Trầm cảm là một vấn đề sức khỏe toàn cầu lớn, gây ra những rào cản đáng kể trong chẩn đoán và điều trị trong bối cảnh sức khỏe tâm thần đa dạng. Trên toàn cầu, ước tính 5% người trưởng thành,1 1,1% thanh thiếu niên từ 10-14 tuổi và 2,8% thanh thiếu niên từ 15-19 tuổi2 mắc chứng trầm cảm. Điều này tương đương với hàng triệu người trên toàn thế giới đang phải vật lộn với trầm cảm, khiến đây trở thành mối quan tâm đáng kể về sức khỏe cộng đồng.
Chẩn đoán bệnh trầm cảm không phải là một nhiệm vụ đơn giản và không có quy trình áp dụng cho mọi trường hợp. Nguyên nhân là do trầm cảm biểu hiện khác nhau ở mỗi người. Mặc dù có các phương pháp lâm sàng để chẩn đoán một số trường hợp trầm cảm, nhưng các công cụ này không phải lúc nào cũng cung cấp bức tranh đầy đủ về tình trạng sức khỏe tâm thần của cá nhân. Đối với phần lớn các đánh giá, nhà cung cấp dịch vụ chăm sóc sức khỏe chủ yếu dựa vào mô tả của chính bệnh nhân về cảm xúc và trải nghiệm của họ. Điều này có thể là thách thức vì bệnh nhân phải diễn đạt chính xác trạng thái cảm xúc bên trong của họ, điều này có thể đặc biệt khó khăn đối với những người gặp phải tình trạng đau khổ về mặt tinh thần.
Để giải quyết thách thức này, HippoScreen, đã phát triển Hệ thống Đánh giá EEG Căng thẳng (SEA), tận dụng Bộ công cụ Phân tích Intel® AI và Intel® oneAPI Base Toolkit, giúp các nhà cung cấp dịch vụ chăm sóc sức khỏe chẩn đoán các tình trạng sức khỏe tâm thần một cách chính xác và kịp thời.
Giải quyết Các thách thức trong Chẩn đoán và Điều trị trầm cảm
Theo số liệu thống kê gần đây, khoảng 50% cá nhân mắc các bệnh về sức khỏe tâm thần không được chẩn đoán hoặc điều trị đúng trong năm đầu tiên tìm kiếm sự giúp đỡ.3 Sự chậm trễ này có thể gây ra hậu quả lâu dài, vì can thiệp sớm có vai trò rất quan trọng trong việc quản lý và cải thiện kết quả sức khỏe tâm thần.
Một trở ngại đáng kể là tình trạng thiếu hụt các chuyên gia sức khỏe tâm thần, đặc biệt là ở vùng nông thôn, nơi chăm sóc chuyên khoa thường bị hạn chế. Nhu cầu đánh giá sức khỏe tâm thần vượt quá đáng kể so với nguồn cung do không đủ số lượng bác sĩ tâm thần và nhà tâm lý học, dẫn đến danh sách chờ dài và chẩn đoán bị chậm trễ. Ngoài ra, khối lượng công việc lớn đối với các chuyên gia hiện tại có thể cản trở khả năng đánh giá nhanh chóng và giải thích chính xác các triệu chứng của họ.
“Tại HippoScreen, chúng tôi đã có thể tận dụng tối ưu hóa phần mềm trong Intel Extension for Scikit-learn và Intel Optimization for PyTorch để tăng tốc thời gian xây dựng cho các mô hình AI trong hệ thống phân tích Sóng Não EEG tùy chỉnh của chúng tôi lên 2,4 lần.” —Daniel Weng, Giám đốc Công nghệ, HippoScreen NeuroTech Corp.
Một thách thức khác là đảm bảo rằng mọi người nhận được chẩn đoán chính xác trong bối cảnh có nhiều yếu tố như các triệu chứng được báo cáo sai hoặc nhiều tình trạng bệnh lý xảy ra đồng thời. Các tình trạng sức khỏe tâm thần thường có các triệu chứng phức tạp mà các yếu tố bên ngoài như lạm dụng chất gây nghiện hoặc bệnh thể chất có thể ảnh hưởng. Để vấn đề trở nên phức tạp hơn, một số triệu chứng có thể trùng lặp ở những rối loạn cụ thể khiến cho các nhà cung cấp dịch vụ chăm sóc sức khỏe gặp khó khăn trong việc đưa ra chẩn đoán chính xác kịp thời.
Những thách thức này nhấn mạnh nhu cầu về các giải pháp sáng tạo để cải thiện khả năng tiếp cận và rút ngắn thời gian chờ đợi để đánh giá sức khỏe tâm thần. Ngoài ra, việc kết hợp các thuật toán học máy vào các quy trình chẩn đoán có thể hỗ trợ các bác sĩ lâm sàng bằng cách phân tích hiệu quả hơn các bộ dữ liệu lớn và cung cấp thông tin chuyên sâu được cá nhân hóa dựa trên các mô hình quan sát được trong các trường hợp tương tự.
