Nhu cầu đối với bác sĩ chẩn đoán hình ảnh vẫn đạt mức cao nhất mọi thời đại

• Các mô hình AI như CheXNet, được công bố năm 2017, cho thấy độ chính xác cao hơn bác sĩ chẩn đoán hình ảnh con người trong chẩn đoán viêm phổi, nhưng lại không thể tái hiện kết quả đó trong môi trường y tế thực tế
• Dù gần đây hàng trăm mô hình AI chẩn đoán hình ảnh đã được FDA phê duyệt, số vị trí việc làm và mức lương của bác sĩ chẩn đoán hình ảnh tại Mỹ lại đang ở mức cao kỷ lục
• Những giới hạn của AI y tế bao gồm thiếu dữ liệu, khác biệt giữa môi trường thực tế và điều kiện huấn luyện, rào cản về quy định và bảo hiểm, cùng với việc bác sĩ chẩn đoán hình ảnh còn đảm nhiệm nhiều vai trò ngoài chẩn đoán
• Thay vì tự động hóa hoàn toàn, mô hình con người và AI cùng phối hợp đã trở thành tiêu chuẩn của ngành y tế, và ngay cả khi AI phát triển thì nhu cầu lao động bác sĩ chẩn đoán hình ảnh cũng không giảm
• 10 năm đầu tiên của làn sóng phổ biến AI y tế cho thấy một nghịch lý: AI có tiềm năng lớn trong việc nâng cao năng suất, nhưng trên thực tế lại làm tăng nhu cầu lao động của con người

---

Mở đầu: Sự xuất hiện của AI và những kỳ vọng

• Các mô hình AI như CheXNet xuất hiện năm 2017 đã được huấn luyện trên hơn 100.000 ảnh X-quang ngực và cho thấy kết quả vượt trội hơn chuyên gia con người về độ chính xác trong đọc viêm phổi
• Nhiều công ty như Annalise.ai, Lunit, Aidoc, Qure.ai đã tung ra các hệ thống AI có thể phát hiện hàng trăm bệnh, đồng thời có thể tích hợp vào hệ thống hồ sơ bệnh viện
• Có hơn 700 mô hình AI chẩn đoán hình ảnh được FDA phê duyệt, chiếm 75% tổng số thiết bị AI y tế
• Chẩn đoán hình ảnh từ lâu được đánh giá là lĩnh vực phù hợp nhất để AI thay thế nhờ đầu vào số hóa, nhận diện mẫu, và khả năng đo lường kết quả rõ ràng
• Tuy nhiên trên thực tế, nhu cầu đào tạo bác sĩ chẩn đoán hình ảnh đã lên mức cao nhất từ trước đến nay, còn thu nhập cũng tăng 48% so với năm 2015, cho thấy nhu cầu nhân lực con người đang gia tăng

Những giới hạn của hệ thống AI chẩn đoán hình ảnh

Khác biệt giữa môi trường thực tế và dữ liệu huấn luyện

• Các mô hình AI chẩn đoán hình ảnh thể hiện hiệu năng xuất sắc trên dữ liệu chuẩn hóa và trong những điều kiện cụ thể, nhưng trong môi trường bệnh viện thực tế thì hiệu năng suy giảm do khác biệt dữ liệu giữa các bệnh viện, đặc tính thiết bị chẩn đoán, và sự thiếu đa dạng
• Phần lớn mô hình chỉ đạt độ chính xác cao với một bệnh cụ thể hoặc một loại ảnh cụ thể; trong nhiều trường hợp đa dạng hơn, phải thay phiên áp dụng nhiều mô hình khác nhau, gây bất tiện
• Ngay cả các thuật toán đã được FDA phê duyệt cũng chỉ xử lý một phần của công việc đọc ảnh thực tế, chủ yếu tập trung vào một số bệnh quan trọng như đột quỵ, ung thư vú, ung thư phổi
• Việc thiếu dữ liệu về trẻ em, phụ nữ và các nhóm chủng tộc thiểu số, cùng với các trường hợp bệnh biểu hiện tinh vi hoặc lẫn với bệnh khác, cũng làm giảm năng lực dự đoán

