AI chẩn đoán của Microsoft vượt trội bác sĩ đa khoa trong nghiên cứu đăng trên Science

Hệ thống chẩn đoán MAI-DxO của Microsoft đạt kết quả vượt trội so với các bác sĩ đa khoa tham gia nghiên cứu trong những ca chẩn đoán phức tạp, theo một nghiên cứu được bình duyệt và công bố ngày 22 tháng 10 năm 2026 trên Science. Nghiên cứu ghi nhận hệ thống đạt độ chính xác 83,2% trên hồ sơ ca bệnh của New England Journal of Medicine, so với mức 36,1% của các bác sĩ sử dụng tài liệu tham khảo.

Nghiên cứu “Chẩn đoán tuần tự bằng mô hình ngôn ngữ” được đăng trên Science, tập 394, số 6822, trang 423–428; bài được nhận ngày 4 tháng 4 năm 2026 và chấp nhận ngày 10 tháng 8 năm 2026. Cả 15 tác giả đều là nhân viên Microsoft; danh sách tác giả có giám đốc điều hành Microsoft AI Mustafa Suleyman, cùng Dominic King và Eric Horvitz. Trong thông báo cùng ngày, Microsoft cho biết công trình “được công bố hôm nay trên Science”, trong số chuyên đề “AI in Medicine” của tạp chí.

Một chuẩn đánh giá được xây dựng xoay quanh quy trình chẩn đoán từng bước

Bài báo giới thiệu Chuẩn đánh giá chẩn đoán tuần tự, hay SDBench, chuyển đổi 304 ca bệnh từ các hội nghị lâm sàng–bệnh lý của New England Journal of Medicine và 325 ca từ khoa cấp cứu đến nhập viện trong bộ dữ liệu MIMIC-IV-ED thành các tình huống chẩn đoán tương tác theo từng bước. Mỗi ca bắt đầu bằng một tóm tắt lâm sàng ngắn, từ đó người chẩn đoán—dù là bác sĩ hay hệ thống AI—có thể hỏi về bệnh sử hoặc khám lâm sàng, chỉ định xét nghiệm chẩn đoán hoặc đưa ra chẩn đoán cuối cùng. Hiệu suất được đánh giá dựa trên độ chính xác chẩn đoán so với chẩn đoán tham chiếu và tổng chi phí ước tính của các xét nghiệm đã chỉ định.

Mỗi tình huống được cấu trúc với sự hỗ trợ của hai tác tử. Tác tử Gatekeeper xử lý mọi yêu cầu thông tin dựa trên hồ sơ ca bệnh gốc và tạo ra kết quả tổng hợp trung tính về mặt chẩn đoán khi hồ sơ không có phát hiện được yêu cầu, nhờ đó dữ liệu thiếu không làm lộ đáp án. Tác tử Judge chấm điểm chẩn đoán đã đưa ra so với chẩn đoán tham chiếu theo thang đánh giá năm mức do bác sĩ xây dựng; điểm 4 hoặc 5—tương ứng với những chẩn đoán không làm thay đổi hướng xử trí—được tính là chính xác. Chi phí xét nghiệm được ước tính bằng mức giá dựa trên CPT, lấy từ tệp Standard Charges của Kaiser Permanente Washington Central Hospital; các câu hỏi về bệnh sử và khám lâm sàng được tính gộp vào một khoản phí cố định cho lượt khám bác sĩ.

Trong khuôn khổ chuẩn đánh giá, các tác giả thử nghiệm Microsoft AI Diagnostic Orchestrator, được viết tắt là DxO trong bài báo. Đây là một hệ thống không phụ thuộc mô hình, mô phỏng một nhóm chuyên gia lâm sàng có vai trò bổ trợ cho nhau, áp dụng nguyên tắc chỉ định xét nghiệm có cân nhắc chi phí ở từng bước và tổng hợp chẩn đoán qua các lần chạy độc lập. Thông báo của Microsoft mô tả hệ thống hoạt động như một nhóm bác sĩ ảo tranh luận qua nhiều vòng. Các tác giả cho rằng những chuẩn đánh giá tĩnh—cung cấp toàn bộ thông tin ca bệnh ngay từ đầu và yêu cầu một câu trả lời duy nhất—không thể đo lường liệu hệ thống có đặt đúng câu hỏi, tránh chỉ định xét nghiệm tràn lan hay nhận biết khi đã đủ chắc chắn để kết thúc quá trình tìm hiểu hay không.