Tối đa hóa AI để Chẩn đoán Trầm cảm Tâm thần Tốt hơn
Hệ thống SEA của HippoScreen được thiết kế để cung cấp giải pháp cho những thách thức này. Hệ thống SEA giúp các nhà cung cấp dịch vụ chăm sóc sức khỏe chẩn đoán các tình trạng sức khỏe tâm thần chính xác hơn. Không giống như các phương pháp truyền thống chỉ dựa vào khả năng tự đánh giá của bệnh nhân, HippoScreen có cách tiếp cận độc đáo bằng cách sử dụng công nghệ sóng não. Phương pháp này tối đa hóa việc xử lý hành vi theo thời gian thực để xác định trạng thái nhận thức của người dùng thông qua phân tích sóng não của cá nhân. Hệ thống SEA kết hợp một bộ khuếch đại EEG để thu thập dữ liệu và xử lý tín hiệu, GUI (Giao diện đồ họa người dùng) để quản lý quy trình kiểm tra và một thuật toán AI để phân tích dữ liệu. Bằng cách phân tích các phân đoạn tín hiệu sóng não kéo dài 90 giây, SEA cung cấp chỉ số đánh giá bằng số, thể hiện khách quan và định lượng khả năng một cá nhân bị trầm cảm.
Khai thác sức mạnh của AI và tăng tốc các ứng dụng trên toàn bộ doanh nghiệp của bạn. Khám phá cách AI được nền tảng Intel® Xeon® hỗ trợ có thể mang lại lợi ích cho bạn.
Giải pháp này được thiết kế để đạt được kết quả mong muốn bằng cách tối đa hóa các thuật toán khác nhau được sử dụng trong quá trình xử lý dữ liệu trước, trích xuất tính năng, lựa chọn tính năng và bộ phân loại. Để đạt được điều này, HippoScreen cần giải quyết một số thách thức mà các giải pháp AI khác cũng phải đối mặt trong lĩnh vực chăm sóc sức khỏe. Những thách thức chủ yếu bao gồm việc khái quát hóa mô hình AI để đảm bảo khả năng áp dụng của mô hình này trong các ứng dụng lâm sàng thực sự, thiết kế quy trình kiểm tra được kiểm soát tốt để duy trì chất lượng dữ liệu và đảm bảo mô hình AI có thể xử lý các biến thể dữ liệu, điều này rất quan trọng để có kết quả thành công. Do đó, việc tìm các tham số tối ưu và bộ tính năng hoàn hảo trong các tổ hợp thuật toán này có thể mất vài ngày. Trong bối cảnh này, việc nâng cao hiệu quả của các thuật toán này có vai trò rất quan trọng và có khả năng là chìa khóa để cung cấp kịp thời các kết quả tối ưu này.
Đây là nơi Intel đóng vai trò quan trọng trong việc hỗ trợ HippoScreen cải thiện hiệu quả và thời gian xây dựng các mô hình học sâu được sử dụng trong hệ thống SEA bằng sóng não dựa trên AI.
Cải thiện Hiệu quả Thuật toán và Độ chính xác Chẩn đoán với Intel
HippoScreen đã có thể tối ưu hóa giải pháp SEA của họ và cải thiện hiệu quả, hiệu năng và độ chính xác của các mô hình học sâu, đồng thời giảm thời gian cung cấp các kết quả chẩn đoán quan trọng, bằng cách sử dụng Bộ công cụ Phân tích Intel AI và Intel® oneAPI Base Toolkit.
Quá trình phát triển của HippoScreen kết hợp các thuật toán và mô hình khác nhau để tạo ra yếu tố quyết định độc đáo. Trọng tâm của quá trình này là việc sử dụng các thuật toán độc quyền của HippoScreen được thiết kế riêng cho nhu cầu riêng của họ. Ngoài các thuật toán của riêng mình, HippoScreen còn tích hợp các mô hình học sâu của PyTorch được Intel tối ưu hóa. Điều này bao gồm các mô hình như SCCNet, EEGNet và Shallow ConvNet. Các mô hình tinh vi này được thiết kế để xử lý lượng thông tin khổng lồ và xác định các mẫu mà các phương pháp phân tích truyền thống có thể không nhận thấy.
