Henry Schein One, công ty công nghệ nha khoa hàng đầu, đã giải quyết thành công bài toán 20% hồ sơ bảo hiểm bị từ chối do chất lượng ảnh X-quang kém. Bằng cách xây dựng hệ thống Image Verify trên Amazon SageMaker, công ty có thể xác thực chất lượng ảnh trong thời gian thực ngay tại phòng khám, giúp giảm chi phí, cải thiện hiệu quả và nâng cao trải nghiệm bệnh nhân tại hơn 10.000 cơ sở.
Trong ngành nha khoa, chất lượng hình ảnh quyết định việc một yêu cầu bảo hiểm được chi trả hay từ chối. Tuy nhiên, quy trình đánh giá chất lượng ảnh theo cách truyền thống thường diễn ra thủ công và chậm trễ. Chỉ vài giờ hoặc vài ngày sau khi chụp, bác sĩ mới phát hiện các vấn đề như ảnh mờ, lệch hoặc không đầy đủ, thường là khi yêu cầu bảo hiểm bị từ chối. Điều này buộc bệnh nhân phải quay lại để chụp lại, gây tốn kém, chậm trễ và phiền toái cho tất cả các bên.
Thách thức: Đánh giá chất lượng ảnh theo thời gian thực ở quy mô lớn
Giải pháp xác minh hình ảnh trước đây của Henry Schein One chạy trên một nền tảng đám mây khác, nhưng không thể đáp ứng độ trễ hoặc hiệu quả chi phí cần thiết cho quy trình làm việc tại phòng khám. Việc xây dựng lại trên AWS đòi hỏi một hệ thống có thể đáp ứng đồng thời năm yêu cầu:
- Độ trễ (Latency): Kết quả đánh giá chất lượng phải được trả về trong vòng dưới ba giây.
- Độ chính xác: Nhiều mô hình machine learning (ML) phải đánh giá các khía cạnh chất lượng khác nhau mà không có kết quả dương tính giả làm xói mòn lòng tin của bác sĩ.
- Quy mô: Hệ thống phải phục vụ đồng thời hàng chục nghìn cơ sở, với khối lượng hàng trăm nghìn ảnh mỗi ngày.
- Hiệu quả chi phí: Chi phí cho GPU inference ở quy mô này có thể rất đắt đỏ nếu không được tối ưu hóa cẩn thận.
- Phạm vi toàn cầu: Nền tảng phải triển khai được trên nhiều khu vực với hiệu suất nhất quán.
Giải pháp Image Verify của Henry Schein One
Image Verify là một giải pháp đánh giá chất lượng bằng AI được tích hợp sẵn vào quy trình quản lý phòng khám. Khi một kỹ thuật viên chụp ảnh X-quang, Image Verify sẽ đánh giá ngay lập tức và trả về điểm chất lượng theo thang điểm từ 1 đến 5. Nếu ảnh có điểm thấp, kỹ thuật viên sẽ chụp lại ngay khi bệnh nhân vẫn còn ở đó, loại bỏ nhu cầu phải quay lại.
Sản phẩm đã đi từ ý tưởng vào mùa thu năm 2025 đến sản xuất chỉ trong vài tháng. Đến cuối tháng 4 năm 2026, nó đã hoạt động tại hơn 10.000 phòng khám, tăng gấp 43 lần, với hơn 9 triệu ảnh X-quang được xử lý và khối lượng trung bình hàng tuần là 1,5 triệu và đang tiếp tục tăng.
“Image Verify chỉ là một ý tưởng vào cuối Quý 3. Trong 6 tháng, nó đã được tạo ra, tinh chỉnh và hiện đã được triển khai ở quy mô lớn. Thiết kế và quy trình làm việc giúp việc áp dụng nhanh chóng, trực quan và có thể mở rộng.”
– Troy Miller, Phó Chủ tịch Kiến trúc, Henry Schein One
Kiến trúc: Cách AWS và Henry Schein One xây dựng giải pháp
Henry Schein One đã xây dựng Image Verify trên AWS ngay từ đầu, sử dụng Amazon SageMaker AI cho machine learning inference ở quy mô lớn. Lớp ứng dụng chạy trên Amazon Elastic Kubernetes Service (Amazon EKS), điều phối các yêu cầu từ ứng dụng quản lý phòng khám đến các endpoint inference của SageMaker AI và trả về điểm chất lượng cho bác sĩ.
