Name: Khi nào Trí tuệ nhân tạo sẽ thay thế các bác sĩ chẩn đoán hình ảnh? 🤖 (When Will Artificial Intelligence Replace Radiologists? 🤖)
Uploaded: 2025-10-13T07:40:12.000Z
Duration: 15 min 49 s
Description: Thousands of YouTube videos with English-Chinese subtitles! Now you can learn to understand native speakers, expand your vocabulary, and improve your pronunciation...

Is Artificial intelligence replacing radiologists?

Trí tuệ nhân tạo có đang thay thế bác sĩ chẩn đoán hình ảnh không?

Jubbal medschoolinsiders.com Artificial intelligence is making impressive strides in healthcare, and

Jubbal medschoolinsiders.com Trí tuệ nhân tạo đang có những bước tiến ấn tượng trong lĩnh vực chăm sóc sức khỏe, và

there is an ever growing interest in its potential to revolutionize medicine.

ngày càng có nhiều sự quan tâm đến tiềm năng của nó trong việc cách mạng hóa y học.

Radiology has become a focal point of this conversation, causing people to speculate over whether AI will eventually replace radiologists entirely.

Chẩn đoán hình ảnh đã trở thành tâm điểm của cuộc trò chuyện này, khiến mọi người suy đoán liệu AI có cuối cùng thay thế hoàn toàn các bác sĩ chẩn đoán hình ảnh hay không.

In 2016, the pioneering computer scientist Geoffrey Hinton infamously predicted that AI would surpass radiologists within five years.

Vào năm 2016, nhà khoa học máy tính tiên phong Geoffrey Hinton đã đưa ra dự đoán tai tiếng rằng AI sẽ vượt qua các bác sĩ chẩn đoán hình ảnh trong vòng 5 năm.

Nhưng những lo ngại này có chính đáng không?

Let's dive in so can artificial intelligence replace radiologists?

Hãy cùng tìm hiểu xem liệu trí tuệ nhân tạo có thể thay thế bác sĩ chẩn đoán hình ảnh không nhé?

The short answer is no, not anytime soon.

Câu trả lời ngắn gọn là không, chưa thể sớm được.

Let's go through a few of the reasons why.

Hãy cùng xem xét một vài lý do tại sao.

First, we need to cover the basics of how image recognition works.

Đầu tiên, chúng ta cần tìm hiểu những điều cơ bản về cách nhận dạng hình ảnh hoạt động.

AI excels at pattern recognition, which forms the basis for image recognition models.

AI vượt trội trong nhận dạng mẫu, đây là nền tảng cho các mô hình nhận dạng hình ảnh.

These models rely on artificial neural networks, typically a specific type called a convolutional neural Network, or CNN.

Các mô hình này dựa vào mạng nơ-ron nhân tạo, thường là một loại cụ thể gọi là mạng nơ-ron tích chập, hay CNN.

CNNs consist of multiple layers arranged sequentially, and

CNN bao gồm nhiều lớp được sắp xếp tuần tự, và

each layer can be thought of as recognizing specific features of an image.

mỗi lớp có thể được coi là nhận dạng các đặc điểm cụ thể của hình ảnh.

A convolution is a special type of mathematical function that in this context can be thought of as a filter that slides across the input image to detect these features.

Tích chập là một loại hàm toán học đặc biệt, trong ngữ cảnh này có thể coi là một bộ lọc trượt trên hình ảnh đầu vào để phát hiện các đặc điểm này.

Early layers typically start with simpler elements such as lines and shapes, while deeper layers detect increasingly complex patterns such as objects or faces.

Các lớp đầu tiên thường bắt đầu với các yếu tố đơn giản như đường nét và hình dạng, trong khi các lớp sâu hơn phát hiện các mẫu ngày càng phức tạp như vật thể hoặc khuôn mặt.

The network then compares these patterns to the vast data set of labeled images it was trained on, enabling it to make predictions about the content of the input image.

Sau đó, mạng so sánh các mẫu này với tập dữ liệu khổng lồ gồm các hình ảnh được gán nhãn mà nó đã được huấn luyện, cho phép nó đưa ra dự đoán về nội dung của hình ảnh đầu vào.

It's also important to understand that current image recognition models are task specific image in radiology, convolutional neural networks have had success in specific applications, such as detecting large vessel occlusions in acute stroke and identifying pulmonary nodules.

