Mạng nơ-ron 10 năm tuổi đánh bại cả GPT-6 và Claude trong chẩn đoán ung thư da

Một thử nghiệm lâm sàng nhỏ nhưng gây chú ý đã cho thấy khoảng cách đáng kể giữa mô hình AI chuyên biệt và các mô hình ngôn ngữ lớn đa năng. Trong khi GPT-6 Astra và Claude Fable 5.1 chỉ chẩn đoán đúng 42% trong số 200 tổn thương da đã được sinh thiết, một mạng nơ-ron tích chập (CNN) có tuổi đời 10 năm lại đạt tới 62%.

Điều đáng nói là mô hình này — Inception v3, công bố lần đầu bởi Google năm 2015 — chỉ cần khoảng 20 phút tinh chỉnh trên một GPU H100 duy nhất để vượt mặt những hệ thống AI được đánh giá là mạnh nhất hiện nay.

Thử nghiệm được thiết kế như thế nào?

Tác giả nghiên cứu là Tiến sĩ Magnus Lynch, bác sĩ da liễu tư vấn và phẫu thuật viên Mohs tại Bệnh viện Guy's (London), đồng thời là giảng viên danh dự tại King's College London. Ông đã lấy ngẫu nhiên 200 tổn thương từ bộ dữ liệu công khai MILK10k, trong đó mỗi tổn thương đều có hai ảnh: một ảnh chụp lâm sàng cận cảnh và một ảnh soi da qua kính hiển vi chuyên dụng.

Tất cả 200 tổn thương đều đã được xác nhận bằng kết quả giải phẫu bệnh, chia làm hai nhóm:

• 100 tổn thương không nên cho về: 30 u hắc tố (melanoma), 25 ung thư biểu mô tế bào đáy, 25 ung thư biểu mô tế bào vảy và 20 dày sừng ánh sáng.
• 100 tổn thương an toàn, có thể cho về: 50 nốt ruồi lành tính và 50 dày sừng tiết bã.

Vì cả những tổn thương lành tính cũng được sinh thiết, đây đều là những ca khó — nốt ruồi mà bác sĩ quyết định cắt bỏ thường là nốt khiến họ lo ngại.

Ảnh soi da tổn thương ung thư da

Ba mô hình được đưa cùng một bộ dữ liệu: hai ảnh của từng tổn thương, kèm yêu cầu chọn chẩn đoán khả dĩ nhất trong 6 khả năng (hoặc trả lời "không chắc"), nêu độ tin cậy, phương án thứ hai và kết luận có thể cho bệnh nhân về mà không cần điều trị, sinh thiết hay theo dõi hay không.

Kết quả: chuyên biệt thắng đa năng

Con số tổng thể khá rõ ràng:

• GPT-6 Astra: đúng 84/200 ca (42%)
• Claude Fable 5.1: đúng 85/200 ca (42%)
• Inception v3: đúng 125/200 ca (62%)

Nếu tính cả phương án dự phòng thứ hai, CNN đạt 173/200, so với 134 và 138 của hai LLM. Với u hắc tố — loại ung thư da nguy hiểm nhất — CNN nhận diện đúng 13/30 ca, trong khi GPT-6 Astra chỉ được 8 và Claude Fable 5.1 được 11.

Khoảng cách lớn nhất nằm ở các tổn thương lành tính. CNN nhận ra 37/50 nốt ruồi và 26/50 dày sừng tiết bã, trong khi GPT-6 Astra chỉ đạt 16 và 13, còn Claude Fable 5.1 đạt 33 và 6.

Đáng chú ý là hai LLM mắc những kiểu sai khác nhau. GPT-6 Astra có xu hướng "thiên vị" chẩn đoán ung thư biểu mô tế bào đáy: nó gọi 75 tổn thương là loại này dù thực tế chỉ có 25 ca, trong đó có 14 ca u hắc tố bị chẩn đoán nhầm. Claude Fable 5.1 thì lại gọi 53 tổn thương là dày sừng ánh sáng dù chỉ có 20 ca.

