SYNCHRONOUS GASTRIC and COLON CANCER

 

CASE 804 MEDICVN

LUS in ICU for Etiological Diagnosis of Pneumonia

 

 This infographic explores the Bedside Lung Ultrasound in Emergency (BLUE) Protocol including findings that are indicative of pulmonary edema, pulmonary embolism, pneumonia, COPD and asthma, pneumothorax, and pleural effusion.

CHIKUNGUNYA OUTBREAK

 

Differentiatizing of Breast Cyst from Solid Masses : New Ultrasound Technology

 

Siêu âm qui ước của mô vú (trên) so sánh với phương pháp mới (dưới). Siêu âm qui ước dựa vào biên độ tín hiệu mà hiển thị thành  đen, trắng hay xám. Phương pháp mới là coherence 

-based nghĩa là hình siêu âm dựa vào mức độ tín hiệu tương đồng giữa các tín hiệu âm thanh.

-------

Bell và cộng sự đã cải thiện cách xử lý tín hiệu siêu âm bằng tiếp cận coherence-based [dựa trên sự gắn kết]. Nghĩa là hình ảnh phụ thuộc vào độ tương đồng giữa các tín hiệu âm thanh, để tính điểm cho mỗi khối lượng, giúp dễ tìm các khối nghi ngờ nhất là ở mô vú đặc. Họ tập trung vào tỷ lệ tương phản trên nhiễu tổng quát (generalized contrast-to-noise ratio) áp dụng cho hình ảnh kết hợp không gian độ trễ ngắn (short-lag spatial coherence images) với vùng quan tâm đã chọn.  Dựa trên hiêu biết về hình ảnh kết hợp và  [tỷ lệ tương phản trên nhiễu tổng quát], thì có kết quả hợp lý, ”Bell nói. "Chỉ cẩn thay đổi cách xử lý tín hiệu, là đạt được kết quả với số liệu theo đó. Thêm nữa, đang "tìm cách kết hợp kỹ thuật này với laser để tạo ra hình ảnh quang âm (photoacoustic images) giúp phân biệt rõ một khối đặc là lành tính hay ác tính."

coherence-based : dựa vào sự gắn kết

generalized contrast-to-noise ratio : tỷ lệ tương phản trên nhiễu tổng quát

short-lag spatial coherence images (SLSC): hình ảnh kết hợp không gian có độ trễ ngắn

Là phương pháp tạo hình siêu âm kết hợp không gian  có độ trễ ngắn (SLSC) của tán xạ ngược (backscattered echoes).

So với hình B-mode,  hình ảnh SLSC hiển thị trội hơn và tỷ lệ tương phản trên nhiễu (contrast-to-noise ratio) được cải thiện giúp quan sát được các điểm bị hạn chế trong các mục tiêu nhiễu đốm.

Hình siêu âm được hình thành bằng cách tạo chùm âm trễ và tổng (beamformer delay-and-sum) tán xạ ngược nhận được bởi đầu dò. Mặc dù beamformer delay-and-sum thích hợp để tạo hình siêu âm, nhưng hình siêu âm bị nhiễu đốm (speckle noise) và xáo trộn âm (acoustic clutter) cũng như lạc pha (phase aberration). Do vậy có cách tạo hình siêu âm thay thế gọi là kết hợp không gian độ trễ ngắn (SLSC) cho tán xạ ngược.

Trong siêu âm, kết hợp không gian là cách làm cho tương đồng tán xạ ngược nhận được (do các biến tử đầu dò tách biệt) tại một thời điểm nhất định.

Hình ảnh kết hợp không gian có độ trễ ngắn (SLSC), giúp giảm thiểu tác động của nhiễu.  Hình ảnh SLSC khảo sát một thuộc tính khác biệt cơ bản của sóng âm so với hình ảnh B-mode. Hình ảnh B-mode là hình hiển thị độ lớn của sóng âm, trong khi hình ảnh SLSC là hình ảnh trực tiếp về sự tương đồng của sóng âm trên khoảng cách không gian nhỏ, hoặc mức độ kết hợp không gian ở độ trễ ngắn. Hình ảnh SLSC đã có cải tiến đáng kể về tỷ lệ tương phản trên nhiễu (CNR) và SNR đốm so với B-mode trong các thí nghiệm mô phỏng cũng như các nghiên cứu về tuyến giáp, gan, tim và động mạch cảnh trong cơ thể sống.

CHRONIC APPENDICITIS and ULTRASOUND

 

Conclusion

Chronic appendicitis has often been misdiagnosed due to atypical symptoms at the time of presentation which mimics other pathologies of the gastrointestinal and genitourinary tract. 

Radiological imaging modalities are used in the evaluation of patients with high degree of clinical suspicion. This article has demonstrated the superiority of ultrasonography over CT scan for imaging of chronic appendicitis due to its advantages such as similar efficacy rates, higher spatial resolution, cost‑effectiveness, easy availability, and lack of ionizing radiation. Limitations of ultrasonography such as operator dependability, interobserver variations, and inability to visualize the appendix in excessively obese patients warrant the use of CT scan. However, the demonstration of evidence of chronic inflammation in the appendectomy specimen at histopathology provides definitive diagnosis.

Trí tuệ nhân tạo trong Giáo dục y khoa

Trí tuệ nhân tạo trong Giáo dục y khoa

Mir MM et al.