Pipeline inference
Khi một hình ảnh được chụp tại phòng khám, nó sẽ đi qua một pipeline inference machine learning đa mô hình được lưu trữ trên SageMaker AI. Pipeline hoạt động theo các giai đoạn tuần tự:
- Phân loại: Giai đoạn đầu tiên xác định loại hình ảnh (ví dụ: bitewing, panoramic) và chuyển nó đến các mô hình đánh giá chất lượng phù hợp.
- Đánh giá chất lượng: Các mô hình chuyên biệt đánh giá độ sắc nét, căn chỉnh, độ bao phủ và tính đầy đủ cho loại hình ảnh đã xác định.
- Tổng hợp điểm: Kết quả từ các mô hình chất lượng được kết hợp thành một điểm chất lượng duy nhất từ 1-5 và trả về cho ứng dụng quản lý.
Toàn bộ quá trình, từ khi chụp ảnh đến khi điểm chất lượng hiển thị trên màn hình, có thời gian trung vị là 1,4 giây và P90 là 2,2 giây. Hệ thống duy trì tỷ lệ lỗi 0,01% trên hàng triệu lượt inference.
Các quyết định kiến trúc sau đã giúp hệ thống đáp ứng các yêu cầu về độ trễ, chi phí và quy mô:
- SageMaker AI async inference: Xử lý khối lượng yêu cầu biến đổi mà không cần cung cấp tài nguyên thừa, với tính năng autoscaling dựa trên độ sâu hàng đợi thay vì mức sử dụng CPU, cung cấp tín hiệu chính xác hơn cho các workload GPU.
- Lựa chọn phiên bản GPU: Nhóm đã chuyển từ phiên bản ml.g6e.4xlarge sang ml.g7e.4xlarge. Loại phiên bản mới hơn đã giúp giảm độ trễ trung vị từ 1,687 xuống 1,432 giây. Đồng thời, đội ngũ đã hợp nhất đội GPU từ 15 xuống còn 10 phiên bản, giảm 33% hạ tầng GPU trong khi cải thiện thời gian phản hồi.
- Triển khai không gián đoạn (Zero-downtime): Một framework A/B testing xác thực mỗi thay đổi trên lưu lượng sản xuất trực tiếp trước khi triển khai đầy đủ, cho phép tối ưu hóa hàng ngày mà không gây rủi ro.
- Đa khu vực qua AWS Cloud WAN: Cung cấp hạ tầng mạng nhất quán để triển khai toàn cầu trên các khu vực Hoa Kỳ, Châu Âu, Canada và Châu Á Thái Bình Dương.
Bài học cho các workload Machine Learning
Hành trình tối ưu hóa Image Verify mang lại bốn nguyên tắc có thể áp dụng cho các workload machine learning inference chạy ở quy mô lớn:
- Phân tích hiệu năng (profile) trước khi mở rộng: Nút thắt cổ chai là ở khâu tiền xử lý trên CPU, không phải tính toán GPU. Việc thêm nhiều phiên bản hơn sẽ tốn kém và không hiệu quả.
- Tối ưu toàn bộ pipeline, không chỉ riêng model: Độ trễ của inference thường ẩn ở khâu tiền xử lý, hậu xử lý và di chuyển dữ liệu chứ không phải trong quá trình thực thi mô hình.
- Xây dựng để lặp lại không gián đoạn: A/B testing và chuyển đổi lưu lượng hỗ trợ lặp lại nhanh chóng mà không có rủi ro cho môi trường sản xuất.
- Sử dụng tín hiệu autoscaling phù hợp: Độ sâu hàng đợi và số lượng yêu cầu đồng thời là những tín hiệu scaling đáng tin cậy hơn so với việc sử dụng CPU khi các phiên bản GPU mang cả workload CPU và GPU hỗn hợp.
Nhìn về phía trước, kiến trúc này đã được xác thực cho mục tiêu toàn cầu là 40.000 cơ sở trên bốn khu vực. Henry Schein One chứng minh rằng có thể xây dựng các giải pháp AI y tế theo thời gian thực, hiệu quả và có khả năng mở rộng toàn cầu trên nền tảng AWS.
