Quan điểm của WINMEDIC: AI bệnh lý số — Tình trạng ngành, rào cản triển khai và lộ trình phát triển thực tiễn
Dựa trên nghiên cứu toàn cầu đặc biệt về AI trong bệnh học số và sự đồng thuận từ các cuộc thảo luận đa bên giữa các bên liên quan trong ngành – trường đại học – y tế – cơ quan quản lý, WINMEDIC phân tích hiện trạng công nghiệp, các rào cản cốt lõi và quy luật phát triển từ góc độ triển khai thực tiễn. Giá trị cốt lõi của AI bệnh học không nằm ở việc tối đa hóa tham số thuật toán, mà ở việc mang lại giá trị thực tiễn lâm sàng được chuẩn hóa và có khả năng mở rộng. Trọng tâm của ngành đã chuyển từ khám phá kỹ thuật sang xây dựng hệ sinh thái và triển khai lâm sàng.
I. Hiện trạng ngành: Công nghệ lặp lại nhanh chóng nhưng tụt hậu so với triển khai công nghiệp
Ngành bệnh học toàn cầu đang đối mặt với tình trạng lưỡng nan giữa tình trạng thiếu hụt nhân lực và chuyển đổi số chưa đủ mạnh, thể hiện đặc điểm “công nghệ nóng nhưng triển khai nguội”. Theo The Insight Partners, thị trường bệnh học toàn cầu đạt khoảng 411,2 tỷ USD vào năm 2025 và dự kiến sẽ đạt 731,4 tỷ USD vào năm 2034 [1]. Các phòng xét nghiệm chẩn đoán trên toàn thế giới vẫn tiếp tục vật lộn với áp lực về nhân sự và thanh toán: 38 % quản lý phòng xét nghiệm coi tình trạng thiếu nhân viên là thách thức hàng đầu của họ, trong khi 31 % xếp mức thanh toán giảm dần là mối quan tâm chính [2]. Ngành này đang rất cần các công cụ số để cắt giảm chi phí và nâng cao hiệu quả.
Tuy nhiên, vẫn tồn tại một khoảng cách đáng kể giữa nhận thức thị trường và triển khai thực tế: chỉ 59 % quản lý phòng thí nghiệm tin rằng bệnh học số và AI có ảnh hưởng cao hoặc rất cao đến y học chính xác [2]. KLAS ước tính rằng dưới 10 % cơ sở y tế Hoa Kỳ đã áp dụng bệnh học số cho các ứng dụng lâm sàng vào năm 2023, và dưới 5 % ca chẩn đoán được báo cáo qua quy trình kỹ thuật số [3]. Tính đến năm 2026, dưới 15 % cơ sở y tế Hoa Kỳ đã chọn nhà cung cấp bệnh học số và bước vào giai đoạn triển khai hoặc áp dụng. Ngay cả trong số những người áp dụng sớm, số hóa toàn diện vẫn chưa phổ biến; các tổ chức lớn thường hoàn thành việc xem xét tiêu bản kỹ thuật số cho chưa đến một nửa số ca bệnh lý mô học của họ [4].
Ở Trung Quốc, các mô hình nền tảng định hướng bệnh lý và mô hình ngôn ngữ thị giác đang phát triển nhanh chóng. Mô hình tiền huấn luyện và tinh chỉnh giúp giảm sự phụ thuộc vào chú thích và hỗ trợ di chuyển giữa các bệnh và trung tâm, trang bị cho AI tiến hóa hướng tới hỗ trợ quyết định lâm sàng toàn diện. Nút thắt thực sự của ngành không phải là độ chính xác của thuật toán, mà là thiếu các tiêu chuẩn nền tảng, hệ sinh thái hệ thống không hoàn chỉnh và khả năng thích ứng lâm sàng chưa đầy đủ. Các nền tảng phân mảnh, tiêu chuẩn dữ liệu không nhất quán và khả năng thích ứng quy trình làm việc kém khiến các thuật toán tiên tiến không thể chuyển đổi thành giá trị lâm sàng thực tế.
Phân tích định lượng | WINQUANT © WINMEDIC
II. Năm rào cản chính đối với việc triển khai
Việc triển khai AI bệnh lý là một thách thức toàn diện bao gồm các tiêu chuẩn, quy trình làm việc, dữ liệu, tuân thủ và hệ sinh thái:
Khả năng giải thích thuật toán chưa đủ: Bản chất “hộp đen” của AI dẫn đến logic ra quyết định không minh bạch. Thiếu khả năng giải thích, AI khó đáp ứng được yêu cầu nghiêm ngặt và trách nhiệm giải trình cao trong chẩn đoán bệnh lý, dẫn đến lòng tin của bác sĩ lâm sàng thấp. Hầu hết các mô hình được huấn luyện trên các tập dữ liệu hồi cứu, thiếu sự xác thực đầy đủ trên các mẫu lâm sàng thực tế quy mô lớn và bằng chứng thực nghiệm về độ ổn định lâu dài.