Điều quan trọng cần hiểu là các mô hình nhận dạng hình ảnh hiện tại chuyên biệt theo tác vụ. Trong chẩn đoán hình ảnh, mạng nơ-ron tích chập đã thành công trong các ứng dụng cụ thể, chẳng hạn như phát hiện tắc nghẽn mạch máu lớn trong đột quỵ cấp và xác đ

Commercial software packages using such models are already available for purchase by hospitals.

Các gói phần mềm thương mại sử dụng các mô hình như vậy đã có sẵn để các bệnh viện mua.

However, all of these models are highly specialized and task specific, meaning each is trained to detect a single pathology.

Tuy nhiên, tất cả các mô hình này đều có tính chuyên môn hóa cao và chuyên biệt theo tác vụ, nghĩa là mỗi mô hình được huấn luyện để phát hiện một bệnh lý duy nhất.

Stroke, for example, is one of hundreds of different brain conditions that can present on imaging structures.

Ví dụ, đột quỵ là một trong hàng trăm tình trạng não khác nhau có thể xuất hiện trên các cấu trúc hình ảnh.

So even if you could train a model for every condition, it would require running hundreds of models simultaneously.

Vì vậy, ngay cả khi bạn có thể huấn luyện một mô hình cho mọi tình trạng, thì việc này cũng đòi hỏi chạy hàng trăm mô hình cùng lúc.

Additionally, many conditions present similarly on imaging, which brings us to the third point.

Ngoài ra, nhiều tình trạng có biểu hiện tương tự trên hình ảnh, điều này dẫn chúng ta đến điểm thứ ba.

Radiology demands more than pattern recognition it also requires clinical knowledge.

Chẩn đoán hình ảnh đòi hỏi nhiều hơn là nhận dạng mẫu, nó còn yêu cầu kiến thức lâm sàng.

Radiologists interpret imaging findings within the broader clinical context, integrating them with the patient's medical history and current condition to provide accurate differential diagnoses.

Các bác sĩ chẩn đoán hình ảnh diễn giải các phát hiện hình ảnh trong bối cảnh lâm sàng rộng hơn, tích hợp chúng với tiền sử bệnh và tình trạng hiện tại của bệnh nhân để đưa ra chẩn đoán phân biệt chính xác.

For example, lung opacities are a frequent finding on chest X rays, and

Ví dụ, các đám mờ ở phổi là một phát hiện thường gặp trên X-quang ngực, và

while a task specific AI model can be trained to detect them, it would be unable to determine the underlying cause.

trong khi một mô hình AI chuyên biệt theo tác vụ có thể được huấn luyện để phát hiện chúng, thì nó sẽ không thể xác định nguyên nhân tiềm ẩn.

Are the opacities due to atelectasis, infection, pulmonary edema, or even hemorrhage Differentiating between these requires medical knowledge and clinical reasoning.

Các đám mờ đó là do xẹp phổi, nhiễm trùng, phù phổi, hay thậm chí là xuất huyết? Phân biệt giữa chúng đòi hỏi kiến thức y khoa và suy luận lâm sàng.

Moreover, radiologists also use clinical judgment to recommend correlating imaging findings with specific lab tests or or suggest further imaging when necessary.

Hơn nữa, các bác sĩ chẩn đoán hình ảnh còn sử dụng phán đoán lâm sàng để đề xuất đối chiếu các phát hiện hình ảnh với các xét nghiệm cận lâm sàng cụ thể hoặc đề xuất thêm các chẩn đoán hình ảnh khi cần thiết.

These decision making processes go far beyond mere pattern recognition.

Những quy trình ra quyết định này vượt xa việc nhận dạng mẫu đơn thuần.

AI complex reasoning is certainly in our near future, as Sam Altman mentioned in his January 2025 Reflections and Updates, which means it could soon start taking context into account.

Khả năng suy luận phức tạp của AI chắc chắn sẽ sớm xuất hiện, như Sam Altman đã đề cập trong bài "Reflections and Updates" tháng 1 năm 2025, nghĩa là nó có thể sớm bắt đầu xem xét bối cảnh.

But as we rely more and more on AI, we will need more experts to tell us where AI gets things wrong.

Nhưng khi chúng ta ngày càng phụ thuộc vào AI, chúng ta sẽ cần nhiều chuyên gia hơn để cho chúng ta biết AI sai ở đâu.

And there are also the many hurdles of scale scaling and implementation.

Và còn có vô số rào cản về quy mô và triển khai.

Even if you get something working in a lab, it can be years before it reaches a hospital.

Ngay cả khi bạn làm cho một thứ gì đó hoạt động trong phòng thí nghiệm, cũng có thể mất nhiều năm trước khi nó đến được bệnh viện.

