Tích hợp tất cả các giải pháp RIS/PACS/Cloud, cùng công nghệ tự động chẩn đoán hình ảnh trong một sản phẩm, VinDr PACS là Giải pháp quản lý ảnh y tế thông minh được phát triển bởi Công ty Cổ phần VinBigData.

Nhiều cơ sở khám chữa bệnh trong nước hiện vẫn đang sử dụng hệ thống in phim nhựa cũ hoàn thiện Bệnh án điện tử (EMR). Theo đó, các ca chụp X-quang, cắt lớp vi tính và cộng hưởng từ vẫn phải được in ra thành phim truyền thống. Việc này không những lãng phí về tài nguyên và nguồn lực, mà còn tạo ra không ít thách thức cho công tác quản lý, chia sẻ dữ liệu y tế giữa các khoa, phòng, giữa bệnh viện tuyến trên và tuyến dưới. Đặc biệt, một số thông tin của bệnh không được hiển thị tốt trên phim chụp, làm ảnh hưởng tiêu cực đến hiệu quả và tính chính xác trong chẩn đoán và điều trị bệnh. 

Bắt nguồn từ bài toán này, với mục tiêu xây dựng hệ thống quản lý ảnh y tế thông minh, đội ngũ Trung tâm Xử lý ảnh y tế, Công ty Cổ phần VinBigData đã nghiên cứu và phát triển VinDr PACS. Dựa trên nền tảng công nghệ trí tuệ nhân tạo (AI) và điện toán đám mây tiên tiến, VinDr PACS hướng tới hỗ trợ các bác sĩ chẩn đoán hình ảnh trong việc quản lý ca chụp, đọc ảnh DICOM, xuất báo cáo,… Mô hình có thể dễ dàng mở rộng hay thu hẹp quy mô một cách linh hoạt, nhằm phù hợp với mọi cơ sở khám chữa bệnh từ Phòng khám tới Bệnh viện đa khoa. Đặc biệt, giải pháp do VinBigData phát triển còn hỗ trợ hội chẩn nhiều điểm cầu, chẩn đoán đồng thời nhiều ca chụp, trên nhiều thiết bị. Sản phẩm tuân thủ chặt chẽ các tiêu chuẩn quốc tế như DICOM/HL7/IHE/HIPAA. 

Số hóa việc lưu trữ và quản lý dữ liệu ảnh y tế

Thay vì in và lưu trữ dữ liệu ảnh y tế dưới dạng phim chụp truyền thống, VinDr PACS kết nối trực tiếp với máy chụp tại bệnh viện, tải dữ liệu hình ảnh lên hệ thống điện toán đám mây và hỗ trợ truy cập mọi lúc, mọi nơi thông qua trình duyệt web mà không cần tiến hành cài đặt hay cập nhật. 

Bên cạnh đó, hệ thống còn giúp đội ngũ y tế tại các cơ sở khám chữa bệnh dễ dàng quản lý quy trình làm việc và các ca chụp định dạng DICOM. Với bộ lọc tiêu chuẩn và công cụ tìm kiếm nâng cao được trang bị sẵn, danh sách ca khám sẽ được hiển thị dựa theo những tiêu chí như ID, Accession No, khoảng thời gian, loại máy chụp, bộ phận chụp, trạng thái,.. Đồng thời, những ca khám với tiêu chí chung như mã bệnh nhân (Patient ID) cũng sẽ được truy xuất, hỗ trợ tìm kiếm lịch sử ca chụp, nhằm phục vụ công tác theo dõi điều trị bệnh. Ngoài ra, đối với quy trình làm việc của cơ sở khám chữa bệnh, VinDr PACS còn là công cụ hữu hiệu giúp tự động cập nhật trạng thái và đồng bộ hóa với hệ thống thông tin bệnh viện (HIS).

