Đề thi ĐGTD Đại học Bách khoa Hà Nội phần Tư duy Đọc hiểu (có đáp án) - Đề số 26

Thí sinh đọc Bài đọc 1 và trả lời các câu hỏi 1 – 10:

BÀI ĐỌC 1:

LẬP BẢN ĐỒ MỐI QUAN HỆ CỦA CÁC NHÀ KHOA HỌC TRONG DỰ ÁN MANHATTAN

[1] Dự án Manhattan là một chương trình tối mật để phát triển những quả bom nguyên tử đầu tiên trên thế giới trong suốt chiến tranh thế giới thứ hai. Nghiên cứu được che dấu và gây tranh cãi này đã thu hút nhiều nhà khoa học tài năng và danh tiếng, bao gồm giáo hoàng Enrico Fermi, J. Robert Oppenheimer.

[2] Milán Janosov, người sáng lập Geospatial Data Consulting và là nhà khoa học dữ liệu chính tại Baoba, gần đây có lập bản đồ các mối quan hệ giữa các nhà khoa học tham gia dự án Manhattan bằng việc sử dụng các phương pháp được bắt rễ từ khoa học mạng lưới. Mạng lưới hay khoa học dữ liệu là một lĩnh vực nghiên cứu khám phá các kết nối đầy phức tạp giữa con người trong một nhóm hoặc giữa các bên cá nhân của các hệ được nối mạng. Công trình đang được xuất bản ở dạng tiền ấn phẩm trên arXiv.

“Tôi đã nghiên cứu các mạng lưới xã hội và lập bản đồ những bộ dữ liệu dị thường để khám phá những kết nối ẩn dấu”, Janosov nói. “Trong cuộc hành trình này, tôi cũng lập bản đồ mạng lưới ẩn dấu của các nhà khoa học, bao gồm mạng lưới các nhà khoa học đoạt giải Nobel trong một dự án khác được công bố vào đầu năm nay. Vì vậy, tôi đã có một lịch sử bản đồ mạng lưới các nhà khoa học. Sau khi xem bộ phim về Oppenheimer, tôi quyết định gỡ rối mối quan hệ này và các kết nối xã hội bên trong dự án Manhattan, vốn là những hợp tác khoa học lớn nhất, có tác động nhiều nhất trong lịch sử loài người”.

[3] Việc trình chiếu bộ phim Oppenheimer trong tháng bảy vừa qua đã khơi dậy mối quan tâm đáng kể của xã hội về dự án Manhattan và những nỗ lực nghiên cứu bền vững dẫn đến sự phát triển của bom nguyên tử. Điều này đã truyền cảm hứng cho Janosov, một nhà khoa học mạng lưới được đào tạo với một nền tảng kiến thức vật lí để khám phá chủ đề này trong nghiên cứu của mình.

“Một cách làm dễ thực hành và dễ chấp nhận về mặt truyền thống để xây dựng những mạng lưới của các nhà khoa học là dựa vào các công bố được chia sẻ”, Janosov giải thích. “Tuy nhiên, ngay cả ngày nay thì một số thứ khoa học trong dự án Manhattan vẫn còn trong bí mật, vì vậy hướng đi này có thể làm biến dạng bức tranh tổng thể. Vì vậy tôi quyết định loại cách phân loại này và dựa vào dữ liệu riêng từ nền tảng thông tin công khai cho bậc nhất hiện nay – Wikipedia”.

[4] Để lập bản đồ các mối quan hệ giữa các nhà khoa học khác nhau tham gia dự án Manhattan, Janosov đầu tiên thu thập từng trang Wikipedia về các giải Nobel và đưa nó vào một bộ dữ liệu. Thông thường, anh sẽ sử dụng các kĩ thuật xử lí ngôn ngữ tự nhiên để phân tích văn bản trong những trang đó.

