Progress in the Application of Artificial Intelligence in Ultrasound-Assisted Medical Diagnosis

 Ứng dụng trí tuệ nhân tạo trong siêu âm chẩn đoán, Lý Yên, Thanh Lý ,Khang Phúc¹, Chu Tiểu Đông ^2,*và Kai Zhang

Bioengineering 2025 , 12 (3), 288; https://doi.org/10.3390/bioengineering12030288

Ngày nhận bài: 1 tháng 2 năm 2025 / Đã sửa đổi: ngày 7 tháng 3 năm 2025 / Đã được chấp nhận: 12 tháng 3 năm 2025 / Ngày xuất bản: 13 tháng 3 năm 2025

(Bài viết này thuộc chuyên đề đặc biệt " Nâng cao chất lượng chăm sóc sức khỏe: Khai thác trí tuệ nhân tạo cho các đổi mới trong chẩn đoán và điều trị ")

Tóm tắt

Việc tích hợp trí tuệ nhân tạo (AI) vào  siêu âm y học đã cách mạng hóa hình ảnh y tế, nâng cao độ chính xác chẩn đoán và quy trình làm việc lâm sàng. Bài đánh giá này tập trung vào các ứng dụng, thách thức và hướng đi tương lai của công nghệ AI, đặc biệt là học máy (ML) và nhánh con của nó, học sâu (DL), trong chẩn đoán siêu âm. Bằng cách tận dụng các thuật toán tiên tiến như mạng nơ-ron tích chập (CNN), AI đã cải thiện đáng kể việc thu nhận hình ảnh, đánh giá chất lượng và chẩn đoán bệnh một cách khách quan. Các giải pháp dựa trên AI hiện nay tạo điều kiện thuận lợi cho phân tích hình ảnh tự động, hỗ trợ chẩn đoán thông minh và giáo dục y khoa, cho phép phát hiện tổn thương chính xác trên nhiều cơ quan khác nhau đồng thời giảm khối lượng công việc của bác sĩ. Khả năng phát hiện lỗi của AI càng làm tăng độ chính xác chẩn đoán. Trong tương lai, việc tích hợp AI với siêu âm dự kiến ​​sẽ ngày càng sâu rộng, thúc đẩy các xu hướng tiêu chuẩn hóa, điều trị cá nhân hóa và chăm sóc sức khỏe thông minh, đặc biệt là ở các khu vực thiếu thốn dịch vụ y tế. Mặc dù có tiềm năng, các đánh giá toàn diện về độ chính xác chẩn đoán và các tác động đạo đức của AI vẫn còn hạn chế, đòi hỏi các đánh giá nghiêm nhặt để đảm bảo hiệu quả trong thực hành lâm sàng. Bài này đánh giá có hệ thống  về các công nghệ AI trong  siêu âm y học, làm nổi bật tiềm năng chuyển đổi  để cải thiện kết quả chăm sóc sức khỏe toàn cầu.

Từ khóa:

Siêu âm ; trí tuệ nhân tạo (AI) ; học sâu (DL) ; học máy (ML) ; chẩn đoán ; điều trị ; y học

1. Giới thiệu

Sự phát triển nhanh chóng của công nghệ hình ảnh y khoa, cùng với khối lượng dữ liệu hình ảnh lâm sàng ngày càng tăng và nhu cầu ngày càng cao về hiệu quả và sự hài lòng của bệnh nhân trong việc tư vấn, đã khiến việc chẩn đoán, phân loại và đánh giá tiên lượng bệnh kịp thời và chính xác trở thành trọng tâm của nghiên cứu hiện đại. Trong những năm gần đây, sự phát triển nhanh chóng của công nghệ trí tuệ nhân tạo (AI) đã tạo điều kiện thuận lợi cho việc ứng dụng rộng rãi và sâu rộng của nó trong lĩnh vực chăm sóc sức khỏe. Đặc biệt, trong lĩnh vực siêu âm y học, việc giới thiệu các công nghệ chủ chốt như học máy (ML) và dữ liệu lớn y tế đã cách mạng hóa các phương pháp chẩn đoán truyền thống [ 1 , 2 ]. Những tiến bộ công nghệ này đã dẫn đến việc tạo ra các mô hình AI mạnh mẽ, có khả năng thích ứng, giúp cải thiện việc thu thập hình ảnh và cho phép đánh giá chất lượng theo thời gian thực. Chúng cũng cung cấp khả năng phát hiện và chẩn đoán bệnh một cách khách quan đồng thời hợp lý hóa quy trình làm việc lâm sàng trong thực hành siêu âm [ 3 , 4 ].

Việc tích hợp AI trong hình ảnh y tế đã chứng minh các ứng dụng cụ thể theo từng phương thức, mỗi phương thức đều có những ưu điểm và thách thức riêng. Trong khi AI trong hình ảnh X-ray và CT chủ yếu tận dụng các cơ sở dữ liệu hình ảnh tiêu chuẩn hóa rộng lớn để tự động phát hiện và chẩn đoán các bệnh lý, thì bản chất tĩnh của các phương thức hình ảnh này hạn chế vai trò của AI trong chẩn đoán thời gian thực [ 5 , 6 ]. Hình ảnh cộng hưởng từ (MRI), với độ phân giải cao và độ tương phản mô, mang lại tiềm năng phân tích phong phú cho AI, tuy nhiên chi phí cao, thời gian quét kéo dài và quy trình tái tạo hình ảnh phức tạp đã hướng các nỗ lực của AI vào việc nâng cao chất lượng hình ảnh và giảm thời gian quét. Ngược lại, siêu âm, với tư cách là một phương thức hình ảnh động và thời gian thực, sở hữu những lợi thế riêng biệt. Khả năng thời gian thực của  siêu âm  cho phép AI hỗ trợ theo dõi động và can thiệp có hướng dẫn, một tính năng không có ở các kỹ thuật hình ảnh khác. Ngoài ra, tính di động và hiệu quả chi phí  khiến siêu âm đặc biệt có giá trị trong các môi trường hạn chế nguồn lực và chăm sóc sức khỏe từ xa. Tuy nhiên, không giống như X-ray và CT, hình ảnh siêu âm dễ bị ảnh hưởng bởi sự thay đổi của người vận hành và  lựa chọn đầu dò .., làm ảnh hưởng đáng kể đến chất lượng hình ảnh [ 7 ]. Những yếu tố này đặt ra yêu cầu cao hơn đối với độ bền vững và khả năng thích ứng của các hệ thống AI trong ứng dụng siêu âm. Do đó, chẩn đoán siêu âm dựa trên AI không chỉ hứa hẹn nâng cao độ chính xác và hiệu quả chẩn đoán mà còn mang lại những lợi ích đặc biệt trong các tình huống lâm sàng đòi hỏi  chẩn đoán nhanh chóng, tiết kiệm chi phí và linh hoạt.

Siêu âm, một phương pháp chẩn đoán và điều trị không xâm lấn, tiện lợi và tiết kiệm chi phí, phản ánh hiệu quả hình thái và chức năng của các mô và cơ quan người, do đó có vai trò quan trọng trong các ứng dụng lâm sàng. Tuy nhiên, trong thực tế chẩn đoán siêu âm, kết quả có thể có những sai lệch bị ảnh hưởng bởi kinh nghiệm của bác sĩ và các yếu tố chủ quan [ 8 ]. Hơn nữa, khối lượng công việc cao và hiệu quả tương đối thấp của một số bác sĩ cho thấy có nhiều cơ hội để cải thiện sự hài lòng của bệnh nhân đối với chẩn đoán và điều trị bằng siêu âm.