Khó khăn trong tích hợp hệ thống và chuyển đổi quy trình làm việc: Tồn tại khả năng tương thích kém giữa các hệ thống LIS, IMS hiện có của bệnh viện và các giải pháp AI. Việc tích hợp AI vào quy trình làm việc hiện tại đòi hỏi chi phí cao và thời gian triển khai dài. Năng lực tích hợp hệ thống ảnh hưởng đến sự thành công của dự án nặng nề hơn so với các chỉ số hiệu suất thuật toán.
Những hạn chế từ hệ thống dữ liệu và chú thích: Các chú thích bệnh lý chất lượng cao phụ thuộc vào các chuyên gia cấp cao, dẫn đến chi phí cao và thiếu tiêu chuẩn chú thích thống nhất. Sự khác biệt giữa các bệnh viện trong xử lý mẫu, nhuộm màu, thiết bị quét và định dạng dữ liệu cản trở việc tích hợp dữ liệu giữa các trung tâm. Cùng với các vấn đề về quyền riêng tư và sở hữu trí tuệ mơ hồ, những vấn đề này làm suy giảm hiệu suất tổng quát hóa của mô hình.
Các ràng buộc nghiêm ngặt về tuân thủ và quy định: Dữ liệu bệnh lý được coi là dữ liệu riêng tư có độ nhạy cao trong bối cảnh các quy định ngày càng thắt chặt. Cục Quản lý Dược phẩm Quốc gia (NMPA) vẫn chưa mở quyền truy cập cho các phê duyệt mô hình nền tảng mô bệnh học tại Trung Quốc. Nhiều ứng dụng thương mại có sẵn là các mô hình dữ liệu lớn AI giả, tạo ra rào cản tuân thủ cho việc khai thác giá trị dữ liệu và cải thiện mô hình lặp đi lặp lại.
Phân bổ nguồn lực cơ sở hạ tầng không đồng đều: Chi phí xây dựng bệnh học kỹ thuật số từ đầu đến cuối đòi hỏi chi phí lớn cho thiết bị, sức mạnh tính toán và cải tiến quy trình làm việc, mà các cơ sở y tế cơ sở không thể chi trả, càng làm gia tăng khoảng cách chẩn đoán giữa các khu vực.
III. Lộ trình phát triển kỹ thuật ba giai đoạn
AI bệnh học nên tiến triển từng bước; việc triển khai nhảy vọt thường dẫn đến thất bại lâm sàng.
Giai đoạn nền tảng kỹ thuật số: Hoàn thành quét tiêu bản và xem xét tiêu bản dựa trên hình ảnh kỹ thuật số. Được triển khai cho tư vấn từ xa, đào tạo và hội thảo đa chuyên ngành để giải quyết các rào cản về chia sẻ tài nguyên và tiếp cận địa lý — điều kiện tiên quyết cho trí tuệ nhân tạo.
Giai đoạn chẩn đoán hỗ trợ AI (chủ đạo hiện tại): Thiết lập quy trình làm việc “quét → xem xét tiêu bản → phân tích AI → giải thích của bác sĩ lâm sàng”. AI đảm nhận các nhiệm vụ lặp đi lặp lại như chấm điểm và phân tích định lượng để hỗ trợ khoảng 20 % chẩn đoán ban đầu. Vai trò của nó là trao quyền chứ không phải thay thế bác sĩ lâm sàng.
Giai đoạn trao quyền chính xác bằng AIAI khai thác thông tin vi mô mà mắt người không thể nhận biết. Nó tích hợp hình ảnh toàn bộ lam kính, không gian omics, theo dõi lâm sàng và các dữ liệu đa phương thức khác để cho phép đánh giá tiên lượng, dự đoán hiệu quả điều trị và phân tầng nguy cơ, hỗ trợ y học chính xác.
Tư vấn từ xa | WinTele © WINMEDIC
IV. Bốn nguyên tắc phát triển thực tiễn của WINMEDIC
Thoát khỏi những hiểu lầm phổ biến trong ngành: “quá nhấn mạnh thuật toán hơn triển khai, chạy theo chiêu trò hơn kết quả hữu hình”.
Ưu tiên các tiêu chuẩn nền tảng: Áp dụng CSP/DICOM/SVS+WSI làm thông số kỹ thuật nền tảng bắt buộc. Ưu tiên xây dựng cơ sở hạ tầng nền tảng được chuẩn hóa, có tính tương thích cao. Khả năng sẵn sàng AI cho phòng xét nghiệm tập trung vào quản trị quy trình công việc thay vì chỉ mua sắm các công nghệ tiên tiến nhất.
