Giao lưu AI y tế Bắc Kinh: Bệnh viện Ung bướu Đại học Bắc Kinh đón chuyên gia UBC, UCL

Chuỗi giao lưu AI y tế Bắc Kinh do Bệnh viện Ung bướu Đại học Bắc Kinh (Peking University Cancer Hospital) tổ chức từ 31/7 đến 7/8/2026 đã quy tụ giáo sư Arman Rahmim (Đại học British Columbia - UBC) và các nghiên cứu sinh UBC, University College London (UCL), bàn về AI đáng tin cậy trong y học.

Sự kiện nằm trong khuôn khổ hợp tác 'Trung – Canada – Anh về chẩn đoán và xạ trị thông minh bằng AI', với các bài giảng, hội thảo và trao đổi nghiên cứu tại nhiều đơn vị của Đại học Bắc Kinh.

Bối cảnh và đơn vị tổ chức chuỗi giao lưu AI y tế Bắc Kinh

Hoạt động do Bệnh viện Ung bướu Đại học Bắc Kinh chủ trì, với sự hỗ trợ của chương trình bài giảng học thuật cấp cao thuộc Văn phòng Hợp tác Quốc tế, Trung tâm Khoa học Y tế Đại học Bắc Kinh (Peking University Health Science Center); Quỹ Giao lưu Nhân tài Quốc tế Trung Quốc; Quỹ Khoa học Tự nhiên Quốc gia; và dự án đặc biệt 'Y học lâm sàng + X' dành cho nhà khoa học trẻ của Đại học Bắc Kinh.

Trong khuôn khổ sự kiện, các chuyên gia đã có các buổi trao đổi và hợp tác nghiên cứu tại Khoa Y học hạt nhân, Khoa Xạ trị, Khoa Hình ảnh y tế của Bệnh viện Ung bướu Đại học Bắc Kinh; Trung tâm Khoa học Hình ảnh Y sinh Quốc gia Đại học Bắc Kinh; và Khoa Thần kinh Bệnh viện số 6 Đại học Bắc Kinh. Giảng viên và sinh viên đến từ Đại học Bắc Kinh, Trung tâm Khoa học Y tế Đại học Bắc Kinh, các bệnh viện trực thuộc, Đại học Bách khoa Hồng Kông (Hong Kong Polytechnic University) và Đại học Hàng không Vũ trụ Bắc Kinh (Beihang University) cũng tham gia thảo luận.

Giáo sư Arman Rahmim: hơn 240 công bố, 3 bài giảng về AI đáng tin cậy

Arman Rahmim là giáo sư, giảng viên hướng dẫn tiến sĩ tại Khoa Vật lý Y khoa và Kỹ thuật Y sinh, Đại học British Columbia (UBC); giám đốc phòng thí nghiệm QURIT; nhà khoa học xuất sắc kiêm nhà vật lý y học hạt nhân tại Trung tâm Ung thư BC (Canada); chủ tịch Phân hội AI và chủ tịch Ủy ban AI – đo liều của Hội Y học Hạt nhân và Hình ảnh Phân tử Hoa Kỳ (SNMMI); thành viên Ủy ban đánh giá quỹ Vật lý Y khoa và Hình ảnh (MPI) của Viện Nghiên cứu Y tế Canada (CIHR). Ông từng là phó chủ tịch (2017–2018) và chủ tịch (2018–2019) Hội đồng Vật lý, Thiết bị và Khoa học Dữ liệu (PIDSC) của SNMMI.

Giáo sư Rahmim có hơn 240 bài báo khoa học đăng trên các tạp chí như IEEE TMI, Medical Physics và các hội nghị SNMMI, EANM, AAPM; tổng trích dẫn vượt 22.000 lần; hơn 150 bài báo cáo mời tại các tổ chức nghiên cứu và lâm sàng trên thế giới. Ông nhận Giải thưởng Nhà khoa học trẻ John S. Laughlin của Hiệp hội Vật lý Y khoa Hoa Kỳ (AAPM) năm 2016 và Giải thưởng Phục vụ xuất sắc của Chủ tịch SNMMI năm 2022.

Ba bài giảng của ông tại chuỗi giao lưu:

Dựa trên nền tảng mã nguồn mở PyCNO do nhóm của ông phát triển, giáo sư Rahmim trình bày tiềm năng của ung bướu tính toán (CNO) và mô hình 'bản sao số' chẩn đoán – điều trị (TDTs). Phương pháp kết hợp mô hình dược động học dựa trên sinh lý (PBPK) với dữ liệu hình ảnh, xét nghiệm và lâm sàng của bệnh nhân có thể xây dựng mô hình phân bố dược chất phóng xạ và liều xạ cá thể hóa, từ đó hỗ trợ thử nghiệm lâm sàng ảo để tối ưu liều dùng và dự đoán đáp ứng riêng cho từng người bệnh.