Sự tích hợp sâu rộng của trí tuệ nhân tạo (AI) với công nghệ siêu âm không chỉ nâng cao độ chính xác và hiệu quả chẩn đoán mà còn thúc đẩy sự phát triển thông minh của công nghệ y tế siêu âm. Bài đánh giá này được tổ chức như sau: Phần 1 trình bày các nền tảng công nghệ của AI trong y học siêu âm, bao gồm học máy, học sâu và mạng nơ-ron tích chập. Phần 2 xem xét một cách có hệ thống các ứng dụng AI hiện tại trong chẩn đoán siêu âm, bao gồm chẩn đoán hỗ trợ, sửa lỗi và giáo dục y tế. Phần 3 khám phá các xu hướng phát triển trong tương lai về tích hợp công nghệ, tiêu chuẩn hóa, điều trị cá nhân hóa và y học từ xa. Cuối cùng, các thách thức và kết luận được trình bày để định hướng các hướng nghiên cứu tiếp theo.

2. Nền tảng công nghệ của trí tuệ nhân tạo trong  siêu âm y học

Việc ứng dụng trí tuệ nhân tạo (AI) trong y học siêu âm về cơ bản dựa trên các công nghệ tiên tiến như học máy (ML) và ứng dụng của nó trong các thuật toán nhận dạng hình ảnh ( Hình 1 ). Các thuật toán này, được huấn luyện trên các tập dữ liệu hình ảnh siêu âm, có thể tự động xác định các đặc điểm bệnh lý, từ đó hỗ trợ các bác sĩ đưa ra chẩn đoán chính xác hơn. Quy trình chẩn đoán siêu âm có sự hỗ trợ của AI thường bao gồm một số bước: đầu tiên, hình ảnh siêu âm thu được trải qua quá trình tiền xử lý thông qua các kỹ thuật tính toán, bao gồm khử nhiễu và tăng cường, để cải thiện chất lượng hình ảnh; sau đó, các thuật toán AI được sử dụng để trích xuất đặc điểm và phân loại các hình ảnh đã được tiền xử lý; và cuối cùng, hệ thống AI cung cấp các khuyến nghị chẩn đoán dựa trên kết quả nhận dạng, hỗ trợ các bác sĩ trong quá trình ra quyết định  ( Hình 2 ).

Hình 1. Mối quan hệ giữa trí tuệ nhân tạo, máy học, học sâu và dữ liệu lớn.

Hình 2. Sơ đồ quy trình chẩn đoán hình ảnh hỗ trợ bởi AI. Sơ đồ này mô tả quy trình phân tích siêu âm được tăng cường bởi AI: (1) thu thập và tiền xử lý hình ảnh (tăng cường độ tương phản/kết cấu, khử nhiễu GIE), (2) trích xuất đặc trưng phân cấp thông qua UNet quy mô đệ quy (RSU) với phân tích đa độ phân giải, (3) huấn luyện mô hình bằng cách sử dụng tối ưu hóa giảm độ dốc với mạng định hướng (ORN) và mạng thời gian (RNN), và (4) đầu ra chẩn đoán bao gồm các phép đo định lượng và báo cáo tự động. Việc tinh chỉnh lặp đi lặp lại và các điểm kiểm tra xác nhận của bác sĩ lâm sàng đảm bảo tích hợp lâm sàng mạnh mẽ.

2.1. Học máy

Dữ liệu lớn đóng vai trò là nền tảng của AI, và việc chuyển đổi dữ liệu lớn thành kiến ​​thức hoặc năng suất gắn liền với ML, được định nghĩa là quá trình mà máy tính học hỏi từ kinh nghiệm và thực hiện các nhiệm vụ được xác định trước mà không cần kiến ​​thức trước đó [ 9 ]. Nó nhấn mạnh ba khái niệm chính: thuật toán, kinh nghiệm và hiệu suất. Mục tiêu chính của ML là cho phép các hệ thống máy tính học hỏi và cải thiện từ dữ liệu thông qua các thuật toán, khám phá các mẫu và quy luật trong dữ liệu để đưa ra dự đoán về dữ liệu chưa được nhìn thấy. ML thường yêu cầu một lượng dữ liệu đáng kể để huấn luyện các mô hình. Các thuật toán của nó bao gồm học có giám sát, học không giám sát, học bán giám sát và học tăng cường, cùng nhiều thuật toán khác [ 10 ].

2.2. Học sâu

DL được coi là một công cụ AI hàng đầu để phân tích hình ảnh [ 11 ]. Không giống như các phương pháp ML truyền thống cần phải trích xuất đặc trưng được thiết kế thủ công từ hình ảnh đầu vào, các kỹ thuật DL tự động học các đặc trưng cần thiết cho việc phân loại dữ liệu [ 12 ]. Là một tập hợp con của ML, DL tận dụng các mạng nơ-ron nhân tạo nhiều lớp để xử lý dữ liệu. Cách tiếp cận này cho phép phân tích khối lượng lớn dữ liệu theo cách phân cấp và phi tuyến tính, sử dụng nhận dạng mẫu để trích xuất các đặc trưng có tính đại diện cao từ hình ảnh trong khi liên tục học các biểu diễn thông tin từ dữ liệu thô [ 13 ]. Mục tiêu chính của DL là tự động học và khám phá các đặc trưng trừu tượng cấp cao từ dữ liệu thông qua các mạng phân cấp. Trong các mô hình DL, học có giám sát và học không giám sát là hai phương pháp chính có thể bổ sung cho nhau; ví dụ, học không giám sát có thể xác định các đặc trưng trong dữ liệu, sau đó có thể được sử dụng để dự đoán thông qua học có giám sát. Trong những năm gần đây, công nghệ học sâu (DL) đã có ​​những bước tiến vượt bậc trong nhiều lĩnh vực, được thúc đẩy bởi sự phát triển nhanh chóng của bộ xử lý đồ họa (GPU), bộ xử lý trung tâm hiệu năng cao (CPU), những cải tiến trong thuật toán học máy và sự xuất hiện liên tục của các cơ sở dữ liệu quy mô lớn.

2.3. Mạng nơ-ron tích chập (CNN)

CNN là một lớp mạng nơ-ron truyền thẳng sâu được thiết kế đặc biệt cho mô hình hóa không gian trong phân tích hình ảnh [ 14 ]. CNN đã đóng một vai trò then chốt trong việc áp dụng DL cho các ứng dụng xử lý video và hình ảnh [ 15 ]. Trong phân tích hình ảnh y tế, CNN chủ yếu được sử dụng để phân đoạn ngữ nghĩa của các cấu trúc giải phẫu và tổn thương ( Hình 3 ). Kiến trúc CNN điển hình bao gồm ba loại lớp: lớp tích chập, lớp gộp và lớp kết nối đầy đủ. Các lớp tích chập đóng vai trò là thành phần cấu trúc chính của CNN, nén dữ liệu đầu vào thành các mẫu dễ nhận biết để giảm kích thước dữ liệu và nhấn mạnh các đặc điểm liên quan [ 16 ]. Sức mạnh cốt lõi của CNN nằm ở kiến ​​trúc sâu của chúng, tạo điều kiện thuận lợi cho việc trích xuất các đặc điểm phân biệt ở nhiều cấp độ trừu tượng. Phương pháp học tập phân cấp này cho phép CNN nắm bắt các mẫu phức tạp trong hình ảnh y tế, cuối cùng nâng cao độ chính xác chẩn đoán. Do đó, việc tích hợp CNN vào quy trình làm việc lâm sàng thể hiện một bước tiến đáng kể trong lĩnh vực phân tích hình ảnh tự động và hệ thống hỗ trợ quyết định.