Một mạng nơ-ron nhỏ chạy ngay trên trình duyệt điện thoại

Điều thú vị là Inception v3 hoàn toàn không phải mô hình tiên tiến nhất. Tác giả dùng phiên bản huấn luyện sẵn trên ảnh thông thường rồi tinh chỉnh toàn bộ các lớp trên 68.011 ảnh da liễu từ kho ISIC. Toàn bộ 200 ca thử nghiệm — cùng mọi ảnh khác của cùng tổn thương hoặc cùng bệnh nhân — đã được loại bỏ khỏi tập huấn luyện và tập kiểm định trước khi bắt đầu, nên mô hình chưa từng "nhìn thấy" chúng.

Minh họa tổn thương da qua ảnh soi da

Mô hình nhỏ đến mức có thể chạy hoàn toàn trong trình duyệt điện thoại nhờ WebGPU, không cần tải dữ liệu lên máy chủ. Bất kỳ ai cũng có thể tự thử nghiệm.

Những điểm cần lưu ý

Tác giả cũng thẳng thắn nêu các hạn chế của nghiên cứu:

• Số lượng mẫu nhỏ: 200 tổn thương đủ để thấy xu hướng nhưng chưa đủ để xếp hạng các kết quả sát nhau, và 30 ca u hắc tố tạo ra độ bất định lớn.
• Dữ liệu có thể bị nhiễm: MILK10k đã công khai từ năm 2025, nên các LLM có thể đã thấy nó trong quá trình huấn luyện — nếu vậy thì điều đó lại có lợi cho chúng.
• Chưa phải mô hình tốt nhất: Inception v3 chỉ là mức cơ sở. Các hệ thống chẩn đoán ung thư da hiện đại dùng tập hợp mô hình transformer trên lượng dữ liệu lớn hơn nhiều và đạt hiệu quả cao hơn đáng kể.

Một chi tiết đáng suy ngẫm: khi được hỏi với tư cách bệnh nhân, chỉ với ảnh chụp lâm sàng và câu hỏi "tôi có cần đi khám bác sĩ không?", cả hai LLM đều khuyên đi khám gần như trong mọi trường hợp — kể cả tổn thương lành tính (99 và 98 trên 100 ca). Như vậy, các LLM thiên về hướng thận trọng quá mức thay vì thực sự chẩn đoán chính xác.

Ý nghĩa cho lĩnh vực AI y tế

Kết quả này là lời nhắc nhở rằng không phải cứ mô hình lớn hơn là tốt hơn. Trong các tác vụ chuyên biệt như chẩn đoán hình ảnh y tế, một kiến trúc cũ được huấn luyện đúng cách trên dữ liệu phù hợp vẫn có thể vượt trội so với các mô hình ngôn ngữ đa năng khổng lồ.

Ảnh lâm sàng tổn thương da

Với bối cảnh Việt Nam — nơi tỷ lệ mắc ung thư da đang gia tăng cùng với thói quen tiếp xúc ánh nắng và nhận thức tầm soát còn hạn chế — hướng đi này mở ra triển vọng về các công cụ sàng lọc chạy trên smartphone, chi phí thấp và không cần kết nối máy chủ. Tuy vậy, cần nhấn mạnh rằng đây là nghiên cứu thử nghiệm, chưa phải sản phẩm y tế được cấp phép, và không thể thay thế chẩn đoán của bác sĩ chuyên khoa.

Bài học lớn nhất từ nghiên cứu: hãy chọn đúng công cụ cho đúng bài toán. Một mạng nơ-ron nhỏ, được tinh chỉnh trong 20 phút, đã vượt qua những gì được xem là đỉnh cao của AI hiện tại — ít nhất là trong việc nhận diện ung thư da.

Toàn bộ dữ liệu ca bệnh, câu lệnh, phản hồi của các LLM và mã chấm điểm được công bố trong một gói tải xuống duy nhất, cho phép cộng đồng nghiên cứu kiểm chứng độc lập.