Hệ thống AI đa tác tử của Microsoft vượt qua bác sĩ trong các bài kiểm tra chẩn đoán

Microsoft đã công bố kết quả nghiên cứu chỉ ra rằng công cụ chẩn đoán dựa trên AI của họ, có tên là Diagnostic Orchestrator, đã thể hiện hiệu suất vượt trội đáng kể so với các bác sĩ con người trong các thử nghiệm được kiểm soát. Kết quả này, được đăng tải trên tạp chí Science vào ngày 22 tháng 10 năm 2026, gợi ý rằng hệ thống có thể xác định các tình trạng y tế với độ chính xác cao hơn và chi phí ước tính thấp hơn so với các bác sĩ tổng quát.

Điều gì đã xảy ra

Nhóm nghiên cứu tại Microsoft đã đối đầu hệ thống AI của họ với các bác sĩ con người bằng cách sử dụng một bộ tiêu chuẩn đánh giá mới mang tên SDBench. Bộ dữ liệu này kết hợp hàng trăm báo cáo ca lâm sàng từ The New England Journal of Medicine với dữ liệu từ khoa cấp cứu của Trung tâm Y tế Beth Israel Deaconess ở Boston. Mục tiêu là mô phỏng quá trình suy luận phức tạp mà các bác sĩ sử dụng khi đánh giá những bệnh nhân có triệu chứng mơ hồ.

Trong các bài kiểm tra này, Diagnostic Orchestrator đạt tỷ lệ chính xác khoảng 83% đối với các ca bệnh từ tạp chí y khoa. Ngược lại, các bác sĩ tổng quát chỉ ghi nhận khoảng 36% khi được phép sử dụng tài liệu tham khảo, và giảm xuống còn 22% khi không có chúng. Đối với các ca bệnh từ khoa cấp cứu, AI đạt độ chính xác 80%, so với mức trung bình 47% của các bác sĩ con người. Hệ thống cũng chứng minh khả năng đưa ra các kết luận này với chi phí ước tính thấp hơn.

Mustafa Suleyman, Giám đốc điều hành mảng AI của Microsoft, mô tả việc công bố này là một cột mốc quan trọng hướng tới điều mà công ty gọi là "siêu trí tuệ y khoa" (medical superintelligence). Mặc dù công nghệ này chưa được triển khai trong các môi trường lâm sàng thực tế, Microsoft dự kiến sẽ bắt đầu thử nghiệm ngoài đời thực với Trung tâm Y tế Beth Israel Deaconess trong vài tháng tới. Công ty nhấn mạnh rằng đây là một phần của chiến lược rộng lớn hơn nhằm tích hợp AI vào nhiều khía cạnh khác nhau của chăm sóc sức khỏe, bao gồm phối hợp chăm sóc và quyết định điều trị.

Cách thức hoạt động

Diagnostic Orchestrator không phụ thuộc vào một mô hình ngôn ngữ lớn duy nhất để dự đoán chẩn đoán. Thay vào đó, nó sử dụng kiến trúc đa tác tử (multi-agent) được vận hành bởi GPT-5 của OpenAI. Cấu hình này mô phỏng một hội đồng chuyên gia y tế. Các tác tử AI khác nhau được phân công những vai trò cụ thể: một số phân tích triệu chứng, một số xem xét tiền sử bệnh án, và những tác tử khác quyết định loại xét nghiệm chẩn đoán nào cần được chỉ định tiếp theo. Các tác tử này cộng tác, tranh luận và tinh chỉnh các giả thuyết trước khi đi đến kết luận cuối cùng.

Cách tiếp cận này cho phép hệ thống tái tạo tính chất lặp lại của quy trình chẩn đoán y khoa. Thay vì cung cấp câu trả lời ngay lập tức dựa solely vào khớp mẫu (pattern matching), hệ thống đặt câu hỏi, cân nhắc các giải thích có thể xảy ra và yêu cầu thêm dữ liệu, giống như cách một bác sĩ lâm sàng làm trong buổi khám bệnh. Các nhà nghiên cứu lưu ý rằng mặc dù mô hình nền tảng đã được cải thiện kể từ khi phát triển ban đầu với GPT-4.1, cấu trúc đa tác tử vẫn đóng vai trò then chốt đối với hiệu suất của hệ thống.