Hình 3. Các phương pháp trích xuất đặc trưng không gian-thời gian. Kiến trúc CNN và RNN được sử dụng để trích xuất các đặc trưng không gian trong ảnh siêu âm gan.

3. Phân loại và ứng dụng công nghệ trí tuệ nhân tạo trong siêu âm

3.1. Công nghệ chẩn đoán hỗ trợ bởi trí tuệ nhân tạo

Các công nghệ trí tuệ nhân tạo (AI), đặc biệt là những công nghệ sử dụng thuật toán học sâu (DL), đã tạo ra cuộc cách mạng trong việc phân tích tự động hình ảnh siêu âm. Loại hình này bao gồm các hệ thống trong đó AI đóng vai trò hỗ trợ chẩn đoán, tăng cường khả năng diễn giải của con người mà không thay thế phán đoán lâm sàng.

3.1.1. Các khối u tuyến giáp

Tỷ lệ mắc ung thư tuyến giáp ngày càng tăng và khối lượng công việc của các bác sĩ đã thúc đẩy nhu cầu sử dụng AI để xử lý hình ảnh siêu âm tuyến giáp một cách hiệu quả [ 17 ]. Trong bối cảnh đánh giá u tuyến giáp, AI đã nổi lên như một công cụ quan trọng nhằm cải thiện chẩn đoán, đánh giá và quản lý [ 18 , 19 , 20 ]. Ứng dụng của AI trong tuyến giáp chủ yếu bao gồm phân đoạn tuyến giáp [ 21 , 22 , 23 , 24 , 25 ] và chẩn đoán phân biệt các u tuyến giáp [ 8 , 26 , 27 , 28 , 29 ]. Tuy nhiên, hầu hết các nghiên cứu tập trung vào việc sử dụng các đặc điểm siêu âm để phân biệt giữa u tuyến giáp lành tính và ác tính hoặc để dự đoán di căn hạch cổ. Bằng cách phân biệt chính xác giữa các u lành tính và ác tính, AI hỗ trợ các bác sĩ lâm sàng trong việc xây dựng các chiến lược điều trị cá nhân hóa. Một thành phần quan trọng của việc phát triển các mô hình AI hiệu quả là trích xuất các đặc điểm liên quan từ hình ảnh siêu âm. Quá trình này bao gồm phân tích các đặc điểm về cấu trúc, hình dạng và đường viền, cũng như tích hợp dữ liệu số như kích thước, hình dạng và độ phản âm của các nốt. Việc tận dụng những đặc điểm này không chỉ giúp tăng cường khả năng nhận diện và phân loại các nốt tuyến giáp mà còn dẫn đến cải thiện độ chính xác chẩn đoán.

Trong một nghiên cứu gần đây, Xu, WenWen và cộng sự [ 8 ] đã phát triển các mô hình trí tuệ nhân tạo để phát hiện, phân đoạn và phân loại các nốt tuyến giáp bằng cách sử dụng các tập dữ liệu đa dạng từ 208 bệnh viện ở Trung Quốc, đạt được độ chính xác trung bình, hệ số Dice và giá trị AUC lần lượt là 0,98, 0,86 và 0,90. Hỗ trợ AI dựa trên quy tắc đã cải thiện đáng kể độ chính xác chẩn đoán của cả bác sĩ X quang cao cấp và trẻ tuổi ( p < 0,05), làm nổi bật tiềm năng tích hợp AI trong phát hiện ung thư tuyến giáp. Toro-Tobon, David và cộng sự [ 30 ] đã tóm tắt các ứng dụng của trí tuệ nhân tạo trong chuyên khoa tuyến giáp trong bài đánh giá của họ, nhấn mạnh tiềm năng của nó trong việc nâng cao chẩn đoán và quản lý các bệnh lý tuyến giáp thông qua tự động hóa quy trình, cải thiện độ chính xác chẩn đoán và điều trị cá nhân hóa. Tuy nhiên, nhiều ứng dụng trong số này vẫn đang trong giai đoạn xác thực hoặc đánh giá lâm sàng ban đầu và phải đối mặt với những thách thức như các nghiên cứu đa trung tâm có hạn chế, tập dữ liệu đào tạo nhỏ và ít đa dạng, và tác động lâm sàng không rõ ràng. Giải quyết những hạn chế này là rất quan trọng để đảm bảo rằng các can thiệp của AI mang lại lợi ích có ý nghĩa cho bệnh nhân mắc bệnh tuyến giáp.

3.1.2. Các khối u ở vú

Ung thư vú là loại ung thư phổ biến nhất ở phụ nữ và là nguyên nhân hàng đầu gây tử vong do ung thư, do đó việc phát hiện sớm là rất quan trọng để điều trị hiệu quả và cải thiện tỷ lệ sống sót [ 31 , 32 , 33 ]. Siêu âm đã trở nên quan trọng đối với việc sàng lọc và chẩn đoán phân biệt, nhưng hiệu quả của nó phụ thuộc vào người thực hiện và việc phân bổ nguồn lực có thể dẫn đến sự bất bình đẳng trong chăm sóc. Sự khác biệt về kinh nghiệm của bác sĩ có thể ảnh hưởng thêm đến chẩn đoán và tiên lượng. AI có thể tăng cường phát hiện và chẩn đoán các khối u vú,  là sự bổ sung giá trị cho sự diễn giải của con người. Trong những năm gần đây, các phương pháp học sâu (DL) đã nổi lên như một hướng đi đầy hứa hẹn để nâng cao hiệu quả và độ chính xác lâm sàng [ 34 ] ( Hình 4 ). Cốt lõi của sự tiến bộ này là việc sử dụng hình ảnh y tế để phân loại và phân đoạn đối tượng, vốn đã đi đầu trong nhiều nghiên cứu thí điểm. Đáng chú ý, một số lượng đáng kể các nghiên cứu này đã tập trung cụ thể vào hình ảnh vú, phản ánh sự tăng quan tâm việc áp dụng các kỹ thuật tiên tiến vào lĩnh vực quan trọng này [ 33 , 35 ].

Hình 4. Chẩn đoán ung thư vú được hỗ trợ bởi học sâu [ 34 ]. Được sao chép với sự cho phép của Yingying Jia, et al.

Ứng dụng AI trong siêu âm vú đặc biệt nổi bật ở hai lĩnh vực quan trọng, bao gồm tăng cường hình ảnh vú [ 36 , 37 , 38 , 39 , 40 , 41 , 42 ] và phát hiện và chẩn đoán tổn thương vú [ 36 , 43 , 44 , 45 , 46 , 47 , 48 , 49 , 50 ]. Đáng chú ý, các công nghệ AI được tích hợp với Hệ thống Báo cáo và Dữ liệu Hình ảnh Vú (BI-RADS) cho phép trích xuất và phân tích định lượng các đặc điểm hình thái và kết cấu. Sự tích hợp này giúp tăng cường đáng kể độ chính xác và tính nhất quán của chẩn đoán, cho phép phân biệt tốt hơn giữa các khối u lành tính và ác tính. Gần đây, Magnuska và  đồng nghiệp [ 51 ] đã phát triển một mô hình phân loại khối u vú theo thời gian thực dựa trên hình ảnh siêu âm, đạt được độ chính xác chẩn đoán cao bằng cách kết hợp các đặc điểm radiomics cổ điển và autoencoder. Mô hình đã thể hiện hiệu suất xuất sắc trên tập dữ liệu huấn luyện gồm 1191 bệnh nhân nữ, với AUC là 0,90, và không cho thấy sự khác biệt đáng kể về hiệu suất so với người đọc.