Plus, there are massive legal and ethical issues to contend with, which we'll discuss later in this video.

Thêm vào đó, có những vấn đề pháp lý và đạo đức khổng lồ cần phải giải quyết, mà chúng ta sẽ thảo luận sau trong video này.

Malpractice law is well established, not something that will be rewritten overnight.

Luật về sai sót y khoa đã được thiết lập vững chắc, không phải là thứ có thể viết lại trong một sớm một chiều.

Now you may be wondering, what about ChatGPT?

Bây giờ bạn có thể tự hỏi, còn ChatGPT thì sao?

The AI models currently used in radiology are narrow in scope and useful in highly specific tasks.

Các mô hình AI hiện đang được sử dụng trong chẩn đoán hình ảnh có phạm vi hẹp và hữu ích trong các tác vụ rất cụ thể.

But to fully replace a radiologist, an AI model would need to accurately interpret thousands of imaging findings across the entire body, perform clinical reasoning, and

Nhưng để thay thế hoàn toàn một bác sĩ chẩn đoán hình ảnh, một mô hình AI sẽ cần diễn giải chính xác hàng nghìn phát hiện hình ảnh trên toàn bộ cơ thể, thực hiện suy luận lâm sàng và

integrate other inputs such as lab values and the patient's medical history.

tích hợp các đầu vào khác như giá trị xét nghiệm và tiền sử bệnh của bệnh nhân.

These hypothetical models fall under the category of generalized medical artificial intelligence.

Các mô hình giả định này thuộc loại trí tuệ nhân tạo y tế tổng quát.

Recent advancements in large language models, also known as LLMs, like ChatGPT, can be considered steps toward generalized AI.

Những tiến bộ gần đây trong các mô hình ngôn ngữ lớn, còn gọi là LLM, như ChatGPT, có thể được xem là bước tiến tới AI tổng quát.

These models are increasingly multimodal and sometimes called vision language models, or VLMs, because they can now process images and videos alongside text.

Các mô hình này ngày càng đa phương thức và đôi khi được gọi là mô hình ngôn ngữ thị giác, hay VLM, vì chúng có thể xử lý hình ảnh và video cùng với văn bản.

So how do they fare when tasked with radiology tasks?

Vậy chúng hoạt động thế nào khi được giao các tác vụ X quang?

While they perform well on radiology board exams and can identify imaging modalities and anatomic regions, their actual diagnostic accuracy remains quite limited.

Mặc dù chúng hoạt động tốt trong các kỳ thi chứng chỉ X quang và có thể xác định các phương thức hình ảnh và vùng giải phẫu, nhưng độ chính xác chẩn đoán thực tế của chúng vẫn còn khá hạn chế.

One study of pediatric images showed that these models correctly diagnosed only 27.8% of cases and another reported accuracy below 50%.

Một nghiên cứu về hình ảnh nhi khoa cho thấy các mô hình này chỉ chẩn đoán đúng 27,8% trường hợp và một nghiên cứu khác báo cáo độ chính xác dưới 50%.

Another recent study highlighted the potential risks of relying on GPT, noting the hypothetical impact of a non radiologist relying on GPT.4V would have been positive in 2%, neutral in 53.3%, and

Một nghiên cứu gần đây khác nhấn mạnh những rủi ro tiềm ẩn khi dựa vào GPT, lưu ý tác động giả định của một người không phải bác sĩ chẩn đoán hình ảnh dựa vào GPT.4V sẽ là tích cực trong 2%, trung lập trong 53,3%, và

Moreover, cases the models do get correct in these studies may be influenced by biases from the provided history.

Hơn nữa, các trường hợp mà mô hình chẩn đoán đúng trong các nghiên cứu này có thể bị ảnh hưởng bởi thiên kiến từ tiền sử được cung cấp.

For example, if given an abdominal CT scan and history of weight loss and painless hematuria, the model might suggest a cancer diagnosis based solely on textual cues without analyzing the image itself.

Ví dụ, nếu được cung cấp một ảnh CT bụng cùng với tiền sử sụt cân và tiểu máu không đau, mô hình có thể gợi ý chẩn đoán ung thư chỉ dựa trên các manh mối văn bản mà không phân tích chính hình ảnh.

VLMs are also vulnerable to data leakage.

Các VLM cũng dễ bị rò rỉ dữ liệu.

If images used in model evaluation are publicly accessible online, it is possible those images were already used in the model's training dataset, which compromises the integrity of the evaluation.