Sau khi kết thúc một ca khám hoàn chỉnh, với VinDr PACS, các bác sĩ có thêm một trợ thủ đắc lực hỗ trợ chỉnh sửa, duyệt kết quả đưa ra bởi hệ thống và xuất báo cáo trả về cho bệnh nhân. Mẫu báo cáo được cung cấp có thể tùy chỉnh phù hợp với quyền hạn và nhu cầu của người dùng như bác sĩ chẩn đoán ảnh hay bác sĩ lâm sàng,….

Như vậy, ứng dụng VinDr PACS tại các cơ sở khám chữa bệnh giúp đẩy nhanh quá trình chuyển đổi số trong y tế, giảm thiểu chi phí, tài nguyên và nguồn lực lưu trữ, bảo quản, quản lý dữ liệu. Đồng thời, đây cũng là bước tiến mới tạo điều kiện thuận lợi cho việc chia sẻ dữ liệu ảnh y khoa, giúp các bác sĩ có thể hội chẩn từ xa dựa trên hình ảnh gốc, từ đó, góp phần giải quyết bài toán của bệnh nhân – không cần chuyển viện nhưng vẫn được các bác sĩ tuyến trung ương thăm khám. 

Nâng cao chất lượng chẩn đoán hình ảnh 

Khắc phục hạn chế của phim chụp truyền thống trong việc hiển thị các thông tin bệnh, cũng như giảm thiểu tương tác của các bác sĩ trên ảnh, VinDr PACS cung cấp các công cụ chẩn đoán hình ảnh, với đa dạng thao tác như thu phóng, điều hướng, đảo màu, thay đổi độ sáng tối, đo tỷ trọng,… Đặc biệt, hệ thống tích hợp chế độ xem 3D tái tạo nhiều mặt cắt (Multiplanar reformation – MPR); tái tạo cường độ tối đa theo hướng chiếu (Maximum Intensity Projection – MIP), giúp định vị chính xác vùng tổn thương trên ba mặt phẳng.

Không dừng lại ở các công cụ hỗ trợ chẩn đoán cơ bản, sản phẩm do VinBigData phát triển còn được trang bị tính năng hỗ trợ chẩn đoán nâng cao (CAD). Dựa trên công nghệ Trí tuệ nhân tạo, giải pháp có khả năng phát hiện và khoanh vùng tổn thương trên 7 loại ảnh: X-quang lồng ngực, X-quang tuyến vú, X-quang cột sống, CT lồng ngực, CT gan mật, CT não và MRI não, với tổng cộng gần 70 loại bất thường phổ biến. Việc phân tích dữ liệu hình ảnh có thể được tiến hành tự động hoặc thủ công. Hệ thống sẽ đánh dấu các vùng nghi ngờ tổn thương trên ảnh, đồng thời, đề xuất xác suất bất thường cho mỗi ca chụp.

Với đa dạng các tính năng kể trên, VinDr PACS, khi triển khai tích hợp cùng giải pháp trí tuệ nhân tạo hỗ trợ chẩn đoán hình ảnh – VinDr AI, sẽ tạo thành một hệ thống y tế thông minh và đồng bộ. Ở đó, máy chụp của bệnh viện được kết nối với AI, PACS, cũng như các hệ thống HIS/RIS/EMR, giúp các bác sĩ không phải sao chép hình ảnh ra và gắp vào hệ thống AI như khi sử dụng AI của nước ngoài, đồng thời giảm thiểu sự đứt gãy, phân tán dữ liệu giữa các hệ thống thông tin y tế. Qua đó, Trung tâm Xử lý ảnh y tế VinBigData kỳ vọng từng bước đưa tới một hệ sinh thái toàn diện, phát triển VinDr trở thành trợ lý chẩn đoán hình ảnh y tế tin cậy cho các bác sĩ, góp phần nâng cao chất lượng khám chữa bệnh và cải thiện sức khỏe cộng đồng. 

Tạo lập chatbot là một trong những vấn đề đang được nhiều doanh nghiệp quan tâm thời gian gần đây. Bởi chatbot là một trong những cách gia tăng trải nghiệm khách hàng hiệu quả, với các tính năng đột phá: phản hồi linh hoạt trong thời gian thực, cung cấp thông tin chính xác, giải quyết nhiều yêu cầu cùng lúc,.. Bài viết dưới đây sẽ cung cấp một số phương pháp và quy trình gợi ý để tạo lập hệ thống chatbot thông minh.