3.1.3. Bệnh tim

Sự phát triển của AI đã dẫn đến sự bùng nổ các nghiên cứu khám phá ứng dụng của nó trong  tim mạch [ 18 , 52 ]. Một số nghiên cứu đã điều tra việc sử dụng AI, đặc biệt là các thuật toán DL và ML, để phân tích tự động các loại siêu âm tim khác nhau, chẳng hạn như siêu âm tim qua thành ngực (TTE), siêu âm tim qua thực quản và siêu âm Doppler, như De Siqueira et al. [ 53 , 54 ] đã lưu ý. Zamzmi et al. [ 55 ] đã xem xét cả các phương pháp thủ công và tự động để phân tích các chế độ siêu âm tim. Karatzia, Loucia et al. [ 2 ] đã tập trung vào các nghiên cứu chính liên quan đến các thuật toán DL trong quá trình xử lý tự động TTE, đánh giá tiến trình và thách thức trong việc ra quyết định lâm sàng được tăng cường bởi DL. Nedadur, Rashmi et al. [ 52 ] đã khám phá ứng dụng của AI trong việc đánh giá các bệnh van tim và tóm tắt các phương pháp AI hiện có để phân tích hình ảnh van tim và phân loại kiểu hình. Föllmer, Bernhard et al. [ 56 ] đã xem xét bằng chứng hiện có về việc ứng dụng AI vào hình ảnh mảng bám dễ vỡ trong động mạch vành và đưa ra các khuyến nghị đồng thuận được phát triển bởi một nhóm chuyên gia liên ngành về AI và hình ảnh động mạch vành không xâm lấn và xâm lấn. Trong khi đó, một bài đánh giá từ Sengupta, Partho P et al. [ 57 ] đã phân tích các nghiên cứu chính và xác định những thách thức đòi hỏi sự thay đổi thực tế trong cách tiếp cận sử dụng AI cho hình ảnh tim, theo đó AI được coi là trí tuệ tăng cường để bổ sung, chứ không phải thay thế phán đoán của con người. Trong chẩn đoán siêu âm tim, công nghệ AI có thể tự động xác định các bất thường về cấu trúc trong tim, chẳng hạn như bất thường về chuyển động thành tim, do đó cung cấp hỗ trợ mạnh mẽ cho việc chẩn đoán sớm các bệnh lý tim mạch, bao gồm cả thiếu máu cơ tim.

3.1.4. Bệnh gan

Trong hai thập kỷ qua, chuyên khoa gan mật đã có những bước tiến đáng kể trong chẩn đoán, tiên lượng và các lựa chọn điều trị, phát triển thành một chuyên khoa rất phức tạp [ 58 ]. AI đã  chứng minh là một công cụ tuyệt vời để nghiên cứu về gan [ 59 ]. Hiện nay, các thuật toán AI được sử dụng trong hình ảnh gan, giải thích mô bệnh học, xét nghiệm không xâm lấn và mô hình dự đoán.

Zamanian, H et al. [ 60 ] đã phát triển một thuật toán kết hợp sử dụng mạng nơ-ron để phân loại hình ảnh siêu âm của bệnh nhân bị gan nhiễm mỡ. Bằng cách phân tích hình ảnh từ 55 bệnh nhân, các mạng nơ-ron tích chập được huấn luyện trước (Inception-ResNetv2, GoogleNet, AlexNet và ResNet101) đã trích xuất các đặc điểm, được phân loại bằng máy vectơ hỗ trợ. Mạng kết hợp đạt được AUC ấn tượng là 0,9999 và độ chính xác là 0,9864, chứng minh khả năng ứng dụng lâm sàng cao mà không cần sự can thiệp của người dùng hoặc chuyên gia. Trong một nghiên cứu đa trung tâm do Yang, Qi et al. [ 61 ] thực hiện, họ đã phát triển một mạng nơ-ron tích chập sâu cho siêu âm (DCNN-US) để hỗ trợ các bác sĩ  trong việc phân loại các tổn thương gan khu trú ác tính và lành tính (FLL). Mô hình đã chứng minh AUC là 0,924 và thể hiện độ nhạy và độ đặc hiệu chẩn đoán vượt trội so với các bác sĩ giàu kinh nghiệm, cho thấy tiềm năng của nó trong việc nâng cao hiệu suất của các bác sĩ  ít kinh nghiệm hơn và giảm sự phụ thuộc vào hình ảnh cắt lớp trong chẩn đoán ung thư gan. Đối với việc ghép gan, Uche-Anya, Eugenia et al. [ 62 ] đã nhấn mạnh giá trị ứng dụng của AI và máy học đặc biệt trong việc ghép gan, nêu bật tiềm năng  trong việc tăng cường các quy trình phân bổ cơ quan và cải thiện kết quả cho bệnh nhân bằng cách đánh giá chính xác tình trạng gan và dự đoán sự thành công của ca ghép.

3.1.5. Sản phụ khoa (OB/GYN)

Ngược lại với các lĩnh vực khác, chẳng hạn như hình ảnh vú và tuyến giáp, tác động của AI chưa được mạnh mẽ trong lĩnh vực sản phụ khoa [ 63 ]. Cho đến giữa năm 2020, hầu hết các nghiên cứu về AI trong sản phụ khoa đều mang tính sơ bộ, thường được công bố trên các tạp chí không chuyên ngành. Khi các phát hiện xuất hiện trên các tạp chí sản phụ khoa, chúng thường thiếu sự xác thực trên nhiều bộ dữ liệu và xác thực lâm sàng cần thiết, cả hai đều rất quan trọng để thiết lập độ tin cậy của các quy trình AI [ 64 , 65 ]. Trong một đánh giá tài liệu có hệ thống của Jost, Elena et al. [ 66 ], một số lượng tương đối nhỏ gồm 189 bài báo đã được xác định liên quan đến các ứng dụng của AI trong hình ảnh siêu âm trong lĩnh vực sản phụ khoa, bao gồm giai đoạn từ năm 1994 đến năm 2023. Trong số này, 148 bài báo tập trung vào các ứng dụng sản khoa, trong khi 41 bài đề cập đến các vấn đề phụ khoa. Các ứng dụng của siêu âm hỗ trợ AI rất đa dạng, bao gồm đo lường sinh trắc học thai nhi, siêu âm tim hoặc siêu âm thần kinh, cũng như xác định các khối u phần phụ và ngực, và đánh giá nội mạc tử cung và sàn chậu. Đáng chú ý, hầu hết các nghiên cứu đã tập trung vào các lĩnh vực ứng dụng phổ biến, đặc biệt là đo lường sinh trắc học thai nhi, cho thấy cần phải khám phá thêm trong lĩnh vực này. Trong siêu âm sản phụ khoa, những tiến bộ đáng kể có tiềm năng nâng cao quy trình làm việc bao gồm việc tự động xác định các mặt phẳng hình ảnh tiêu chuẩn và đảm bảo chất lượng trong siêu âm thai nhi [ 67 , 68 , 69 , 70 , 71 , 72 ]. Các phát triển khác liên quan đến việc phân loại tự động các khối u buồng trứng [ 73 , 74 , 75 , 76 , 77 ], đánh giá các bất thường của nội mạc tử cung và khoang tử cung [ 78 , 79 , 80 ] và rối loạn chức năng sàn chậu [ 81 , 82 , 83 ].

