Nữ cử nhân kinh tế rẽ hướng nghiên cứu AI hỗ trợ phát hiện ung thư

Tốt nghiệp ngành kinh tế, Nguyễn Thị Ngọc Trúc chuyển sang nghiên cứu AI phân tích tế bào cổ tử cung, kỳ vọng hỗ trợ bác sĩ phát hiện sớm tổn thương.

Nguyễn Thị Ngọc Trúc là CEO Pathology AI Lab - dự án ứng dụng AI hỗ trợ phân tích hình ảnh tế bào học cổ tử cung. Dự án hiện vào Top 15 vòng sơ khảo giải thưởng Âu Lạc Grand Prize 2026.

Tốt nghiệp ngành kinh tế tại ĐH Kinh tế TP HCM, xuất phát điểm của Trúc không phải chuyên môn y khoa hay kỹ thuật. Tuy nhiên, trong quá trình làm nghề, cô nhận thấy bản thân muốn trực tiếp tạo ra công nghệ thay vì chỉ phân tích những gì người khác làm, và AI trở thành lĩnh vực để cô thử sức. "Từ tư duy đặt câu hỏi, kiểm chứng giả định và giải quyết vấn đề đến tận gốc, tôi tiếp cận bài toán tế bào học cổ tử cung, từng bước đi sâu vào một lĩnh vực xa chuyên môn ban đầu", Trúc nói.

Cơ duyên lựa chọn lĩnh vực hỗ trợ là ung thư cổ tử cung đến từ một câu chuyện cá nhân trong giai đoạn giãn cách vì Covid-19. Trưa Sài Gòn oi bức giữa mùa dịch, Trúc nhận tin nhắn từ một người bạn kể rằng mẹ mình mắc ung thư cổ tử cung. Khi được phát hiện, bệnh đã ở giai đoạn nặng. Trong khi các bệnh viện dồn sức chống dịch, việc đi lại, thăm khám gặp nhiều khó khăn; gia đình người bệnh phải chờ đợi trong lo lắng.

Câu chuyện khiến Trúc trăn trở liệu mọi chuyện có thể khác đi nếu bệnh được phát hiện sớm hơn. Cô trao đổi với Vũ Hoàng Nguyên, sau này là Giám đốc Công nghệ Pathology AI Lab, và các cộng sự. Họ tìm hiểu quy trình sàng lọc ung thư cổ tử cung để xác định công đoạn nào công nghệ có thể hỗ trợ. Nhóm lựa chọn nghiên cứu ứng dụng AI vào phân tích hình ảnh tế bào, nhận diện những vùng nghi ngờ bất thường, một công việc đòi hỏi nhiều thời gian và sự tập trung của nhân viên y tế.

Theo Trúc, đích đến của dự án không phải thay thế bác sĩ bằng máy móc, mà cung cấp thêm công cụ để hỗ trợ chuyên gia y tế trong quá trình đọc mẫu và góp phần cải thiện khả năng phát hiện tổn thương.

Từ câu chuyện người bệnh đến AI sàng lọc ung thư

Để tham gia phát triển sản phẩm, Trúc cùng cả nhóm tìm hiểu cách bác sĩ nhận diện tế bào bất thường, quy trình xử lý mẫu, phương pháp huấn luyện và đánh giá mô hình AI. Với một người xuất thân từ ngành kinh tế, cô phải học thêm nhiều kiến thức y khoa và kỹ thuật vốn xa lạ với chuyên môn ban đầu.

"Tôi không đặt mục tiêu trở thành bác sĩ hay kỹ sư AI, mà muốn hiểu đủ sâu để đặt đúng câu hỏi, kết nối chuyên gia y tế với đội ngũ công nghệ và đưa ra quyết định có trách nhiệm", Trúc cho hay. "Những cuộc trao đổi với bác sĩ về khối lượng công việc, quy trình xét nghiệm và tình trạng chẩn đoán muộn giúp tôi nhận ra sản phẩm cần giải quyết nhu cầu cụ thể của người làm chuyên môn".

Sàng lọc là kiểm tra để tìm dấu hiệu bệnh từ sớm, kể cả khi người được kiểm tra chưa có triệu chứng. Với ung thư cổ tử cung, một cách sàng lọc là xét nghiệm tế bào. Nhân viên y tế lấy mẫu ở cổ tử cung, xử lý và nhuộm màu. Bác sĩ hoặc chuyên gia tế bào học sau đó nhìn qua kính hiển vi, tự tìm những tế bào khác thường.

Trong quá trình tìm hiểu, nhóm biết rằng những thay đổi tiền ung thư có thể được phát hiện thông qua sàng lọc phù hợp, tạo cơ hội can thiệp trước khi bệnh tiến triển. "Bác sĩ phải tìm một vài tế bào bất thường giữa hàng nghìn tế bào bình thường. Đôi khi, chính những dấu hiệu rất nhỏ ấy lại mang thông tin quan trọng về nguy cơ ung thư của người bệnh", Trúc giải thích.

Từ ý tưởng đến bài toán thực tế

Công việc đòi hỏi sự tập trung cao, trong khi nguồn lực chuyên môn và trang thiết bị giữa các cơ sở y tế chưa đồng đều.

Pathology AI Lab được phát triển nhằm hỗ trợ một phần quy trình này. Sau khi mẫu được xử lý, hình ảnh tế bào được số hóa và đưa vào hệ thống. AI phân tích, đánh dấu vùng nghi ngờ và gợi ý phân loại tổn thương. Bác sĩ kiểm tra các vùng được đánh dấu, đối chiếu hình ảnh gốc và đưa ra kết luận chuyên môn. Hệ thống cũng hướng tới hỗ trợ tổng hợp thông tin, chuẩn bị báo cáo.