Nếu các hình ảnh được sử dụng để đánh giá mô hình có thể truy cập công khai trực tuyến, có khả năng những hình ảnh đó đã được sử dụng trong tập dữ liệu huấn luyện của mô hình, điều này làm ảnh hưởng đến tính toàn vẹn của việc đánh giá.

Finally, just like LLMs, BLMs are also prone to hallucinations and repeating misinformation.

Cuối cùng, giống như LLM, BLM cũng dễ bị ảo giác và lặp lại thông tin sai lệch.

Overall, these findings show that current AI models are far from capable of making diagnoses at the level of a human radiologist.

Nhìn chung, những phát hiện này cho thấy các mô hình AI hiện tại còn lâu mới có khả năng đưa ra chẩn đoán ở cấp độ của một bác sĩ chẩn đoán hình ảnh.

Fifth, radiologists do much more than generate reports.

Thứ năm, các bác sĩ chẩn đoán hình ảnh làm nhiều hơn là chỉ tạo báo cáo.

Radiologists engage in frequent communication with other physicians, discussing imaging findings on the phone or in person to help guide clinical decisions.

Các bác sĩ chẩn đoán hình ảnh thường xuyên trao đổi với các bác sĩ khác, thảo luận về các phát hiện hình ảnh qua điện thoại hoặc trực tiếp để giúp định hướng các quyết định lâm sàng.

They also play a vital role in tumor boards, actively contributing to the multidisciplinary management of complex cases.

Họ cũng đóng vai trò quan trọng trong các buổi họp hội đồng ung thư, tích cực đóng góp vào việc quản lý đa ngành các trường hợp phức tạp.

In certain subspecialties like breast imaging, radiologists often speak directly with patients to discuss sensitive topics such as abnormal mammogram results.

Trong một số chuyên khoa phụ như chẩn đoán hình ảnh vú, các bác sĩ chẩn đoán hình ảnh thường nói chuyện trực tiếp với bệnh nhân để thảo luận về các chủ đề nhạy cảm như kết quả nhũ ảnh bất thường.

Since these conversations involve personal and emotional information, it is likely that patients will always prefer to receive their medical diagnoses from a human.

Vì những cuộc trò chuyện này liên quan đến thông tin cá nhân và tình cảm, có khả năng bệnh nhân sẽ luôn thích nhận chẩn đoán y tế của họ từ con người.

Diagnostic radiologists also perform procedures such as image guided biopsies.

Các bác sĩ chẩn đoán hình ảnh cũng thực hiện các thủ thuật như sinh thiết có hướng dẫn hình ảnh.

Sixth, there are also a number of legal and ethical challenges that need to be solved before AI can feasibly replace radiologists in clinical settings.

Thứ sáu, cũng có một số thách thức pháp lý và đạo đức cần được giải quyết trước khi AI có thể thay thế bác sĩ chẩn đoán hình ảnh một cách khả thi trong môi trường lâm sàng.

Currently, radiologists are held liable for diagnostic errors so they can be targets in malpractice suits.

Hiện tại, bác sĩ chẩn đoán hình ảnh phải chịu trách nhiệm về các lỗi chẩn đoán nên họ có thể trở thành mục tiêu trong các vụ kiện về sai sót y khoa.

But who is responsible in the case of an AI error?

Nhưng ai sẽ chịu trách nhiệm trong trường hợp AI mắc lỗi?

The manufacturer, the user or owner of the AI system, or both?

Nhà sản xuất, người dùng hoặc chủ sở hữu hệ thống AI, hay cả hai?

If we consider the case of a truly autonomous AI without human oversight, any errors it makes could feasibly fall under two different legal malpractice and product liability.

Nếu chúng ta xem xét trường hợp một AI hoàn toàn tự động mà không có sự giám sát của con người, bất kỳ lỗi nào mà nó mắc phải đều có thể thuộc về hai loại trách nhiệm pháp lý khác nhau: sai sót y khoa và trách nhiệm sản phẩm.

Luật về sai sót y khoa đã được thiết lập vững chắc, và

to bring about a valid malpractice claim, the plaintiff must prove, among other things, that a doctor patient relationship existed and that the doctor failed to meet the accepted standard of care, which is the treatment that another doctor in the same specialty would provide under similar circumstances.