Khi khám phá bản chất phức tạp và khó hiểu của các công cụ dự đoán lâm sàng AI mới , điều quan trọng là phải nhận ra có thiên vị mã hóa ngay cả trong các mô hình dự đoán thông thường, bao gồm cả các thuật toán đơn giản dựa trên quy tắc [ 62 ]. 

Nhìn chung, việc ứng dụng AI trong chẩn đoán siêu âm giúp tăng cường việc ra quyết định lâm sàng và quản lý bệnh nhân hiệu quả hơn trong  nhiều chuyên khoa khác nhau.

3.1.6. Các ứng dụng khác

Sự phát triển liên tục của công nghệ siêu âm và AI đã mở rộng ứng dụng của chúng sang nhiều lĩnh vực khác nhau, bao gồm hình ảnh phổi [ 84 , 85 , 86 , 87 ], cơ xương khớp [ 88 , 89 , 90 , 91 ] và não bộ của thai nhi và trẻ sơ sinh [ 72 , 92 , 93 , 94 , 95 ]. Sự phát triển này đang loại bỏ hiệu quả những hạn chế truyền thống trong kiểm tra siêu âm, cải thiện chất lượng hình ảnh, tối ưu hóa quy trình làm việc và thúc đẩy lĩnh vực siêu âm hướng tới chăm sóc sức khỏe chính xác.

3.2. Hệ thống tự hành dựa trên trí tuệ nhân tạo

Phân loại này bao gồm các hệ thống AI có khả năng thực hiện nhiệm vụ từ đầu đến cuối mà không cần sự can thiệp của con người trong các quy trình phân tích cốt lõi, từ đó định nghĩa lại một cách cơ bản các mô hình quy trình làm việc siêu âm.

Kiến trúc chẩn đoán vòng kín: Các hệ thống tự động hiện đại tích hợp việc thu thập hình ảnh thời gian thực với bộ xử lý AI nhúng để đạt được quy trình chẩn đoán khép kín. Ví dụ, các tác nhân học tăng cường hiện đang điều chỉnh động các cổng lấy mẫu Doppler dựa trên các mô hình dòng chảy mạch máu, tự động tối ưu hóa độ chính xác đo lường trong quá trình đánh giá lưu lượng tim. Các hệ thống này không chỉ phân tích hình ảnh mà còn tổng hợp các luồng dữ liệu lâm sàng đa phương thức—bao gồm hồ sơ sức khỏe điện tử và kết quả xét nghiệm—để tạo ra các giả thuyết chẩn đoán với điểm số độ tin cậy xác suất [ 96 , 97 ].

Các công cụ lâm sàng dự đoán: Thông qua việc học liên tục từ dữ liệu quy mô dân số, các mô hình AI tự động liên kết các dấu hiệu sinh học siêu âm tinh tế với kết quả theo thời gian. Một ứng dụng điển hình là dự đoán tự động nguy cơ tiến triển ung thư biểu mô tế bào gan bằng cách phân tích động học siêu âm tăng cường độ tương phản ở bệnh nhân xơ gan, cho phép can thiệp điều trị dự phòng. Cách tiếp cận này cải thiện đáng kể hiệu quả chẩn đoán đồng thời duy trì nhật ký kiểm toán để xác thực lâm sàng [ 98 ].

Khung vận hành tự tối ưu hóa: Việc tích hợp AI với các phương thức siêu âm tiên tiến (đàn hồi ,  vi mạch) đã tạo ra các hệ thống tự hiệu chỉnh [ 26 , 30 ]. Các thuật toán học tăng cường sâu hiện tự động điều chỉnh tần số đầu dò (2–18 MHz) và cài đặt nén dựa trên phản hồi mô theo thời gian thực, đạt được tốc độ tối ưu hóa giao thức nhanh hơn 41% so với điều chỉnh thủ công trong hình ảnh vùng bụng. Các hệ thống này thể hiện khả năng mới trong việc dự đoán lỗi, chẳng hạn như phát hiện sự sai lệch đầu dò thông qua phân tích mẫu đốm và hướng dẫn định vị lại thông qua lớp phủ thực tế tăng cường [ 99 ].

Đảm bảo chất lượng tự động: Được nhúng trong cơ sở hạ tầng PACS, các mô-đun AI tự giám sát thực hiện kiểm tra tính nhất quán đa phương thức giữa hình ảnh siêu âm và báo cáo có cấu trúc. Các thuật toán xử lý ngôn ngữ tự nhiên tự động gắn cờ các điểm không phù hợp (ví dụ: “khối giảm âm” được mô tả mà không có số đo kích thước), trong khi các mô hình thị giác máy tính xác minh độ chính xác của việc dán nhãn giải phẫu thông qua lập bản đồ không gian-ngữ nghĩa. Việc kiểm soát chất lượng vòng kín này làm giảm lỗi báo cáo tới 63% trong các thử nghiệm đa trung tâm, thiết lập các tiêu chuẩn mới về độ tin cậy chẩn đoán [ 100 ].

3.3. Công nghệ giáo dục được tăng cường bởi trí tuệ nhân tạo

Việc tích hợp AI vào siêu âm y học không chỉ làm thay đổi chẩn đoán lâm sàng mà còn cả giáo dục y tế [ 101 ]. Là một mô hình công nghệ riêng biệt, các hệ thống giáo dục được tăng cường bởi AI đang định nghĩa lại sự phát triển năng lực thông qua ba trụ cột liên kết với nhau:

3.3.1. Nền tảng mô phỏng thông minh

Hệ thống thực tế ảo do AI điều khiển tích hợp phản hồi xúc giác đa vật lý với việc tạo kịch bản thích ứng. Mạng nơ-ron tích chập phân tích quỹ đạo thao tác đầu dò của người học trong thời gian thực, tự động điều chỉnh độ đàn hồi mô ảo và các mẫu bóng âm thanh để phù hợp với trình độ kỹ năng của từng cá nhân. Các hệ thống này cho phép thực hành các tình huống lâm sàng phức tạp, từ các trường hợp cấp cứu sản khoa đến siêu âm tim tăng cường tương phản, với các thuật toán lập bản đồ không gian-ngữ nghĩa đảm bảo tính chính xác về mặt giải phẫu trong các cấu trúc được mô phỏng [ 102 ].

3.3.2. Đánh giá năng lực và hệ thống học tập thích ứng

Các khung học sâu thiết lập một hệ sinh thái giáo dục khép kín, tự động đánh giá và nâng cao năng lực của người học. Bằng cách phân tích các mẫu điều hướng đầu dò thông qua theo dõi chuyển động 3D và phân tích khử tương quan đốm, các hệ thống này định lượng một cách khách quan hiệu quả quét đồng thời cảnh báo các quỹ đạo không tối ưu làm giảm độ chính xác chẩn đoán. Các mô hình học tăng cường giải mã thêm các chiến lược tối ưu hóa hình ảnh bằng cách mô phỏng sự đồng thuận của chuyên gia về trình tự điều chỉnh độ khuếch đại và logic lựa chọn độ sâu, tạo ra phản hồi hữu ích để tinh chỉnh kỹ thuật.

