AI phân tích da hoạt động như thế nào?

Điểm quan trọng là “AI phân tích da” bao gồm nhiều loại hệ thống khác nhau. Công cụ chăm sóc da thẩm mỹ thường tập trung vào đặc điểm bề mặt có thể quan sát qua ảnh, trong khi hệ thống hỗ trợ da liễu có thể được huấn luyện để phát hiện, phân đoạn hoặc phân loại tổn thương. Vì vậy, cùng sử dụng AI và hình ảnh nhưng loại dữ liệu đầu vào, nhãn huấn luyện, mức độ kiểm chứng và ý nghĩa của kết quả có thể rất khác nhau.

Hình ảnh da được chuẩn hóa trước khi AI bắt đầu phân tích

Ảnh đầu vào quyết định trực tiếp dữ liệu mà thuật toán có thể khai thác. Với ảnh khuôn mặt, hệ thống thường bắt đầu bằng việc phát hiện khuôn mặt và các mốc như mắt, mũi, miệng để căn chỉnh ảnh. Những khu vực không cần thiết có thể được loại bỏ hoặc che đi trước khi phân tích da.

Ảnh sau đó có thể được đổi kích thước, chuẩn hóa cường độ sáng hoặc màu và chia thành những vùng quan tâm. Các bước này nhằm giảm sai khác do khoảng cách chụp, vị trí khuôn mặt hoặc cấu hình camera. Trong dữ liệu dùng để huấn luyện mô hình, các kỹ thuật như xoay nhẹ, thay đổi độ sáng, tương phản, độ bão hòa hoặc lật ảnh cũng thường được sử dụng để mô hình ít phụ thuộc vào một điều kiện chụp duy nhất.

Tuy nhiên, chuẩn hóa không thể loại bỏ hoàn toàn ảnh hưởng của môi trường. Ánh sáng vàng có thể làm màu da khác ảnh chụp dưới ánh sáng ban ngày; bóng đổ có thể làm rãnh da trông sâu hơn; trang điểm có thể che đỏ da hoặc sắc tố. Với tổn thương da, tóc, phản sáng, độ tương phản thấp và các vật thể xuất hiện trong ảnh cũng có thể gây khó khăn cho quá trình phân đoạn.

AI tách vùng da và xác định vị trí đặc điểm cần quan sát

Trước khi đánh giá một đặc điểm, hệ thống cần biết đặc điểm đó nằm ở đâu. Đây là nhiệm vụ của các thuật toán phát hiện và phân đoạn hình ảnh.

Với khuôn mặt, AI có thể tạo mặt nạ cho vùng trán, má, mũi hoặc cằm rồi loại môi, mắt và tóc khỏi vùng tính toán. Với một tổn thương riêng biệt, mô hình phân đoạn có thể xác định đường biên giữa tổn thương và vùng da xung quanh. Kết quả thường là một bản đồ pixel cho biết phần nào thuộc đối tượng cần phân tích.

Bước phân đoạn có ý nghĩa vì nhiều chỉ số chỉ có giá trị khi được tính trong đúng vùng. Ví dụ, thuật toán đánh giá vùng sắc tố cần phân biệt điểm màu thực sự trên da với tóc hoặc bóng tối; hệ thống phân tích tổn thương cần biết đường biên trước khi tính độ bất đối xứng, hình dạng hay phân bố màu.

Phân đoạn sai sẽ truyền sai số sang những bước sau. Một vùng tối bị nhận nhầm thành tổn thương có thể làm thay đổi diện tích, hình dạng hoặc điểm mức độ dù mô hình tính toán phía sau vẫn hoạt động đúng.

Mô hình học màu sắc, kết cấu và hình dạng từ dữ liệu hình ảnh

Sau khi xác định vùng cần quan sát, AI chuyển các pixel thành những biểu diễn có thể dùng để nhận diện mẫu.

Các phương pháp thị giác máy tính truyền thống có thể tính trực tiếp những đặc trưng như cường độ màu, độ tương phản, đường biên, hình dạng hoặc thống kê kết cấu. Deep learning, đặc biệt là mạng nơ-ron tích chập, có thể học các biểu diễn này từ dữ liệu thay vì yêu cầu con người định nghĩa từng đặc trưng. Những kiến trúc thị giác mới hơn cũng có thể học quan hệ giữa các vùng khác nhau trong cùng hình ảnh.