“Cách tiếp cận này cho phép tôi định lượng cách mỗi trang về các nhà khoa học đoạt giải Nobel với những người khác”, Janosov nói. “Điều này nghĩa là tất cả những gì tôi cần để xây dựng mạng lưới của họ, trong đó mỗi nhà khoa học là một giao điểm được liên kết dựa trên những tham chiếu và bình luận của Wikipedia. Ví dụ, trang Wiki của Oppenheimer đề cập đến Enrico Fermi nhiều hơn 10 lần, dẫn đến một mối quan hệ rất bền chặt giữa hai nhà vật lí”.

[5] Bản đồ do Janosov tạo ra cho thấy những nhà khoa học nổi tiếng nhất tham gia dự án Manhattan như những giao điểm và các kết nối giữa các nhà khoa học đó như những đường nối các giao điểm. Các giao điểm và đường nối tạo ra một mạng phức hợp của các mối quan hệ, nhấn mạnh vào các chu trình nghiên cứu được hợp tác chặt chẽ tại thời điểm đó.

“Thật kích thích khi nhìn thấy cách cấu trúc cộng đồng của mạng lưới phác họa ra những bộ phận khác nhau và những nhóm nổi tiếng trong lịch sử làm việc như thế nào trong dự án, như bộ phận lí thuyết với Feynman hoặc những người tị nạn chiến tranh thế giới thứ hai vây quanh Borh”, Janosov nói. “Tuy nhiên, phần thú vị nhất của tôi là những người tị nạn Hungary mang tên Những người Sao Hỏa: Teller, Wigner, Szilard, và Neuman, người đóng vai trò nền tảng trong buổi bình minh của nguyên tử. Và như đã thấy cũng trong mạng lưới này, việc sử dụng màu sắc đúng, những kết nối chặt chẽ của họ cũng thể hiện rõ ràng hơn”.

[6] Bản đồ màu sắc của dự án Manhattan do Janosov lập nên là một trong những ví dụ gần nhất về việc khoa học mạng lưới giá trị như thế nào trong việc tạo ra những hiện diện của các kết nối của con người và các bản đồ hiển thị các hệ phức hợp với nhiều hợp phần tương tác. Những nghiên cứu tương lai trong lĩnh vực đang tiến hóa này có thể rọi thêm ánh sáng vào một phạm vi rộng những chủ đề ăn sâu trong lịch sử khoa học và lịch sử nhân loại.

“Giờ đây, tôi lại tập trung vào những câu hỏi liên quan về quy hoạch đô thị, khoa học dữ liệu địa không gian và sự bền vững”, Janosov cho biết thêm. “Tôi hiện đang khám phá một câu hỏi cốt lõi trong miền tri thức này, nơi khoa học mạng lưới có thể được ứng dụng một cách phù hợp”.

(Thanh Nhàn tổng hợp, Nguồn:https://phys.org/news/2023-12-manhattan-scientists-network-science.html)

Thí sinh đọc Bài đọc 2 và trả lời các câu hỏi 11 – 20:

BÀI ĐỌC 2:

TRÍ TUỆ NHÂN TẠO TRONG Y HỌC

[1] Năm 2018, các nhà nghiên cứu tại Bệnh viện Đại học quốc gia Seoul (Hàn Quốc) đã phát triển một thuật toán AI gọi là DLAD (Deep Learning based Automatic Detection) để phân tích hình ảnh chụp X-quang ngực cũng như phát hiện sự phát triển bất thường của tế bào (nguyên nhân gây ra bệnh ung thư). Cùng một hình ảnh phim chụp, kết quả đọc của máy tính sẽ được so sánh với kết quả đọc của nhiều bác sĩ khác nhau và thật ngạc nhiên khi những kết luận từ máy tính là vượt trội hơn so với 17/18 các bác sĩ tham gia đọc phim.

Cũng trong năm 2018, thuật toán thứ hai được phát triển bởi các nhà nghiên cứu tại Google AI Healthcare. Họ tạo ra một thuật toán gọi là LYNA (Lymph Node Assistant) giúp phân tích các mẫu bệnh phẩm nhuộm màu để xác định khối ung thư vú di căn từ hạch bạch huyết. Kết quả rất thú vị khi thuật toán này có thể xác định các vùng khả nghi mà mắt thường của con người không thể phân biệt được trong các mẫu sinh thiết được đưa ra. LYNA thử nghiệm trên hai tập dữ liệu và được chứng minh là phân loại chính xác mẫu là ung thư hay không phải ung thư chính xác lên đến 99%. Hơn nữa, thời gian đọc của LYNA nhanh gấp đôi thời gian đọc bởi các bác sĩ thực hành.