Mô hình đánh giá này tích hợp liền mạch với các kiến ​​trúc học tập thích ứng. Mạng thần kinh tổng hợp các khoảng trống kiến ​​thức cá nhân từ lịch sử mô phỏng và phân tích năng lực cấp độ dân số, tự động tạo ra các mô-đun học tập nhỏ nhắm vào các điểm yếu cụ thể—chẳng hạn như đánh giá van tim hoặc tối ưu hóa giao thức tăng cường tương phản. Việc tích hợp liên tục các hướng dẫn lâm sàng mới nổi đảm bảo nội dung giáo dục phát triển song song với các tiêu chuẩn thực hành siêu âm. Một triển khai nguyên mẫu tại Trường Y khoa Johns Hopkins chứng minh sự phối hợp này, trong đó các chu kỳ đánh giá-can thiệp do AI điều khiển giúp đẩy nhanh đáng kể quá trình trưởng thành kỹ năng [ 103 , 104 ].

3.3.3. Tích hợp quy trình làm việc giáo dục

Quy trình giáo dục được tăng cường bởi AI ( Hình 5 ) kết hợp hài hòa chuyên môn của con người với các hệ thống tự động thông qua hai chế độ bổ sung. Các công cụ hỗ trợ AI cung cấp hướng dẫn theo thời gian thực trong các mô phỏng đào tạo—chẳng hạn như chú thích động các mốc giải phẫu và tối ưu hóa quỹ đạo đầu dò—trong khi vẫn duy trì sự giám sát của bác sĩ lâm sàng đối với các quyết định quan trọng. Song song đó, các hệ thống do AI điều khiển tự động hóa việc xác thực năng lực bằng cách phân tích dữ liệu hiệu suất tích hợp (thu thập hình ảnh, tối ưu hóa, suy luận chẩn đoán) so với các tiêu chuẩn do chuyên gia lựa chọn.

Hình 5. Các ứng dụng hỗ trợ và điều khiển bởi trí tuệ nhân tạo trong quy trình giáo dục.

Mô hình lai của Đại học Toronto minh họa cho sự tích hợp này, kết hợp các kịch bản ảo được hướng dẫn bởi AI (ví dụ: mô phỏng hình ảnh tim khẩn cấp) với các đánh giá kỹ năng tự động. Cách tiếp cận cân bằng này đạt được sự tham gia cao của bác sĩ nội trú bằng cách duy trì quyền tự chủ giáo dục đồng thời tận dụng tính nhất quán của AI trong việc đánh giá kỹ năng lặp đi lặp lại [ 105 ].

4. Xu hướng phát triển trong tương lai

Sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) trong  siêu âm y học đang định hình lại việc cung cấp dịch vụ chăm sóc sức khỏe, với những xu hướng mới  sẵn sàng giải quyết những thách thức lâu dài về khả năng tiếp cận, độ chính xác và hiệu quả. Những tiến bộ này không chỉ đơn thuần là nâng cấp công nghệ mà còn đại diện cho sự chuyển đổi cơ bản hướng tới hệ sinh thái chăm sóc sức khỏe, lấy bệnh nhân làm trung tâm và dựa trên dữ liệu. Bằng cách khám phá sâu sắc những khía cạnh này, chúng tôi hướng đến việc cung cấp một cái nhìn toàn diện về cách AI sẽ định nghĩa lại  siêu âm y học trong thập kỷ tới.

4.1. Tích hợp và đổi mới công nghệ

Việc tích hợp AI với  siêu âm dự kiến ​​sẽ được tăng cường đáng kể. Các kiến ​​trúc lai mới hiện cho phép các hệ thống siêu âm tự động điều chỉnh các thông số hình ảnh dựa trên phản hồi mô theo thời gian thực, cải thiện tỷ lệ tín hiệu trên nhiễu ở các vùng giải phẫu khó. Khi các công nghệ như dữ liệu lớn, điện toán đám mây và internet vạn vật tiếp tục phát triển, AI sẽ có khả năng xử lý dữ liệu hình ảnh siêu âm ngày càng phức tạp và đa dạng, từ đó nâng cao độ chính xác và hiệu quả chẩn đoán [ 106 ]. Ví dụ, các khung học tập tự giám sát đang khắc phục những thách thức về sự khan hiếm dữ liệu bằng cách tạo ra các tập dữ liệu huấn luyện tổng hợp bảo tồn các đặc điểm bệnh lý đồng thời đảm bảo quyền riêng tư của bệnh nhân.

Hơn nữa, AI sẽ hội tụ với các phương thức hình ảnh y tế khác, chẳng hạn như CT và MRI, để tạo ra các hệ thống chẩn đoán hình ảnh đa phương thức cung cấp cho bệnh nhân các dịch vụ chẩn đoán toàn diện và chính xác hơn [ 107 ]. Sự hội tụ này đặc biệt có tác động trong lĩnh vực ung thư, nơi hình ảnh được tăng cường bằng AI kết hợp cho phép các bác sĩ lâm sàng lập bản đồ môi trường vi mô của khối u với độ phân giải không gian-thời gian chưa từng có.

Dữ liệu lớn và Học máy: Việc sử dụng dữ liệu lớn trong siêu âm y học  sẽ cho phép các thuật toán AI học hỏi từ kho dữ liệu bệnh nhân khổng lồ, cải thiện độ chính xác của các mô hình chẩn đoán. Các giao thức chia sẻ dữ liệu giữa các tổ chức hiện đang cho phép các mô hình AI khái quát hóa trên nhiều nhóm bệnh nhân và thiết bị hình ảnh khác nhau.

Điện toán đám mây: Các nền tảng dựa trên đám mây sẽ tạo điều kiện thuận lợi cho việc lưu trữ và xử lý dữ liệu siêu âm, cho phép phân tích nhanh hơn và hiệu quả hơn. Các kiến ​​trúc lai giữa điện toán biên và điện toán đám mây đang nổi lên để cân bằng nhu cầu xử lý thời gian thực với việc tinh chỉnh mô hình tập trung, đặc biệt là đối với việc theo dõi bệnh lý theo thời gian.

IoT và Thiết bị đeo được: Việc tích hợp IoT với các thiết bị siêu âm sẽ cho phép theo dõi thời gian thực và chẩn đoán từ xa. Các mảng đầu dò linh hoạt mới kết hợp với xử lý tín hiệu dựa trên trí tuệ nhân tạo đang định nghĩa lại việc theo dõi sinh lý liên tục, từ theo dõi nhịp tim thai nhi đến đánh giá phục hồi chức năng cơ xương khớp.

Chụp ảnh đa phương thức: Trí tuệ nhân tạo (AI) sẽ đóng vai trò quan trọng trong việc tích hợp siêu âm với các phương thức chụp ảnh khác như CT và MRI. Các kỹ thuật chuyển đổi kiểu thần kinh đang được sử dụng để hài hòa các đặc điểm hình ảnh giữa các phương thức, giảm thiểu sự khác biệt trong diễn giải ở môi trường nhiều máy quét.

4.2. Chuẩn hóa và bình thường hóa

Để đáp ứng nhu cầu ngày càng tăng trong lĩnh vực chăm sóc sức khỏe, việc tiêu chuẩn hóa và bình thường hóa  siêu âm y học sẽ nổi lên như một xu hướng quan trọng. Các liên minh quốc tế đang phát triển các hệ thống kiểm soát chất lượng dựa trên trí tuệ nhân tạo (AI) để tự động kiểm tra các quy trình khám, đảm bảo tuân thủ các thực hành tốt nhất toàn cầu ở mọi trình độ kỹ năng. Công nghệ AI sẽ đóng vai trò then chốt trong sự phát triển này. Ứng dụng của nó có thể tối ưu hóa quy trình làm việc của các cuộc kiểm tra siêu âm, tạo điều kiện thuận lợi cho việc tiêu chuẩn hóa và tự động hóa quy trình khám. Các trợ lý quét thông minh hiện cung cấp phản hồi theo thời gian thực về vị trí đầu dò và lựa chọn mặt phẳng hình ảnh, giúp các kỹ thuật thu thập dữ liệu hiệu quả ở cấp độ chuyên gia.