Nghiên cứu chỉ ra rằng việc đơn thuần nâng cấp lên các mô hình mới hơn như GPT-6 Astra hoặc Gemini 4 Argon không tự động mang lại kết quả chẩn đoán tốt hơn nếu thiếu khung kiến trúc phù hợp. Sự hiệp lực giữa các tác tử chuyên biệt dường như tạo ra lợi thế đáng kể so với các mô hình tiên phong (frontier models) độc lập hoạt động mà không có cấu trúc cộng tác này.

Chi tiết chính

• Diagnostic Orchestrator đạt độ chính xác 83% trên các báo cáo ca bệnh của NEJM, so với 36% của các bác sĩ khi có tài liệu tham khảo.
• Trên dữ liệu khoa cấp cứu từ Trung tâm Y tế Beth Israel Deaconess, AI đạt độ chính xác 80% so với 47% của con người.
• Hệ thống được vận hành bởi GPT-5 của OpenAI và sử dụng khung đa tác tử để mô phỏng các hội đồng chuyên gia.
• Microsoft dự kiến sẽ mã nguồn mở bộ tiêu chuẩn đánh giá SDBench được sử dụng cho các cuộc đánh giá này.
• Các thử nghiệm lâm sàng thực tế dự kiến sẽ bắt đầu trong vài tháng tới tại Trung tâm Y tế Beth Israel Deaconess.
• Nghiên cứu không bao gồm so sánh với các mô hình mới hơn như GPT-6 Astra, Meta’s Muse Wonder Full, hay Anthropic’s Opus 5.5.

Tại sao điều này quan trọng

Đối với các kỹ sư phần mềm và trưởng nhóm kỹ thuật, thông báo này làm nổi bật sự chuyển dịch từ suy luận đơn mô hình sang các quy trình làm việc dựa trên tác tử (agentic workflows). Thành công của Diagnostic Orchestrator gợi ý rằng các nhiệm vụ phức tạp, rủi ro cao có thể đòi hỏi các hệ thống được điều phối nơi nhiều mô hình chuyên biệt tương tác với nhau. Kiến trúc này cho phép suy luận tốt hơn, kiểm tra lỗi và giải quyết vấn đề từng bước, những yếu tố cực kỳ quan trọng trong các lĩnh vực mà độ chính xác là ưu tiên hàng đầu.

Tuy nhiên, khoảng cách giữa hiệu suất trên bộ tiêu chuẩn đánh giá và thực tế lâm sàng vẫn còn rất lớn. Hệ thống mới chỉ được thử nghiệm trên dữ liệu hồi cứu. Việc triển khai ngoài đời thực liên quan đến các rào cản pháp lý, lo ngại về trách nhiệm pháp lý và nhu cầu tích hợp liền mạch với các hồ sơ sức khỏe điện tử hiện có. Cách tiếp cận thận trọng của Microsoft, nhấn mạnh vào nhu cầu xác thực lâm sàng và triển khai có trách nhiệm, phản ánh rào cản gia nhập cao trong lĩnh vực công nghệ y tế. Các nhà phát triển xây dựng trong không gian này phải ưu tiên tính bền vững và khả năng giải thích được thay vì chỉ tập trung vào tốc độ thô.

Bạn có thể làm gì

• Nghiên cứu các kiến trúc đa tác tử để hiểu cách các vai trò chuyên biệt có thể cải thiện khả năng suy luận trong các nhiệm vụ phức tạp.
• Xem xét bộ tiêu chuẩn đánh giá SDBench sau khi nó được mã nguồn mở để đánh giá khả năng suy luận chẩn đoán.
• Tìm hiểu các hạn chế của việc thử nghiệm hồi cứu khi thiết kế các hệ thống AI cho ứng dụng thực tế.
• Theo dõi các yêu cầu pháp lý đối với phần mềm y tế nếu bạn có kế hoạch xây dựng các công cụ liên quan đến sức khỏe.
• Khám phá cách các quy trình làm việc dựa trên tác tử có thể giảm chi phí vận hành trong các ngành công nghiệp phức tạp khác.
• Theo dõi các thử nghiệm lâm sàng sắp tới tại Trung tâm Y tế Beth Israel Deaconess để thu thập dữ liệu hiệu suất thực tế.