J Adv Med Educ Prof. Tháng 7 năm 2023; Tập 11 Số 3 135

Tóm tắt

Giới thiệu

Trí tuệ nhân tạo (AI) là một lĩnh vực nghiên cứu mới xuất hiện vào giữa thế kỷ 20. Đây là một công nghệ chủ yếu sử dụng các hệ thống máy tính để mô phỏng các quá trình tư duy của con người. AI chủ yếu liên quan đến học máy, nhưng nó cũng bao gồm ngôn ngữ, tâm lý học, triết học, toán học và các lĩnh vực khác.

Kể từ khi phát minh ra AI vào năm 1955, các ứng dụng của nó đã phát triển trong hệ sinh thái kỹ thuật số đang thay đổi nhanh chóng, nơi mà kỳ vọng của công chúng gia tăng và được thúc đẩy bởi mạng xã hội, các nhà lãnh đạo công nghiệp và các bác sĩ. Trí tuệ nhân tạo đã giải quyết nhiều vấn đề trong giáo dục trong thập kỷ qua, bao gồm xử lý ngôn ngữ, lý luận, lập kế hoạch và mô hình hóa nhận thức (1). Cuộc tìm kiếm đầu tiên trong Web of Science về AI trong giáo dục y khoa đã tiết lộ sự quan tâm ngày càng tăng đối với chủ đề này- gia tăng tổng số ấn phẩm và số lần trích dẫn các bài báo.

Trong hai thập kỷ qua, gần đây ứng dụng AI trong nghiên cứu và phát triển trong giáo dục y khoa gia tăng (2) theo các cách sau: hệ thống điều tra ảo, học tập từ xa và quản lý y khoa, và ghi lại video giảng dạy trong các trường y (1). Giáo dục y khoa là một quá trình học tập suốt đời kéo dài từ đại học đến sau đại học và đào tạo chuyên ngành và cho nhiều chuyên gia chăm sóc sức khỏe, bao gồm bác sĩ, y tá và các chuyên gia có liên quan khác. Do đó, điều quan trọng phải thừa nhận rằng các công trình mới phải được xây dựng trên các tài liệu hiện có, để tiến bộ trong chủ đề AI giáo dục y khoa trong thời kỳ công nghệ phát triển nhanh hiện nay (2). AI có thể nâng cao giá trị của các khía cạnh nhân văn không phân tích của y học. Từ một loạt các khả năng, một chuyên gia chăm sóc sức khỏe phải trừu tượng hóa và hiểu thông tin trong khi đưa ra phán đoán y khoa trong thời kỳ mà kiến thức y học đang phát triển theo cấp số nhân. Những nỗ lực của bác sĩ trong việc hiểu dữ liệu số sẽ được giảm bớt bởi trí tuệ nhân tạo, cải thiện khả năng chẩn đoán và giải quyết vấn đề của họ (3).

Người học trong thời đại số khác với các thế hệ trước, lớn lên trong thế giới số và coi trọng các kết nối xã hội. Thế hệ này thích làm việc theo nhóm và chia sẻ chi tiết về hoạt động của họ với các bạn học bằng cách sử dụng các ứng dụng phần mềm khác nhau. Họ đánh giá cao phản hồi tích cực về những thành tựu của mình và cần sự hỗ trợ trí tuệ một đối một. Các nhà giáo dục phải khám phá và sử dụng các chiến thuật giảng dạy phù hợp để thu hút và giữ sự chú ý và tham gia của người học. Ví dụ, Viện Y học (Mỹ) đã tổ chức một hội nghị đa ngành để tích hợp một bộ năng lực cốt lõi vào giáo dục chuyên gia y khoa và đề xuất một sự kết hợp các phương pháp liên quan đến quy trình giám sát, môi trường đào tạo, nghiên cứu, báo cáo công khai và lãnh đạo (4). “Đào tạo các bác sĩ của ngày mai” đã minh họa các vấn đề đối mặt với sứ mệnh giáo dục và đưa ra các đề xuất cho các cơ sở y khoa, các cơ quan cấp chứng nhận và các cơ sở tương tự khác, cũng như chính sách công (5). Trong thế giới kết nối cao, đào tạo y khoa phải phát triển để thích ứng với các kịch bản chăm sóc sức khỏe đang thay đổi, bao gồm số hóa và một thế hệ sinh viên mới trong lĩnh vực chăm sóc sức khỏe (3).

Phát triển và phân tích chương trình giảng dạy, học tập và đánh giá là những lĩnh vực mà AI  sử dụng trong giáo dục y khoa. AI giảm thiểu thời gian cần thiết để xem xét các chương trình giảng dạy khác nhau, giải quyết các vấn đề đa chiều, cải thiện độ chính xác phân loại và chỉ ra mối quan hệ giữa các tham số trong đánh giá chương trình giảng dạy. Ví dụ, AI có thể đánh giá “hiệu quả của chương trình giảng dạy” và “sự hài lòng tổng thể” của sinh viên y khoa với chương trình giảng dạy khóa học, điều này rất quan trọng trong việc chuẩn bị cho các bác sĩ tương lai. Trong quá trình học tập, AI có thể hỗ trợ sinh viên nhận được nội dung giảng dạy thích ứng và được cá nhân hóa, được nâng cao bởi phản hồi của sinh viên, cho phép sinh viên phát hiện các khoảng trống kiến thức của họ và phản ứng một cách phù hợp. Hơn nữa, AI có thể làm cho quá trình đánh giá chính xác hơn, nhanh chóng và tiết kiệm chi phí, và cung cấp phản hồi chi tiết, tùy chỉnh một cách hiệu quả (6).

