当前位置：首页 > Thể thao

Facebook phát triển mô hình AI dự đoán diễn biến bệnh nhân COVID

Facebook và các nhà nghiên cứu của Đại học New York (NYU) đã phát triển ba mô hình học máy có thể giúp các bác sĩ dự đoán diễn biến bệnh của bệnh nhân COVID-19. Thực tế,áttriểnmôhìnhAIdựđoándiễnbiếnbệnhnhâfulham – liverpool việc sử dụng tia X để phát triển thuật toán AI tương ứng và sử dụng chúng để chẩn đoán COVID-19 không phải là mới.

Trước đây, Đại học Stanford, Bệnh viện Mount Sinai và các nhà cung cấp hồ sơ y tế điện tử Epic, Cerner cũng phát triển các mô hình liên quan có thể tính điểm rủi ro cho những bệnh nhân tử vong hoặc cần thở máy. Facebook và NYU đã áp dụng nhiều phương pháp khác nhau. Mô hình do nhóm xây dựng đã cố gắng dự đoán quỹ đạo lâm sàng dài hạn.

Theo các báo cáo, dự án là một phần của sự hợp tác giữa Facebook với Phòng Phân tích Dự đoán của Trung tâm Y tế Lange thuộc Đại học New York và Khoa X quang. Các nhà nghiên cứu của Facebook đã sử dụng kỹ thuật học tự giám sát để đào tạo trước hệ thống AI trên hai bộ dữ liệu X-quang ngực MIMIC-CXR-JPG và CheXpert. Thông qua việc học tự giám sát, mô hình có tên MoCo này vẫn có thể học từ tia X trong tập dữ liệu ngay cả khi không cho mô hình biết ý nghĩa của các nhãn dữ liệu trên tia X.

Bước tiếp theo của nghiên cứu là tinh chỉnh mô hình MoCo mở rộng bằng cách sử dụng bộ dữ liệu COVID-19 có sẵn công khai của NYU. Các nhà nghiên cứu đã xây dựng một bộ phân loại bằng cách sử dụng 26.838 hình ảnh X-quang từ 4.914 bệnh nhân và chú thích chúng để chỉ ra tình trạng của bệnh nhân liệu có xấu đi trong vòng 24, 48 hay 72 giờ sau khi chụp X-quang hay không. Các nhà nghiên cứu cũng xây dựng hai bộ phân loại. Một bộ sử dụng một bộ phim X-quang duy nhất để dự đoán tình trạng xấu đi của bệnh nhân và một bộ sử dụng một loạt phim X-quang để đánh giá.

Theo các nhà nghiên cứu, dựa vào mô hình có thể dự đoán nhu cầu ICU của bệnh nhân, tỷ lệ tử vong và các biến cố bất lợi trước 96 giờ, tốt hơn so với dự đoán của con người. Mặc dù kết quả có thể không áp dụng được cho những bệnh viện khác có tập dữ liệu duy nhất, nhưng các nhà nghiên cứu tin rằng một bộ phân loại mới có thể được xây dựng với tương đối ít tài nguyên (có lẽ là một GPU duy nhất) dựa trên mô hình MoCo.

“Có thể dự đoán liệu bệnh nhân có cần nguồn oxy hay không cũng là ưu tiên hàng đầu và có thể giúp bệnh viện quyết định cách phân bổ oxy trong những tuần và tháng tới. Khi COVID-19 bùng phát trở lại trên quy mô toàn cầu, các bệnh viện đang lên kế hoạch phân bổ nguồn. Cần có những công cụ để dự đoán và chuẩn bị cho sự gia tăng sắp tới trong mọi trường hợp”, nhóm nghiên cứu của Facebook chia sẻ. Ngoài ra, “những dự đoán này có thể giúp các bác sĩ tránh đưa bệnh nhân có nguy cơ về nhà sớm, và giúp các bệnh viện dự đoán tốt hơn nhu cầu bổ sung oxy, cũng như nguồn lực hạn chế khác”.

Tuy nhiên, theo một nghiên cứu gần đây của Trường Vector thuộc Đại học Toronto và Viện Công nghệ Massachusetts, những bộ dữ liệu X-quang ngực được sử dụng để đào tạo các mô hình chẩn đoán, bao gồm bộ dữ liệu MIMIC-CXR và CheXpert, không cân bằng và dữ liệu sẽ bị sai lệch.

Điều này có thể phụ thuộc vào giới tính, kinh tế xã hội và dân tộc. Mặc dù tỷ lệ phụ nữ trong tập dữ liệu thấp hơn một chút so với nam giới, nhưng mức độ khác biệt giữa các bệnh nhân nữ là cao. Trong toàn bộ tập dữ liệu, bệnh nhân da trắng chiếm đa số, về cơ bản chiếm 67,6%, là tập dữ liệu ưa thích của mô hình, trong khi bệnh nhân gốc Tây Ban Nha là tập dữ liệu ít phổ biến nhất.

Để giải quyết vấn đề sai lệch tập dữ liệu, các nhà nghiên cứu của Facebook và NYU cho biết họ đã tim hiểu trước dữ liệu của những bệnh nhân không bị nhiễm COVID-19 và lựa chọn cẩn thận từng mẫu thử nghiệm để giải quyết sự sai lệch này. Nhưng đầu năm ngoái, Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh Mỹ khuyến cáo không sử dụng chụp CT hoặc chụp X-quang để chẩn đoán COVID-19, bởi ngay cả hệ thống AI tốt nhất đôi khi cũng không thể phân biệt giữa COVID-19 và các bệnh nhiễm trùng phổi thông thường (chẳng hạn như viêm phổi do vi khuẩn hoặc vi rút).

Xác định độ tin cậy của các thuật toán Facebook và NYU có thể yêu cầu thử nghiệm toàn diện trong nhiều hệ thống y tế đa dạng trên khắp thế giới với sự đồng ý của bệnh nhân. Không thể dự đoán chính xác nhưng việc tinh chỉnh mô hình có thể giúp tránh các thuật toán của Facebook và NYU rơi vào tình trạng sai lệch, điều này cho thấy rằng thuật toán cần được xem xét lại trước khi triển khai trên quy mô lớn.

Phong Vũ