AI vận hành trước, AI chẩn đoán sau: Triển khai trước các ứng dụng AI vận hành có rào cản triển khai thấp, bao gồm kiểm soát chất lượng hình ảnh, quét tự động và xử lý luồng dữ liệu. Các ứng dụng này giải quyết các điểm đau như hiệu quả quét thấp, bỏ sót hiện vật và lỗi con người để giảm chi phí chuyển đổi số của bệnh viện, trước khi tiến tới các khả năng hỗ trợ chẩn đoán.
Duy trì sự cộng tác giữa con người và AI: Định vị AI như một công cụ hỗ trợ nâng cao hiệu quả thay vì thay thế bác sĩ lâm sàng. Tập trung vào bốn kịch bản: hội chẩn hợp tác, kiểm soát chất lượng đầu cuối, chấm điểm định lượng có thể tái lập và xét nghiệm tiên lượng. Bác sĩ lâm sàng giữ quyền quyết định cuối cùng, phù hợp với các khuôn khổ trách nhiệm lâm sàng.
Mô hình nhẹ để giảm rào cản triển khaiTận dụng học tự giám sát của mô hình nền tảng để giảm sự phụ thuộc vào chú thích và nâng cao khả năng thích ứng giữa các trung tâm. Áp dụng các mô hình SaaS/AIaaS hỗ trợ triển khai linh hoạt trên đám mây hoặc tại chỗ, cho phép gọi mô hình theo yêu cầu và lặp lại liên tục để giảm bớt gánh nặng đầu tư cho các cơ sở y tế tuyến cơ sở.
Xử lý hình ảnh tế bào học | WinCyto © WINMEDIC
V. Xu hướng ngành trong tương lai và trọng tâm chiến lược
Cạnh tranh trong ngành đang chuyển từ đánh giá hiệu năng của một thuật toán đơn lẻ sang đánh giá toàn diện về tiêu chuẩn hóa, khả năng thích ứng hệ sinh thái, giá trị lâm sàng thực tế và năng lực lặp lại bền vững. Ba chuyển dịch lớn đang diễn ra:
Về công nghệ: Phân loại hình ảnh tĩnh → mô hình hóa bệnh động và dự đoán thông minh đa phương thức
Về triển khai: Công cụ tại điểm sử dụng riêng lẻ → triển khai hệ sinh thái tiêu chuẩn hóa đầu cuối
Về giá trịTối ưu hóa các chỉ số thuật toán → nâng cao giá trị lâm sàng thực tiễn và khả năng tiếp cận dịch vụ chăm sóc y tế công bằng
WINMEDIC sẽ tiếp tục cam kết theo đuổi phương pháp thực dụng, định hướng triển khai thực tế. Dựa trên các hạ tầng nền tảng được chuẩn hóa, được dẫn dắt bởi các nhu cầu lâm sàng chưa được đáp ứng, lấy sự hợp tác giữa con người và AI làm trung tâm và được hỗ trợ bởi các mô hình dịch vụ nhẹ, WINMEDIC sẽ tiếp tục hoàn thiện hệ thống sẵn sàng AI toàn diện bao gồm “xây dựng nền tảng – lập kế hoạch & triển khai – đào tạo & trao quyền – lặp lại & tối ưu hóa”. Một mặt, công ty sẽ đào sâu các kịch bản AI vận hành để giải quyết các điểm yếu cốt lõi của ngành. Mặt khác, công ty sẽ liên tục nâng cao năng lực chẩn đoán thông minh dựa trên mô hình nền tảng, cải thiện hệ thống tuân thủ dữ liệu và quản trị, đồng thời thúc đẩy AI bệnh lý học từ giai đoạn chứng minh khái niệm và thử nghiệm mẫu sang áp dụng lâm sàng quy mô lớn thường xuyên. Điều này sẽ giúp xây dựng một hệ sinh thái chăm sóc bệnh lý chính xác hiệu quả, công bằng và bền vững.
Tài liệu tham khảo
[1] THE INSIGHT PARTNERS. Xu hướng, Thị phần và Nhu cầu Thị trường Bệnh lý Toàn cầu đến năm 2034[EB/OL]. 2026‑04‑17[2026‑09‑02].
[2] PROSCIA. Báo cáo Lãnh đạo Phòng thí nghiệm 2025: Những hiểu biết về Bệnh lý Kỹ thuật số, Trí tuệ Nhân tạo và Y học Chính xác[R/OL]. 2025.
[3] TATE S, LAGEMANN E. Bệnh lý Kỹ thuật số Hoa Kỳ 2023: Đi sâu vào những Thành công và Bài học từ các Địa điểm Áp dụng Lâm sàng Sớm[R/OL]. KLAS Research, 2023‑11‑10.
[4] LAGEMANN E, CHRISTENSEN J, CORBETT S. Bệnh lý Kỹ thuật số Hoa Kỳ 2026: Áp dụng Sớm và Hiệu suất Công nghệ tại Thị trường Mới nổi Hoa Kỳ[R/OL]. KLAS Research, 2026‑02.
