AI chỉ thực sự tạo ra giá trị khi gắn liền với một lĩnh vực chuyên môn cụ thể

'AI chỉ phát huy giá trị khi kết hợp với một lĩnh vực cụ thể'

Theo PGS.TS Nguyễn Văn Hiển, để theo đuổi AI, người trẻ cần hiểu sâu một chuyên ngành thay vì chỉ học thuật toán, đồng thời phải biết cách xây dựng sản phẩm và làm việc liên ngành.

PGS.TS Nguyễn Văn Hiển sinh năm 1984 tại Đà Nẵng, hiện công tác tại khoa Điện và Kỹ thuật máy tính - Đại học Houston (Mỹ), chuyên nghiên cứu về AI, thị giác máy tính và phân tích hình ảnh y sinh. Ông đã công bố hơn 100 bài báo khoa học và sở hữu 12 bằng sáng chế tại Mỹ.

Trước đó, ông từng là nhà nghiên cứu tại Siemens Healthineers và nhà khoa học cấp cao tại bộ phận xe tự hành Uber ATG. Nghiên cứu của ông nhận tài trợ từ Quỹ Khoa học quốc gia Mỹ (NSF) và Viện Y tế quốc gia Mỹ (NIH), từng giành một số giải thưởng báo chí xuất sắc, đồng thời là thành viên cao cấp của Học viện Sáng chế Quốc gia Mỹ (NAI) và Ủy viên hội đồng biên tập tạp chí Computerized Medical Imaging and Graphics (Elsevier).

Bên lề sự kiện Beyond Honors do công ty New England Elite Consulting (NEEC) tổ chức tại TP HCM cuối tuần qua, PGS.TS Hiển đã chia sẻ với VnExpress về hành trình vươn ra thế giới bằng niềm đam mê, ứng dụng công nghệ vào y khoa và tương lai của các bác sĩ.

PGS.TS Nguyễn Văn Hiển. Ảnh: NVCC

- Là cựu học sinh chuyên Toán - Lý, THPT chuyên Lê Quý Đôn (Đà Nẵng), trải qua hành trình đến Singapore và Mỹ, đâu là quyết định bước ngoặt đã thay đổi cuộc đời ông?

- Tôi luôn trân trọng nền tảng từ những năm tháng tại trường chuyên Lê Quý Đôn. Đó là bệ phóng cho các cơ hội lớn tại Singapore và Mỹ sau này.

Nhìn lại chặng đường đã qua, sự khác biệt không đến từ một bước ngoặt duy nhất. Đó là kết quả của việc liên tục đưa ra những quyết định nhỏ dựa trên nguyên tắc: chọn thử thách khó nhưng ý nghĩa, chủ động cộng tác với những người giỏi hơn, và luôn tin rằng giới hạn của bản thân không cố định tại một chỗ.

- Điều gì đã thúc đẩy ông theo đuổi deep learning (học sâu) từ năm 2013 khi AI còn khá xa lạ, và ông đã bao giờ nghi ngờ lựa chọn của mình chưa?

- Khoảng năm 2013, khi thực hiện luận án tiến sĩ về mã hóa thưa thớt (Sparse Coding) và bắt đầu nghiên cứu về phân tích ảnh y khoa tại Siemens Healthineers, tôi nhận thấy khi các mô hình có cấu trúc càng sâu, tức có nhiều tầng biểu diễn, hiệu quả trên dữ liệu thực tế càng vượt trội so với các phương pháp truyền thống.

Cùng lúc đó, các công trình tiên phong về học sâu của nhóm do nhà khoa học máy tính Geoffrey Hinton dẫn dắt đã xuất hiện và xác nhận quan sát đó. Thay vì hoài nghi, tôi quyết định dấn thân, tham gia phát triển và cuối cùng cho ra đời một trong những bằng sáng chế đầu tiên trên thế giới về ứng dụng học sâu trong chẩn đoán hình ảnh y khoa. Sáng chế này sau đó được Siemens triển khai trên nhiều sản phẩm chẩn đoán hình ảnh.

