Federated learning giúp bệnh viện huấn luyện AI mà không chuyển bệnh án

Federated learning là phương pháp huấn luyện mô hình AI mà dữ liệu gốc vẫn nằm tại nơi tạo ra dữ liệu. Bệnh án không chuyển vào một kho chung; máy chủ gửi mô hình đến từng cơ sở và nhận bản cập nhật sau huấn luyện. Các bản cập nhật được tổng hợp để tạo phiên bản chung cho vòng tiếp theo. Cách tổ chức này giảm nhu cầu chuyển bệnh án ra ngoài, nhưng không xóa hết rủi ro về quyền riêng tư và quản trị.

Mô hình di chuyển, bệnh án ở lại bệnh viện

Bài báo của McMahan và cộng sự được trình bày tại Hội nghị Trí tuệ Nhân tạo và Thống kê (AISTATS) năm 2017. Nhóm tác giả giữ dữ liệu huấn luyện phân tán trên thiết bị rồi học mô hình chung từ các bản cập nhật được tính tại chỗ. Bối cảnh ban đầu là hàng triệu điện thoại có dữ liệu riêng tư và kết nối không ổn định. Nhóm tác giả dùng phương pháp lấy trung bình mô hình qua nhiều vòng, thay cho yêu cầu đưa toàn bộ dữ liệu về trung tâm. Trong các thử nghiệm, số vòng giao tiếp giảm từ 10 đến 100 lần so với phương pháp giảm độ dốc ngẫu nhiên đồng bộ.

Trong bệnh viện, mỗi cơ sở trở thành một nút huấn luyện thay cho một chiếc điện thoại. Viện Tiêu chuẩn và Công nghệ Quốc gia Mỹ (NIST) là cơ quan liên bang phụ trách tiêu chuẩn đo lường và công nghệ. Theo NIST, máy chủ gửi mô hình đến từng đơn vị, còn đơn vị chỉ trả bản cập nhật sau khi huấn luyện tại chỗ. Dữ liệu gốc không được gửi đến máy chủ trung tâm trong quy trình này. Máy chủ tổng hợp các cập nhật thành mô hình mới và lặp lại quy trình cho đến khi đạt điều kiện dừng.

Kiến trúc trên khác với cách khử định danh bệnh án rồi chuyển bản sao sang một kho dữ liệu chung. Dữ liệu nằm nguyên tại bệnh viện giúp giảm thêm một điểm lưu trữ tập trung và một luồng truyền bệnh án giữa các tổ chức. Tuy vậy, liên minh vẫn phải kiểm soát người truy cập, xác thực nút tham gia, ghi nhật ký và xử lý sự cố. Federated learning cũng không tự chuẩn hóa định dạng bệnh án hoặc bảo đảm các bệnh viện thu thập dữ liệu theo cùng một quy trình.

Luật Đài Loan vẫn áp dụng khi dữ liệu không rời viện

Luật Bảo vệ dữ liệu cá nhân của Đài Loan hạn chế thu thập, xử lý hoặc sử dụng hồ sơ bệnh án và dữ liệu y tế. Danh sách còn gồm dữ liệu gen, đời sống tình dục, khám sức khỏe và tiền án. Pháp luật cho phép ngoại lệ trong những trường hợp được quy định rõ. Federated learning không tạo ra một ngoại lệ pháp lý mới cho dữ liệu y tế. Dữ liệu không rời bệnh viện cũng không thay thế yêu cầu xác định căn cứ sử dụng, biện pháp an toàn và trách nhiệm của các bên.

Bộ Y tế và Phúc lợi Đài Loan là cơ quan trung ương phụ trách y tế và phúc lợi tại Đài Loan. Bệnh viện Đại học Quốc gia Đài Loan (NTUH) là bệnh viện đại học công tại Đài Loan. Cơ sở này lập Trung tâm Xác minh và Thẩm định AI Lâm sàng theo chương trình tài trợ của bộ. NTUH cho biết trung tâm liên kết với Bệnh viện Đại học Công giáo Fu Jen và Bệnh viện Min-Sheng ở Đào Viên (Taoyuan).

Liên minh xây nền tảng federated learning để dữ liệu xác minh ở lại từng bệnh viện. NTUH là đầu mối nhận hồ sơ và liên hệ giữa các cơ sở. Hội đồng đạo đức nghiên cứu của NTUH chủ trì thẩm định đề án. Sau khi đề án được chấp thuận, các bệnh viện trong liên minh về nguyên tắc dùng quy trình thẩm định rút gọn.

Thông tin của NTUH mô tả federated learning và kết nối FHIR như hai cơ chế riêng. Với nền tảng federated learning, trang bệnh viện nhấn mạnh dữ liệu xác minh không rời cơ sở. Phần FHIR lại đề cập luồng dữ liệu được tập trung trong hệ thống nội bộ của NTUH để phục vụ xác minh. Vì vậy, cam kết dữ liệu ở lại từng viện chỉ nên được hiểu trong phạm vi cơ chế federated learning, không phải mọi luồng dữ liệu của trung tâm.