Hai ví dụ trên đã cho thấy tiềm năng vô cùng to lớn của AI trong lĩnh vực chăm sóc sức khỏe con người. Vậy AI trong y học là gì? Và liệu nó có thay thế các bác sĩ trong tương lai? AI trong chăm sóc sức khỏe là một thuật ngữ bao quát được sử dụng để mô tả việc ứng dụng các thuật toán và phần mềm máy tính học được nhằm bắt chước nhận thức của con người trong việc phân tích, chẩn đoán, đưa ra các chỉ dẫn trong quá trình thăm khám, chẩn đoán, điều trị và tiên lượng bệnh. Hiện nay có 4 nhóm lĩnh vực y học mà AI đang được nghiên cứu áp dụng rất mạnh mẽ, chúng bao gồm: chẩn đoán bệnh; nghiên cứu, phát triển thuốc; tối ưu hóa cho điều trị từng cá nhân; chỉnh sửa gen.

[2] Chẩn đoán bệnh gần đây, AI đã đạt được những tiến bộ to lớn trong việc tự động chẩn đoán bệnh, giúp cho việc chẩn đoán rẻ, nhanh và dễ tiếp cận hơn. Các dữ liệu khổng lồ về hình ảnh bình thường, bệnh lí, các chỉ số cơ thể... sẽ được các nhà khoa học “dán nhãn”, nạp vào máy tính, sắp xếp, xử lí..., từ đó máy tính có thể nhận diện, phân loại rồi đưa ra các chẩn đoán khi chúng tiếp xúc với một dữ liệu nào đó của bệnh nhân. Nó giống như các bạn sinh viên mất trên dưới 10 năm để học y, đi bệnh viện thực hành để nhận diện các mặt bệnh và ghi nhớ rồi sau này ra trường đi làm gặp lại bệnh nhân tương tự thì bộ nhớ đã có để nhận biết. Tuy vậy, máy tính “học” nhanh hơn, “nhớ” chính xác hơn và số lượng dữ liệu nhớ thì gần như bất tận, nên AI giỏi chẩn đoán không kém gì các chuyên gia hàng đầu và nó có thể được sao chép lại trên toàn thế giới một cách nhanh chóng và ít tốn kém.

Với chẩn đoán bệnh, AI rất mạnh trong các nội dung: phát hiện ung thư phổi hoặc đột quỵ dựa trên các phim chụp; đánh giá nguy cơ đột tử do các bệnh tim dựa trên điện tâm đồ và hình ảnh cắt lớp, cộng hưởng từ tim; phân loại tổn thương da trên những hình ảnh da được cung cấp; đánh giá bệnh võng mạc tiểu đường thông qua hình ảnh soi đáy mắt. Ngoài ra, các dự án tham vọng hơn của AI liên quan đến sự kết hợp của nhiều nguồn dữ liệu (cắt lớp, cộng hưởng từ, giải trình gen, dữ liệu bệnh nhân cụ thể,...) để đánh giá một căn bệnh hoặc tiên đoán sự tiến triển của nó.

[3] Nghiên cứu, phát triển thuốc Nghiên cứu và phát triển các loại thuốc chữa bệnh là một quá trình vô cùng tốn kém và mất rất nhiều thời gian. Tuy nhiên hiện nay AI đã được sử dụng thành công trong cả 4 giai đoạn chính của quá trình nghiên cứu và phát triển thuốc (đánh giá các đích tác dụng; tìm kiếm được đúng các phân tử thuốc/ các thuốc có khả năng liên kết với đích đã chọn; kiểm tra hợp chất mới trong phòng thí nghiệm và trên lâm sàng về độ an toàn, hiệu quả; đạt được sự chấp thuận và đưa thuốc mới tới tay các bác sĩ và bệnh nhân), vì vậy tương lai chúng ta kì vọng việc phát triển thuốc sẽ vô cùng nhanh và rẻ hơn nhiều.