Chatbot là gì?

Khi truy cập vào một fanpage trên Facebook, bạn gửi tin nhắn tìm hiểu thông tin và nhận được lời hồi đáp ngay sau đó. Những tin nhắn như vậy có thể không đến từ người quản lý fanpage mà đến từ chatbot. Chatbot là một hình thức trò chuyện được các fanpage ưa chuộng sử dụng bởi tốc độ hồi đáp nhanh, với những thông tin chính xác được lập trình từ trước. Điều này mang đến trải nghiệm tuyệt vời hơn cho người truy cập fanpage khi không phải chờ đợi quá lâu để nhận được câu trả lời mong muốn.

Chatbot, hay còn được gọi là talkbot, chatterbot, bot, bot IM, hay thực thể trò chuyện tự động, là một chương trình máy tính thực hiện một cuộc trò chuyện thông qua việc tiếp nhận thông tin bằng văn bản và giọng nói. Chatbot được thiết kế để mô phỏng các cuộc hội thoại của con người, diễn giải, xử lý yêu cầu của người dùng và cuối cùng đưa ra câu trả lời một cách nhanh chóng. Chatbot được sử dụng trong các hệ thống hội thoại của các fanpage cho nhiều mục đích cụ thể, phổ biến nhất là dịch vụ khách hàng và thu thập thông tin. 

️Phân loại chatbot

Tùy thuộc vào cách lập trình của bot, có 2 loại chat bot

Chatbot dựa trên quy tắc (Rule-Based Chatbot): Với loại chatbot này, quy tắc là đi theo các đường dẫn được định sẵn trong cuộc trò chuyện. Người dùng chọn các tùy chọn sẵn mà bot đưa ra để thực hiện yêu cầu với bot theo từng bước. Bot loại này thường đơn giản và dễ tạo lập hơn.

Chatbots trò chuyện tự động (Self-Learning Chatbot), hay còn gọi là AI chatbot: Sử dụng Trí tuệ nhân tạo (AI) & Học máy (ML) để đưa ra phân tích và dự đoán dựa trên yêu cầu sau đó trò chuyện với người dùng. Mức độ tương tác và cá nhân hóa của chúng cao hơn so với Chatbot dựa trên quy tắc.

Tìm hiểu thêm: AI chatbot là gì và những đột phá so với chatbot thông thường.

Các phương pháp tạo lập chatbot gợi ý

Để đáp ứng và nâng cao trải nghiệm người dùng, AI chatbot là một lựa chọn tuyệt vời của các doanh nghiệp, tổ chức. Trong bài viết này giới thiệu một số định hướng xây dựng AI chatbot phổ biến, được đề xuất sử dụng rộng rãi bởi các nhà nghiên cứu. 

Những nghiên cứu gần đây về chatbot thường phân theo 2 hướng lớn: (1) phương pháp pipeline và (2) phương pháp end-to-end.

Trong phương pháp pipeline, toàn bộ hệ thống chatbot được chia thành nhiều công đoạn, và thành phần khác nhau, chẳng hạn như đọc hiểu ngôn ngữ tự nhiên (Natural Language Understanding – NLU), quản lý hội thoại (Dialog Management) bao gồm theo dõi trạng thái hội thoại (Dialog State Tracking – DST) học các nguyên lý hội thoại (Policy Learning); sinh ngôn ngữ tự nhiên (Natural Language Generation – NLG). Ngược lại với các phương pháp tiếp cận theo pipeline, các phương pháp end-to-end xây dựng một hệ thống hội thoại bằng cách sử dụng một mô hình duy nhất, trong đó ngữ cảnh ngôn ngữ tự nhiên được lấy làm đầu vào và phản hồi ngôn ngữ tự nhiên được tạo ra làm đầu ra.