Ông cũng chỉ ra điểm nghẽn của AI y tế: dù có nhiều nghiên cứu chứng minh khái niệm và công ty khởi nghiệp, thiếu sót về phương pháp và thiên kiến tiềm ẩn vẫn cản trở ứng dụng lâm sàng rộng rãi. Để khắc phục, ông giới thiệu hướng dẫn do nhóm công tác AI của SNMMI xây dựng, với sự tham gia của Đại học Washington, Đại học Yale, Trung tâm Y khoa Đại học Amsterdam (Hà Lan) và Viện Curie (Institut Curie, Pháp). Hướng dẫn khuyến nghị tách bạch nghiên cứu phát triển phương pháp và nghiên cứu đánh giá; sử dụng xác thực chéo nội bộ, xác thực ngoại bộ độc lập và khung đánh giá RELIANCE nhằm nâng cao độ ổn định và khả năng giải thích của mô hình. Rahmim bày tỏ mong muốn tăng cường hợp tác quốc tế với các nhà khoa học Trung Quốc để xây dựng quy trình hợp tác chuẩn hóa, liên ngành trên phạm vi toàn cầu, đẩy nhanh chuyển giao AI y tế đáng tin cậy vào lâm sàng.

Nghiên cứu sinh UBC và UCL chia sẻ công cụ AI hỗ trợ chẩn đoán

Monica Luo, nghiên cứu sinh song bằng MD/PhD (bác sĩ – tiến sĩ) tại UBC, trình bày báo cáo 'Bridging Medicine and Research: Radiomics and Machine Learning Applications for Medical Imaging' (Kết nối y học và nghiên cứu: ứng dụng radiomics – trích xuất đặc trưng định lượng từ ảnh và máy học trong hình ảnh y tế). Cô nhấn mạnh vai trò của 'bác sĩ – nhà khoa học' trong xây dựng mô hình AI và chuyển giao vào lâm sàng; giới thiệu kỹ thuật học tích cực (active learning) giúp giảm phụ thuộc vào dữ liệu gán nhãn quy mô lớn. Nhóm nghiên cứu cũng tích hợp công nghệ theo dõi chuyển động mắt vào nền tảng 'Gaze-nnUNet', cho phép bác sĩ tham gia gán nhãn phân đoạn ảnh trong lúc đọc phim, tạo nên quy trình cộng tác người – máy hiệu quả.

Stylianos Charalampous, nghiên cứu sinh ngành trí tuệ nhân tạo và hình ảnh y tế tại University College London (UCL), giới thiệu nghiên cứu 'Lesion-Informed Quantification of White Matter Damage in Cerebral Small Vessel Disease' (Định lượng tổn thương chất trắng trong bệnh mạch máu nhỏ não dựa trên thông tin tổn thương). Công trình tập trung đánh giá mức độ tín hiệu cao bất thường của chất trắng (WMH) – một dấu hiệu hình ảnh liên quan bệnh mạch máu nhỏ não (CSVD). Công cụ mã nguồn mở LeukoQuant do nhóm phát triển hỗ trợ chạy đa nền tảng, có thể dùng các mô-đun độc lập và mở rộng thêm chỉ dấu ảnh cùng loại tổn thương mới. Nghiên cứu có sự hợp tác của Khoa X quang và Y học hạt nhân, Trung tâm Y khoa Đại học Amsterdam; Viện Thần kinh Queen Square thuộc UCL; và Khoa Tính toán Y sinh, Đại học King's College London (KCL).

Ý nghĩa với người đọc Việt Nam

Dù sự kiện diễn ra tại Bắc Kinh, nội dung trao đổi về AI y tế đáng tin cậy có giá trị tham khảo cho quá trình chuyển đổi số trong y tế tại Việt Nam. Các khuyến nghị như tách bạch nghiên cứu phát triển và nghiên cứu đánh giá, xác thực chéo trên nhiều trung tâm dữ liệu, hay xây dựng quy trình để bác sĩ tham gia gán nhãn dữ liệu đều có thể áp dụng khi các bệnh viện Việt Nam triển khai AI hỗ trợ chẩn đoán hình ảnh và xạ trị. Đây cũng là lời nhắc về việc cần đầu tư hạ tầng dữ liệu chuẩn hóa và hợp tác đa trung tâm để AI có thể thực sự đến được giường bệnh.

Ảnh: Youn Seung Jin / Pexels