Hệ thống AI đa tác nhân của Microsoft vượt qua bác sĩ tổng quát trong chẩn đoán phức tạp

Hệ thống chẩn đoán bằng trí tuệ nhân tạo của Microsoft, MAI-DxO, đã xác định đúng các tình trạng y khoa phức tạp trong môi trường mô phỏng với tần suất gấp đôi so với các bác sĩ tổng quát, theo một nghiên cứu được công bố trên tạp chí Science vào ngày 22 tháng 10 năm 2026. Mustafa Suleyman, CEO của Microsoft AI, mô tả thành tựu này là một bước tiến quan trọng hướng tới điều mà công ty gọi là “siêu trí tuệ y khoa”, nhằm thu hẹp khoảng cách ngày càng lớn giữa nhu cầu của bệnh nhân và nguồn lực chuyên môn y tế hiện có.

Diễn biến sự việc

Nghiên cứu đánh giá MAI-DxO, còn được gọi là DxO, bằng cách sử dụng các ca lâm sàng phức tạp lấy từ New England Journal of Medicine. Trong các buổi mô phỏng này, hệ thống AI đạt tỷ lệ chính xác 83%. Để so sánh, các bác sĩ chăm sóc ban đầu và bác sĩ nội khoa tổng quát làm việc độc lập với tài liệu tham khảo tiêu chuẩn chỉ đạt độ chính xác 36%. Cần lưu ý rằng những ca bệnh phức tạp như vậy thường được xử lý bởi các chuyên gia hoặc nhóm liên ngành trong thực tế, và các nhóm chuyên gia này không nằm trong phạm vi so sánh cơ bản.

Dominic King, Phó Chủ tịch phụ trách Y tế tại Microsoft AI, nhấn mạnh rằng thách thức chính trong cung cấp dịch vụ chăm sóc sức khỏe hiện đại là sự chênh lệch giữa nguồn cung chuyên môn y khoa và nhu cầu của bệnh nhân. Công bố này đặt Microsoft ngang hàng với các đối thủ cạnh tranh như Google và OpenAI, những đơn vị cũng tuyên bố rằng hệ thống AI của họ có thể sánh ngang hoặc vượt trội hiệu suất của bác sĩ con người. Tuy nhiên, dữ liệu cho thấy mặc dù lớp điều phối (orchestration layer) của Microsoft mang lại giá trị gia tăng, phần lớn mức cải thiện hiệu suất đến từ sức mạnh nền tảng của chính các mô hình ngôn ngữ lớn.

Microsoft đã thử nghiệm khung DxO với các mô hình từ nhiều nhà cung cấp khác nhau, bao gồm OpenAI, Google, Anthropic, Meta và DeepSeek. Hiệu suất cao nhất được ghi nhận khi sử dụng các mô hình GPT-5 và GPT-5.5 của OpenAI. Công ty cũng phân tích hiệu quả chi phí, đo lường chi phí ước tính để vận hành AI cho mỗi ca bệnh. Ví dụ, riêng GPT-5 đạt điểm 78,9% trên các ca phức tạp với chi phí khoảng 8.400 USD mỗi ca. Khi được nâng cấp với DxO, chi phí giảm khoảng 3.000 USD, trong khi độ chính xác tăng thêm khoảng bốn điểm phần trăm.

Cách thức hoạt động

MAI-DxO hoạt động như một hệ thống đa tác nhân, phối hợp nhiều tác nhân AI riêng biệt đóng vai trò tương tự như một hội đồng bác sĩ con người. Thay vì dựa vào một mô hình duy nhất để đưa ra câu trả lời, các tác nhân này tham gia vào một quy trình có cấu trúc: chúng hỏi bệnh nhân, yêu cầu các xét nghiệm chẩn đoán phù hợp và tranh luận về các khả năng chẩn đoán giữa chúng. Cách tiếp cận cộng tác này mô phỏng quá trình suy luận lâm sàng được sử dụng bởi các nhóm y tế, cho phép hệ thống kiểm tra chéo các giả định và tinh chỉnh kết luận trước khi đưa ra chẩn đoán cuối cùng.

Hiệu quả của việc điều phối này thay đổi tùy thuộc vào năng lực của mô hình nền tảng và độ phức tạp của ca bệnh. Đối với các ca tại phòng cấp cứu, vốn thường ít phức tạp hơn các ca chuyên sâu được sử dụng trong thử nghiệm chính, DxO cho thấy rất ít cải thiện về độ chính xác hoặc chi phí khi ghép cặp với GPT-5. Cả mô hình độc lập và hệ thống được điều phối đều đạt điểm khoảng 85%. Tuy nhiên, đối với các mô hình kém mạnh mẽ hơn như Gemini 2.5 Flash, khung DxO đã cung cấp một sự thúc đẩy đáng kể, nâng độ chính xác từ 46,4% lên gần 69%. Điều này gợi ý rằng điều phối tác nhân đặc biệt có giá trị trong việc tối ưu hóa các mô hình yếu hơn hoặc xử lý các bài toán chẩn đoán cực kỳ phức tạp nơi suy luận một lần (single-pass reasoning) không đủ hiệu quả.