Wartman et al. tin rằng việc nhấn mạnh giao tiếp, làm việc nhóm, quản lý rủi ro và an toàn bệnh nhân để cải cách hệ thống giáo dục y khoa là cần thiết nhưng không đủ. Họ kết luận rằng để dạy cho sinh viên “thực hành y khoa” trong một thế giới được cách mạng hóa bởi AI, các thay đổi sau đây là cần thiết (7).

● Các cơ quan cần nhấn mạnh sự sáng tạo và nghiên cứu bên cạnh chiến lược truyền thống dựa trên ghi nhớ thông tin và thực tập lâm sàng.

● Cơ sở giáo dục phải nhấn mạnh các kỹ năng như chuyên môn thống kê và lòng nhân ái.

● Một sinh viên y khoa trong tương lai cần phải thích ứng với một phương pháp giáo dục mới dựa trên các công nghệ đang phát triển nhanh chóng như AI và học máy.

● Sinh viên y khoa sẽ cần chuyển đổi sang một hệ thống thanh toán dựa trên giá trị trong tương lai, nơi người mua dịch vụ chăm sóc sức khỏe có thể yêu cầu hệ thống chăm sóc sức khỏe chịu trách nhiệm về cả chất lượng và chi phí.

Bài viết này nhằm mục đích làm nổi bật sự cần thiết phải tích hợp công nghệ AI trong giáo dục y khoa  để đáp ứng các kỳ vọng đang thay đổi của người học và hệ sinh thái số đang mở rộng. Thêm vào đó, nó nhấn mạnh những lợi ích mà AI có thể mang lại cho giáo dục y khoa, bao gồm việc củng cố kỹ năng chẩn đoán và giải quyết vấn đề, cải thiện phát triển và phân tích chương trình giảng dạy, cho phép học tập cá nhân hóa, và tăng tốc quy trình đánh giá. Bài viết cũng nhấn mạnh sự cần thiết phải nghiên cứu, các kỹ năng vượt ra ngoài việc ghi nhớ, và cách tiếp cận dựa trên giá trị đối với thực hành y khoa, cũng như tầm quan trọng của việc trang bị cho các nhân viên chăm sóc sức khỏe tương lai để thích ứng với những đột phá trong AI và học máy. Mục tiêu của bài đánh giá này là thúc đẩy việc tích hợp AI trong giáo dục y khoa như một cách để đáp ứng các cơ hội và thách thức của thời đại số và đảm bảo cung cấp dịch vụ chăm sóc sức khỏe chất lượng cao.

Phương pháp

Mục tiêu của bài viết tổng quan này là trình bày những tác động của AI trong giáo dục y khoa  trong hai mươi năm qua, tình hình hiện tại và các ứng dụng trong tương lai. Do đó, dữ liệu chất lượng cao đáp ứng các mục tiêu nghiên cứu đã được đưa vào. Ngoài ra, các cuộc điều tra toàn diện về các bài viết có sẵn trong các cơ sở dữ liệu uy tín như PubMed, ResearchGate, PubMed Central, Web of Science và Google Scholar đã được xem xét cho việc tổng quan tài liệu.

Các từ khóa hoặc cụm từ chính được sử dụng trong quá trình tìm kiếm tài liệu là trí tuệ nhân tạo, chăm sóc sức khỏe và AI, trí tuệ nhân tạo và giáo dục y khoa, AI trong học y khoa,  bác sĩ và AI, các chiều hướng mới trong giáo dục y khoa, bác sĩ y khoa, các khóa học y khoa sau đại học, và AI.

Tiêu chí bao gồm là các bài viết y học đề cập  đến các mục tiêu nghiên cứu và được viết bằng tiếng Anh. Tiêu chí loại trừ là các nghiên cứu được công bố bằng các ngôn ngữ khác ngoài tiếng Anh, tài liệu không đề cập đến ứng dụng của AI trong giáo dục y khoa, và tài liệu in trước năm 2002.

Trí tuệ nhân tạo trong giáo dục y khoa trong tình hình hiện tại

Tại hội nghị thường niên vào năm 2018, Hiệp hội Y  Hoa Kỳ (AMA) đã thông qua chính sách đầu tiên về trí tuệ tăng cường. Nó hỗ trợ các nghiên cứu làm nổi bật cách mà AI nên được thực hiện trong giáo dục y khoa. Các sinh viên y khoa tại Viện Đổi mới Sức khỏe Duke làm việc với các chuyên gia dữ liệu để xây dựng các công nghệ nâng cao chăm sóc cho bác sĩ. Tương tự, Trung tâm AI trong Y học và Hình ảnh của Đại học Stanford thu hút sinh viên tốt nghiệp và sau đại học sử dụng học máy để giải quyết các vấn đề chăm sóc sức khỏe. Các cư dân của chẩn đoán hình ảnh của Đại học Florida đã hợp tác với một công ty công nghệ để phát triển phát hiện hỗ trợ máy tính cho chụp nhũ ảnh. Trường Y Carle Illinois cung cấp một khóa học do một nhà  y học, nhà lâm sàng và kỹ sư giảng dạy để tìm hiểu về các công nghệ mới. Ngoài ra, Viện Trí tuệ và Đổi mới Y khoa Sharon Lund cung cấp một khóa học về công nghệ chăm sóc sức khỏe mới nhất, mở cho sinh viên y khoa. Trung tâm Kỹ thuật trong Y học của Đại học Virginia đặt sinh viên y khoa vào các phòng thí nghiệm kỹ thuật để phát triển các đổi mới chăm sóc sức khỏe (8). AI có thể cung cấp kiến thức cho các bác sĩ khi các vấn đề lâm sàng phát sinh, tiết kiệm thời gian dành cho việc xem lại những gì họ đã biết hoặc lướt qua những thứ không liên quan đến thực hành của họ. Tương tự, tại Trường Y khoa Johns Hopkins, thông tin được điều chỉnh theo những gì và cách mà sinh viên được dạy (9).