Rõ ràng, các hệ thống pipeline với cấu trúc mô-đun dễ hiểu và ổn định hơn, do đó được ứng dụng trong thương mại hóa nhiều hơn. Tuy nhiên, với việc yêu cầu ít chú thích hơn, các hệ thống end-to-end có thể trở thành một giải pháp thay thế đầy hứa hẹn trong tương lai. 

Chi tiết quy trình nghiên cứu theo cả 2 phương pháp pipeline và end-to-end như sau: 

Tạo lập chatbot bằng phương pháp Pipeline

Quy trình trong phương pháp Pipelines như sau: 

• Hiểu ngôn ngữ tự nhiên (Natural Language Understanding – NLU)

Ở công đoạn này, NLU có nhiệm vụ phân tích cú pháp của người dùng và đưa chúng thành một biểu diễn ngữ nghĩa có cấu trúc, thường bao gồm các cặp ý định (intent) và các cặp  thuộc tính – giá trị (slot: value). Ý định (intent) ở đây chỉ ra chức năng của lời nói, ví dụ: truy vấn hoặc cung cấp thông tin. Các cặp thuộc tính – giá trị là các yếu tố ngữ nghĩa được đề cập trong câu nói.

Ví dụ: trong câu nói “Bạn có thể giới thiệu một nhà hàng Trung Quốc ở Manhattan không?”, Các cặp thuộc tính – giá trị có thể là (“ẩm thực” : “Trung Quốc”) và (“địa điểm” : “Manhattan”). Ý định ở đây là “cung cấp thông tin”.

Phát hiện ý định (intent detection) và trích xuất thuộc tính – giá trị (slot-value extraction) có thể được giải quyết bằng cách sử dụng Mạng nơ-ron hồi quy (RNN), Mạng nơ-ron tích chập (CNN), Mạng nơ-ron đệ quy, CRF (conditional random fields) hoặc mô hình BERT bên cạnh việc kết hợp cơ chế attention.. 

• Theo dõi trạng thái hội thoại (Dialog state tracking – DST)

Ở bước này của quy trình, trình theo dõi trạng thái hộp thoại ước tính mục tiêu của người dùng bằng cách lấy toàn bộ ngữ cảnh hộp thoại làm đầu vào. Trong hầu hết các nghiên cứu gần đây, mục tiêu của người dùng được thể hiện bằng các cặp  thuộc tính – giá trị.

Năm 2013, Henderson từ Đại học Cambridge đã giới thiệu phương pháp học sâu để theo dõi trạng thái hộp thoại, trong đó sử dụng cửa sổ trượt để xuất ra một chuỗi phân phối xác suất trên một số giá trị tùy ý. Tại một số vị trí cố định cho phép áp dụng phân loại để dự đoán giá trị. Đối với các vị trí tự do có thể tạo ra giá trị trực tiếp hoặc dự đoán khoảng giá trị trong lời thoại.

Theo dõi trạng thái hộp thoại cũng có thể được thực hiện bằng cách sử dụng Mạng nơ-ron hồi quy (RNN) và Neural Belief Tracker (NBT), kết hợp một số các phương pháp tiếp cận khác.

• Học nguyên lý hội thoại (Dialog policy learning – DPL) 

Sau khi xác định trạng thái hội thoại, bước tiếp theo là tiến hành đưa ra quyết định hành động tiếp theo của hệ thống. DPL sẽ học các nguyên lý hội thoại của con người bằng các phương thức như học có giám sát hoặc học tăng cường. Ngoài ra, phương pháp tiếp cận dựa trên quy tắc (rule-based) được sử dụng đầu tiên để khởi động hệ thống.

Hiện nay, để học nguyên lý hội thoại hầu như đều dựa vào học tăng cường (RL). Tuy nhiên, việc đào tạo một chính sách học tăng cường đòi hỏi nhiều tương tác với người dùng, điều này tốn nhiều thời gian và chi phí. Do đó, nhiều phương thức tiếp cận khác nhau đã được đề xuất để giải quyết vấn đề này, bao gồm cả việc sử dụng trình mô phỏng người dùng. 