Tôi chưa từng nghi ngờ việc AI sẽ thay đổi cách con người thực hành y học. Câu hỏi bỏ ngỏ chưa bao giờ là "liệu điều đó có xảy ra", mà là "khi nào" và "ai sẽ xây dựng công nghệ một cách có trách nhiệm" - những câu hỏi mà tôi vẫn tiếp tục theo đuổi đến tận hôm nay.

- Nhìn vào các dự án y tế của ông, có thể thấy triết lý chung là AI giúp bác sĩ đưa ra quyết định tốt hơn thay vì thay thế họ?

- Đây là lựa chọn có chủ đích của tôi dựa trên một nguyên lý toán học gọi là "lý thuyết tổ hợp mô hình" (Ensemble Theory).

Bác sĩ và AI thường mắc sai sót ở những tình huống khác nhau. AI dễ lúng túng trước các ca bệnh hiếm hoặc dữ liệu nhiễu. Bác sĩ có thể bỏ sót tổn thương do áp lực thời gian hoặc giảm tập trung khi làm việc kéo dài. Chính vì sai theo những cách khác nhau, khi kết hợp, hai bên có thể bù trừ cho nhau, giúp giảm đáng kể nguy cơ bỏ sót.

Điều này đã được kiểm chứng qua nhiều nghiên cứu lâm sàng quốc tế. Chẳng hạn, nghiên cứu công bố trên tạp chí y khoa American Journal of Surgical Pathology năm 2018 cho thấy, các bác sĩ giải phẫu bệnh khi đọc hạch lympho để phát hiện di căn ung thư vú đạt độ nhạy khoảng 83% nếu làm việc độc lập. Khi được AI hỗ trợ, độ nhạy tăng lên 91% với độ đặc hiệu gần như không đổi và thời gian đọc được rút ngắn. Xu hướng tương tự cũng được ghi nhận trong sàng lọc ung thư vú, X-quang ngực và chẩn đoán xuất huyết não trên chụp cắt lớp vi tính (CT).

Hơn nữa, y học không chỉ là bài toán nhận dạng hình ảnh. Đó là tổng hòa của việc đánh giá bối cảnh lâm sàng, giao tiếp và chịu trách nhiệm với bệnh nhân. AI có thể phân tích số lượng lớn hình ảnh với độ nhất quán cao, giải phóng thời gian để bác sĩ tập trung vào những ca phức tạp, nơi kinh nghiệm và phán đoán của con người tạo ra khác biệt lớn nhất.

Tôi tin trong 10 năm tới, những hệ thống AI tồn tại bền vững sẽ là những công cụ được xây dựng cùng bác sĩ, giúp bác sĩ làm việc tốt hơn, chứ không phải loại bỏ họ.

PGS. TS Nguyễn Văn Hiển tại sự kiện của NEEC. Ảnh: NVCC

- Ở vị trí một nhà khoa học Việt làm việc tại Mỹ, nhìn về quê hương, ông thấy Việt Nam có lợi thế gì trong cuộc đua AI, và đâu là khoảng cách lớn cần vượt qua?

- AI là lĩnh vực rất rộng, từ mô hình ngôn ngữ, robot cho đến y tế. Tôi xin chia sẻ từ góc nhìn mà mình hiểu rõ nhất, đó là AI trong y học. Việt Nam có ba lợi thế lớn nhưng thường bị đánh giá chưa đầy đủ.

Thứ nhất là về đặc điểm dịch tễ học. Một số bệnh có tỷ lệ mắc cao tạo ra nguồn dữ liệu lâm sàng rất giá trị. Việc kiểm định AI trên bộ dữ liệu này giúp mô hình vừa đáng tin cậy với người Việt, vừa nâng cao khả năng ứng dụng ở nhiều quốc gia. Đây là giá trị khoa học mà các bệnh viện Việt Nam có thể đóng góp cho cộng đồng nghiên cứu toàn cầu.

