1900 2039
Trong nhiều thập kỷ qua, xét nghiệm hình ảnh qua kính hiển vi đã giữ vai trò nền tảng trong chẩn đoán các bệnh ký sinh trùng. Từ phát hiện ký sinh trùng sốt rét trong máu ngoại vi đến nhận diện trứng giun sán trong mẫu phân, phần lớn các kỹ thuật chẩn đoán hiện nay vẫn phụ thuộc vào khả năng quan sát và kinh nghiệm của kỹ thuật viên xét nghiệm. Mặc dù đây là phương pháp có chi phí hợp lý và dễ triển khai, độ chính xác của kết quả có thể bị ảnh hưởng bởi nhiều yếu tố như chất lượng tiêu bản, mật độ ký sinh trùng thấp, thời gian đọc kéo dài và sự khác biệt về trình độ chuyên môn giữa các cá nhân.
Trong bối cảnh nhu cầu xét nghiệm ngày càng gia tăng và nguồn nhân lực chuyên ngành ký sinh trùng còn hạn chế, việc ứng dụng các công nghệ mới nhằm nâng cao hiệu quả chẩn đoán đang trở thành xu hướng tất yếu. Sự phát triển của trí tuệ nhân tạo (AI), đặc biệt là các thuật toán học máy và học sâu , đã mở ra nhiều triển vọng trong tự động hóa quy trình phân tích hình ảnh y học và hỗ trợ xây dựng các phòng xét nghiệm ký sinh trùng thông minh.
Trí tuệ nhân tạo trong chẩn đoán ký sinh trùng chủ yếu dựa trên công nghệ thị giác máy tính, cho phép máy tính phân tích và nhận diện các đặc điểm hình thái của ký sinh trùng trên hình ảnh kính hiển vi. Các mô hình AI được huấn luyện bằng một lượng lớn dữ liệu hình ảnh đã được chuyên gia gán nhãn, từ đó học cách nhận biết các đặc điểm đặc trưng của từng loại ký sinh trùng. Quy trình ứng dụng AI thường bắt đầu từ việc thu nhận hình ảnh thông qua kính hiển vi quang học kết hợp với hệ thống số hóa. Sau đó, hình ảnh được tiền xử lý nhằm cải thiện độ tương phản, loại bỏ nhiễu và chuẩn hóa dữ liệu đầu vào. Các thuật toán học sâu, đặc biệt là mạng nơ-ron tích chập, sẽ thực hiện phân tích hình ảnh, nhận diện các cấu trúc nghi ngờ và đưa ra kết quả phân loại. Cuối cùng, kết quả được chuyển đến kỹ thuật viên hoặc chuyên gia để xác nhận trước khi báo cáo.
Một trong những lĩnh vực ứng dụng nổi bật nhất của AI trong ký sinh trùng học là chẩn đoán sốt rét. Theo báo cáo của Tổ chức Y tế Thế giới, sốt rét vẫn là vấn đề y tế công cộng quan trọng tại nhiều quốc gia nhiệt đới và cận nhiệt đới. Phương pháp chẩn đoán tiêu chuẩn hiện nay là quan sát tiêu bản máu nhuộm Giemsa để phát hiện ký sinh trùng thuộc chi Plasmodium. Tuy nhiên, kỹ thuật này đòi hỏi trình độ chuyên môn cao và có thể bị ảnh hưởng bởi yếu tố chủ quan. Nhiều nghiên cứu gần đây cho thấy các mô hình học sâu có khả năng phát hiện hồng cầu nhiễm ký sinh trùng với độ chính xác cao, thậm chí tương đương với các chuyên gia giàu kinh nghiệm. Hệ thống AI không chỉ giúp phân biệt hồng cầu bình thường và hồng cầu nhiễm ký sinh trùng mà còn có thể tự động đếm số lượng ký sinh trùng, ước tính mật độ ký sinh trùng trong máu và hỗ trợ phát hiện các trường hợp có tải lượng ký sinh trùng thấp. Những ưu điểm này góp phần rút ngắn thời gian trả kết quả và giảm nguy cơ bỏ sót bệnh.
Ngoài sốt rét, AI còn được ứng dụng trong chẩn đoán các bệnh giun sán thông qua phân tích hình ảnh tiêu bản phân. Nhiều nghiên cứu đã chứng minh khả năng của AI trong nhận diện các loại trứng giun sán phổ biến như Ascaris lumbricoides, Trichuris trichiura, Ancylostoma duodenale, Necator americanus và Enterobius vermicularis. Thông qua việc phân tích các đặc điểm về hình dạng, kích thước, màu sắc và cấu trúc bề mặt, hệ thống có thể đưa ra nhận định với độ chính xác cao và giảm sự phụ thuộc vào kinh nghiệm của người đọc tiêu bản.
