CNN cũ đánh bại các LLM tiên tiến trong bài kiểm tra chẩn đoán ung thư da

Vào tháng 10 năm 2026, Tiến sĩ Magnus Lynch, một bác sĩ da liễu tư vấn, đã công bố kết quả cho thấy một mạng nơ-ron tích chập (CNN) có tuổi đời mười năm chẩn đoán ung thư da chính xác hơn hai mô hình ngôn ngữ lớn hàng đầu. Bài kiểm tra so sánh một mô hình Inception v3 được tinh chỉnh với GPT-6 Astra và Claude Fable 5.1 sử dụng 200 tổn thương da được xác nhận bằng sinh thiết. CNN chuyên biệt đạt tỷ lệ chính xác 62%, vượt trội đáng kể so với mức độ chính xác 42% của cả hai LLM tiên tiến.

Điều gì đã xảy ra

Tiến sĩ Lynch đã chọn 200 tổn thương ngẫu nhiên từ bộ dữ liệu MILK10k, một bộ sưu tập công khai do International Skin Imaging Collaboration phát hành vào năm 2025. Mỗi tổn thương đều đã được xác nhận qua giải phẫu bệnh lý, nghĩa là mọi mẫu vật, bao gồm cả những nốt lành tính, đều đã được sinh thiết. Điều này tạo ra một bộ dữ liệu chẩn đoán khó khăn, vì ngay cả những nốt ruồi vô hại cũng là những nốt khiến các bác sĩ lâm sàng lo lắng đủ để cần phải loại bỏ. Bộ dữ liệu bao gồm 100 tổn thương cần can thiệp thêm, chẳng hạn như u ác tính và ung thư biểu mô, và 100 tổn thương an toàn để xuất viện, chẳng hạn như nốt ruồi lành tính và sừng hóa tiết bã.

Hai LLM, GPT-6 Astra và Claude Fable 5.1, được cung cấp cả ảnh chụp lâm sàng và ảnh soi da cho mỗi tổn thương. Chúng được yêu cầu đưa ra chẩn đoán sơ bộ từ sáu lựa chọn, một điểm tin cậy, một lựa chọn thứ hai và khuyến nghị xuất viện. Cả hai mô hình đều hoạt động ở cài đặt mặc định và không từ chối bất kỳ trường hợp nào. Ngược lại, CNN là một phiên bản của Inception v3, ban đầu được Google công bố vào năm 2015. Nó được tinh chỉnh trên 68.011 hình ảnh từ ISIC Archive sử dụng một GPU H100 duy nhất, với tất cả dữ liệu thử nghiệm bị loại trừ nghiêm ngặt khỏi các tập huấn luyện và xác thực.

Kết quả cho thấy khoảng cách hiệu suất rõ ràng. CNN xác định đúng chẩn đoán sơ bộ cho 125 trong số 200 tổn thương, trong khi GPT-6 Astra và Claude Fable 5.1 chỉ đúng 84 và 85 lần tương ứng. Khi cho phép câu trả lời đúng nằm ở lựa chọn thứ nhất hoặc thứ hai, CNN đạt 173 phân loại đúng, so với 134 và 138 đối với các LLM. Các LLM cũng thể hiện những thiên kiến cụ thể, với GPT-6 Astra thường xuyên dán nhãn sai u ác tính thành ung thư biểu mô tế bào đáy và Claude Fable 5.1 thường nhầm lẫn các tổn thương với dày sừng ánh nắng.

Cách thức hoạt động

Các mạng nơ-ron tích chập như Inception v3 được thiết kế đặc biệt cho nhận dạng mẫu trực quan. Chúng xử lý hình ảnh thông qua các lớp bộ lọc phát hiện cạnh, kết cấu và hình dạng, xây dựng một sự hiểu biết phân cấp về đầu vào trực quan. Đối với bài kiểm tra này, mô hình được tiền huấn luyện trên các bức ảnh đời thường và sau đó được tinh chỉnh trên hình ảnh da liễu. Nó phân tích cả cận cảnh lâm sàng và góc nhìn soi da, ưu tiên nặng hơn cho hình ảnh soi da, vì góc nhìn phóng đại này tiết lộ các chi tiết cấu trúc quan trọng cho chẩn đoán.

