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

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

PSG.TS Nguyễn Văn Hiển sinh năm 1984 tại Đà Nẵng, làm việc 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 của 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), giành một số giải báo chí xuất sắc, đồng thời là thành viên cao cấp của Học viện sáng chế quốc gia Mỹ (NAI), 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 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 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, quyết định bước ngoặt nào 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 như Singapore và Mỹ sau này.

Nhìn lại chặng đường đã qua, sự khác biệt không đến từ một bước ngoặt duy nhất. Nó 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 giới hạn của mình không cố định một chỗ.

- Điều gì 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?

- 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 nhiều tầng biểu diễn, hiệu quả trên dữ liệu thực tế càng vượt trội so với các phương pháp truyền thống.

Cùng lúc, các công trình tiên phong về học sâu của nhóm do nhà khoa học máy tính Geoffrey Hinton xuất hiện đã 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 của thế giới về học sâu cho chẩn đoán hình ảnh y khoa. Sáng chế sau đó được Siemens triển khai trên nhiều sản phẩm chẩn đoán hình ảnh.

Tôi chưa từng nghi ngờ AI sẽ thay đổi cách con người thực hành y học. Câu hỏi còn 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 tôi tiếp tục theo đuổi đến hôm nay.

- Nhìn vào các dự án liên quan đến y tế của ông, có thể thấy triết lý chung là AI giúp bác sĩ đưa ra quyết định tốt hơn thay vì loại bỏ 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 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, 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 bản thân hiểu rõ nhất, là AI trong y học. Việt Nam có ba lợi thế lớn nhưng thường bị đánh giá chưa đầy đủ.

Thứ nhất 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 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 ban hành.

Tuy nhiên, Việt Nam đối mặt với hai khoảng cách rất khó thu hẹp. Trong đó, thiếu hụt đội ngũ chuyên gia AI cấp cao có kinh nghiệm thực chiến trong lĩnh vực rủi ro cao như y tế là yếu tố chưa 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, 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 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 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 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 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, 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.

Khi nghiên cứu AI được kiểm định trên dữ liệu lâm sàng từ Việt Nam, bệnh nhân trong nước được tiếp cận công nghệ chuẩn thế giới. Đồng thời, hệ thống AI cũng hoạt động công bằng và chính xác hơn trên toàn cầu vì phản ánh tốt hơn sự đa dạng của thực hành lâm sàng trong thế giới thực. Đó là mối quan hệ cùng có lợi, không phải sự lựa chọn giữa lợi ích của quốc gia này với quốc gia khác.

- Về mục tiêu lớn nhất trong sự nghiệp, ông mong muốn công trình của mình tạo ra thay đổi gì cho ngành y tế hoặc cho cuộc sống của con người?

- Tôi mong công việc của mình góp phần thu hẹp khoảng cách y tế giữa những nơi có nhiều nguồn lực và những nơi còn nhiều hạn chế. Nếu trong 10 năm nữa, một bệnh nhân ở tuyến tỉnh có thể tiếp cận chất lượng phân tích hình ảnh tương đương các trung tâm y khoa hàng đầu, bác sĩ có thêm thông tin đưa ra quyết định nhanh hơn và chính xác hơn, người bệnh được điều trị sớm hơn và có nhiều cơ hội hồi phục hơn..., những nỗ lực mình tạo ra thực sự ý nghĩa.

Những công nghệ như vậy nên được phát triển thông qua sự hợp tác giữa các nhà khoa học, bác sĩ và bệnh viện ở nhiều quốc gia. Một hệ thống AI chỉ thực sự đáng tin cậy khi được kiểm chứng trên những quần thể bệnh nhân đa dạng và được xây dựng cùng chính những bác sĩ sẽ sử dụng nó. Khi đó, mọi bên đều được hưởng lợi từ tiến bộ của khoa học.

Khoa học, xét cho cùng, không phải cuộc đua xem ai đi nhanh. Điều quan trọng là chúng ta có để lại những tri thức và công nghệ thực sự giúp cuộc sống con người tốt đẹp và bình đẳng hơn hay không.

Bảo Lâm