để đưa ra một yêu cầu bồi thường sai sót y khoa hợp lệ, nguyên đơn phải chứng minh, trong số những điều khác, rằng có mối quan hệ bác sĩ-bệnh nhân tồn tại và bác sĩ đã không đáp ứng tiêu chuẩn chăm sóc được chấp nhận, đó là phương pháp điều trị mà một bác

But what does a doctor patient relationship look like if the doctor is not a human but an AI system?

Nhưng mối quan hệ bác sĩ-bệnh nhân sẽ trông như thế nào nếu bác sĩ không phải là con người mà là một hệ thống AI?

Is it that of a human radiologist or of other AI systems?

Đó là tiêu chuẩn của bác sĩ chẩn đoán hình ảnh là con người hay của các hệ thống AI khác?

And if the latter, does this mean human radiologists would in turn be held to the same standard as AI?

Và nếu là trường hợp sau, điều này có nghĩa là các bác sĩ chẩn đoán hình ảnh là con người sẽ lần lượt phải tuân theo tiêu chuẩn giống như AI không?

If the product liability category is applied, then the legal responsibility would fall on the AI systems developer.

Nếu áp dụng phạm trù trách nhiệm sản phẩm, thì trách nhiệm pháp lý sẽ thuộc về nhà phát triển hệ thống AI.

However, courts have been hesitant to extend product liability law to software as opposed to tangible goods.

Tuy nhiên, các tòa án đã ngần ngại mở rộng luật trách nhiệm sản phẩm cho phần mềm thay vì hàng hóa hữu hình.

And given that machine learning inherently involves software evolving and improving over time, is it reasonable to hold developers liable for errors that arise from changes beyond their control?

Và với việc Học máy vốn dĩ liên quan đến phần mềm phát triển và cải thiện theo thời gian, liệu có hợp lý khi bắt các nhà phát triển phải chịu trách nhiệm cho những lỗi phát sinh từ những thay đổi ngoài tầm kiểm soát của họ không?

Unlike human radiologists, who are legally required to have a medical license, AI currently lacks a formal licensing framework.

Không giống như bác sĩ chẩn đoán hình ảnh là con người, những người được pháp luật yêu cầu phải có giấy phép hành nghề y, AI hiện tại thiếu một khuôn khổ cấp phép chính thức.

Regulatory bodies like the FDA would need to approve AI systems and establish clear guidelines for their use before they can make independent diagnoses.

Các cơ quan quản lý như FDA sẽ cần phê duyệt các hệ thống AI và thiết lập các hướng dẫn rõ ràng cho việc sử dụng chúng trước khi chúng có thể đưa ra chẩn đoán độc lập.

Many deep learning systems also face what's known as the black box problem.

Nhiều hệ thống Học sâu cũng đối mặt với cái gọi là vấn đề hộp đen.

While we may have a general understanding of how AI models work, the specific processes and decisions they use to come to their conclusions often remain murky.

Mặc dù chúng ta có thể có hiểu biết chung về cách các mô hình AI hoạt động, các quy trình và quyết định cụ thể mà chúng sử dụng để đi đến kết luận của mình thường vẫn còn mơ hồ.

This lack of transparency may complicate the principle of informed consent and raise ethical and safety concerns.

Sự thiếu minh bạch này có thể làm phức tạp nguyên tắc đồng ý có hiểu biết và làm dấy lên các mối quan ngại về đạo đức và an toàn.

Are we comfortable making life altering decisions based on a process we don't fully understand?

Chúng ta có thoải mái đưa ra những quyết định thay đổi cuộc đời dựa trên một quy trình mà chúng ta không hiểu rõ không?

Finally, just like humans, AI systems suffer from biases.

Cuối cùng, giống như con người, các hệ thống AI cũng gặp phải những sai lệch.

In one infamous example, when Amazon tried to train a model to predict the best candidates to hire from a stack of resumes, the system selected only men specific to radiology.

Trong một ví dụ tai tiếng, khi Amazon cố gắng huấn luyện một mô hình để dự đoán ứng viên tốt nhất để tuyển dụng từ một chồng hồ sơ, hệ thống đã chỉ chọn nam giới chuyên về chẩn đoán hình ảnh.

Studies have shown that AI models can underdiagnose pathology in already underserved patient populations, perpetuating or even amplifying existing human biases.

Các nghiên cứu đã chỉ ra rằng các mô hình AI có thể chẩn đoán bệnh lý kém ở các nhóm bệnh nhân vốn đã thiếu dịch vụ, duy trì hoặc thậm chí khuếch đại những sai lệch hiện có của con người.

Such biases pose a risk of exacerbating existing healthcare disparities, making it imperative to address this issue before AI systems can be widely adopted in clinical settings.