Đối với phân tích da, các tín hiệu hình ảnh thường liên quan đến ba nhóm chính:

·         Màu sắc: sự thay đổi sắc độ, vùng đỏ, vùng tối hoặc phân bố sắc tố

·         Kết cấu: đường nhỏ, rãnh, vùng sần, cấu trúc bề mặt hoặc những thay đổi cục bộ

·         Hình học: diện tích, đường biên, độ đối xứng, kích thước và cách phân bố của vùng bất thường

Một mô hình không nhất thiết biến từng đặc điểm này thành một con số mà người dùng nhìn thấy. Trong deep learning, nhiều đặc trưng tồn tại dưới dạng biểu diễn nội bộ của mạng nơ-ron và được kết hợp để tạo đầu ra cuối cùng.

Từ đặc trưng hình ảnh, AI tạo bản đồ, điểm số hoặc phân loại

Đầu ra phụ thuộc vào mục tiêu được đặt ra khi huấn luyện mô hình.

Nếu nhiệm vụ là phát hiện mụn hoặc vùng sắc tố, hệ thống có thể trả về vị trí hoặc mặt nạ vùng nghi ngờ. Nếu cần đánh giá mức độ, mô hình hồi quy hoặc mô hình phân loại có thể chuyển các đặc trưng thành điểm hay cấp độ. Với phân tích tổn thương da, đầu ra có thể là nhóm tổn thương, mức nguy cơ hoặc xác suất của từng lớp.

Để tạo được những đầu ra này, mô hình phải học từ các ví dụ đã có nhãn. Nhãn có thể đến từ đánh giá chuyên gia, chẩn đoán đã xác nhận hoặc phép đo tham chiếu, tùy loại hệ thống. Trong quá trình huấn luyện, thuật toán liên tục điều chỉnh các tham số để đầu ra của nó gần với nhãn tham chiếu hơn.

Vì thế, AI không tự khám phá một định nghĩa tuyệt đối về “da tốt”, “mụn nặng” hay “tổn thương nguy hiểm”. Nó học mối quan hệ giữa dữ liệu hình ảnh và cách những trường hợp trong tập huấn luyện đã được gán nhãn. Nếu tiêu chuẩn gán nhãn không nhất quán hoặc dữ liệu không đại diện cho người sử dụng thực tế, kết quả cũng có thể lệch theo.

AI có thể nhận diện nhiều tín hiệu nhưng không phải mọi chỉ số da đều được đo trực tiếp từ ảnh

Ảnh RGB thông thường cung cấp nhiều thông tin về hình thái bề mặt và màu sắc, nên thích hợp hơn với những đặc điểm có biểu hiện trực quan như sắc tố, đỏ da, nếp nhăn, tổn thương nhìn thấy hoặc một số dạng mụn.

Ngược lại, những thuộc tính sinh lý nằm dưới bề mặt không tự động trở thành phép đo chỉ vì phần mềm gắn cho chúng một điểm số. Độ ẩm, lượng bã nhờn, tính đàn hồi hoặc một số đặc tính mô sâu thường có phương pháp đo chuyên biệt. Nếu một công cụ chỉ dùng ảnh camera thông thường, giá trị mà nó đưa ra có thể là ước tính dựa trên tín hiệu hình ảnh tương quan với thuộc tính đó, chứ không nhất thiết là phép đo trực tiếp giống thiết bị chuyên dụng.

Khả năng thu nhận thông tin thay đổi khi hệ thống sử dụng thêm phần cứng. Dermatoscope, ảnh đa phổ, ảnh siêu phổ hoặc các phương thức quang học khác có thể ghi nhận tín hiệu mà camera RGB thông thường không có. Khi đó AI vẫn thực hiện nhận dạng mẫu, nhưng dữ liệu mà mô hình được phép “nhìn thấy” đã phong phú hơn.

Do đó, hai ứng dụng cùng hiển thị một chỉ số mang tên giống nhau chưa chắc đang đo cùng một đại lượng hoặc có độ tin cậy tương đương. Muốn diễn giải kết quả đúng cần biết loại ảnh, phương pháp tham chiếu và mục tiêu mà mô hình đã được kiểm chứng.

Độ chính xác phụ thuộc vào dữ liệu, điều kiện chụp và nhóm người được phân tích

Hiệu năng của AI trên một bộ dữ liệu thử nghiệm không đồng nghĩa với hiệu năng giống hệt ngoài thực tế. Camera, ánh sáng, khoảng cách, độ phân giải và cách người dùng chụp đều có thể tạo ra khác biệt so với dữ liệu huấn luyện.