• Sinh ngôn ngữ tự nhiên (Natural language generation – NLG) 

Ở công đoạn này; chúng ta sẽ dùng hành động được quyết định từ nguyên lý đối thoại tạo thành câu nói tự nhiên để phản hồi lại người dùng. Phản hồi tương ứng với một lời thoại của máy tính phải đảm bảo độ chính xác về mặt thông tin, cụ thể và tự nhiên.

Công đoạn này có thể được tiếp cận như một nhiệm vụ xử lý ngôn ngữ có điều kiện, bắt đầu bằng cách đào tạo trước một GPT với kho ngữ liệu quy mô lớn, và sau đó tinh chỉnh (fine-tune) mô hình về các nhiệm vụ sản sinh ngôn ngữ tự nhiên mục tiêu với một số lượng nhỏ các mẫu đã đào tạo.

Tạo lập chatbot bằng phương pháp End-to-end

Phương pháp End-to-end được đề xuất khi người ta nhận thấy một số hạn chế của phương pháp Pipeline. Đầu tiên, liên quan tới vấn đề chỉ định, với phương pháp pipeline thường khó có thể chỉ định các phản hồi của người dùng với mô-đun cụ thể tương ứng. Ngoài ra, các công đoạn có sự phụ thuộc và tương quan lẫn nhau, trong đó bất kỳ thay đổi về dữ liệu hoặc huấn luyện lại một thành phần nào của hệ thống pipeline cũng yêu cầu tất cả các thành phần khác phải được điều chỉnh cho phù hợp.

Những vấn đề này có thể được giải quyết bằng cách xây dựng một mô hình sinh (generative models) mạng nơ-ron cho các hệ thống hội thoại. Hầu hết các phương pháp end-to-end này sử dụng mô hình seq2seq (sequence to sequence).

Tuy nhiên, cách tiếp cận truyền thống của end-to-end yêu cầu  dữ liệu hội thoại rất nhiều và đa dạng  để học các hành vi đối thoại cơ bản của con người.

Trên đây, là một số phương pháp gợi ý được sử dụng rộng rãi để tạo lập Chatbot. Chatbot được dự đoán là sẽ càng ngày càng phổ biến bởi bất kỳ doanh nghiệp nào cũng muốn tối ưu trải nghiệm người dùng. Trong tương lai, Chatbot được kỳ vọng sẽ cải tiến nhiều hơn để phù hợp với tâm lý của người dùng, và sự phong phú của ngôn ngữ. Bạn có quan tâm đến chatbot và muốn phát triển chúng hay không, để lại comment thảo luận với VinBigdata nhé!

Tư liệu tham khảo: TopBots

Một trong những chìa khóa quyết định sự thành công xe tự hành nằm ở trình theo dõi đường đi (path tracker). Trên lý thuyết, tồn tại rất nhiều kỹ thuật, với các mức độ phức tạp và tính hiệu quả khác nhau trong một số tình huống cụ thể. Việc lựa chọn trình theo dõi đường đi ảnh hưởng đến hiệu suất về độ chính xác, độ ổn định và sự thoải mái của hành khách. Bài viết dưới đây sẽ giới thiệu 03 thuật toán điều khiển phổ biến cho xe tự hành, bao gồm: Pure Pursuit, Stanley và Model Predictive Controller.

Khái quát về thuật toán điều khiển/kiểm soát đường đi của xe tự hành

Ngày nay, xe tự hành nằm trong số các lĩnh vực nghiên cứu đang phát triển nhanh và quan trọng nhất của robotics. Các phương tiện tự động giúp đáp ứng việc tăng lưu lượng, mật độ, hiệu quả, an toàn và cảm giác thoải mái khi di chuyển. Nhiều giải pháp xe tự hành đã được triển khai thử nghiệm trên thế giới và ngay tại Việt Nam. Những nỗ lực nghiên cứu vẫn tiếp tục được thực hiện nhằm cải thiện hiệu suất, độ tin cậy và cắt giảm chi phí của xe tự hành.