Theo Trúc, độ chính xác tổng thể không phải thước đo duy nhất. Nếu dữ liệu chủ yếu gồm mẫu bình thường, mô hình vẫn có thể đạt tỷ lệ chính xác cao nhưng bỏ sót trường hợp bất thường. Vì vậy, nhóm cần đánh giá khả năng phát hiện từng nhóm tổn thương, tỷ lệ bỏ sót, cảnh báo sai và tính nhất quán trên các bộ dữ liệu khác nhau.

Thách thức xuất hiện khi nhóm chuyển từ dữ liệu hình ảnh có sẵn sang dữ liệu bệnh viện. Sự khác biệt về cách chuẩn bị, nhuộm mẫu, thiết bị ghi hình, chất lượng ảnh và tỷ lệ các nhóm tế bào có thể khiến kết quả tốt trong nghiên cứu ban đầu không lặp lại ở môi trường thực tế.

Để khắc phục, nhóm nghiên cứu hướng đến kỹ thuật giúp AI thích ứng với dữ liệu từ nhiều nguồn khác nhau (Domain Adaptation). Đội ngũ cũng chú trọng kiểm thử trên dữ liệu độc lập, phân tích các trường hợp sai và tham khảo đánh giá của chuyên gia y tế.

Quá trình làm việc với các bác sĩ giúp nhóm nhận ra rằng kết quả phân loại đơn thuần chưa đủ hữu ích. Bác sĩ cần xác định được vùng AI nghi ngờ, xem lại hình ảnh gốc và xác nhận hoặc điều chỉnh nhận định của hệ thống.

Từ phản hồi này, nhóm chú trọng khả năng giải thích của AI, cách hiển thị vùng nghi ngờ và cơ chế để bác sĩ kiểm tra kết quả. "Công nghệ phải thích ứng với quy trình làm việc của nhân viên y tế, thay vì buộc họ thay đổi cách làm để phù hợp với máy móc", Trúc cho hay.

AI hỗ trợ, bác sĩ quyết định

CEO Trúc hình dung, thị giác máy tính giống như "đôi mắt" của hệ thống, giúp nhận diện các đặc điểm về hình dạng, kích thước, màu sắc và cấu trúc tế bào. Các AI Agent có thể đóng vai trò trợ lý, tổng hợp kết quả phân tích, tra cứu thông tin chuyên môn và hỗ trợ chuẩn bị báo cáo.

Hai thành phần này đảm nhiệm những công việc khác nhau, nhưng đều phục vụ quá trình ra quyết định của bác sĩ. AI có thể đánh dấu vùng nghi ngờ, đưa ra gợi ý và chỉ ra mức độ tin cậy; bác sĩ kiểm tra bằng chứng, đối chiếu hình ảnh và chịu trách nhiệm về kết luận chuyên môn.

Theo Trúc, hệ thống cũng cần nhận biết những trường hợp ảnh kém chất lượng hoặc kết quả chưa đủ chắc chắn để chuyển sang bước xem xét bổ sung. Việc giải thích được vì sao AI đưa ra một cảnh báo không đồng nghĩa với việc cảnh báo đó luôn đúng. Do vậy, dữ liệu được chuyên gia gán nhãn, thử nghiệm độc lập trên nhiều nguồn mẫu và phân tích lỗi, nhất là các trường hợp bỏ sót tổn thương, là những yêu cầu quan trọng.

Đến nay, Pathology AI Lab vẫn trong giai đoạn nghiên cứu và kiểm chứng.

Trong thời gian tới, nhóm dự định đưa sản phẩm đến gần hơn với môi trường sử dụng thực tế, đánh giá trên dữ liệu mới, kiểm tra mức độ phù hợp với quy trình bệnh viện và chuẩn bị các điều kiện về pháp lý, bảo mật dữ liệu trước khi thương mại hóa. Nhóm cũng muốn mở rộng tập dữ liệu, tăng hợp tác với chuyên gia y tế và thực hiện thêm các thử nghiệm độc lập.

Về dài hạn, nếu được kiểm chứng và tích hợp phù hợp, công nghệ số hóa hình ảnh kết hợp AI có thể hỗ trợ các cơ sở y tế rà soát mẫu hiệu quả hơn. Khi hạ tầng và quy trình chia sẻ dữ liệu đáp ứng yêu cầu, việc hội chẩn từ xa cũng có thể tạo thêm cơ hội hỗ trợ những nơi thiếu nhân lực chuyên khoa. "Dù vậy, công nghệ chỉ là một phần của bài toán; khả năng tiếp cận dịch vụ sàng lọc và nhận thức của người dân vẫn đóng vai trò quan trọng", Trúc nhấn mạnh.

Nhìn lại hành trình từ ngành kinh tế sang nghiên cứu AI y tế, Trúc cho rằng một sản phẩm hữu ích cần nhiều hơn mô hình công nghệ tốt. Sản phẩm còn phải giải quyết được vấn đề của người dùng, phù hợp với quy trình thực tế và tạo ra giá trị có thể kiểm chứng.

"Đừng để ngành học giới hạn khả năng của mình" là điều cô muốn nhắn gửi những người trẻ ngoài lĩnh vực công nghệ. Tuy nhiên, theo Trúc, mong muốn thôi chưa đủ; người làm sản phẩm cần học hỏi, bắt tay thực hiện, đặt câu hỏi và hợp tác với những người có chuyên môn khác mình.

Nguyễn Phượng