Kết quả trên các ca bệnh của NEJM và khoa cấp cứu

Với các ca bệnh từ hội nghị lâm sàng–bệnh lý, DxO kết hợp với GPT-5 và chạy không giới hạn ngân sách đạt độ chính xác 83,2%, với chi phí trung bình 5.431 USD mỗi ca. Các cấu hình bị giới hạn chi phí đạt độ chính xác 80,9% với mức 2.241 USD và 79,6% với mức 1.303 USD, trong khi cấu hình hướng đến độ chính xác chẩn đoán cao nhất đạt 84,5% với chi phí 8.945 USD. Trong nghiên cứu bác sĩ đi kèm, tiến hành trên 56 ca được tách khỏi quá trình phát triển hệ thống, người tham gia đưa ra 764 chẩn đoán không dùng tài liệu và 662 chẩn đoán có dùng tài liệu; độ chính xác trung bình lần lượt là 22,3% với chi phí 3.049 USD mỗi ca và 36,1% với chi phí 4.725 USD. Bác sĩ có kết quả tốt nhất đạt 51,8%. Bài báo cũng ghi nhận sự khác biệt trong cách tiến hành chẩn đoán: trước khi chỉ định xét nghiệm đầu tiên, các bác sĩ đặt trung bình 5,6 câu hỏi, còn DxO kết hợp GPT-5 đặt trung bình 25,5 câu hỏi—một chiến lược mà các tác giả mô tả là khai thác bệnh sử có cấu trúc trên diện rộng.

Với các ca bệnh tại khoa cấp cứu, DxO không bị giới hạn ngân sách đạt độ chính xác 80,3% với chi phí 4.979 USD mỗi ca; khi bị giới hạn ngân sách, hệ thống đạt 73,2% với chi phí 2.634 USD. Các bác sĩ đa khoa đạt trung bình 46,8% với chi phí 3.400 USD, còn bác sĩ riêng lẻ có kết quả tốt nhất đạt 62,5%. Xét trên tất cả các mô hình được thử nghiệm bằng lời nhắc cơ sở tối giản, phương pháp điều phối của DxO giúp tăng độ chính xác chẩn đoán trung bình 7,9 điểm phần trăm đối với các ca bệnh từ hội nghị và 4,4 điểm phần trăm đối với các ca ở khoa cấp cứu. Thông báo của Microsoft cho biết không có phương pháp nào khác trong số các phương pháp của con người hoặc AI được đánh giá vừa chính xác hơn vừa ít tốn kém hơn MAI-DxO. Thông báo mô tả hệ thống chính xác hơn 1,7 lần so với bác sĩ khi xử lý các ca tại khoa cấp cứu; chính xác hơn gấp đôi so với bác sĩ sử dụng sách giáo khoa và internet trong các ca bệnh trên tạp chí; và chính xác hơn gần gấp bốn lần so với bác sĩ chẩn đoán mà không có những nguồn tham khảo đó, với chi phí chỉ bằng một nửa đến một phần ba.

DxO ban đầu được phát triển khi GPT-4.1 là mô hình mạnh nhất hiện có, sau đó được đánh giá với GPT-5; trước khi công bố, toàn bộ quy trình đánh giá được lặp lại với GPT-5.5 mà không sửa đổi lời nhắc hay phương pháp điều phối, và lợi thế về độ chính xác so với lời nhắc cơ sở đã tăng lên. Một phiên bản trước đó của công trình được đăng dưới dạng bản tiền ấn phẩm ngày 27 tháng 6 năm 2025, báo cáo độ chính xác 80% với mô hình o3 của OpenAI—gấp bốn lần mức trung bình 20% của bác sĩ—và 85,5% ở cấu hình tối đa hóa độ chính xác; phiên bản được bình duyệt bổ sung bộ ca bệnh tại khoa cấp cứu và các đánh giá cập nhật với GPT-5 và GPT-5.5.

