Tế bào chứa một lượng lớn thông tin về sức khỏe và bệnh tật, nhưng việc trích xuất dữ liệu này một cách đáng tin cậy từ hình ảnh kính hiển vi vẫn là một thách thức lớn. Nhiều khác biệt quan trọng giữa tế bào khỏe mạnh và tế bào bệnh lý quá tinh vi để có thể quan sát bằng mắt thường, trong khi các công cụ trí tuệ nhân tạo (AI) hiện nay có khả năng phát hiện những mẫu này thường hoạt động như “hộp đen”, khiến quá trình ra quyết định của chúng khó giải thích.

Một nhóm nghiên cứu do Giáo sư Kevin Tsia dẫn đầu tại Khoa Kỹ thuật Điện và Điện tử, thuộc Khoa Kỹ thuật và Chương trình Kỹ thuật Y sinh của Trường Kỹ thuật Y sinh, Đại học Hong Kong (HKU), đã phát triển một khung AI mới mang tên MorphoGenie để giải quyết cả hai vấn đề trên.

MorphoGenie phân tích hình ảnh từng tế bào riêng lẻ để phát hiện các mẫu hình tinh vi nhưng có ý nghĩa, liên quan đến danh tính, trạng thái và hành vi của tế bào. Khác với nhiều mô hình AI thông thường, hệ thống này được thiết kế có khả năng diễn giải, giúp các nhà nghiên cứu không chỉ biết AI dự đoán điều gì, mà còn hiểu nó dựa trên những đặc trưng hình ảnh nào để đưa ra kết luận.

Công cụ này học một tập hợp nhỏ các “khối xây dựng hình ảnh” có thể tái sử dụng từ ảnh tế bào, bao gồm kích thước và hình dạng tế bào, cấu trúc nội bào tổng quát, và các chi tiết cục bộ tinh vi. Những đặc trưng này sau đó có thể được kết hợp lại để mô tả nhiều trạng thái và điều kiện tế bào khác nhau.

Lấy cảm hứng từ cách con người học

Khái niệm của MorphoGenie bắt nguồn từ một nguyên lý cơ bản trong AI gọi là tính hợp thành (compositionality), vốn cũng là nền tảng trong cách con người học tập và giao tiếp. Con người không học từng sự vật hay tình huống mới từ đầu, mà hiểu thế giới bằng cách kết hợp các ý tưởng có thể tái sử dụng.

MorphoGenie áp dụng nguyên lý này vào phân tích hình ảnh tế bào. Bằng cách học một tập hợp nhỏ các khái niệm hình thái có thể tái sử dụng trực tiếp từ dữ liệu hình ảnh, hệ thống có thể diễn giải dữ liệu tế bào mới và chưa từng thấy một cách hiệu quả hơn, mà không cần phụ thuộc nhiều vào gán nhãn thủ công hay các giả định định sẵn.

“Một trong những mục tiêu dài hạn của AI là xây dựng các hệ thống học từ những khái niệm có thể tái sử dụng, thay vì chỉ ghi nhớ các mẫu dữ liệu,” Giáo sư Kevin Tsia cho biết. “Con người làm điều này một cách tự nhiên — chúng ta hiểu thế giới bằng cách kết hợp các ý tưởng đơn giản thành những cấu trúc phức tạp hơn. MorphoGenie áp dụng nguyên lý tương tự vào hình thái tế bào, giúp AI minh bạch hơn, linh hoạt hơn và có thể hữu ích hơn cho chẩn đoán bệnh trong tương lai.”

Khai mở những hiểu biết sinh học ẩn

Hình thái tế bào chứa nhiều thông tin sinh học phong phú, nhưng phần lớn khó định lượng một cách nhất quán bằng các phương pháp phân tích truyền thống hoặc quan sát trực quan. Các phương pháp hiện tại thường dựa vào đặc trưng được thiết kế thủ công hoặc gán nhãn dữ liệu quy mô lớn, vừa tốn thời gian vừa dễ gây thiên lệch.