Bằng cách thiết lập các quy trình vận hành và tiêu chuẩn kiểm tra thống nhất, AI có thể giảm thiểu ảnh hưởng của các yếu tố con người đến kết quả chẩn đoán, từ đó nâng cao tính nhất quán chuẩn mực của các chẩn đoán [ 108 ]. Các hệ thống này đặc biệt mang tính chuyển đổi trong cấp cứu, nơi hướng dẫn AI dựa trên giao thức giúp duy trì tính nghiêm ngặt trong chẩn đoán trong các can thiệp cần thời gian. Ngoài ra, AI có thể phân bổ nguồn lực chẩn đoán một cách thông minh dựa trên hoàn cảnh của từng bệnh nhân, đảm bảo sử dụng hiệu quả các nguồn lực y tế hạn chế [ 109 , 110 , 111 ]. Các thuật toán lập lịch thích ứng hiện ưu tiên các trường hợp khẩn cấp đồng thời phân phối lại khối lượng công việc hình ảnh một cách linh hoạt trên các thiết bị được kết nối mạng.

4.3. Điều trị cá nhân hóa và quản lý thông minh

Công nghệ AI đang thúc đẩy những tiến bộ trong siêu âm hướng tới điều trị cá nhân hóa và quản lý thông minh. Các phương pháp phân tích kiểu hình sâu đang kết hợp các dấu ấn sinh học siêu âm với dữ liệu radiomics để tạo ra các mô hình tiến triển bệnh được cá nhân hóa, làm thay đổi cơ bản các mô hình quản lý bệnh mãn tính. AI mang lại lợi thế cạnh tranh thông qua trải nghiệm bệnh nhân được nâng cao, kết quả được cải thiện, chẩn đoán sớm, khả năng của bác sĩ lâm sàng được tăng cường, hiệu quả hoạt động được nâng cao và khả năng tiếp cận các dịch vụ y tế tốt hơn [ 112 ].

Cụ thể, bằng cách phân tích các đặc điểm hình ảnh siêu âm của bệnh nhân, hệ thống AI có thể tạo ra các kế hoạch điều trị cá nhân hóa và theo dõi hiệu quả điều trị trong thời gian thực, cho phép điều chỉnh kịp thời các chiến lược điều trị [ 113 ]. Trong chuyên khoa thấp khớp, hệ thống theo dõi siêu âm được hỗ trợ bởi AI đang cho phép điều chỉnh liều lượng thuốc chính xác bằng cách định lượng những thay đổi nhỏ trong mạch máu màng hoạt dịch và thể tích tràn dịch. Hơn nữa, công nghệ AI tạo điều kiện thuận lợi cho việc quản lý thông minh ở nhiều giai đoạn khác nhau, bao gồm chẩn đoán, điều trị và theo dõi, do đó nâng cao hiệu quả và chất lượng dịch vụ chăm sóc sức khỏe. Các nền tảng chăm sóc tích hợp hiện tự động tổng hợp các phát hiện siêu âm với hồ sơ sức khỏe điện tử để tạo ra cây quyết định lâm sàng theo ngữ cảnh, giảm tải nhận thức trong quá trình đánh giá trường hợp phức tạp.

4.4. Y tế từ xa và chăm sóc sức khỏe thông minh

Với những tiến bộ không ngừng và việc áp dụng rộng rãi công nghệ AI, y học từ xa và chăm sóc sức khỏe thông minh đang trở thành những hướng đi quan trọng cho sự phát triển tương lai của các dịch vụ y tế. Các thuật toán nén siêu âm được hỗ trợ bởi AI hiện cho phép truyền hình ảnh cấp độ chẩn đoán ở băng thông tương thích với mạng di động nông thôn, phá vỡ các rào cản cơ sở hạ tầng quan trọng. Việc tích hợp AI với siêu âm đang làm cho chẩn đoán siêu âm từ xa trở nên thuận tiện và hiệu quả hơn [ 114 ]. Hệ thống AI hợp tác cho phép các nhóm chuyên gia phân tán cùng nhau chú thích các nghiên cứu siêu âm trong phòng đọc ảo, tạo ra các mô hình mới cho các liên minh chuyên gia toàn cầu.

Việc khám và chẩn đoán từ xa bởi các bác sĩ chuyên gia cho bệnh nhân ở những khu vực thiếu thốn dịch vụ y tế không chỉ giải quyết vấn đề phân bổ không đồng đều các nguồn lực y tế mà còn cung cấp dịch vụ y tế chất lượng cao hơn cho những bệnh nhân này. Giao diện người dùng thích ứng tự động đơn giản hóa các quy trình khám cho nhân viên y tế cộng đồng đồng thời duy trì tính chính xác của chẩn đoán thông qua các kiểm tra đảm bảo chất lượng được tích hợp. Việc tích hợp công nghệ AI đã làm cho các thiết bị siêu âm di động ngày càng thông minh và dễ mang theo, cho phép khám nhanh chóng trong nhiều môi trường khác nhau và truyền dữ liệu lên đám mây để phân tích thêm. Các hệ thống di động này hiện tích hợp các thuật toán thích ứng môi trường để bù đắp cho các điều kiện quét không tối ưu, từ vị trí bệnh nhân không đồng đều đến nhiễu âm thanh trong quá trình triển khai tại hiện trường.

Hơn nữa, việc phát triển các hệ thống chăm sóc sức khỏe thông minh sẽ thúc đẩy hơn nữa việc phân bổ tối ưu các nguồn lực y tế và nâng cấp thông minh các dịch vụ y tế [ 115 , 116 ]. Các mô hình AI bảo trì dự đoán đang kéo dài tuổi thọ của thiết bị siêu âm trong môi trường hạn chế nguồn lực bằng cách dự đoán các lỗi linh kiện và hướng dẫn sửa chữa có mục tiêu.

Tương lai của trí tuệ nhân tạo (AI) trong  siêu âm y học rất hứa hẹn, với sự tích hợp công nghệ, tiêu chuẩn hóa, điều trị cá nhân hóa và y học từ xa dẫn đầu. Những tiến bộ này đang tạo ra hiệu ứng cộng hưởng – các giao thức tiêu chuẩn hóa nâng cao độ tin cậy của y học từ xa, trong khi các mô hình AI cá nhân hóa tận dụng dữ liệu đa phương thức từ các hệ thống tích hợp. Bằng cách đón nhận những tiến bộ này, ngành chăm sóc sức khỏe có thể khai thác tối đa tiềm năng của AI để nâng cao độ chính xác chẩn đoán, cải thiện kết quả điều trị cho bệnh nhân và cách mạng hóa việc cung cấp dịch vụ y tế. Những thách thức quan trọng vẫn còn tồn tại trong việc thiết lập các khuôn khổ quản trị đạo đức và đảm bảo quyền tiếp cận công bằng đối với các công nghệ này, đặc biệt là đối với dân số già và các khu vực đang phát triển. Sơ đồ được cung cấp thể hiện rõ ràng các xu hướng này, nhấn mạnh bản chất liên kết của AI và các công nghệ mới trong việc định hình tương lai của  siêu âm y học( Hình 6 ). Nghiên cứu và hợp tác liên tục sẽ rất cần thiết để vượt qua các thách thức và đảm bảo rằng những đổi mới này có thể tiếp cận được và mang lại lợi ích cho tất cả mọi người.