Ngược lại, các mô hình ngôn ngữ lớn là hệ thống đa mục đích được huấn luyện trên lượng lớn văn bản và dữ liệu đa phương thức. Mặc dù chúng có thể diễn giải hình ảnh, nhưng sức mạnh chính của chúng nằm ở khả năng hiểu và tạo lập ngôn ngữ hơn là phân tích chuyên sâu ở mức pixel. Trong bài kiểm tra này, các LLM xử lý cùng đầu vào hình ảnh kép nhưng thiếu sự tập trung kiến trúc chuyên biệt vào các đặc điểm trực quan vốn định nghĩa một CNN. Khả năng chạy hoàn toàn trên trình duyệt điện thoại qua WebGPU của CNN nhấn mạnh hiệu quả và dấu chân nhỏ gọn của nó so với cơ sở hạ tầng khổng lồ cần thiết cho các LLM tiên tiến.

Chi tiết chính

• Bộ dữ liệu: 200 tổn thương được xác nhận bằng sinh thiết từ MILK10k, chia đều giữa các danh mục không an toàn và an toàn để xuất viện.
• Mô hình được kiểm tra: GPT-6 Astra, Claude Fable 5.1 và một CNN Inception v3 được tinh chỉnh từ năm 2015.
• Độ chính xác: CNN đạt 62% chẩn đoán sơ bộ đúng; cả hai LLM đạt 42%.
• Phát hiện u ác tính: CNN xác định đúng 13 trong số 30 ca u ác tính, trong khi GPT-6 Astra xác định 8 và Claude Fable 5.1 xác định 11.
• Thiên kiến: GPT-6 Astra phân loại sai 14 ca u ác tính thành ung thư biểu mô tế bào đáy; Claude Fable 5.1 thể hiện sự ưu ái cho các chẩn đoán dày sừng ánh nắng.
• Hiệu quả: CNN chạy cục bộ trên trình duyệt di động sử dụng WebGPU, không yêu cầu tải lên dữ liệu.

Tại sao điều này quan trọng

Đối với các kỹ sư xây dựng công cụ chẩn đoán y khoa hoặc trực quan, nghiên cứu này nhấn mạnh tầm quan trọng của việc chuyên môn hóa mô hình. Trong khi các LLM tiên tiến cung cấp khả năng rộng rãi, chúng có thể thiếu độ chính xác cần thiết cho các nhiệm vụ rủi ro cao, cụ thể theo lĩnh vực như giải phẫu bệnh. Kết quả gợi ý rằng các kiến trúc cũ hơn, chuyên biệt vẫn có thể vượt qua các mô hình tổng quát khi được tinh chỉnh trên dữ liệu liên quan, chất lượng cao. Điều này thách thức giả định rằng các mô hình mới hơn, lớn hơn luôn là lựa chọn tốt nhất cho mọi ứng dụng AI.

Các phát hiện cũng làm nổi bật những vấn đề về độ tin cậy và thiên kiến trong các mô hình tổng quát. Xu hướng của các LLM ưu tiên một số chẩn đoán nhất định bất kể loại tổn thương thực tế cho thấy nguy cơ lỗi hệ thống trong môi trường lâm sàng. Đối với các nhà phát triển, điều này có nghĩa là dựa hoàn toàn vào các LLM có sẵn cho hỗ trợ quyết định quan trọng có thể gây ra những sai sót nguy hiểm. Các mô hình chuyên biệt, ngay cả khi dựa trên công nghệ cũ, có thể cung cấp hiệu suất dự đoán được và chính xác hơn cho các nhiệm vụ hẹp, được xác định rõ ràng.

Bạn có thể làm gì

• Đánh giá xem nhiệm vụ thị giác máy tính của bạn có yêu cầu một mô hình chuyên biệt thay vì một LLM tổng quát hay không.
• Sử dụng các bộ dữ liệu được tuyển chọn, cụ thể theo lĩnh vực để tinh chỉnh nhằm cải thiện độ chính xác so với nhắc lệnh zero-shot.
• Kiểm tra các thiên kiến hệ thống trong đầu ra của mô hình, đặc biệt trong các ứng dụng rủi ro cao như chăm sóc sức khỏe.
• Cân nhắc các mô hình chuyên biệt nhẹ cho triển khai edge nơi độ trễ và quyền riêng tư là mối quan tâm.
• Xác minh hiệu suất mô hình trên các trường hợp khó, chẳng hạn như mẫu được xác nhận bằng sinh thiết, chứ không chỉ các ví dụ dễ dàng.
• Giữ các kiến trúc cũ, đã được chứng minh trong bộ công cụ của bạn làm đường cơ sở để so sánh với các mô hình mới.