Phân tích hình ảnh • Dấu ấn sinh học • AI đa phương thức • Tiên lượng • XAI

Hướng nghiên cứu này tập trung ứng dụng AI vào phân tích dữ liệu sinh học, hình ảnh y khoa và thông tin liên quan đến sức khỏe. Phương pháp được lựa chọn tùy theo câu hỏi nghiên cứu, dữ liệu sẵn có và yêu cầu chuyên môn. Các hướng nghiên cứu dự kiến gồm:

• Phân tích hình ảnh y khoa: khai thác hình ảnh X-quang, CT, MRI hoặc ảnh giải phẫu bệnh trong phạm vi dữ liệu và mục tiêu nghiên cứu phù hợp.
• Phân tích dấu ấn sinh học (Biomarker): tìm kiếm các đặc trưng có thể hỗ trợ hình thành và kiểm chứng giả thuyết nghiên cứu.
• AI đa phương thức (Multimodal AI): kết hợp hình ảnh, dữ liệu lâm sàng và dữ liệu di truyền khi có cơ sở và điều kiện phù hợp.
• Phân tích nguy cơ và tiên lượng: phát triển mô hình dự báo, đánh giá sai số và kiểm tra khả năng khái quát hóa trên các nhóm dữ liệu khác nhau.
• AI giải thích được (Explainable AI – XAI): phân tích các yếu tố ảnh hưởng đến dự đoán, cơ sở của kết quả và giới hạn của mô hình.

Định hướng đầu ra: báo cáo phân tích dữ liệu, mô hình AI thử nghiệm, kết quả đánh giá và tài liệu kỹ thuật phục vụ nghiên cứu tiếp theo.

Dự đoán đặc tính • Cấu trúc phân tử • GNN • AI tạo sinh • Tối ưu đa mục tiêu

Materials Informatics kết hợp khoa học dữ liệu, học máy và kiến thức khoa học vật liệu nhằm hỗ trợ phân tích, dự đoán đặc tính và sàng lọc các ứng viên vật liệu. Thay vì chỉ dựa vào thử nghiệm tuần tự, các mô hình AI có thể được nghiên cứu để khai thác dữ liệu hiện có, xác định mối quan hệ giữa thành phần, cấu trúc và tính chất, từ đó hỗ trợ lựa chọn những hướng thử nghiệm đáng xem xét. Các hướng nghiên cứu dự kiến gồm:

• Dự đoán đặc tính vật liệu: xây dựng mô hình dự đoán thuộc tính hóa lý từ dữ liệu và các đặc trưng phù hợp.
• Phân tích cấu trúc phân tử: nghiên cứu mối quan hệ giữa thành phần, cấu trúc và đặc tính của hợp chất hoặc vật liệu.
• Mạng nơ-ron đồ thị (Graph Neural Networks – GNN): khai thác dữ liệu dạng đồ thị để biểu diễn và mô hình hóa cấu trúc phân tử hoặc vật liệu.
• AI tạo sinh (Generative AI): nghiên cứu phương pháp đề xuất hoặc sàng lọc cấu trúc ứng viên theo các tiêu chí xác định.
• Tối ưu hóa đa mục tiêu (Multi-objective Optimization): xem xét đồng thời nhiều tiêu chí như đặc tính mong muốn, chi phí, độ ổn định và khả năng chế tạo khi có đủ dữ liệu.

Định hướng đầu ra: bộ dữ liệu đã xử lý, mô hình dự đoán, danh sách ứng viên được sàng lọc và báo cáo đánh giá phục vụ nghiên cứu hoặc thử nghiệm tiếp theo.

Nguồn dữ liệu • Phương pháp thu thập • Tiền xử lý • Giới hạn

Xác định nguồn dữ liệu, phương pháp thu thập, quy trình tiền xử lý, quyền sử dụng và các giới hạn có thể ảnh hưởng đến kết quả. Dữ liệu phải phù hợp với câu hỏi nghiên cứu và đáp ứng các yêu cầu pháp lý liên quan.

Chỉ số phù hợp • Sai số • Dữ liệu mất cân bằng • Độ không chắc chắn

Lựa chọn chỉ số đánh giá phù hợp với từng bài toán; phân tích sai số, dữ liệu mất cân bằng và độ không chắc chắn. Khi có điều kiện, mô hình cần được kiểm chứng trên dữ liệu độc lập hoặc bằng thực nghiệm phù hợp.

XAI • Phân tích độ nhạy • Độ không chắc chắn • Dữ liệu độc lập

Ưu tiên xem xét XAI, phân tích độ nhạy và các phương pháp phù hợp để làm rõ cơ sở dự đoán. Báo cáo cần nêu phạm vi đánh giá, các trường hợp mô hình có thể hoạt động kém và những giới hạn chưa được giải quyết.

Cơ sở pháp lý • Quyền sử dụng • Phê duyệt đạo đức • Bảo vệ dữ liệu

Đối với dữ liệu sức khỏe, dữ liệu cá nhân hoặc mẫu sinh học có nguồn gốc từ con người, cần xác định quyền sử dụng, yêu cầu pháp lý và phê duyệt đạo đức khi áp dụng. Biện pháp bảo vệ có thể bao gồm kiểm soát truy cập, mã hóa và giảm thiểu dữ liệu định danh.