Một ví dụ khác về một hệ thống chăm sóc sức khỏe được hỗ trợ bởi AI là “Dự án Chẩn đoán Con người,” hay “Human Dx,” như nó được gọi tắt. “Human Dx” nhằm cung cấp sự chăm sóc tốt hơn, chính xác, chi phí thấp và dễ tiếp cận cho mọi người bằng cách kết hợp trí tuệ tập thể của các bác sĩ với học máy. Việc sử dụng nó trong quyết định lâm sàng hiện đang được nghiên cứu hợp tác với một số cơ sở y khoa hàng đầu thế giới, bao gồm Harvard, Stanford, Yale và các bên liên quan khác (10, 11). Tương tự, các đổi mới như công nghệ MedAware hợp tác với Đại học Harvard bằng cách phân tích dữ liệu hồ sơ y khoa điện tử quy mô lớn (EMRs) sử dụng phân tích dữ liệu lớn và các thuật toán học máy để hiểu cách mà các bác sĩ quản lý bệnh nhân trong các tình huống thực. Khi một đơn thuốc từ bác sĩ không phù hợp với kế hoạch điều trị chuẩn, nó được báo cáo như một lỗi xảy ra, khiến bác sĩ phải kiểm tra lại lỗi nào bất kỳ (12). Các nhà nghiên cứu MIT đã tạo ra một nguyên mẫu cho MedEye, sẽ loại bỏ lỗi thuốc. Nó sử dụng camera để quét và xác định các loại thuốc khác. MedEye xác nhận độ chính xác của thuốc bằng cách so sánh với hệ thống thông tin bệnh viện và sử dụng nhận diện hình ảnh và học máy để xác minh (13).

PerceptiMed, một công ty phát triển thuốc an toàn, đã hợp tác với Đại học Missouri để phát triển và thử nghiệm một hệ thống thuốc an toàn và cá nhân hóa cho các cơ sở chăm sóc dài hạn gọi là MedPassTM. Đây là một công nghệ phân phối thuốc cá nhân hóa xác minh từng viên thuốc và ngăn ngừa lỗi thuốc (14). Trường Y khoa Homer Stryker M.D. tại Đại học Western Michigan đã xây dựng một trung tâm mô phỏng tiên tiến. Trường y khoa đang thử nghiệm một công cụ mô phỏng các cuộc gặp gỡ bệnh nhân sử dụng robot trò chuyện với trí tuệ nhân tạo được phát triển bởi công ty khởi nghiệp “Resource Medical” có trụ sở tại Vương quốc Anh để giúp sinh viên năm hai thực hành kỹ năng lâm sàng. Ngoài ra, người dùng có thể giao tiếp với robot để tái hiện một cuộc thăm khám bệnh nhân, chẳng hạn như hỏi tại sao robot cần sự chăm sóc y khoa và tìm hiểu về triệu chứng và lịch sử y khoa của robot (15). Mặc dù có nhiều ứng dụng mô phỏng phẫu thuật như Buckingham Virtual Tympanum, Touch Surgery tồn tại, trong đó sinh viên có thể tìm hiểu về các chi tiết giải phẫu của các quy trình phẫu thuật, nhưng không thể so sánh với việc đào tạo với các đối tượng thực (16, 17). Giáo dục từ xa là một loại hình giảng dạy không bị ràng buộc bởi thời gian hay không gian, cho phép. giáo dục trực tuyến và ngoại tuyến theo thời gian thực. Trung Quốc đã thực hiện một "hệ thống phê duyệt kép" cho các tổ chức và sáng kiến trong giáo dục y khoa liên tục. Kể từ năm 1996, Bộ Y tế đã phê duyệt Shuang Wei net, Haoyisheng net, China Stomatology net, Bệnh viện Trung Sơn Thượng Hải, Trung tâm Y khoa Tây Trung Quốc, và Mạng lưới Y khoa Đại học Bắc Kinh để tiến hành giáo dục y khoa từ xa. Từ năm 2000 đến 2010, khoảng 3 triệu chứng chỉ đã được cấp thông qua các viện học trực tuyến, gấp bốn lần so với phương pháp giáo dục truyền thống trong cùng khoảng thời gian. Năm 2005, báo cáo trực tuyến, đánh giá trực tuyến và công bố trực tuyến các dự án quốc gia giáo dục y khoa liên tục đã được bắt đầu (18). Các trung tâm dữ liệu, thư viện tài nguyên giảng dạy và nền tảng đám mây đang được xây dựng với công nghệ mới nhất cho việc tuyển sinh, quản lý quy trình đào tạo và đánh giá, nâng cao chất lượng tổng thể của việc quản lý các chương trình này. DxR Clinician (một Hệ thống Điều tra Ảo) là một hệ thống bệnh nhân ảo cho các bệnh viện giảng dạy, các tổ chức y khoa và cư dân, tận dụng công nghệ trí tuệ nhân tạo. Phương pháp này thường được sử dụng trong việc giảng dạy sinh viên y khoa và đánh giá tư duy lâm sàng. Phần mềm tổng hợp hàng trăm dữ liệu bệnh nhân thực vào các trường hợp cá nhân, sau đó được nghiên cứu với sự trợ giúp của AI. Những dữ liệu này liên quan đến nhiều vấn đề lâm sàng khác nhau. Do đó, sinh viên y khoa xây dựng kế hoạch chẩn đoán và điều trị cho bệnh nhân ảo bằng cách sử dụng điều tra, khám lâm sàng mô phỏng và các xét nghiệm bổ sung (1).