Thứ hai là về cơ cấu dân số. Việt Nam đang sở hữu lực lượng kỹ sư trẻ, học hỏi nhanh và tốc độ phát triển nhân lực kỹ thuật rất cao.

Thứ ba liên quan đến định hướng chính sách. Khung pháp lý và chiến lược quốc gia cho AI đang được định hình rõ nét, với nhiều luật và quy định mới đã được ban hành.

Tuy nhiên, Việt Nam vẫn đối mặt với hai khoảng cách rất khó thu hẹp. Trong đó, sự thiếu hụt đội ngũ chuyên gia AI cấp cao có kinh nghiệm thực chiến trong các lĩnh vực rủi ro cao như y tế là yếu tố không thể rút ngắn chỉ bằng đào tạo trong lớp học. Theo tôi, hợp tác quốc tế có thể giúp quá trình này diễn ra nhanh hơn đáng kể.

Khoảng cách về hạ tầng nghiên cứu lâm sàng, bao gồm bệnh viện, hội đồng đạo đức và quản trị dữ liệu, vẫn chưa đồng bộ. Đây là quá trình xây dựng năng lực của cả một hệ sinh thái, không thể giải quyết bằng một chính sách hay dự án ngắn hạn.

Trong 10 năm tới, những quốc gia thành công nhất về AI y khoa sẽ là những nước biết kết hợp năng lực trong nước với hợp tác khoa học quốc tế thay vì phát triển đơn lẻ. Đó cũng là con đường phù hợp nhất với Việt Nam.

- Nhiều bạn trẻ muốn theo đuổi AI, nhưng cũng lo ngại AI sẽ thay thế nhiều công việc. Theo ông, năng lực quan trọng nhất cần xây dựng để không bị tụt lại là gì?

- Thay vì những lời khuyên chung chung, tôi có ba gợi ý cụ thể.

Thứ nhất, cần hiểu thật sâu một chuyên ngành. AI chỉ phát huy giá trị khi kết hợp với một lĩnh vực cụ thể như y học, tài chính hay nông nghiệp. Kỹ sư xuất sắc phải hiểu đủ sâu về ngành đó để đối thoại bình đẳng với các chuyên gia.

Tiếp theo, phải biết xây dựng hệ thống thực tế. Khả năng biến một thuật toán thành phần mềm ổn định, an toàn và liên tục cải tiến từ phản hồi người dùng quan trọng hơn việc chỉ biết tạo ra mô hình.

Cuối cùng là làm việc với người ngoài ngành. Nên biết lắng nghe, thấu hiểu nhu cầu của bác sĩ, nhà quản lý và bệnh nhân, đồng thời kết nối công nghệ với con người.

Về cơ hội nghề nghiệp, đừng đặt nặng việc làm ở Mỹ, châu Âu hay Việt Nam. Hãy tự hỏi bản thân muốn giải quyết vấn đề gì và chọn nơi mà bài toán đó có cơ hội được giải tốt nhất.

- Ông nói không nên đặt nặng việc học hay làm ở đâu, nhưng có quan điểm cho rằng "cần đi du học mới có thể nâng cao kỹ năng, sau đó quay về phục vụ quê hương"?

- Du học vẫn rất cần thiết để được cọ xát tại các trung tâm nghiên cứu tuyến đầu và hiểu cách hệ sinh thái công nghệ quốc tế vận hành. Tuy nhiên, khái niệm "cống hiến" ngày nay phức tạp hơn câu chuyện "ở lại hay trở về".

Khoa học hiện đại là mạng lưới hợp tác toàn cầu. Ví dụ với tôi, môi trường học thuật và nghiên cứu chính vẫn tại Mỹ, nơi tôi giảng dạy và theo đuổi các chương trình khoa học của mình. Song song đó, tôi cũng tham gia hợp tác nghiên cứu quốc tế, trong đó có Việt Nam, bởi nhiều nghiên cứu y khoa ngày nay đòi hỏi quy mô và sự đa dạng dữ liệu vượt quá khả năng của bất kỳ một quốc gia nào.