Khoảng cách giữa benchmark và ứng dụng lâm sàng

• Trong các bài kiểm thử benchmark, AI đạt các chỉ số định lượng cao, nhưng trong môi trường lâm sàng thực tế, kết quả của bác sĩ chẩn đoán hình ảnh cùng hệ thống hỗ trợ lại không tốt như kỳ vọng
• Ví dụ, trong lĩnh vực chụp nhũ ảnh, các hệ thống AI hỗ trợ đã nâng độ nhạy khi đọc ảnh nhưng chỉ làm tăng tỷ lệ xét nghiệm bổ sung và sinh thiết không cần thiết, mà không nâng tỷ lệ phát hiện ung thư
• Việc đọc kép bởi một hoặc hai bác sĩ đọc ảnh cùng nhau cho thấy khả năng phát hiện ung thư cao hơn AI hỗ trợ, đồng thời tỷ lệ tái khám không cần thiết cũng thấp hơn

Quy định pháp lý và thể chế làm chậm tốc độ tự động hóa

• FDA phân loại phần mềm chẩn đoán hình ảnh thành công cụ hỗ trợ/phân loại và công cụ tự động hóa hoàn toàn
  • Tự động hóa hoàn toàn là rất hiếm, chỉ áp dụng trong một số điều kiện đặc biệt như IDx-DR
  • Với các hình ảnh mà AI khó đọc, phần mềm phải tự dừng và chuyển cho nhân viên y tế xử lý
• Yêu cầu pháp lý rất cao, và mỗi lần mô hình được huấn luyện lại hoặc thay đổi cũng cần phê duyệt mới
• Các công ty bảo hiểm cho rằng công cụ tự động hóa có xác suất gây thiệt hại hàng loạt cao hơn nếu xảy ra sai sót, nên có xu hướng không muốn bồi hoàn cho kết quả chẩn đoán chỉ do AI đưa ra
• Về mặt pháp lý, tiêu chuẩn thường là chỉ những bản đọc ảnh do bác sĩ trực tiếp diễn giải và ký xác nhận mới được bảo hiểm chi trả

Vai trò thay đổi của bác sĩ chẩn đoán hình ảnh

• Trên thực tế, bác sĩ chẩn đoán hình ảnh chỉ dành 36% thời gian cho việc diễn giải hình ảnh; phần còn lại được dùng cho tư vấn với bệnh nhân và đồng nghiệp, giám sát xét nghiệm, đào tạo, thay đổi chỉ định điều trị và nhiều công việc khác
• Ngay cả khi thời gian đọc ảnh giảm đi thì cũng không xảy ra sa thải không cần thiết; ngược lại, công việc mới còn tăng lên, kéo theo hiện tượng tổng khối lượng đọc ảnh nói chung tiếp tục tăng
  • Ví dụ, khi chuyển từ phim sang kỹ thuật số, năng suất đọc ảnh tăng mạnh nhưng không có cắt giảm nhân sự y tế; ngược lại tổng số xét nghiệm hình ảnh còn tăng hơn 60%
• Việc tăng tốc xử lý hình ảnh dẫn đến nhiều cách ứng dụng hơn trong hệ thống y tế, như giảm thời gian chờ xét nghiệm và cải thiện khả năng ứng phó tình huống khẩn cấp

Triển vọng tương lai: Bài học từ 10 năm đầu phổ biến AI

• Trong 10 năm qua, việc đưa AI vào khám chữa bệnh hằng ngày diễn ra chậm hơn rất nhiều so với trình độ kỹ thuật của các mô hình AI
• Các yếu tố phi kỹ thuật như quy định, bảo hiểm, tư vấn bệnh nhân và vai trò chủ thể của bác sĩ đang là rào cản đối với việc thay thế hoàn toàn
• Mô hình cơ bản hiện nay là AI không thay thế nhân lực mà đóng góp vào tăng năng suất thông qua hợp tác với con người
• Trên các nền tảng lớn như Facebook, khả năng tự động hóa bằng AI có thể cao hơn, nhưng với các công việc tri thức gồm nhiều loại nhiệm vụ khác nhau, việc đưa phần mềm vào thường có xu hướng làm tăng thay vì giảm khối lượng lao động của con người
• Kinh nghiệm trong lĩnh vực chẩn đoán hình ảnh cho thấy AI không thay thế ngay công việc của con người, mà ngược lại còn tạo ra kết quả mang tính nghịch lý: nhu cầu nhân lực con người được duy trì hoặc mở rộng cùng với những thay đổi về xã hội, thể chế và hành vi