MorphoGenie đưa ra một hướng tiếp cận khác. Hệ thống học trực tiếp từ hình ảnh tế bào mà không cần gán nhãn thủ công, đồng thời tổ chức thông tin phức tạp thành một biểu diễn gọn gàng và có thể diễn giải. Điều này có thể hỗ trợ việc phân loại trạng thái tế bào một cách khách quan hơn và phát hiện các mẫu sinh học có ý nghĩa mà mắt người khó nhận ra.

Trong nghiên cứu, nhóm HKU cho thấy MorphoGenie có thể phân biệt các phân nhóm chính của tế bào ung thư phổi, phát hiện những thay đổi hình thái tế bào do thuốc gây ra, và theo dõi các quá trình sinh học động như chu kỳ tế bào và quá trình chuyển đổi biểu mô–trung mô (epithelial-to-mesenchymal transition), vốn liên quan chặt chẽ đến tiến triển bệnh và di căn.

“Hình ảnh tế bào chứa nhiều thông tin phong phú hơn những gì chúng ta có thể mô tả bằng các phép đo thông thường,” tiến sĩ Rashmi Sreeramachandra Murthy, tác giả chính của nghiên cứu, cho biết. “Bằng cách học các ‘nguyên tố hình ảnh’ có thể diễn giải, MorphoGenie giúp làm lộ ra những mẫu sinh học có ý nghĩa có thể bị bỏ sót, đồng thời vẫn cho phép các nhà nghiên cứu hiểu cách AI diễn giải dữ liệu.”

Hướng tới AI minh bạch hơn trong y sinh

Một ưu điểm quan trọng của MorphoGenie là khả năng hoạt động trên nhiều kỹ thuật hiển vi khác nhau, bao gồm ảnh pha định lượng không nhãn và hiển vi huỳnh quang. Hệ thống cũng có thể chuyển kiến thức đã học từ một bộ dữ liệu sang bộ dữ liệu mới chưa từng thấy, cho thấy tiềm năng ứng dụng rộng trong y sinh, bao gồm nghiên cứu bệnh, khám phá thuốc và nghiên cứu phản ứng tế bào với điều trị.

Nhóm nghiên cứu tin rằng MorphoGenie có thể hỗ trợ thế hệ tiếp theo của các công cụ AI phục vụ khám phá sinh học. Khi AI ngày càng đảm nhận các nhiệm vụ khoa học phức tạp, nhu cầu về những hệ thống không chỉ phát hiện mẫu dữ liệu mà còn có thể giải thích được ngày càng tăng. Bằng cách học các “khối xây dựng” có thể diễn giải của hình thái tế bào, MorphoGenie mang đến cách tiếp cận minh bạch hơn trong phân tích hình ảnh sinh học.

Điều này đặc biệt quan trọng trong y sinh, nơi độ tin cậy, khả năng tái lập và hiểu biết khoa học là yếu tố then chốt. Trong tương lai, các phương pháp như vậy có thể giúp nhà nghiên cứu sử dụng AI để phát hiện các mẫu có ý nghĩa, so sánh trạng thái sinh học và gợi mở các hướng nghiên cứu mới, đồng thời vẫn giữ vai trò trung tâm của chuyên môn con người trong quá trình khám phá.

“Khả năng diễn giải không chỉ quan trọng đối với niềm tin, mà còn đối với giá trị khoa học,” Giáo sư Tsia nói. “Nếu AI muốn giúp các nhà nghiên cứu tìm ra những thay đổi có ý nghĩa trong tế bào, thì các kết quả của nó cần được trình bày theo cách con người có thể hiểu và kiểm chứng.”

Dù việc khám phá sinh học hoàn toàn tự động vẫn là mục tiêu dài hạn, MorphoGenie đã đặt nền tảng quan trọng cho các hệ thống AI vừa mạnh mẽ hơn vừa minh bạch hơn, qua đó góp phần nâng cao hiểu biết của chúng ta về sức khỏe và bệnh tật