 AI Giáo dục y khoa: Tương lai và thách thức

Một bài đánh giá hệ thống của Han et al. thảo luận về các xu hướng tương lai của giáo dục y khoa (3). Bài viết đánh giá khuyến khích sinh viên y khoa phát triển quan điểm nhân văn hơn bằng cách làm việc cùng với các chuyên gia chăm sóc sức khỏe khác. Nó cũng nhấn mạnh việc cung cấp cho sinh viên một môi trường chăm sóc sức khỏe tập trung vào bệnh nhân ngay từ đầu, học tập trong một bối cảnh khác ngoài giới hạn của bệnh viện, và hỗ trợ sinh viên với công nghệ tiên tiến cho việc học. Sử dụng công nghệ tiên tiến, sinh viên y khoa  được cung cấp các công cụ học tập với công nghệ hiện đại để khuyến khích việc học cá nhân hóa, tiếp xúc với bạn bè và giảng viên, và truy cập vào một kho thông tin phong phú. Các mô phỏng bệnh nhân ảo và thực tăng cường có thể cung cấp các tình huống lâm sàng thực y khoa mà không làm nguy hiểm đến bệnh nhân và giúp sinh viên y khoa học tập và tham gia hiệu quả hơn. Sử dụng công nghệ phổ biến, học tập di động và trực tuyến có thể bổ sung kiến thức của sinh viên và thúc đẩy giao diện giữa sinh viên với sinh viên hoặc giữa sinh viên với giảng viên (3).

Chăm sóc sức khỏe chỉ là một trong nhiều ngành mà trí tuệ nhân tạo (AI) có tiềm năng ảnh hưởng hoàn toàn. AI có tiềm năng to lớn để cải thiện giáo dục y khoa, tăng độ chính xác chẩn đoán và ảnh hưởng đến tương lai của các nghề chăm sóc sức khỏe. Có nhiều quan điểm và khó khăn cần được xem xét khi nhìn về phía trước (19). Khả năng của AI để thay đổi và cá nhân hóa quy trình học tập là một trong những khả năng tương lai quan trọng nhất trong giáo dục y khoa. AI có thể hỗ trợ đáp ứng các nhu cầu cụ thể của những người học kỹ thuật số ngày nay, những người có sở thích và phong cách học tập khác nhau. Trí tuệ nhân tạo (AI) có thể cung cấp nội dung giảng dạy thích hợp với các khoảng trống kiến thức và tốc độ học tập của từng sinh viên bằng cách phân tích một lượng lớn dữ liệu và sử dụng các thuật toán học máy. Cách tiếp cận cá nhân hóa này khuyến khích sự hiểu biết sâu sắc hơn về các khái niệm y khoa phức tạp và tăng cường sự tham gia (20).

Mặc dù có tiềm năng to lớn, vẫn có những trở ngại cần phải vượt qua nếu AI muốn được tích hợp thành công vào giáo dục y khoa. Việc áp dụng AI một cách đạo đức là một trong những vấn đề này, khi AI lan rộng, những lo ngại về thiên lệch thuật toán, an ninh và quyền riêng tư dữ liệu nổi lên. Việc xây dựng các khung đạo đức vững chắc rất quan trọng để đảm bảo các thuật toán AI minh bạch, công bằng và không thiên lệch trong quy trình ra quyết định. Thách thức khác là nhu cầu giáo dục và các chuyên gia chăm sóc sức khỏe nâng cao kỹ năng và có được đào tạo cần thiết. Để áp dụng AI trong giáo dục y khoa hiệu quả, giáo viên phải được đào tạo với kiến thức và kỹ năng để sử dụng AI trong giảng dạy và đánh giá. Các chuyên gia chăm sóc sức khỏe cũng phải nhận thức được tiềm năng và giới hạn của các hệ thống AI để sử dụng chúng hiệu quả trong thực hành lâm sàng (21).

Để AI được sử dụng trong giáo dục y khoa, nhiều cơ sở hạ tầng và hỗ trợ công nghệ là cần thiết. Các tổ chức giáo dục và tổ chức chăm sóc sức khỏe phải đầu tư vào phần cứng máy tính tiên tiến, lưu trữ dữ liệu và mạng an toàn nếu họ muốn tận dụng tối đa AI. Việc thiết lập các tiêu chuẩn, khung và hướng dẫn đồng nhất yêu cầu sự hợp tác giữa các học giả, doanh nghiệp và các cơ quan quản lý nếu AI muốn được sử dụng đúng cách và thành công trong giáo dục y khoa. AI cung cấp một tương lai hứa hẹn cho giáo dục y khoa với những trải nghiệm học tập cá nhân hóa, khả năng chẩn đoán nâng cao. và việc tạo/triển khai chương trình giảng dạy dễ dàng hơn. Việc giải quyết các vấn đề về đạo đức, đào tạo và cơ sở hạ tầng là rất quan trọng để thực sự nhận ra tiềm năng của AI trong giáo dục y khoa. Bằng cách tích hợp hiệu quả công nghệ AI, giáo dục y khoa có thể theo kịp bối cảnh chăm sóc sức khỏe đang phát triển nhanh chóng và cung cấp cho các chuyên gia y khoa tương lai kiến thức và kỹ năng cần thiết để cung cấp dịch vụ chăm sóc bệnh nhân chất lượng cao (22).