Những sai lệch như vậy có nguy cơ làm trầm trọng thêm sự chênh lệch trong chăm sóc sức khỏe hiện có, khiến việc giải quyết vấn đề này trở nên cấp thiết trước khi các hệ thống AI có thể được áp dụng rộng rãi trong các bối cảnh lâm sàng.

Now that we've covered why artificial intelligence won't be replacing radiologists anytime soon, let's discuss the numerous ways that AI may help radiologists make them more efficient.

Bây giờ chúng ta đã tìm hiểu lý do tại sao trí tuệ nhân tạo sẽ không sớm thay thế các bác sĩ chẩn đoán hình ảnh, hãy thảo luận về vô số cách mà AI có thể giúp các bác sĩ chẩn đoán hình ảnh làm việc hiệu quả hơn.

First, AI models capable of confidently identifying negative studies and auto generating reports could alleviate the workload on radiologists, allowing them to focus on complex and positive cases.

Đầu tiên, các mô hình AI có khả năng xác định chắc chắn các nghiên cứu âm tính và tự động tạo báo cáo có thể giảm bớt khối lượng công việc cho các bác sĩ chẩn đoán hình ảnh, cho phép họ tập trung vào các trường hợp phức tạp và dương tính.

This is a practical way to help mitigate the current radiologist workforce shortage while maintaining high quality patient care.

Đây là một cách thiết thực để giúp giảm bớt tình trạng thiếu hụt nhân lực bác sĩ chẩn đoán hình ảnh hiện tại trong khi vẫn duy trì chất lượng chăm sóc bệnh nhân cao.

This kind of AI triage also aligns with the increasing demand for imaging, which radiologists already have trouble keeping up with.

Loại phân loại AI này cũng phù hợp với nhu cầu ngày càng tăng về hình ảnh, mà các bác sĩ chẩn đoán hình ảnh đã gặp khó khăn trong việc đáp ứng.

Software that auto generates reports for negative chest X rays has already received regulatory approval approval in European markets, demonstrating the feasibility of such solutions.

Phần mềm tự động tạo báo cáo cho X-quang ngực âm tính đã nhận được sự chấp thuận của cơ quan quản lý trên thị trường châu Âu, chứng tỏ tính khả thi của các giải pháp như vậy.

Second, a further potential use of AI is enhancing image analysis.

Thứ hai, một tiềm năng sử dụng khác của AI là nâng cao phân tích hình ảnh.

Measuring anatomical structures or pathological features on radiological images is essential for diagnosis, monitoring treatment progress, and

Việc đo lường các cấu trúc giải phẫu hoặc các đặc điểm bệnh lý trên hình ảnh X-quang là rất cần thiết cho việc chẩn đoán, theo dõi tiến triển điều trị và

Currently, radiologists often perform these measurements manually.

Hiện tại, các bác sĩ chẩn đoán hình ảnh thường thực hiện các phép đo này thủ công.

An AI system capable of detecting and measuring relevant structures could save time, reduce errors associated with manual measurements, and

Một hệ thống AI có khả năng phát hiện và đo lường các cấu trúc liên quan có thể tiết kiệm thời gian, giảm sai sót liên quan đến đo lường thủ công và

ensure consistency by applying the same process across subsequent exams.

đảm bảo tính nhất quán bằng cách áp dụng cùng một quy trình cho các lần khám tiếp theo.

Another important task is segmentation, which involves partitioning an image into distinct regions or structures.

Một nhiệm vụ quan trọng khác là phân đoạn, bao gồm việc chia một hình ảnh thành các vùng hoặc cấu trúc riêng biệt.

Examples include separating a tumor from healthy tissue and delineating organs.

Ví dụ bao gồm việc tách khối u khỏi mô khỏe mạnh và phân định các cơ quan.

Convolutional neural networks have performed particularly well at automating this process.

Mạng nơ-ron tích chập đã hoạt động đặc biệt tốt trong việc tự động hóa quy trình này.

There is also an imaging field called radiomics that focuses on the extraction and quantitative analysis of imaging data.

Ngoài ra còn có một lĩnh vực hình ảnh gọi là radiomics, tập trung vào việc trích xuất và phân tích định lượng dữ liệu hình ảnh.

Subtitles ListPlay Video

Khi nào Trí tuệ nhân tạo sẽ thay thế các bác sĩ chẩn đoán hình ảnh? 🤖 (When Will Artificial Intelligence Replace Radiologists? 🤖)

specific

potential

significant

process