Chi tiết chính

• MAI-DxO đạt độ chính xác 83% trên các ca phức tạp từ New England Journal of Medicine, so với 36% của các bác sĩ tổng quát.
• Hệ thống phối hợp nhiều tác nhân AI để hỏi bệnh nhân, yêu cầu xét nghiệm và tranh luận chẩn đoán dưới dạng mô phỏng hội đồng.
• Kết quả tốt nhất đạt được khi sử dụng các mô hình GPT-5 và GPT-5.5 của OpenAI, mặc dù khung hỗ trợ các mô hình từ Google, Anthropic, Meta và DeepSeek.
• DxO giảm chi phí mỗi ca xuống khoảng 3.000 USD cho GPT-5 đồng thời cải thiện nhẹ độ chính xác, nhưng cho thấy lợi ích tối thiểu trên các ca tại phòng cấp cứu.
• Microsoft đang hợp tác với Mayo Clinic để huấn luyện một mô hình nền tảng chuyên biệt cho y tế, dự kiến ra mắt vào năm tới.
• Một cuộc đánh giá lâm sàng mới với Beth Israel Deaconess Medical Center sẽ so sánh các khuyến nghị của DxO với bác sĩ con người trong các bối cảnh cấp cứu và chăm sóc khẩn cấp thực tế.

Tại sao điều này quan trọng

Đối với các kỹ sư phần mềm và lãnh đạo kỹ thuật, nghiên cứu này làm nổi bật sự chuyển dịch trong đề xuất giá trị của các mô hình ngôn ngữ lớn từ năng lực thô sang tiện ích được điều phối. Khi các mô hình cơ sở trở nên mạnh mẽ hơn, lợi ích biên từ việc thêm prompt hoặc chuỗi hóa đơn giản giảm đi. Tuy nhiên, kết quả của DxO chứng minh rằng kiến trúc đa tác nhân vẫn có thể khai thác những cải thiện hiệu suất đáng kể, đặc biệt là trong tối ưu hóa chi phí và khi làm việc với các mô hình nhỏ hơn hoặc kém năng lực hơn. Điều này gợi ý rằng xây dựng các quy trình làm việc tác nhân (agentic workflows) vững chắc vẫn là một kỹ năng quan trọng để phát triển các ứng dụng AI rủi ro cao, ngay cả khi các mô hình nền tảng tiến bộ.

Hơn nữa, việc chuyển sang các thử nghiệm lâm sàng thực tế đánh dấu sự chuyển đổi từ đánh giá dựa trên benchmark sang triển khai thực tiễn. Quan hệ đối tác với Beth Israel Deaconess Medical Center đại diện cho một bước tiến quan trọng trong việc xác thực khả năng suy luận lâm sàng của AI trong các môi trường phi cấu trúc và áp lực cao. Nếu thành công, điều này có thể thiết lập một tiêu chuẩn mới về cách các công cụ AI được tích hợp vào quy trình làm việc y tế, vượt ra ngoài các nhiệm vụ phụ trợ như đọc lệnh để tham gia chủ động vào hỗ trợ quyết định lâm sàng. Sự chuyển dịch này đòi hỏi các khuôn khổ thử nghiệm nghiêm ngặt có thể xử lý sự phức tạp và đa dạng của các tương tác bệnh nhân thực tế, cung cấp một bản thiết kế mẫu cho các ngành công nghiệp khác muốn triển khai AI trong các vai trò ra quyết định then chốt.

Bạn có thể làm gì

• Đánh giá các khung đa tác nhân trong lĩnh vực của bạn để xem liệu việc điều phối có cải thiện độ chính xác hoặc giảm chi phí so với các prompt đơn mô hình hay không.
• Theo dõi bản phát hành sắp tới của mô hình nền tảng y tế của Microsoft hợp tác với Mayo Clinic để hiểu các chiến lược tinh chỉnh (fine-tuning) đặc thù theo lĩnh vực.
• Nghiên cứu kiến trúc của DxO để học cách cấu trúc các cuộc tranh luận giữa các tác nhân và logic yêu cầu xét nghiệm cho các nhiệm vụ giải quyết vấn đề phức tạp.
• Cân nhắc cách thiết kế các nghiên cứu xác thực thực tế, giống như nghiên cứu với Beth Israel, để thử nghiệm các hệ thống AI trong môi trường sống thay vì chỉ dựa trên các benchmark tĩnh.
• Theo dõi các chỉ số hiệu quả chi phí khi triển khai các tác nhân AI, vì việc điều phối đôi khi có thể giảm mức sử dụng token và chi phí suy luận tổng thể.
• Chuẩn bị cho sự giám sát pháp lý và lâm sàng chặt chẽ hơn khi AI chuyển từ hỗ trợ hành chính sang các vai trò trực tiếp hỗ trợ quyết định lâm sàng.