Để nâng cao hơn nữa khả năng của hệ thống, các thuật toán học máy truyền thống từ thư viện scikit-learn của Intel cũng được tích hợp. Các thuật toán này, bao gồm Kmeans, Phân loại Vector Hỗ trợ và Hồi quy Vector Hỗ trợ (Support Vector Regression), cung cấp các kỹ thuật mạnh mẽ và đã được kiểm chứng để phân tích dữ liệu. Sự kết hợp đa dạng giữa các thuật toán và mô hình này được sử dụng để phân tích các tính năng dữ liệu EEG. Việc tích hợp các phương pháp tiếp cận khác nhau này cho phép phân tích toàn diện và tinh tế hơn, cuối cùng dẫn đến việc xây dựng yếu tố quyết định độc đáo. Yếu tố quyết định này, được sinh ra từ sự tương tác giữa các thuật toán độc quyền, mô hình học sâu và thuật toán học máy truyền thống, đại diện cho đỉnh cao của phương pháp tiếp cận sáng tạo của HippoScreen đối với chẩn đoán sức khỏe tâm thần. Phương pháp này hứa hẹn sẽ mang lại những chẩn đoán chính xác và kịp thời hơn, có khả năng cải thiện kết quả điều trị cho vô số cá nhân.
Một công cụ quan trọng khác đã cách mạng hóa quy trình học sâu của HippoScreen là Thư viện hạt nhân toán học Intel® oneAPI (oneMKL). Thư viện này cung cấp các chức năng toán học được tối ưu hóa cao được thiết kế riêng cho các ứng dụng học máy. Với oneMKL, các mô hình HippoScreen có thể thực hiện các phép tính toán học phức tạp nhanh hơn. Điều này tiết kiệm thời gian xử lý quý báu và cho phép HippoScreen xây dựng các cấu trúc học sâu lớn hơn và chính xác hơn.
Bằng cách sử dụng các bộ khung như Intel® Extension for TensorFlow* và PyTorch* Optimizations từ Intel, HippoScreen đã có được quyền truy cập vào các thư viện và các mô hình được đào tạo trước hàng đầu trong ngành. Các bộ khung này cung cấp nền tảng vững chắc để phát triển các thuật toán AI tiên tiến với các API cấp cao, tài liệu mở rộng và cộng đồng các nhà phát triển đông đảo đang tích cực đóng góp vào việc cải tiến chúng. Việc sử dụng các bộ khung được thiết lập tốt này không chỉ hợp lý hóa quá trình phát triển mà còn đảm bảo khả năng tương thích với nhiều cấu hình phần cứng, giúp HippoScreen dễ dàng tích hợp các giải pháp AI của mình vào các môi trường đa dạng. Hơn nữa, khả năng phân tích dự đoán cho phép HippoScreen dự đoán nhu cầu và hành vi khách hàng, mang lại cho họ lợi thế cạnh tranh.
Cung cấp Sự tăng trưởng Hiệu năng để Chẩn đoán Bệnh trầm cảm Kịp thời và Hiệu quả hơn
SEA của HippoScreen đã có thể đạt được hiệu năng tăng 2,4 lần4 bằng cách tối đa hóa Bộ công cụ Phân tích Intel® AI và Intel® oneAPI Base Toolkit cùng với sức mạnh của bộ xử lý Intel® cho khối lượng công việc AI. Điều này đóng vai trò quan trọng trong việc giúp SEA của HippoScreen đạt được ngưỡng hiệu năng tối ưu cần thiết để nâng cao hiệu quả và giảm đáng kể thời gian chẩn đoán.
Nhìn chung, các công cụ và bộ khung AI của Intel đã đóng vai trò quan trọng trong việc giúp SEA của HippoScreen phát huy hết tiềm năng của mình với các khả năng phân tích tiên tiến. HippoScreen đã sử dụng Intel® VTune™ Profiler để có được thông tin chi tiết chuyên sâu về tổng số CPU logic và số lượng luồng phần mềm trong cả môi trường python* của riêng họ và của Intel với các thư viện OpenMP khác nhau. Phân tích chuyên sâu này đóng vai trò quan trọng trong việc hiểu rõ hiệu năng của hệ thống và xác định các lĩnh vực cần tối ưu hóa.
Trong cả môi trường python của HippoScreen và Intel, Intel VTune Profiler đã đưa ra đề xuất để giảm số lượng luồng. Đề xuất này dựa trên quan sát rằng cả hai trường hợp đều liên quan đến tình trạng đăng ký vượt mức luồng, một tình huống trong đó nhiều luồng phần mềm được phân bổ hơn tổng số CPU logic, dẫn đến việc sử dụng CPU không hiệu quả. Bằng cách làm theo các đề xuất này, HippoScreen có thể điều chỉnh số lượng luồng để cân bằng giữa hiệu năng và mức sử dụng CPU. Quá trình điều chỉnh này bao gồm việc thử nghiệm và phân tích cẩn thận để tìm ra số lượng luồng tối ưu—“điểm lý tưởng” nơi hiệu năng được tối đa hóa và mức sử dụng CPU được giảm thiểu, dẫn đến hiệu năng tăng gấp 2 lần.4
Việc tìm ra sự cân bằng này là một thành tựu đáng kể, vì nó cho phép HippoScreen tối ưu hóa hiệu năng của hệ thống mà không gây quá tải vào CPU. Điều này không chỉ cải thiện hiệu quả của hệ thống mà còn có khả năng kéo dài tuổi thọ của phần cứng bằng cách ngăn chặn áp lực không cần thiết trên CPU.
