Ứng dụng trí tuệ nhân tạo trong nhãn khoa

ỨNG DỤNG
TRÍ TUỆ NHÂN TẠO
TRONG NHÃN KHOA

TS.BS. TRỊNH XUÂN TRANG




Artificial intelligence

• Khoa học máy tính tạo ra những cỗ máy thơng
minh, thực hiện các nhiệm vụ địi hỏi trí thơng
minh của con người
• AI phân tích dữ liệu, xác định các mơ hình và
đưa ra quyết định và dự đốn dựa trên những
gì đã học được


Applications of AI : Machine Learning
• Hệ thống máy tính học mà khơng cần
hướng dẫn rõ ràng
• Bằng cách sử dụng thuật tốn và mơ hình
thống kê để phân tích và rút ra suy luận
từ mơ hình trong dữ liệu
• Học từ các ví dụ để đưa ra dự đốn hoặc
quyết định


Deep Learning : a subset
of machine learning

• Tập trung vào việc tạo ra mạng lưới thần kinh sâu
(CNN) để học hỏi từ lượng dữ liệu khổng lồ
• Mạng lưới thần kinh sâu có thể nắm bắt các mơ
hình và mối quan hệ phức tạp trong dữ liệu thô
mà không cần lập trình thủ cơng
• Học sâu thường được sử dụng trong nhận dạng
hình ảnh, xử lý ngơn ngữ tự nhiên, nhận dạng
giọng nói


AI & Nhãn khoa

• Chẩn đốn & sàng lọc từ hình ảnh
• Hỗ trợ ra quyết định
• Lập kế hoạch điều trị
• Y học từ xa
• Giáo dục bệnh nhân


Bệnh võng mạc đái tháo đường
• Ứng dụng AI
• Sàng lọc quần thể lớn
• Nhân lực tối thiểu
• Hiệu quả tối đa


EyRIS
Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with
diabetes. JAMA. 2017;318:2211–23.

FDA
DR & DME

Abramoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;28:1–39.


EyeArt - FDA
• DME mức độ nhẹ và đe dọa đến thị lực,
máy chụp đáy mắt không giãn đồng tử Canon CR-2 AF và Canon CR -2 Plus AF
• Độ nhạy 96% & độ đặc hiệu 88% trong
việc phát hiện DR ở mức độ nhẹ so với
chuyên gia
• Độ nhạy 92% & độ đặc hiệu 94% trong
việc phát hiện DR đe dọa thị lực


AMD
Độ nhạy 93,20%
Độ đặc hiệu 88,70%


ROP
• Quản lý ROP dựa trên sàng lọc kịp thời
• Sàng lọc chuyên gia + telemedicine
• Deep learning tự động xác định bệnh chính xác AUC 0.98
• Nghiên cứu i-ROP: đồng thuận cao 6/8 chun gia quốc tế
• Chẩn đốn mức độ nghiêm trọng
• Theo dõi tiến triển hồi phục và đáp ứng theo thời gian

Độ nhạy 100%, độ đặc hiệu 94%

Brown JM, Campbell JP, Beers A. Fully automated disease severity assessment and treatment monitoring in retinopathy
of prematurity using deep learning. Proceedings Volume 10579, Medical Imaging 2018: Imaging Informatics for
Healthcare, Research, and Applications. 2018


Glaucoma
• Bệnh có khả năng gây mù có thể sàng lọc được
• DL
•
•
•
•

Hình dạng gai thị
RNFL
Góc tiền phịng dựa trên soi góc và AS-OCT
Nhận biết quỹ đạo tiến triển dựa vào IOL và thị trường ứng với các cấp độ
IOP đích khác nhau


OCT


Phân độ góc tiền phịng


Telemedicine

C
U
R
R
E
N
T
F
U
T
U
R
E

2 weeks until
manual grading

Optometrist

6 months
Optic Nerve

Photograph

Instantaneous
grading with AI

AI algorithm

Healthy

No exam

Urgent

1-2 weeks

Routine

3 months

Suspect

8 months

Healthy

No exam

Delayed
treatment leads
to permanent
vision loss
Prompt
treatment to
avert permanent
vision loss


Bệnh phần trước

• Sàng lọc đục thủy tinh thể: hình ảnh đèn khe / chụp màu đáy mắt
• Lựa chọn IOL phù hợp nhất
• Máy ảnh Scheimflug: Giác mạc chóp / Giác mạc chóp tiền lâm sàng/
tiên lượng cơng suất giác mạc sau phẫu thuật khúc xạ
• Nomogram cho phẫu thuật khúc xạ



Challenges
1. Thiết bị khác nhau
2. Tiêu chuẩn chất lượng hình ảnh
3. Sự khác biệt giữa các quan sát viên & thống nhất của chuyên gia về
ngưỡng can thiệp
4. Mức độ quan trọng để đưa ra quyết định, trách nhiệm pháp lý
5. Các tiêu chí đồng thuận để chẩn đốn/ phân loại/ chuyển bệnh
6. Thách thức công nghệ


“Một số người gọi đây là trí tuệ nhân tạo, nhưng thực tế là công nghệ
này sẽ nâng cao năng lực của chúng ta. Vì vậy, thay vì trí tuệ nhân
tạo, tơi nghĩ chúng ta sẽ tăng cường trí thơng minh của mình.”
Ginni Rometty


ỨNG DỤNG
TRÍ TUỆ NHÂN TẠO
TRONG NHÃN KHOA
TS.BS. TRỊNH XUÂN TRANG