Khả năng điều hướng tự động của xe tự hành bao gồm ba bước chính: Nhận thức và bản địa hóa – Lập kế hoạch – Kiểm soát. Trong đó, kiểm soát phương tiện là bước cuối cùng trong hệ thống điều hướng và thường được thực hiện bằng cách sử dụng một trong hai bộ điều khiển độc lập:

• Lateral Controller: Điều chỉnh góc lái sao cho xe đi theo đường tham chiếu. Bộ điều khiển giảm thiểu sai số giữa vị trí xe hiện tại và đường đi đã đươc định sẵn.
• Longitudinal Controller: Bộ điều khiển dọc giảm thiểu sự khác biệt giữa hướng của xe và hướng của đường tham chiếu. Giúp xe di chuyển một cách ổn định không bị rung lắc và tăng tốc giảm tốc mượt mà hơn.

Mục tiêu của bộ điều khiển là đảm bảo xe đi theo một con đường mong muốn bằng cách giảm thiểu sai số giữa xe và đường đi tham chiếu. Đồng thời vận tốc của xe cũng phải ổn định dựa trên đường đi tham chiếu sẽ được định trước bởi thuật toán về path planning. Lateral Controller cũng có thể được sử dụng cho các ứng dụng giữ làn đường.

03 thuật toán điều khiển ngang

1, Thuật toán Pure Pursuit

Pure Pursuit tính toán góc lái dựa trên thông tin về vị trí của xe và đường đi mà xe phải bám theo. Vận tốc của xe sẽ tùy thuộc vào đặc tính của từng khu vực (Đường trống, đường đông dân cư, đường có độ dốc lớn,…) vật cản trên đường. Sau đó, thuật toán sẽ di chuyển điểm ở phía trước trên đường đi dựa trên vị trí hiện tại của phương tiện, dần dần cho đến điểm cuối cùng. Hiểu một cách đơn giản, phương tiện liên tục đuổi theo một điểm trước mặt nó. Thuộc tính LookAheadDistance quyết định khoảng cách xác định điểm nhìn về phía trước.

controllerPurePursuit không phải là một bộ điều khiển truyền thống, mà hoạt động như một thuật toán theo dõi đường đi. Các đặc tính này được xác định dựa trên các thông số kỹ thuật của xe. Với đầu vào là vị trí, hướng của xe và đường tham chiếu có thể tính toán vận tốc và góc lái tương ứng.

2, Thuật toán Stanley Controller

Đây là phương pháp theo dõi đường đi được sử dụng bởi nhóm nghiên cứu của Đại học Stanford. Khác với phương pháp Pure Pursuit sử dụng trục sau làm điểm tham chiếu, phương pháp Stanley sử dụng trục trước làm điểm tham chiếu. Trong khi đó, nó xem xét cả (heading error and cross-track error). Trong phương pháp này, lỗi đường chéo được định nghĩa là khoảng cách giữa điểm gần nhất trên đường dẫn với trục trước của xe.

Stanley là một phương pháp đơn giản nhưng hiệu quả và ổn định cho việc điều khiển sau này. Cả Pure Pursuit và Stanley đều là những thuật toán dựa trên hình học. Dưới đây sẽ là một bộ điều khiển phi hình học khác – Bộ điều khiển dự đoán mô hình (Model Predictive Controller – MPC)

3, Thuật toán Model Predictive Controller – MPC

MPC sử dụng một mô hình của hệ thống để đưa ra dự đoán về hành vi trong tương lai của chính hệ thống đó. MPC giải quyết một thuật toán tối ưu trực tuyến (an online optimization algorithm) để tìm ra hành động điều khiển tối ưu, từ đó đưa ra kết quả dự đoán. MPC có thể xử lý các hệ thống có nhiều đầu ra, đầu vào và giữa chúng có mối liên hệ. Với khả năng dự đoán; MPC kết hợp thông tin tham chiếu trong tương lai vào bài toán điều khiển để cải thiện hiệu suất của bộ điều khiển.

Thực tế, MPC sở hữu rất nhiều lợi thế. Tuy nhiên, hạn chế của MPC là tốn kém về mặt tính toán, đặc biệt đối với những mô hình phi tuyến tính.