[4] Tối ưu hoá cho điều trị từng cá nhân các bệnh nhân khác nhau đáp ứng với thuốc và phác đồ điều trị khác nhau, vì thế cá nhân hóa điều trị có tiềm năng to lớn để tăng tuổi thọ cho bệnh nhân. Tuy nhiên, rất khó để xác định những yếu tố nào sẽ ảnh hưởng đến việc lựa chọn phương pháp điều trị và hiện nay vấn đề này đang được giải quyết bởi AI. AI có thể tự động hóa công việc thống kê hết sức phức tạp này và giúp khám phá những đặc điểm chỉ ra rằng bệnh nhân sẽ có phản ứng cụ thể với một phương pháp điều trị cụ thể nào, từ đó đưa ra được phác đồ điều trị tối ưu với từng bệnh nhân riêng biệt.

[5] Chỉnh sửa gen

Các nhà khoa học đang nghiên cứu ứng dụng hệ thống CRISPR-Cas9* để chỉnh sửa gen, đây là một bước tiến lớn trong khả năng chỉnh sửa DNA một cách hiệu quả và chính xác. Kĩ thuật này dựa vào các RNA dẫn đường ngắn (sgRNA) để nhắm mục tiêu và chỉnh sửa một vị trí cụ thể trên DNA. Nhưng RNA dẫn đường có thể phù hợp với nhiều vị trí DNA, dẫn đến có thể có các tác dụng phụ không mong muốn. Do vậy, việc lựa chọn cẩn thận RNA dẫn đường với ít tác dụng phụ nguy hiểm nhất là một bài toán cần giải quyết trong việc áp dụng hệ thống CRISPR để can thiệp vào hệ thống gen và AI sẽ là một lựa chọn hợp lí.

[6] Cho đến nay, AI trong y học đã cho thấy nhiều lợi ích tiềm năng. Cơ quan Quản lí thực phẩm - dược phẩm Hoa Kỳ (FDA) cũng đã phê duyệt một số thuật toán hỗ trợ trong thăm dò chẩn đoán y khoa. Tuy nhiên, để FDA có thể đánh giá chi tiết các quy trình - thuật toán này và cấp phép cho các công nghệ AI khác vào y học sẽ còn là một con đường dài phía trước vì có thể sự giải trình các thuật toán (để thuyết phục FDA cũng như các cơ quan chức năng khác) nhiều khi là bí mật của từng công ty cũng như liên quan đến sự độc quyền. Hơn nữa, những người tạo ra các thuật toán không phải lúc nào cũng là bác sĩ điều trị bệnh nhân, do đó trong một số trường hợp, các nhà khoa học về AI có thể cần phải tìm hiểu thêm về y học. Ở chiều ngược lại, các bác sĩ lâm sàng cũng cần tìm hiểu thêm về các thuật toán của AI để các ứng dụng được tối ưu hoá. Có thể khẳng định, dù AI phát triển trong y học đến đâu cũng không thể thay thế hoàn toàn bác sĩ trong quá trình thăm khám và chữa trị, chẳng hạn như AI không thể thực hiện ca phẫu thuật não tự động - nơi mà đôi khi các bác sĩ phẫu thuật phải thay đổi cách tiếp cận của họ ngay khi tổn thương được bộc lộ và nhìn thấy.

(BS Trần Quốc Khánh, , ngày 21/08/2021)

* Một kỹ thuật tiên tiến trong sinh học phân tử và đã được xem như là bước đột phá của kĩ thuật thao tác trên DNA bộ gen.

Giả sử trong tương lai AI có thể thực hiện chính xác các ca phẫu thuật phức tạp, điều gì vẫn có khả năng khiến bác sĩ không bị thay thế hoàn toàn, theo tinh thần văn bản?