[GN⁺]

Ý kiến Hacker News

• Tôi là bác sĩ X quang can thiệp và có bằng thạc sĩ khoa học máy tính; ngoài lĩnh vực X quang thì mọi người dường như không hiểu vì sao AI vẫn chưa thể thay thế X quang. Giải thích ngắn gọn là, nếu hỏi AI có thể chẩn đoán hình ảnh tốt hơn bác sĩ X quang con người hay không thì câu trả lời gần như là “có”, hoặc sẽ sớm như vậy. Nhưng nếu hỏi X quang có bị thay thế không thì câu trả lời gần như là “không”. Lý do là rủi ro pháp lý trong y tế. Trừ khi luật hiện hành thay đổi, bác sĩ X quang vẫn phải là người ký cuối cùng trên mọi báo cáo. Vì vậy dù AI có đọc ảnh và viết ra một báo cáo hoàn hảo, bước xác nhận cuối cùng của bác sĩ X quang vẫn là nút thắt cổ chai. Hiện nay bác sĩ X quang đọc rất nhanh ít nhất 60~100 ca mỗi ngày thuộc nhiều loại xét nghiệm khác nhau, và đây đã gần như là giới hạn con người có thể gánh được. Ngay cả khi AI viết toàn bộ báo cáo thay họ, họ vẫn phải xem lại và ký từng cái, nên gần như không tiết kiệm được bao nhiêu thời gian. Tất nhiên có thể sẽ có một bác sĩ vô trách nhiệm chỉ bấm ký cho xong, nhưng cũng sẽ có luật sư sẵn sàng khởi kiện việc đó

  • Điều này giống như lập luận rằng xe tự lái sẽ không bao giờ được thương mại hóa vì luôn phải có một người ngồi ghế lái để “chịu trách nhiệm”. Nhưng thực tế không như vậy, vì FDA đã phê duyệt các hệ thống AI có thể hoạt động mà không cần bác sĩ xác nhận
  • Nếu AI thực sự tốt hơn bác sĩ X quang thì điều gì sẽ xảy ra? Có thể hình dung bác sĩ X quang chỉ ngồi cả ngày bấm “duyệt, duyệt”, hoặc dù có phản bác kết quả của AI thì cuối cùng vẫn chứng minh được AI đúng. Khi điều này trở thành lẽ thường trong giới y tế, các bệnh viện sẽ vận động sửa luật để cắt giảm chi phí, và cuối cùng sẽ vận hành mà không cần bác sĩ X quang con người nữa
  • Sẽ có những bệnh nhân không muốn trả thêm 6.000 USD chỉ để tăng độ chính xác từ 99,9% lên 99,95%
  • Tôi là bác sĩ chẩn đoán hình ảnh với hơn 20 năm kinh nghiệm lâm sàng và đã lập trình từ năm 1979. Tôi muốn phản đối một giả định cốt lõi của bạn. Tôi không đồng ý với ý “AI đã có thể đọc ảnh tốt hơn con người hoặc sẽ sớm làm được”. Tôi có dùng các sản phẩm AI mới nhất và theo dõi sát thông tin, nhưng chưa có cái nào trong số đó tiệm cận mức đủ dùng cho đọc phim lâm sàng thực tế. Vì giới hạn của dữ liệu và sự biến thiên vô hạn của giải phẫu người cũng như biến đổi bệnh lý, trừ khi AGI thật sự xuất hiện, chúng sẽ không thể thay thế kiểu tư duy trực giác, phân tích và tổng hợp của bác sĩ X quang con người. Mỗi ngày chúng tôi gặp các mẫu hình mới và các ca chưa từng thấy, nhiều tình huống không thể đưa hết vào dữ liệu. Tôi cũng đang ở cuối sự nghiệp nên không có động cơ giữ ghế cho mình. Nếu có công nghệ thay thế thật sự tốt, tôi sẵn sàng rời sân khấu, nhưng tôi không nghĩ chúng ta đã ở gần giai đoạn đó
  • Người ngoài ngành X quang thường không hiểu vì sao AI vẫn chưa có chỗ đứng rõ rệt. Thực tế AI sẽ không thể thay thế hoàn toàn X quang. Đúng hơn, AI cần phối hợp với bác sĩ X quang để bù cho khối lượng công việc lớn và tình trạng thiếu nhân lực. Lấy ví dụ ở tim mạch: tỷ lệ bác sĩ chuyên khoa tim vẫn rất thấp. Diễn giải ECG khó và lặp lại, nên ở nhiều nước, ngay cả Holter ECG cũng đang gần như chuyển hết sang diễn giải tự động. Nhưng độ chính xác của AI/ML quá thấp, nên chỉ khi kéo độ nhạy lên gần 100% thì mới có thể phối hợp được với bác sĩ tim mạch. Vì vậy tự động hóa phải được định vị là “hỗ trợ” chứ không phải “thay thế”. Bác sĩ tim mạch thà dành thời gian cho đào tạo thế hệ sau, thủ thuật, nghiên cứu hoặc nghỉ ngơi còn hơn. Ví dụ, xem thuật toán Pan–Tompkins: Wiki thuật toán Pan–Tompkins