Ứng dụng của AI trong công nghệ giáo dục và những hạn chế 

Giáo viên có thể sử dụng một hệ thống điều tra ảo như “DxR Clinician” như một công cụ phân tích hữu ích để hỗ trợ họ trong việc hiểu hành vi của học viên và điều chỉnh khóa học dựa trên kết quả đánh giá. Học viên có thể nhanh chóng có được kỹ năng giải quyết các vấn đề lâm sàng. Họ có thể học được nhiều điều về chẩn đoán bệnh nghiêm trọng bằng cách tương tác với các ví dụ. Đồng thời, hệ thống có thể phát hiện lỗi do học viên mắc phải trong quá trình nghiên cứu trường hợp, thực hiện học sâu và phân tích, và hỗ trợ học viên trong việc giải quyết những vấn đề này. “Hệ thống gia sư thông minh”, tương tự như DxR Clinician, cũng có thể theo dõi “quá trình tâm lý” của người học trong việc giải quyết vấn đề để chẩn đoán những quan niệm sai lầm. Nó cũng đánh giá mức độ hiểu biết của người học. Nó cũng có thể cung cấp hỗ trợ, lời khuyên và giải thích kịp thời cho người học và khuyến khích họ tham gia vào tự điều chỉnh, tự giám sát và tự giải thích (1).

Mặc dù có nhiều lợi thế kỹ thuật trong việc học tập kỹ thuật số sử dụng công nghệ cải tiến, việc học dựa trên máy tính và các thuật toán trí tuệ nhân tạo có thể bị dạy để thiên lệch chống lại các nhóm cụ thể hoặc hướng tới bất kỳ mục tiêu nào. Do đó, chúng ta phải cẩn thận giải quyết các vấn đề đạo đức và đạo lý. Trên hết, các bác sĩ tương lai nên tiếp cận nhân văn để đối phó với sự phức tạp sinh học - tâm lý - xã hội của bệnh nhân, điều này không dễ dàng tiếp cận với máy móc. Do đó, việc lên lịch các thời gian thuận tiện cho sự tham gia là rất quan trọng, đặc biệt trong học tập từ xa. Mặc dù người học ở những vị trí khác nhau so với giáo viên và các học viên khác, việc hướng dẫn đồng đẳng trực tuyến là hiệu quả khi họ cảm thấy liên kết và thuộc về người khác, tức là, sự gắn bó cảm xúc và khuyến khích. Tuy nhiên, điều này không chỉ đơn thuần là chuyển đổi các bài giảng truyền thống sang học tập hợp tác trực tuyến vì động lực và sự tham gia của học viên bị ảnh hưởng bởi cấu trúc khóa học, mà cấu trúc này nên được thiết kế để khuyến khích họ tham gia vào các cuộc thảo luận và làm việc trên các dự án (3).

Ứng dụng của robot y khoa và những hạn chế 

Robot phẫu thuật đã cho thấy những kết quả hứa hẹn mặc dù công nghệ vẫn còn ở giai đoạn đầu và chủ yếu được điều khiển bởi con người. Robot phẫu thuật có độ chính xác cao trong việc kiểm soát quỹ đạo, độ sâu và tốc độ hành động, vì vậy ảnh hưởng tích cực trực tiếp đến chăm sóc sức khỏe sẽ rất lớn. Khi xử lý các khu vực nhạy cảm như mắt, các bác sĩ phẫu thuật phải có đôi tay cực kỳ vững vàng. Công nghệ AI để loại bỏ màng từ mắt bệnh nhân hoặc máu dưới võng mạc do thoái hóa điểm vàng liên quan đến tuổi tác đã cho thấy hiệu quả trong các thử nghiệm. Trong một số trường hợp, việc sử dụng thiết bị robot để thực hiện phẫu thuật hiệu quả hơn so với thực hiện các thủ thuật bằng tay (23).

Chúng đặc biệt phù hợp với các ca phẫu thuật yêu cầu các chuyển động lặp đi lặp lại giống nhau vì không bị mệt mỏi. Robot cũng có thể giữ vị trí trong một khoảng thời gian dài và đi đến những nơi mà các công cụ truyền thống không thể. Ví dụ, AI có thể xác định các xu hướng trong các thủ tục phẫu thuật để cải thiện các thực hành tốt nhất và nâng cao độ chính xác của robot phẫu thuật đến độ tinh vi. Robot thông minh là những robot đã được lập trình với phần mềm trí tuệ nhân tạo, và phần mềm này sẽ một ngày nào đó thực hiện phẫu thuật mà không cần đến con người. Những kỹ thuật phẫu thuật này sẽ trở thành tiêu chuẩn trong tương lai gần, và các trường y khoa không dạy phẫu thuật robot sẽ gặp khó khăn (24-26).