Mang lại Lợi ích Thực tế
Bằng cách khai thác hiệu quả sức mạnh của các công cụ và công nghệ AI của Intel, SEA của HippoScreen đã mang lại những lợi ích đáng kể, đánh dấu bước tiến quan trọng về khả năng vận hành và hiệu năng tổng thể. Một trong những lợi ích chính là khả năng nâng cao trong việc nghiên cứu các mẫu sóng não và hiểu được các trạng thái nhận thức khác nhau. Bằng cách khai thác sức mạnh của AI, các nhà nghiên cứu giờ đây có thể tìm hiểu sâu hơn về việc giải mã các hiện tượng thần kinh phức tạp như sự chú ý, bộ nhớ và cảm xúc. Khả năng xử lý nhanh chóng của các công cụ và công nghệ AI của Intel cho phép phân tích hiệu quả hơn lượng dữ liệu khổng lồ, dẫn đến những đột phá trong việc hiểu cách một số yếu tố tác động đến chức năng não bộ.
Hơn nữa, việc tích hợp này đã cải thiện khả năng nghiên cứu, mở ra nhiều khả năng thú vị cho các ứng dụng thực tế trong các lĩnh vực như chăm sóc sức khỏe và giáo dục. Ví dụ: các chuyên gia y tế có thể sử dụng nền tảng phân tích tinh vi này để chẩn đoán các rối loạn nhận thức với độ chính xác cao hơn hoặc theo dõi chính xác tiến trình của bệnh nhân trong quá trình điều trị. Khả năng chẩn đoán và theo dõi chính xác tiến trình có thể đưa ra kế hoạch điều trị hiệu quả hơn và mang lại kết quả tốt hơn cho bệnh nhân. Trong lĩnh vực giáo dục, những thông tin chuyên sâu mới này có thể được sử dụng để phát triển trải nghiệm học tập được cá nhân hóa phục vụ hiệu quả hơn cho nhu cầu của từng sinh viên. Bằng cách hiểu các yếu tố khác nhau tác động đến chức năng nhận thức, các nhà giáo dục có thể điều chỉnh các phương pháp và chiến lược giảng dạy để phù hợp hơn với từng sinh viên, từ đó có khả năng cải thiện kết quả học tập.
Kết lại
Việc tích hợp các công cụ AI từ Intel vào SEA của HippoScreen đánh dấu một cột mốc chuyển đổi trong chẩn đoán thần kinh. Sự hợp tác giữa HippoScreen AI và Intel chứng minh cách các công nghệ mới nổi có thể nâng cao khả năng giám sát sóng não hiệu quả của chúng ta—một bước tiến thú vị trong lĩnh vực thần kinh học. Bằng cách khai thác sức mạnh và trí tuệ được các nền tảng như Intel Extension for PyTorch và scikit-learn cung cấp, các nhà nghiên cứu, bác sĩ lâm sàng và bệnh nhân được hưởng lợi từ độ chính xác sàng lọc được cải thiện, thời gian xử lý nhanh hơn và chăm sóc bệnh nhân tốt hơn thông qua các chiến lược can thiệp sớm phù hợp với nhu cầu của từng cá nhân.
Về HippoScreen
HippoScreen Neurotech Corp. (HNC) là công ty khởi nghiệp có trụ sở tại Đài Loan được Compal Electronics hậu thuẫn. Với công nghệ xử lý tín hiệu điện não đồ (EEG) và công nghệ trí tuệ nhân tạo làm nền tảng, HippoScreen đang phát triển các công cụ chẩn đoán y tế được hỗ trợ EEG. Bộ khuếch đại EEG độc quyền của họ đã đạt được chứng nhận FDA 510(k) vào cuối năm 2020, hoàn thành quá trình đánh giá của TFDA và nhận được sự chấp thuận chính thức để sử dụng làm thiết bị y tế vào tháng 3 năm 2021, trở thành bộ khuếch đại EEG cấp y tế đầu tiên được phát triển và sản xuất tại Đài Loan. HippoScreen đã hợp tác với ba trung tâm y tế ở Đài Loan để xây dựng cơ sở dữ liệu EEG liên trung tâm lớn nhất thế giới về bệnh trầm cảm lâm sàng. Phần mềm AI của họ, Hệ thống Đánh giá EEG Căng thẳng được thiết kế để hỗ trợ chẩn đoán trầm cảm, cũng đã được TFDA phê duyệt và đăng ký vào tháng 11 năm 2023.