• Khi Tesla công bố video trình diễn tự lái hoàn toàn năm 2016 với thông điệp “người lái chỉ ngồi đó vì lý do pháp lý, không làm gì cả, xe tự chạy”, tôi đã nghĩ ngành vận tải đường bộ sẽ thay đổi mãi mãi và cân nhắc lại việc bước vào ngành. Nhưng giờ 2025 đã cận kề mà phần lớn thay đổi vẫn rất chậm hoặc gần như chưa xảy ra. Có rất nhiều lạc quan cho rằng công nghệ sẽ thay đổi thế giới mạnh mẽ, nhưng thực tế nhiều khi thay đổi diễn ra cực chậm hoặc bị đình trệ

  • Tôi không nhìn vào robotaxi mà nhìn vào Waymo. Waymo đang hiện thực hóa tầm nhìn xe tự lái thực sự mà tôi từng tưởng tượng khi còn nhỏ, và số khách hàng của họ đang tăng theo cấp số nhân. Nếu tin vào thống kê an toàn của Waymo thì đây đúng là một dịch vụ an toàn. Câu nói công nghệ bị đánh giá quá cao trong ngắn hạn và quá thấp trong dài hạn khá phù hợp ở đây, dù câu chuyện X quang rõ ràng là trường hợp khác… Tham khảo độ an toàn của Waymo: Mức độ an toàn và tác động của Waymo
  • Không cần cảm thấy mình bị lừa bởi video của Tesla, vì sau này người ta phát hiện nó đã được dàn dựng. Bài liên quan: Reuters – video quảng bá tự lái của Tesla bị dàn dựng Tôi đã đi Waymo suốt năm qua và rất hài lòng. Tôi cũng mong công nghệ này phổ biến nhanh hơn, nhưng tôi không xem các vấn đề góc cạnh bất ngờ là bằng chứng cho thấy đây là điều bất khả thi, chỉ là nó cần nhiều thời gian hơn
  • Machine learning vốn luôn xuất sắc trong 98% trường hợp, còn chúng ta ngộ nhận rằng 2% còn lại cũng sẽ được giải quyết dễ dàng
  • Các công nghệ bị thổi phồng quá mức thường có demo rất ấn tượng, nhưng lại có 10.000 ngoại lệ chết người. Tự lái và đọc ảnh X quang là ví dụ điển hình. Càng ít ca ngoại lệ thì công nghệ lại càng hoạt động tốt hơn kỳ vọng, ví dụ TikTok recommendation hay Shazam
  • Tôi thật sự ngạc nhiên khi phần lớn tàu hỏa đến giờ vẫn do con người lái