Trí tuệ nhân tạo giảm thiểu tính nghiêm trọng trong cuộc sống nghề nghiệp của bệnh nhân, bác sĩ và quản lý bệnh viện. Các công nghệ AI dựa trên dữ liệu chăm sóc sức khỏe như Human Dx, MedAware, MedEye, MedPassTM, v.v. thực hiện các nhiệm vụ chính xác và kinh khoa hơn. Trí tuệ nhân tạo sẽ tiếp tục phục vụ hệ thống chăm sóc sức khỏe hiệu quả hơn bằng công nghệ học máy, vì nó tự động học hỏi và cải thiện từ kinh nghiệm mà không cần được lập trình rõ ràng.

Luôn có hai mặt của một đồng xu. Trong khi có nhiều lợi thế trong việc sử dụng robot để thực hiện các nhiệm vụ trong chăm sóc sức khỏe, cũng có khả năng xảy ra lỗi và sự cố. Luôn có khả năng xảy ra lỗi của con người/sự cố cơ học với những robot mạnh mẽ này. Một sự cố cơ học đơn lẻ có thể dẫn đến tử vong và thậm chí cái chết. Một nhược điểm đáng kể khác là chi phí. Robot phẫu thuật chỉ được sử dụng ở các quốc gia công nghiệp hóa, các viện nghiên cứu và các bệnh viện tiên tiến. Bệnh nhân và một số viện giáo dục cũng thấy rằng phẫu thuật robot nằm ngoài khả năng tài chính của họ. Hơn nữa, nhà cung cấp dịch vụ chăm sóc sức khỏe phải đầu tư đáng kể, tiền và công sức trong việc đào tạo nhân viên để xử lý robot; tuổi thọ của lực lượng lao động đang bị đe dọa. Do đó, khả năng xảy ra lỗi và chi phí cao cho các viện giáo dục có thể cản trở việc sử dụng rộng rãi phẫu thuật robot cho đến khi chi phí công nghệ giảm theo thời gian.

Đào Tạo Tối Ưu cho Ứng Dụng AI trong Giáo Dục Y Khoa:

AI trước tiên phải được dạy một cách đầy đủ và thích hợp để khai thác lợi ích trong hệ thống chăm sóc sức khỏe. Vai trò của bác sĩ và các chuyên gia y khoa khác là rất quan trọng ở đây. Mối đe dọa phổ biến nhất là các hệ thống AI đôi khi không chính xác, dẫn đến tổn hại cho bệnh nhân hoặc các vấn đề chăm sóc sức khỏe khác. Ví dụ, một bệnh nhân có thể bị tổn hại nếu một hệ thống AI kê đơn điều trị sai, không phát hiện khối u trong một xét nghiệm hình ảnh, hoặc phân bổ giường bệnh cho một bệnh nhân thay vì bệnh nhân khác do lỗi của hệ thống AI. Mặc dù nhiều chấn thương xãy ra trong các thiết lập y khoa ngay cả khi không sử dụng AI, có thể lập luận rằng lỗi AI về lý thuyết là khác biệt vì nếu các hệ thống AI được sử dụng rộng rãi hơn, một lỗi trong hệ thống AI có thể dẫn đến hàng ngàn bệnh nhân bị tổn hại, thay vì chỉ một số ít bệnh nhân do lỗi của một nhà cung cấp đơn lẻ. Các bác sĩ cần được đào tạo toàn diện để trích xuất dữ liệu bệnh nhân chính xác và đưa vào các hệ thống AI. Chúng ta đã có những bài học về các hệ thống AI y khoa không thành công do nhiều lý do không lường trước, và một trong số đó là đào tạo không đủ, chẳng hạn như trường hợp của Watson của IBM (27). Đào tạo tốt nhất phải đạt được ứng dụng AI trong giáo dục y khoa đến tiềm năng tối đa của nó. Điều này đòi hỏi việc sử dụng phương pháp đa ngành kết hợp chuyên môn trong các lĩnh vực công nghệ máy tính, y học, giáo dục và đạo đức (27). Các chương trình đào tạo nên nhấn mạnh phát triển khả năng trong phân tích dữ liệu, thuật toán AI và các cân nhắc đạo đức xung quanh việc sử dụng AI. Các nhà giáo dục và chuyên gia y khoa cần được trang bị các kỹ năng cần thiết, để có thể tích hợp công nghệ AI một cách hợp lý vào phát triển chương trình giảng dạy, giao tiếp giảng dạy và quy trình đánh giá. Các trường y có thể tăng cường sự chuẩn bị của giảng viên bằng cách tiến hành các "chương trình phát triển giảng viên" tập trung. Thêm vào đó, việc học tập liên tục và hợp tác giữa học viện, ngành công nghiệp và các cơ quan quản lý là rất cần thiết để theo kịp với bối cảnh thay đổi nhanh chóng của AI trong giáo dục y khoa (8).

Các Vấn Đề Đạo Đức trong Trí Tuệ Nhân Tạo

Các ứng dụng Trí Tuệ Nhân Tạo bao gồm  vật lý với các bộ phận giả robot, hỗ trợ công việc thủ công và các ứng dụng di động tạo điều kiện cho y học trực tuyến. Công nghệ mạnh mẽ này có thể đe dọa sự ưu tiên, an toàn và quyền riêng tư của bệnh nhân. Nó đặt ra một loạt các thách thức đạo đức mới cần được xác định và giải quyết (28). Gerke et al. chỉ ra bốn thách thức đạo đức chính của AI trong chăm sóc sức khỏe, như được giải thích dưới đây (21).