Hình 6. Sơ đồ minh họa sự tích hợp trí tuệ nhân tạo với các công nghệ mới nổi trong y học siêu âm.

5. Thách thức và hạn chế

Mặc dù AI có tiềm năng to lớn trong việc cách mạng hóa lĩnh vực chẩn đoán y tế, việc triển khai nó vẫn phải đối mặt với những thách thức và hạn chế đáng kể. Một trong những trở ngại chính là các rào cản về quy định và đạo đức. Việc thiếu một khuôn khổ pháp lý thống nhất trên các khu vực khác nhau đặt ra thách thức cho việc triển khai các công nghệ AI một cách đồng nhất. Ví dụ, Quy định chung về bảo vệ dữ liệu (GDPR) của Liên minh Châu Âu áp đặt các yêu cầu nghiêm ngặt về quyền riêng tư dữ liệu, điều này có thể cản trở việc thu thập và sử dụng dữ liệu y tế cần thiết cho các ứng dụng AI [ 117 , 118 ]. Hơn nữa, việc đảm bảo tính minh bạch và khả năng giải thích của các thuật toán AI vẫn là một mối quan ngại đạo đức quan trọng, vì nó ảnh hưởng trực tiếp đến niềm tin của công chúng vào các hệ thống AI.

Một vấn đề quan trọng khác là quyền riêng tư và bảo mật dữ liệu. Trong lĩnh vực y tế, bảo mật thông tin bệnh nhân là tối quan trọng. Việc triển khai AI cho mục đích chẩn đoán đòi hỏi phải xử lý một lượng lớn dữ liệu bệnh nhân nhạy cảm, yêu cầu sự cân bằng tinh tế giữa tiện ích dữ liệu và bảo vệ quyền riêng tư [ 119 ]. Mặc dù các biện pháp công nghệ như mã hóa và ẩn danh dữ liệu có thể giảm thiểu những rủi ro này, nhưng khả năng vi phạm hoặc lạm dụng dữ liệu vẫn là một mối lo ngại thường trực. Các khuôn khổ pháp lý mạnh mẽ và các chính sách của tổ chức là điều cần thiết để giải quyết toàn diện những thách thức này.

Ngoài ra, thiên kiến ​​thuật toán và các vấn đề trách nhiệm pháp lý đặt ra thêm những khó xử về mặt đạo đức. Các thuật toán AI, được đào tạo trên các tập dữ liệu có thể phản ánh những thiên kiến ​​vốn có, có nguy cơ duy trì sự bất bình đẳng và tạo ra các kết quả phân biệt đối xử [ 120 ]. Những thiên kiến ​​như vậy có thể dẫn đến kết quả chẩn đoán không công bằng trong chăm sóc sức khỏe, làm trầm trọng thêm sự bất bình đẳng hiện có. Hơn nữa, câu hỏi về trách nhiệm giải trình vẫn chưa được giải quyết: khi các hệ thống AI đưa ra các chẩn đoán sai, hiện không có khuôn khổ pháp lý tiêu chuẩn nào để thiết lập trách nhiệm pháp lý, để lại một khoảng trống quan trọng trong việc giải quyết các hậu quả tiềm tàng.

Do đó, mặc dù trí tuệ nhân tạo (AI) mang lại những cơ hội đột phá để thúc đẩy  siêu âm y học và chẩn đoán y tế, việc triển khai vẫn gặp phải nhiều thách thức liên quan đến quy định, đạo đức, bảo mật dữ liệu và tính công bằng của thuật toán. Giải quyết những vấn đề này đòi hỏi những tiến bộ đồng thời trong việc xây dựng chính sách, khung pháp lý và hướng dẫn đạo đức để đảm bảo việc triển khai công nghệ AI một cách an toàn, tuân thủ và công bằng trong môi trường chăm sóc sức khỏe.

6. Kết luận

AI mang lại nhiều lợi thế, bao gồm tính khách quan, khả năng lặp lại, tốc độ và độ chính xác. Là một lĩnh vực phát triển nhanh chóng, AI có tiềm năng to lớn trong nhiều lĩnh vực chăm sóc sức khỏe, đặc biệt là trong lĩnh vực X quang [ 121 ]. Việc tích hợp AI với siêu âm y học mang đến những cơ hội và thách thức chưa từng có trong chẩn đoán y khoa. Những tiến bộ trong phân tích và nhận dạng hình ảnh tự động, hệ thống hỗ trợ quyết định thông minh, tối ưu hóa quy trình kiểm tra, quản lý tài nguyên và chẩn đoán và giáo dục siêu âm từ xa đang dần chuyển đổi các mô hình chẩn đoán và điều trị truyền thống trong  siêu âm y học, từ đó nâng cao cả độ chính xác và hiệu quả của chẩn đoán.

Tuy nhiên, điều quan trọng cần lưu ý là hiện tại không có phân tích tổng hợp toàn diện nào đề cập đến độ chính xác chẩn đoán của hiệu suất AI trong ngành y tế. Các đánh giá nghiêm ngặt và đánh giá độc lập về công nghệ này vẫn còn ở giai đoạn sơ khai [ 122 ]. Hơn nữa, điều cần thiết là AI cũng phải mang lại những lợi ích bổ sung, bao gồm tăng tốc độ, hiệu quả, tiết kiệm chi phí, tăng khả năng tiếp cận và duy trì các tiêu chuẩn đạo đức [ 123 , 124 , 125 ].

Nghiên cứu trong tương lai nên tập trung vào một số lĩnh vực trọng điểm để giải quyết những khoảng trống hiện có. Trước hết, việc đánh giá có hệ thống và phân tích tổng hợp độ chính xác chẩn đoán của AI trong siêu âm  rất cần thiết để tổng hợp toàn diện các bằng chứng hiện có và xác nhận hiệu quả cũng như tính nhất quán của AI trong các tình huống lâm sàng khác nhau. Ngoài ra, cần nghiên cứu sâu hơn về việc tận dụng AI trong ứng dụng đa phương thức của tao hình siêu âm, chẳng hạn như tích hợp hình ảnh 2D, 3D và Doppler, để tối ưu hóa quy trình chẩn đoán và cải thiện độ chính xác phát hiện. Một lĩnh vực nghiên cứu quan trọng khác liên quan đến việc tích hợp các công nghệ AI vào hệ thống hỗ trợ chẩn đoán thời gian thực cho siêu âm y học , nhằm mục đích nâng cao cả hiệu quả chẩn đoán và khả năng ra quyết định lâm sàng. Hơn nữa, việc tiêu chuẩn hóa các ứng dụng AI trong chẩn đoán siêu âm, xác nhận liên trung tâm và đánh giá an toàn đạo đức đòi hỏi nghiên cứu chuyên sâu hơn để đảm bảo việc triển khai lâm sàng mạnh mẽ và đáng tin cậy. Thông qua nghiên cứu có hệ thống và những tiến bộ công nghệ, sự tích hợp sâu rộng giữa AI và  siêu âm y học sẽ cung cấp các giải pháp toàn diện hơn cho chẩn đoán lâm sàng.

Do đó, việc ứng dụng công nghệ AI trong siêu âm và ứng dụng toàn diện của nó trong thực tiễn lâm sàng vẫn còn nhiều tiềm năng phát triển. Tuy nhiên, chúng tôi tin tưởng rằng với sự phát triển và hoàn thiện liên tục của công nghệ, sự tích hợp giữa AI và  siêu âm y học sẽ ngày càng sâu rộng và phổ biến, góp phần đáng kể vào sức khỏe toàn cầu.