• Giai thoại hay nhất về machine learning và X quang là hồi ai cũng thi nhau dùng AI để phân loại ảnh X-ray phổi của người nhiễm COVID. Có một nhóm nghiên cứu đạt kết quả phân loại khá ổn, nhưng sau đó người ta phát hiện AI thực ra học sự khác nhau về font watermark trên ảnh của các bệnh viện khác nhau trong bộ dữ liệu, tức là nó đang phân biệt “font chữ” chứ không phải tình trạng nhiễm COVID. Bài tham khảo: Bài báo trên Nature Machine Intelligence Từ khóa tìm kiếm: “AI for radiographic COVID-19 detection selects shortcuts over signal”. Có thể tìm được cả bản open access

  • Tôi cũng từng thấy các nỗ lực dùng machine learning để phát hiện COVID qua tiếng ho. Nếu tiếng ho của bệnh nhân COVID thực sự khác biệt có ý nghĩa thống kê so với một loại bệnh hô hấp nào đó, thì người nghe bình thường lẽ ra cũng phải phân biệt được khá dễ. Tôi không hiểu vì sao người ta lại tin là điều đó sẽ hiệu quả
  • Những giai thoại như vậy có tính giáo dục, nhưng đó là ví dụ của dữ liệu sai và huấn luyện kém hơn là giới hạn nội tại của chính thuật toán. Nếu có dữ liệu và phương pháp đúng, về mặt kỹ thuật việc thay thế bác sĩ X quang không phải là điều quá khó. Trừ khi tồn tại một nguyên lý chung hay giới hạn hiển nhiên nào đó ngăn cản, các mô hình thị giác đơn giản là quá phù hợp với công việc này

• Trọng tâm của bài là ba ý sau: 1) nếu muốn giao thêm việc cho mô hình thì sẽ vướng rào cản pháp lý 2) cơ quan quản lý và công ty bảo hiểm không phê duyệt/hoàn trả cho mô hình tự trị 3) phần chẩn đoán chỉ chiếm tỷ trọng nhỏ trong công việc của bác sĩ X quang, còn phần lớn là giao tiếp với bệnh nhân và nhân viên y tế. Kể cả khi mô hình machine learning chẩn đoán hoàn hảo và miễn phí, cấu trúc nghề này vẫn khiến bác sĩ X quang chưa thể bị “thay thế” ngay

  • Tôi không đồng ý với nhận định rằng “bác sĩ X quang dành phần lớn thời gian cho giao tiếp với bệnh nhân và đồng nghiệp hơn là chẩn đoán”. Phần lớn bác sĩ X quang đi làm, ngồi đọc hàng loạt ảnh chụp, đọc kết quả bằng máy ghi âm rồi về nhà. Nếu có AI hoàn hảo thì bản thân nghề này sẽ không còn ý nghĩa gì nữa. Nó giống như công việc chỉ ngồi nhìn màn hình CCTV vậy
  • Nếu có AI hoàn hảo thì không cần bác sĩ X quang nữa. Hiện tại luồng công việc là bác sĩ điều trị → kỹ thuật viên chụp X quang → bác sĩ X quang (đọc phim) → bác sĩ điều trị, nhưng nếu có AI hoàn hảo thì sẽ thành kỹ thuật viên chụp X quang → mô hình ML → bác sĩ điều trị
  • Mỗi lần chụp X-ray tôi chưa bao giờ nói chuyện với bác sĩ X quang. Thường chỉ có kỹ thuật viên vận hành máy, còn chẩn đoán thì do một bác sĩ X quang từ xa viết riêng. Và các bác sĩ khác mà tôi trực tiếp gặp cũng có vẻ không giao tiếp trực tiếp với bác sĩ X quang. Tôi tò mò không biết trên toàn nước Mỹ có phải cấu trúc đều như vậy không
  • Tôi cũng muốn hỏi về nhận định cho rằng giao tiếp với bệnh nhân là phần việc quan trọng của bác sĩ X quang. Trong mọi lần chụp chiếu tôi từng trải qua, hoàn toàn không có giao tiếp nào với bác sĩ X quang. Họ hiếm khi gặp bệnh nhân, còn phần lớn giao tiếp với đồng nghiệp thì kỹ thuật viên X quang cũng có thể làm. Lý do cần đến một bác sĩ chuyên khoa cho phần giao tiếp này có vẻ không mạnh. Nếu AI đọc phim thì vai trò giao tiếp có thể chuyển sang y tá hoặc kỹ thuật viên X quang