● Sự đồng ý thông tin để sử dụng: Sự tương tác giữa bệnh nhân và bác sĩ sẽ được chuyển đổi bởi các ứng dụng AI y khoa như hình ảnh, chẩn đoán và phẫu thuật. Tuy nhiên, có nhiều thách thức liên quan đến trách nhiệm của các chuyên gia trong việc giáo dục bệnh nhân về những phức tạp của AI. Khi AI sử dụng các phương pháp "hộp đen", các bác sĩ có thể đôi khi thấy khó khăn trong việc hiểu và diễn giải nhiều kỹ thuật học máy, điều này sẽ dẫn đến sự thiếu minh bạch trong một số tình huống. Khu vực này cần được chú ý nhiều hơn để kết quả trở nên ngày càng có thể dự đoán được.

● An toàn và minh bạch: Một trong những thách thức chính đối với AI trong chăm sóc sức khỏe là an toàn. Watson của IBM cho điều trị ung thư là một trường hợp được công bố rộng rãi về một trong những vấn đề chính đối với phân tích chăm sóc sức khỏe. Nó gần đây đã bị chỉ trích vì bị cáo buộc đưa ra các gợi ý "không an toàn và không chính xác" liên quan đến các phương pháp điều trị ung thư. Lĩnh vực này đã nhận được sự chú ý tiêu cực do sự cố thực y khoa này. Nó cũng cho thấy tầm quan trọng của việc các AI phải đáng tin cậy và hiệu quả. Nhưng làm thế nào chúng ta có thể đảm bảo rằng AI giữ lời hứa của nó? Các bên liên quan, đặc biệt là các nhà phát triển AI, phải đảm bảo hai yếu tố quan trọng để tận dụng tối đa tiềm năng của AI: tính hợp lệ và độ tin cậy của các tập dữ liệu, và sự minh bạch.

● Sự công bằng và thiên kiến thuật toán: Dữ liệu được sử dụng để đào tạo bất kỳ hệ thống Học Máy (ML) nào, hoặc một thuật toán được đào tạo bởi con người chỉ đáng tin cậy, hiệu quả và công bằng như dữ liệu được sử dụng để đào tạo nó. Khi chọn các công nghệ/ quy trình ML mà họ muốn sử dụng để đào tạo các thuật toán và các tập dữ liệu (bao gồm việc đánh giá chất lượng và sự đa dạng của chúng) mà họ muốn sử dụng cho lập trình, họ nên chú ý đặc biệt đến nguy cơ thiên kiến. AI cũng dễ bị thiên kiến và, do đó, phân biệt đối xử. Một số trường hợp đã cho thấy rằng các thuật toán có thể bị thiên lệch, dẫn đến phân biệt đối xử dựa trên nguồn gốc dân tộc, màu da hoặc giới tính.

● Quyền riêng tư dữ liệu: Bệnh nhân không được thông báo đầy đủ về việc xử lý dữ liệu xét nghiệm, mà họ đã chia sẻ với «Streams», một ứng dụng nhằm chẩn đoán và xác định tổn thương thận cấp tính để thực hiện các bài kiểm tra an toàn lâm sàng. Ngay cả khi  «Streams» không sử dụng trí tuệ nhân tạo,ví dụ thực tế  y khoa này đã nhấn mạnh rủi ro vi phạm quyền riêng tư khi xây dựng các giải pháp công nghệ (21). 

Kết luận

Sự tham gia của AI trong các cơ sở giáo dục đã tăng kể từ năm 2018. Mặc dù các tổ chức học thuật hợp tác chặt chẽ với các công ty công nghệ thông tin để phát triển các công nghệ tiên tiến như phát hiện lỗi kê đơn, phân phối thuốc cá nhân hóa và học tập cá nhân hóa, nhưng còn rất nhiều điều phải làm để đạt được trí tuệ nhân tạo và học máy hoàn chỉnh, không có lỗi và quy mô lớn.

Tương lai của giáo dục y khoa sẽ chủ yếu dựa vào các công nghệ do AI điều khiển, hỗ trợ giáo viên hiểu rõ hơn học viên của mình và giúp mỗi học viên học theo mô hình học tập của riêng họ, đồng thời giúp các cơ sở giáo dục tập trung hơn vào giảng dạy kỹ năng giao tiếp, đạo đức và đạo lý. Mặc dù rủi ro vẫn tồn tại trong các khung giáo dục dựa trên AI này nhưng các nghiên cứu thêm vấn đề này giúp làm rõ nhằm tiến tới các giải pháp ngày càng hoàn chỉnh hơn.

———-

Y khoa và  Y tế

Khía cạnh	Y Khoa (Medicine)	Y Tế (Healthcare/Health System)
Bản chất	Khoa học và nghệ thuật về bệnh tật và điều trị.	Hệ thống cung cấp dịch vụ chăm sóc sức khỏe.
Phạm vi	Tập trung vào cá nhân người bệnh (chẩn đoán, điều trị).	Tập trung vào cộng đồng và toàn bộ hệ thống(cung cấp, quản lý).
Mục tiêu	Chữa bệnh, phục hồi sức khỏe cá thể.	Cải thiện sức khỏe chung, đảm bảo tiếp cận dịch vụ.
Mối quan hệ	Là một phần cốt lõi của Y tế.	Là khái niệm bao trùm, chứa đựng Y khoa.

 

 

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.