Mô hình ngôn ngữ lớn trong lĩnh vực Healthcare

Trong một năm bùng nổ của Generative AI nói chung và các mô hình ngôn ngữ lớn (LLM) nói riêng, việc đưa trí tuệ nhân tạo vào trong lĩnh vực chăm sóc sức khỏe cũng như y tế đang có nhiều bước tiến đáng kể dù vẫn còn nhiều mối quan ngại. Hầu hết các nghiên cứu và đột phá về trí tuệ nhân tạo trong những năm gần đây đều chỉ ra rằng AI đã và sẽ vượt qua năng lực của con người trên các phương diện, như mô hình GPT-4 của OpenAI đạt điểm tin cậy đáng nể trong các bài kiểm tra khoa học trong lĩnh vực sinh học, hóa học và y tế.

AI trong lĩnh vực chăm sóc sức khỏe và y tế

Vào năm 2022, Bill Gates thách thức OpenAI phát triển một mô hình AI có thể vượt qua kì thi sinh học nâng cao (Advanced Placement Biology) và tin rằng thử thách này sẽ khiến OpenAI bận rộn trong hai hoặc ba năm. Một phiên bản của GPT đã đạt 59 trên 60 điểm trong phần trắc nghiệm và đạt điểm cao trong các câu hỏi mở, được đánh giá bởi chuyên gia độc lập bên ngoài. Tất cả chỉ mất vỏn vẹn vài tháng.

Nhìn lại quá khứ trước khi ChatGPT tạo ra làn sóng phấn khởi cho một tương lai đầy hứa hẹn với AI thì Med-PaLM của Google vốn là ngôi sao sáng trong lĩnh vực này khi có thể thực hiện các tác vụ trong lĩnh vực chăm sóc sức khỏe và y tế một cách hiệu quả. Các tác vụ mà một mô hình AI được kì vọng phải làm tốt trong lĩnh vực chăm sóc sức khỏe và y tế bao gồm:

• Trả lời các câu hỏi y tế một cách chính xác hơn, bao gồm cả các câu hỏi phức tạp và câu hỏi mở
• Tóm tắt các tài liệu y tế một cách súc tích và đầy đủ thông tin hơn
• Sắp xếp dữ liệu sức khỏe hiệu quả hơn, giúp các bác sĩ và nhà nghiên cứu dễ dàng tìm thấy thông tin họ cần
• Phát hiện các dấu hiệu sớm của bệnh tật
• Phân tích dữ liệu từ các thiết bị y tế đeo được
• Phát triển các phương pháp điều trị mới

Từ PLM tới LLM - bước đột phá của AI

Med-PaLM, viết tắt của Medical Pathways Language Model, là công cụ trả lời câu hỏi y tế mang tính cách mạng của Google nhằm cung cấp thông tin y tế chính xác và đáng tin cậy. Med-PaLM 2 là phiên bản nâng cấp của Med-PaLM. Trong Kỳ thi Giấy phép Y tế Hoa Kỳ (USMLE), Med-PaLM 2 đạt tỷ lệ chính xác ấn tượng là 85,4% (cao hơn 19% so với Med-PaLM). Nó cũng vượt trội hơn những người làm bài kiểm tra ở mức 'chuyên gia' của con người.

Sức mạnh của Med-Palm2 trong việc trả lời các câu hỏi cấp bằng y tế

Theo dòng lịch sử, ý tưởng đưa trí tuệ nhân tạo vào hỗ trợ bác sĩ nhằm giải quyết những vấn đề toàn cầu như thiếu hụt lực lượng bác sĩ, chẩn đoán sai đã được nghiên cứu từ rất sớm với các mô hình PLM (Pre-trained Language Model). Tuy nhiên, với kiến trúc Transformer và GPT-3, cuộc chơi đã bắt đầu tăng tốc với các mô hình LLM (Large Language Model). Không chỉ đơn thuần là sự thay đổi về kích thước mô hình, các nghiên cứu sử dụng PLM chuyển sang LLM dưới tác động của hai yếu tố:

• Từ mô hình phân loại (Discriminative AI) sang mô hình sinh (Generative AI)
• Từ tập trung vào kiến trúc model sang tập trung vào bộ dữ liệu chất lượng

Các mô hình LLM đáng chú ý có thể kế đến như:

Nguồn: A Survey of Large Language Models for Healthcare: from Data, Technology, and Applications to Accountability and Ethics

Ngày nay, các mô hình ngôn ngữ lớn đại chúng như GPT-3, Bard đều trả lời các câu hỏi về lĩnh vực y tế tốt hơn khi so sánh với người bình thường (không phải chuyên gia). Hơn thế nữa, đã có tác vụ mà GPT-4 và Med-PaLM2 vượt qua cả chuyên gia khi tiến hành kiểm tra đánh giá. Có vẻ tương lai về một bác sĩ nhân tạo dưới hình hài robot không còn là chuyện khoa học viễn tưởng chỉ có trên phim ảnh nữa rồi.

Sức mạnh của LLM và thách thức cần giải quyết

Năng lực của LLM trong việc trợ giúp các bác sĩ chắc chắn sẽ ngày càng tốt hơn khi mà các thách thức sau được giải quyết:

Tính chất của dữ liệu y tế

Dữ liệu y tế dùng để huấn luyện các mô hình AI mang những tính chất đặc thù:

• Tính đa dạng: Dữ liệu y tế có thể rất đa dạng về hình thức và nội dung. Nó có thể bao gồm văn bản, mã, hình ảnh, âm thanh, ... Điều này có thể khiến việc thu thập và chuẩn hóa dữ liệu trở nên khó khăn.
• Tính nhạy cảm: Dữ liệu y tế có thể bao gồm thông tin cá nhân nhạy cảm, chẳng hạn như thông tin về bệnh tật, điều trị và hồ sơ bệnh án. Điều này đòi hỏi phải có quy trình thu thập và lưu trữ dữ liệu an toàn và bảo mật.
• Tính chuyên môn: Dữ liệu y tế thường yêu cầu kiến thức và chuyên môn của các chuyên gia y tế. Điều này có thể khiến việc thu thập và đánh giá dữ liệu trở nên tốn kém và mất thời gian.

