hộ. Nó không thay thế cho thử nghiệm thực tế, đánh giá lâm sàng hay quá trình đưa sản phẩm vào bệnh viện.

Giá trị nằm trước khâu chẩn đoán

Dữ liệu gán nhãn là đầu vào quan trọng đối với nhiều mô hình AI phân tích hình ảnh. Nếu cùng một cơ quan hoặc vùng tổn thương bị khoanh khác nhau giữa các lát cắt, mô hình sẽ học từ một tập dữ liệu thiếu nhất quán. Giảm thao tác lặp nhưng vẫn giữ chuyên gia trong vòng kiểm soát có thể giúp xử lý bài toán này.

Một hướng ứng dụng gần với thực tế Việt Nam là phân tích ảnh CT gan đa thì. Trong một dự án được Phụ nữ Mới phản ánh, bộ dữ liệu CT gan của hơn 1.000 người bệnh đã được dùng để nghiên cứu khả năng khoanh vùng và phân loại tổn thương. Sáng chế của nhóm Trường Đại học Khoa học Tự nhiên không được công bố là có liên quan đến dự án này, nhưng hai trường hợp cho thấy chuỗi công việc cần thiết: tạo dữ liệu, huấn luyện mô hình, kiểm chứng rồi mới tích hợp vào quy trình y tế.

Thiết bị CT có thể tạo một chuỗi ảnh gồm nhiều lát cắt cần được xử lý và gán nhãn. Ảnh minh họa: Amanda S. Kitchner/U.S. Navy.

Nếu được phát triển thành phần mềm, người sử dụng trực tiếp trước hết có thể là nhóm nghiên cứu, đơn vị xây dựng dữ liệu hoặc nhà phát triển giải pháp phân tích ảnh y tế. Giá trị đối với bệnh viện và người bệnh chỉ xuất hiện sau khi công nghệ vượt qua các bước thử nghiệm, đánh giá độ ổn định và tích hợp vào hệ thống thực tế.

Bằng sáng chế mới là điểm xuất phát

Nguồn công bố chính thức hiện mới cho biết nhóm nghiên cứu kỳ vọng giải pháp sẽ được tích hợp vào phần mềm gán nhãn ảnh y tế. Chưa có thông tin về bệnh viện thử nghiệm, sản phẩm thương mại, số liệu thời gian tiết kiệm hoặc hiệu quả trên từng loại ảnh và cơ quan. Vì vậy, chưa thể gọi đây là công nghệ đã ứng dụng thành công trong khám, chữa bệnh.

Bước tiếp theo cần thiết là thử nghiệm trên các tập dữ liệu đủ đa dạng, đo thời gian xử lý so với gán nhãn thủ công và đánh giá mức độ nhất quán giữa nhiều chuyên gia. Kết quả cũng cần được phân tích theo thiết bị chụp, độ dày lát cắt, cơ quan và dạng tổn thương, thay vì chỉ đưa ra một con số trung bình.

Cùng với kiểm chứng kỹ thuật là yêu cầu quản trị dữ liệu y tế: ẩn danh thông tin người bệnh, phân quyền truy cập, lưu lại lịch sử hiệu chỉnh và xác định trách nhiệm khi nhãn do hệ thống đề xuất không chính xác. Sau đó mới đến bài toán chuyển giao, cấp phép hoặc thành lập một nhóm sản phẩm để đưa sáng chế ra khỏi phòng nghiên cứu.

Điểm đáng chú ý của giải pháp là không tìm cách gạt chuyên gia khỏi quy trình. Nó dùng AI để giảm phần việc lặp lại và dành quyền đánh giá cuối cùng cho con người. Nếu những bước kiểm chứng và chuyển giao được hoàn thành, bằng sáng chế có thể trở thành một công cụ thực tế cho quá trình xây dựng dữ liệu AI y tế. Nếu dừng lại ở văn bằng bảo hộ, giá trị ứng dụng vẫn chỉ là một khả năng đang chờ được chứng minh.

Nguồn box: Văn phòng Sáng chế châu Âu; Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM. Link nguồn: EPO; HCMUS