• Chỉ riêng hôm nay tôi đã chuyển một nữ bệnh nhân sang X quang để sinh thiết lõi, một nam bệnh nhân sang tiêm cột sống thắt lưng, một bệnh nhân khác sang tiêm vai, và một tháng trước còn chuyển một phụ nữ khác sang can thiệp thuyên tắc điều trị lạc nội mạc tử cung. Sắp tới tôi còn định chuyển một ca thuyên tắc do rò nước tiểu sau cắt thận. Liệu LLM có làm được các thủ thuật này không? Khi AI làm phổ cập một kỹ năng nào đó, giới chuyên gia sẽ chuyển sang kỹ năng khác và nhường lại phần việc đã bị commoditized. Ví dụ, sau khi đọc ECG được máy tự động hóa, mức hoàn trả giảm mạnh đến mức chính tôi cũng cố tình bỏ qua kỹ năng đó để tập trung vào não và rối loạn vận động. Vì vậy khi bệnh nhân cần giải thích ECG, tôi chỉ việc gửi sang bác sĩ tim mạch, rồi họ lại chỉ định thêm đủ loại xét nghiệm. Điều này làm tăng chi phí và thời gian cho bệnh nhân cũng như hệ thống y tế, nhưng cũng đành chịu. Tương lai có thể xuất hiện những “sa mạc y tế” giống như các “sa mạc thực phẩm”, tức là những lĩnh vực mà chuyên gia AI không muốn làm, nhất là lão khoa, vùng nông thôn hay tâm thần học

  • Mục tiêu của hệ thống y tế không phải là bảo đảm thu nhập cao cho bác sĩ mà là chữa trị cho bệnh nhân. Cái gì tự động hóa được thì nên tự động hóa để tăng khả năng tiếp cận. Tự động hóa ECG cũng giúp mở rộng tiếp cận
  • X quang can thiệp khác với X quang chỉ đọc phim và đòi hỏi đào tạo nhiều hơn rất nhiều
  • Máy đọc ECG tự động đôi khi quá máy móc và độ nhạy quá thấp nên ở hiện trường cấp cứu gần như vô dụng. Nếu máy chỉ liên tục in ra “ABNORMAL ECG – EVALUATION NEEDED” thì rõ ràng ai cũng mong có một công cụ thật sự ra hồn hơn

• Năm 2016, giáo sư Geoffrey Hinton từng nói rằng “giờ nên dừng đào tạo bác sĩ X quang lại”. Nếu chỉ tin hết mọi điều những người ủng hộ AI nói, có lẽ thế giới đã sụp đổ từ lâu rồi

  • Câu này thường được nhắc lại, nhưng Hinton đã nói khá bột phát trong bối cảnh không hiểu rằng bác sĩ X quang không chỉ làm chẩn đoán. Hinton cũng không phải kiểu “fan cứng” AI thực sự, mà ngược lại còn gần với phe bi quan về AI hơn
  • Ví dụ nếu bắt đầu chương trình nội trú năm 2016 thì 5 năm sau, tức 2021, sẽ hoàn thành đào tạo và khoảng 31 tuổi. Sau đó còn làm bác sĩ chừng 30 năm nữa, nên xét theo lịch thì vẫn đủ thời gian để kéo dài đến tận những năm 2050. Trong 25 năm nữa, có lẽ lời Hinton nói cũng đúng được 50%
  • Nếu nới lỏng quy định y tế và giải thể AMA, có thể lời tiên đoán của Hinton giờ này đã đúng. Và có khi cuộc sống của mọi người còn tốt hơn
  • Rào cản lớn nhất để AI thay thế X quang là luật pháp. Một nghề phải đào tạo nhiều năm nhưng tồn tại chủ yếu nhờ quy định thì là lựa chọn rủi ro, vì chỉ cần luật đổi là có thể biến mất
  • Dự đoán tương lai thật sự quá khó. Không ai biết thế giới sau 20 năm nữa sẽ ra sao