Việc thu thập và đảm bảo tính chính xác, đầy đủ của dữ liệu y tế hiện vẫn khá tốn kém, mất thời gian và vẫn có rủi ro chứa thông tin sai lệch hoặc phiến diện.

Vấn đề công bằng và minh bạch

Một thách thức quan trọng trong việc ứng dụng LLM vào lĩnh vực chăm sóc sức khỏe là đảm bảo tính công bằng. LLM được đào tạo trên các tập dữ liệu lớn, và các tập dữ liệu này có thể phản ánh các thành kiến và định kiến trong xã hội. Điều này có thể dẫn đến việc LLM đưa ra các kết quả không công bằng đối với các nhóm thiểu số hoặc các đối tượng dễ bị tổn thương.

Ví dụ, một nghiên cứu đã phát hiện ra rằng các mô hình ngôn ngữ được đào tạo trên các tập dữ liệu văn bản y tế có xu hướng thiên vị đối với các bệnh nhân nam. Điều này có thể dẫn đến việc các bệnh nhân nữ không được chẩn đoán và điều trị chính xác.

LLM là những mô hình phức tạp, và đôi khi khó hiểu cách chúng đưa ra các kết quả của mình. Điều này có thể khiến các chuyên gia y tế khó tin tưởng vào các kết quả của LLM. Để đảm bảo tính minh bạch của LLM trong lĩnh vực chăm sóc sức khỏe, cần có các biện pháp để giải thích cách thức hoạt động của các mô hình này.

Vấn đề trách nhiệm và đạo đức

Vẫn còn nhiều tranh cãi trong chủ đề này, ví dụ có nên để một mô hình AI đưa ra các quyết định quan trọng về sức khỏe của một con người mà không có sự tham gia của con người, ai sẽ là người chịu trách nhiệm khi AI đưa ra các kết quả không phù hợp, chẩn đoán sai hay xảy ra các sự cố y tế ngoài ý muốn?

Ví dụ, xét tình huống phổ biến ở Việt Nam khi một người ra nhà thuốc mua thuốc mà không đi khám bác sĩ với tình huống người bệnh tham vấn bác sĩ AI GPT để được tư vấn thuốc nên mua thì liệu có tốt hơn không?

Góc nhìn Trung Quốc

Lĩnh vực chăm sóc sức khỏe và y tế luôn là một trong các vấn đề quan trọng và cũng là một lĩnh vực khởi nghiệp mạnh mẽ ở Trung Quốc - quốc gia đông dân nhất thế giới. Nhu cầu sử dụng công nghệ để giải quyết các vấn đề về thiếu hụt nhân lực y bác sĩ hay năng lực y tế ở các vùng nông thôn và thậm chí là đặt lịch khám bệnh là vô cùng cấp bách.

Năm 2016, Baidu ra mắt AI mang tên Melody trong ứng dụng Baidu Doctor App của mình. Trả lời phỏng vấn khi đó, Andrew Ng, nhà khoa học trưởng tại Baidu Research cho biết: “Tôi không biết cách nào khác để giải quyết vấn đề này ngoài việc sử dụng AI. Tôi mới chỉ nhìn thấy sự khởi đầu của xu hướng chính của hệ thống AI trong chăm sóc sức khỏe.”

WeDoctor, kì lân 6 tỉ USD được hậu thuẫn bởi Tencent, đã cung cấp mô hình AI hỗ trợ các bác sĩ vùng nông thôn trong việc lên kế hoạch điều trị dựa trên đầu vào là các triệu chứng từ những năm 2018.

Ping An Good Doctor: Các phòng khám AI không có nhân viên, có kích thước bằng bốt điện thoại, thu thập dữ liệu thông qua tương tác sức khỏe và giọng nói. Mô hình AI có thể đề xuất kế hoạch điều trị và danh sách thuốc có thể mua từ máy bán hàng tự động trong phòng khám. Phòng khám đầu tiên được ra mắt vào tháng 11 năm 2018 tại Thượng Hải.

Alihealth: Công ty con chăm sóc sức khỏe của gã khổng lồ thương mại điện tử Alibaba, Alihealth đã hợp tác với ba bệnh viện lớn để ra mắt phòng thí nghiệm y tế AI đầu tiên của Trung Quốc, bao gồm hệ thống 'chẩn đoán thông minh' có thể hỗ trợ bác sĩ từ xa trong các quyết định lâm sàng.

Lời kết

Ngay cả các chuyên gia hàng đầu vẫn có tỉ lệ đưa ra chẩn đoán sai ở lần chẩn đoán đầu tiên. Áp lực công việc cũng như quá trình học tập vất vả vẫn là vấn đề cho lực lượng chăm sóc sức khỏe. Bên cạnh đó, ở những quốc gia đang phát triển, các vùng sâu vùng xa có độ phủ của y bác sĩ rất thấp, điều kiện đi lại khó khăn và người dân vẫn chưa có nhiều cơ hội tiếp cận với các dịch vụ chăm sóc sức khỏe cần thiết. AI chắc chắn sẽ là một phần của lời giải và sẽ thay đổi cách mà xã hội hoạt động. Ngày nay rất nhiều đội ngũ kĩ sư đã xem AI như một thành viên trong nhóm phát triển, tương lai không xa sẽ diễn ra ở các ngành khác.