Việc ứng dụng trí tuệ nhân tạo trong xét nghiệm ký sinh trùng mang lại nhiều lợi ích đáng kể. Trước hết, AI giúp nâng cao độ chính xác của chẩn đoán bằng cách giảm thiểu sai sót do khác biệt về trình độ chuyên môn giữa các kỹ thuật viên. Bên cạnh đó, khả năng xử lý nhanh khối lượng lớn hình ảnh giúp rút ngắn thời gian phân tích mẫu và tăng năng suất của phòng xét nghiệm. AI còn góp phần chuẩn hóa kết quả giữa các cơ sở y tế, hỗ trợ đào tạo sinh viên và nhân viên mới, đồng thời mở rộng khả năng tiếp cận dịch vụ chẩn đoán tại các khu vực thiếu chuyên gia.
Mặc dù có nhiều tiềm năng, việc triển khai AI trong thực hành ký sinh trùng học vẫn đối mặt với không ít thách thức. Hiệu quả của mô hình phụ thuộc đáng kể vào chất lượng và tính đa dạng của bộ dữ liệu huấn luyện. Sự khác biệt về quy trình làm tiêu bản, phương pháp nhuộm và điều kiện thu nhận hình ảnh có thể ảnh hưởng đến độ chính xác của hệ thống. Ngoài ra, chi phí đầu tư cho thiết bị số hóa và hạ tầng công nghệ còn tương đối cao, đặc biệt tại các cơ sở y tế tuyến cơ sở. Một số loài ký sinh trùng hiếm gặp cũng chưa có đủ dữ liệu để xây dựng mô hình nhận diện đáng tin cậy. Do đó, trong giai đoạn hiện nay, AI nên được xem là công cụ hỗ trợ chuyên môn thay vì thay thế hoàn toàn vai trò của kỹ thuật viên và chuyên gia ký sinh trùng. Việc kết hợp giữa năng lực phân tích của con người và khả năng xử lý dữ liệu của AI được kỳ vọng sẽ mang lại hiệu quả tối ưu trong chẩn đoán.
Trong tương lai, sự kết hợp giữa trí tuệ nhân tạo, kính hiển vi kỹ thuật số và điện toán đám mây sẽ thúc đẩy sự phát triển của các phòng xét nghiệm ký sinh trùng thông minh. Các hệ thống này có khả năng tự động quét tiêu bản, nhận diện ký sinh trùng, phân tích dữ liệu và truyền tải kết quả đến chuyên gia từ xa trong thời gian thực. Xu hướng này không chỉ góp phần nâng cao chất lượng chẩn đoán mà còn hỗ trợ hiệu quả công tác giám sát dịch tễ và kiểm soát bệnh ký sinh trùng trong cộng đồng. Đối với lĩnh vực Kỹ thuật Xét nghiệm Y học, việc trang bị kiến thức về trí tuệ nhân tạo và công nghệ số sẽ trở thành yêu cầu quan trọng đối với nguồn nhân lực trong thời kỳ chuyển đổi số y tế. Sự giao thoa giữa khoa học dữ liệu và khoa học sức khỏe được dự báo sẽ tạo ra những thay đổi sâu sắc trong hoạt động xét nghiệm trong những năm tới.
Tài liệu tham khảo
- Poostchi M, Silamut K, Maude RJ, Jaeger S, Thoma G. Image analysis and machine learning for detecting malaria. Scientific Reports. 2018;8:7472. doi:10.1038/s41598-018-2326
- Holmström O, Linder N, Ngasala B, et al. Point-of-care mobile digital microscopy and deep learning for malaria diagnosis. Nature Communications. 2020;11:3884. doi:10.1038/s41467-020-17419-6.
- Diaz G, González FA, Romero E. A semi-automatic method for quantification and classification of helminth eggs in microscopic images. Journal of Biomedicine and Biotechnology. 2009;2009:645609. doi:10.1155/2009/645609.
- LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–444. doi:10.1038/nature14539.
- World Health Organization. World Malaria Report 2024. Geneva: World Health Organization; 2024.
Lâm Trí Đức – Khoa KTXNYH