Các hạn chế được nêu và công bố của tác giả

Các tác giả cho biết những so sánh này không chứng minh được sự vượt trội so với bác sĩ chuyên khoa, các nhóm đa chuyên khoa hay thực hành lâm sàng trong thực tế; họ cũng viết rằng khoảng cách về hiệu quả sẽ thu hẹp nếu so sánh với các chuyên gia hàng đầu hoặc những nhóm được ghép phù hợp với từng ca bệnh. Họ lưu ý rằng những lợi thế đo được bị khuếch đại trong một mô phỏng có kiểm soát, vốn không xét đến bệnh sử không chắc chắn, hồ sơ bệnh án không đầy đủ, sự gắn kết với bệnh nhân, việc theo dõi lâu dài và dữ liệu đa phương thức như hình ảnh chẩn đoán và tiêu bản giải phẫu bệnh; các ca bệnh trên tạp chí cũng có thể tập trung quá nhiều vào những trường hợp khó chẩn đoán. Một hạn chế khác được nêu là nghiên cứu so sánh với từng bác sĩ riêng lẻ thay vì sự phối hợp đa chuyên khoa; bên cạnh đó, thang đánh giá của Judge chỉ xem xét độ chính xác chẩn đoán ở cấp độ bệnh, chứ không đánh giá tính phù hợp của điều trị, độ an toàn hay việc quản lý bệnh lâu dài.

Trong phần công bố thông tin của bài báo, các tác giả cho biết tất cả họ đều là nhân viên Microsoft và nắm giữ cổ phần của công ty; một số người là nhà phát minh trong đơn đăng ký bằng sáng chế của Microsoft liên quan đến một khuôn khổ đánh giá tự động dành cho chẩn đoán tuần tự; và các nghiên cứu không nhận được khoản tài trợ nào từ bên ngoài Microsoft.

Phát hành mã nguồn mở và hợp tác lâm sàng

Microsoft cho biết sẽ phát hành mã nguồn mở SDBench cho một số ca bệnh được chọn từ NEJM, bao gồm bộ chuẩn đánh giá, Gatekeeper, Judge và mã ước tính chi phí. Mã nguồn được cung cấp trên GitHub theo Giấy phép MIT, cùng một cấu hình có tên “science” cố định phiên bản gatekeeper và judge được sử dụng để tạo ra kết quả của bài báo. Theo trang dự án SDBench, bộ dữ liệu được xây dựng từ các ca bệnh trên tạp chí cần có giấy phép của NEJM Group; tập con MIMIC được phân phối thông qua PhysioNet và yêu cầu xác minh tư cách; còn năm ca bệnh hoàn toàn tổng hợp được cung cấp trong bộ dữ liệu mở mặc định.

Một bài báo định hướng đi kèm, “Siêu trí tuệ y khoa: Nền tảng và khát vọng,” giới thiệu sáu khía cạnh phụ thuộc lẫn nhau của trí tuệ y khoa và cho rằng để đạt đến ngưỡng siêu trí tuệ y khoa, cần có “nhiều hơn hiệu suất vượt trội con người trong các nhiệm vụ riêng lẻ”—cụ thể là những hệ thống vượt qua các hệ thống y tế do con người dẫn dắt mạnh nhất hiện nay về khả năng suy luận y khoa tích hợp xuyên suốt toàn bộ quá trình chăm sóc. Thông báo của Microsoft cho biết bài báo được đăng trên BMJ Digital Health and AI. Công ty cũng cho biết đang tập hợp các nhóm y tế từ khắp Microsoft, trong đó có các nhà khoa học của Microsoft Research và những nhóm đứng sau Dragon Copilot và PowerScribe, vào một nỗ lực tích hợp tại Microsoft AI; đồng thời, công ty nhắc đến hợp tác với Mayo Clinic đã được công bố trước đó. Theo thông báo ngày 2 tháng 6 năm 2026, các tổ chức đang phát triển một mô hình AI tiên phong cho chăm sóc sức khỏe, do Mayo Clinic sở hữu và Microsoft dự định cung cấp thông qua các API của Azure Foundry.

Thông qua quan hệ đối tác mới với Trung tâm Y tế Beth Israel Deaconess ở Boston, Microsoft cho biết sẽ đánh giá năng lực suy luận lâm sàng tại nhiều môi trường bệnh viện trong một nghiên cứu tiến cứu, trong đó bệnh nhân tương tác trực tiếp với hệ thống và hiệu quả được đo lường dựa trên các đánh giá độc lập của bác sĩ.