Nghiên cứu tại Pháp cho thấy mô hình hợp tác đã vận hành

Nghiên cứu đăng trên Nature Medicine năm 2023 dùng federated learning với ảnh mô bệnh học toàn lát và dữ liệu lâm sàng. Mục tiêu là dự đoán đáp ứng mô học với hóa trị trước phẫu thuật ở ung thư vú bộ ba âm tính. Dữ liệu thực tế được giữ sau tường lửa của các bệnh viện tham gia. Mô hình hợp tác cho kết quả tốt hơn các mô hình chỉ học từ dữ liệu của từng cơ sở trong nghiên cứu. Nhóm tác giả gọi đây là nghiên cứu chứng minh khái niệm, chưa phải bằng chứng về hiệu quả khi triển khai đại trà trong chăm sóc lâm sàng.

Owkin, doanh nghiệp tham gia nghiên cứu, cho biết bộ dữ liệu gồm 650 bệnh nhân tại Institut Curie, Centre Léon Bérard, Gustave Roussy và IUCT Oncopole ở Pháp. Thông cáo của doanh nghiệp cũng xác nhận dữ liệu không rời bốn bệnh viện. Con số 650 mô tả quy mô đoàn hệ dùng trong nghiên cứu, không phải số bệnh nhân đã được điều trị dựa trên dự đoán của mô hình. Kết quả tại Pháp cũng không tạo ra một ước tính hiệu năng riêng cho bệnh viện ở Đài Loan hoặc Việt Nam.

Dữ liệu không rời viện không đồng nghĩa không thể rò rỉ

NIST cảnh báo bản cập nhật mô hình chịu ảnh hưởng trực tiếp từ dữ liệu dùng để huấn luyện. Trong một số điều kiện, kẻ tấn công có khả năng suy ra thông tin nhạy cảm từ các bản cập nhật này. Mô hình đã hoàn tất cũng lưu dấu các mẫu trong dữ liệu và có nguy cơ bị khai thác để tái dựng thông tin. Do đó, federated learning cần thêm biện pháp bảo vệ cho bản cập nhật và mô hình đầu ra.

Quyền riêng tư vi sai thường giới hạn chuẩn của độ dốc rồi thêm nhiễu được hiệu chỉnh trước khi gửi cập nhật. Nhiễu làm giảm khả năng lần ngược về một hồ sơ riêng lẻ, nhưng cũng làm thay đổi tín hiệu học của mô hình. Mức bảo vệ và độ chính xác vì thế phải được đánh giá cùng nhau trên từng dữ liệu và nhiệm vụ. Không có một cấu hình nhiễu chung bảo đảm cùng kết quả cho mọi bệnh viện.

Một nghiên cứu năm 2025 mô phỏng năm nút federated learning trên bộ dữ liệu đột quỵ công khai và dùng quyền riêng tư vi sai. Nhóm tác giả báo cáo độ chính xác giảm 2-4% khi dữ liệu giữa các nút không đồng nhất so với điều kiện phân bố đồng nhất. Đây là mô phỏng trên 5.110 hồ sơ ẩn danh, không phải thử nghiệm liên viện với bệnh án đang vận hành tại Đài Loan. Tỷ lệ giảm trên vì vậy không nên dùng để dự báo mức suy giảm của nền tảng NTUH.

Phạm vi còn bỏ ngỏ tại Đài Loan và Việt Nam

Trang NTUH xác nhận trung tâm có nền tảng, liên minh bệnh viện và quy trình thẩm định nghiên cứu. Trang này chưa công bố số mô hình đã hoàn tất xác minh, số sản phẩm đi vào sử dụng lâm sàng hoặc lịch mở rộng ra toàn Đài Loan. Một nền tảng kỹ thuật vì thế chưa đồng nghĩa có quy định bắt buộc cho mọi bệnh viện. Hiệu năng còn phụ thuộc vào quần thể bệnh nhân, thiết bị, chất lượng nhãn và quy trình vận hành tại từng nơi.

Các quy định và dự án nêu trên áp dụng tại Đài Loan. Phạm vi này không đổi khi người sử dụng dịch vụ y tế là người Việt đang sinh sống hoặc làm việc tại đây. Chúng không xác định tình trạng pháp lý hay mức triển khai của federated learning ở Việt Nam. Tính đến thời điểm bài viết được thực hiện, chúng tôi chưa tìm thấy văn bản chính thức của cơ quan chức năng Việt Nam đưa ra số liệu so sánh cho trường hợp này. Khoảng trống tìm kiếm không chứng minh Việt Nam không có dự án hoặc quy định liên quan.