Màu da và tính đại diện của dữ liệu cũng là vấn đề quan trọng. Một mô hình học chủ yếu từ một số nhóm màu da hoặc bệnh cảnh nhất định có thể hoạt động kém hơn trên những trường hợp ít xuất hiện trong dữ liệu. Vì vậy, đánh giá AI da liễu cần xem hiệu năng theo các nhóm liên quan thay vì chỉ nhìn một con số accuracy tổng hợp.

Một nghiên cứu đăng trên Nature Medicine đánh giá mô hình trên 364 hình ảnh thuộc 46 bệnh da, với nhiệm vụ chính gồm chín nhãn, ghi nhận độ chính xác của mô hình là 47% trên bộ ảnh thử nghiệm. Con số này không phải benchmark chung cho mọi AI da liễu; nó cho thấy hiệu năng phụ thuộc rất mạnh vào nhiệm vụ, dữ liệu và bối cảnh đánh giá. Trong thực hành lâm sàng, bác sĩ còn sử dụng tiền sử, triệu chứng, vị trí tổn thương và khám trực tiếp — những thông tin mà một mô hình chỉ nhận ảnh không có.

Đây cũng là lý do kết quả dạng “92%” hoặc “95%” không thể được đánh giá độc lập nếu thiếu thông tin về dữ liệu thử nghiệm, số loại cần phân biệt, tiêu chuẩn tham chiếu và các chỉ số như sensitivity hoặc specificity. Một mô hình có thể đạt kết quả cao trong tập dữ liệu được kiểm soát nhưng giảm hiệu năng khi gặp ảnh từ thiết bị hoặc quần thể khác.

Kết quả AI nên được hiểu là phân tích hình ảnh, không mặc định là chẩn đoán

Ranh giới quan trọng nhất nằm ở mục đích sử dụng. Một ứng dụng phân tích nếp nhăn hoặc vùng sắc tố phục vụ chăm sóc da không tương đương với hệ thống hỗ trợ đánh giá tổn thương nghi ung thư.

Đối với một số phần mềm phân tích tổn thương có mục đích y tế, FDA của Hoa Kỳ xác định rõ loại thiết bị AI hỗ trợ bác sĩ có thể phân tích đặc tính quang học của tổn thương và đưa ra phân loại, nhưng được dùng như thông tin hỗ trợ, không phải chẩn đoán độc lập. Điều này phản ánh giới hạn cơ bản của phân tích từ hình ảnh: biểu hiện giống nhau trên ảnh có thể xuất phát từ những nguyên nhân khác nhau, trong khi quyết định lâm sàng còn phụ thuộc vào nhiều dữ liệu ngoài hình ảnh.

Với công cụ chăm sóc da, cách sử dụng hợp lý là xem kết quả như một phép đánh giá có điều kiện. Khi theo dõi thay đổi qua thời gian, ảnh nên được chụp trong điều kiện tương đối ổn định về ánh sáng, góc chụp, khoảng cách và tình trạng trang điểm để giảm biến thiên không liên quan đến da.

Nếu AI đánh dấu một tổn thương bất thường, thay đổi nhanh, chảy máu, loét hoặc có dấu hiệu đáng lo, kết quả của ứng dụng không nên được dùng để tự loại trừ bệnh. Khi đó, đánh giá chuyên môn dựa trên khám trực tiếp và dữ liệu lâm sàng có ý nghĩa cao hơn điểm số từ một bức ảnh.

AI phân tích da hoạt động theo chuỗi từ thu nhận và chuẩn hóa hình ảnh, xác định vùng cần quan sát, học hoặc trích xuất đặc trưng, rồi chuyển các đặc trưng đó thành bản đồ, điểm số hay phân loại. Hệ thống có thể nhận diện nhiều mẫu mà mắt thường khó lượng hóa nhất quán, nhưng kết quả luôn bị giới hạn bởi thông tin có trong ảnh và dữ liệu mà mô hình đã học. Vì vậy, giá trị của AI nằm ở khả năng phân tích hình ảnh có hệ thống và hỗ trợ đánh giá; độ tin cậy của từng kết quả chỉ có thể hiểu đúng khi xét cùng phương thức chụp, dữ liệu huấn luyện, tiêu chuẩn kiểm chứng và mục đích sử dụng.