• Tôi là bác sĩ đồng thời là kỹ sư full-stack, nên tôi không muốn theo X quang hay học thêm chuyên sâu nữa. AI sẽ trước tiên tăng cường năng lực cho X quang, rồi sau đó mới bắt đầu thay thế một số công việc. Các bác sĩ X quang hiện tại sẽ tự nhiên chuyển sang những mảng mới như X quang can thiệp

  • Tôi là bác sĩ X quang kiêm kỹ sư full-stack, và tôi không lo nghề này biến mất. Nó sẽ thay đổi, nhưng cũng sẽ đi theo lộ trình tương tự nhiều nghề khác
  • Tôi cũng từng là sinh viên y và đồng ý. AI ở phòng khám nha khoa của tôi đã có thể thiết kế cả mô hình hàm mới hoàn chỉnh cho implant v.v., bác sĩ chỉ hoàn thiện bước cuối cùng bằng tay. Tôi nghĩ nhiều loại nhân sự y tế cuối cùng có thể chỉ còn đóng vai trò gánh bảo hiểm và trách nhiệm pháp lý. Việc 30% vị trí nội trú ở Mỹ đang được lấp bởi bác sĩ nước ngoài cũng là một chi tiết thú vị
  • Tổ hợp bác sĩ + kỹ sư đúng là hiếm, nhưng quanh tôi cũng đã có rồi. Cách nhìn này thật sự cần cho ngành y và là một lợi thế rất độc đáo. Tôi xem họ như Neo và Morpheus vậy
  • Nếu là bác sĩ + kỹ sư thì ngược lại còn có tương lai lớn trong X quang. Nghề sẽ không biến mất, mà còn cần những người kết nối y học với công nghệ
  • Tôi tò mò không biết bạn nhìn tương lai của dược sĩ thế nào, vì theo tôi nó có vẻ sẽ bị tự động hóa hoàn toàn; tôi không rõ phán đoán của con người thực sự tạo khác biệt gì ở đây

• Hồi tháng 5 năm nay, New York Times cũng có một bài tương tự rằng “AI không thay thế bác sĩ X quang” Xem bài NYT. Ý kiến của các bác sĩ và phát biểu của Hinton khá thú vị. “AI sẽ hỗ trợ, định lượng, nhưng sẽ không đi đến kết luận diễn giải cuối cùng của kỹ thuật.” “Trong 5 năm nữa, không dùng AI thậm chí có thể bị xem là sai sót y khoa.” “Nhưng cuối cùng con người và AI sẽ cùng đi với nhau.” Về sau Hinton cũng thừa nhận qua email rằng ông đã nói quá khái quát; ông chỉ đang nói về phần diễn giải hình ảnh, hướng đi thì đúng nhưng dự báo thời điểm thì sai

• Cần bắt buộc chuyển đổi AI trong ngành X quang. Mỗi ngày khoa X quang phải sử dụng AI vượt một tỷ lệ nhất định, phải tăng năng suất gấp đôi, nếu không thì nên bị sa thải. Theo lời các CEO, AI là công nghệ đột phá nhất chúng ta từng thấy, nên vì lo lắng mà càng phải chấp nhận nó. Ngoài ra không có lựa chọn nào khác

  • Giờ tôi thật sự không còn phân biệt nổi đây là nghiêm túc hay châm biếm nữa

• Tôi không tin vào việc giao cho bác sĩ không thuộc chuyên ngành X quang nhiệm vụ diễn giải kết quả AI đọc phim. Dù AI có xuất sắc trên benchmark đến đâu, nếu không có nền tảng kiến thức để tự phân tích thì cũng giống như đọc một bài báo khoa học 20 trang mà không thể đánh giá xem nó có đáng tin hay không

  • Khái niệm “nghiên cứu cấp độ PhD” bản thân nó đã quá mơ hồ rồi. Preprint, poster hội nghị, bài đồng tác giả đang làm dở, bài chưa phản biện, sách chuyên khảo… mỗi giai đoạn chất lượng đều khác nhau rất nhiều
  • Cũng có người đùa rằng những lúc như vậy thì cứ nhờ một mô hình nghiên cứu deep learning khác phê bình nó là xong