Microsoft Research đã đăng một tập podcast vào ngày 17 tháng 11 năm 2026, đặt câu hỏi y học sẽ ra sao khi có AI, và các khách mời đồng ý với một nhận định thẳng thắn: nghiên cứu đang tiến nhanh hơn bệnh viện. Tập “Can AI help build a healthier future?” thuộc loạt The Shape of Things to Come do Doug Burger dẫn chương trình.
Ba khách mời tham gia cùng anh. Eric Horvitz là giám đốc khoa học của Microsoft, Ava Amini là quản lý nghiên cứu chính tại Microsoft Research và đồng phụ trách Project Ex Vivo cùng Broad Institute, còn bác sĩ Eric Topol là phó chủ tịch điều hành của Scripps Research. Nội dung gồm chẩn đoán, hình ảnh y khoa, mô hình toàn bệnh nhân, tế bào ảo và khám phá thuốc.
Nhóm của Microsoft đã báo cáo gì về chẩn đoán bằng AI?
Horvitz mô tả sự thay đổi trong cách kiểm tra AI chẩn đoán. Thay vì đưa cho mô hình một hồ sơ hoàn chỉnh, nhóm đặt nó vào vị trí của bác sĩ: bắt đầu từ lý do khám và ít tiền sử, rồi tự quyết định hỏi gì, chỉ định xét nghiệm nào theo chi phí, và khi nào đưa ra chẩn đoán dù còn bất định. Ông gọi đây là thử thách chẩn đoán tuần tự.
Trang công bố của Microsoft Research nêu các số liệu chính:
- Hệ thống AI mô phỏng một hội đồng bác sĩ đạt độ chính xác 83,2% trên các ca lâm sàng giải phẫu bệnh của New England Journal of Medicine
- Đạt 80,3% trên các ca nhập viện cấp cứu của MIMIC-IV-ED
- Bác sĩ đa khoa đạt 36,1 và 46,8% trên hai bộ dữ liệu này, theo thứ tự
Phần tóm tắt nói rõ các kết quả này đến từ môi trường kiểm thử có kiểm soát. Horvitz cũng nhắc trong tập rằng phép so sánh với bác sĩ đa khoa cần được hiểu cùng những hạn chế của nó. Topol gọi đây là hệ thống tác tử đầu tiên vượt bác sĩ và các mô hình tiên tiến khác về độ chính xác, “gần như gấp đôi” mà chi phí thấp hơn.
Vì sao Topol nói AI đã được kiểm chứng vẫn chưa đến tay bệnh nhân?
Topol cho rằng giới nghiên cứu mải chạy theo AI tạo sinh mà bỏ qua lĩnh vực đã có nhiều bằng chứng hơn: hình ảnh y khoa như võng mạc, X-quang phổi và điện tâm đồ. Ông dẫn một thử nghiệm ngẫu nhiên về chụp nhũ ảnh với hơn một trăm nghìn phụ nữ và 44 thử nghiệm ngẫu nhiên về nội soi đại tràng, những bằng chứng đang nằm yên trên các tạp chí.
Lời giải thích của ông nằm ở việc áp dụng, không phải khoa học. Hệ thống y tế hoạt động với biên lợi nhuận mỏng, ngành thay đổi chậm, và cả bác sĩ lẫn bệnh nhân đều không đòi hỏi các công cụ này. Ông nói vẫn đang chờ nghiên cứu ấy tác động đến việc chăm sóc, và gợi ý áp lực từ bác sĩ hoặc bệnh nhân có thể thúc đẩy điều đó.
Mô hình toàn bệnh nhân và tế bào ảo là gì?
Topol mô tả mô hình toàn bệnh nhân là giai đoạn kế tiếp: hồ sơ sức khỏe điện tử kết hợp ảnh gốc, hệ gen, hệ protein và hệ phơi nhiễm. Mục tiêu là dự đoán bệnh và thời điểm có thể xảy ra, thử các tình huống giả định, và chuyển từ câu “bạn có nguy cơ” sang khả năng phòng ngừa. Ông kỳ vọng mô hình toàn bệnh nhân trưởng thành sẽ đến trước tế bào ảo, vốn còn khá xa.
Amini cho biết sinh học vận hành ở nhiều quy mô, từ phân tử đến tế bào và hệ cơ quan, và việc nối các tầng này là bài toán học máy khó. Mối quan tâm chính của bà là triển khai: các mô hình sẽ giải quyết vấn đề gì và các nhà khoa học thực nghiệm sẽ áp dụng chúng ra sao. Hợp tác với Broad Institute là nỗ lực xây mối liên kết đó từ dưới lên.
Điều gì đang cản trở AI trong sinh học?
Theo cả Topol và Amini, đó là dữ liệu. Topol lưu ý AlphaFold thành công vì Protein Data Bank đã có sẵn, và nói khoa học đời sống hay y học chưa có bộ dữ liệu nào tương tự. Amini muốn có các bộ dữ liệu lấy hoạt động làm trọng tâm, nối trình tự protein với chức năng ở quy mô lớn.
Amini và Horvitz cũng mô tả việc dùng mô hình để dẫn đường thí nghiệm, để thời gian phòng thí nghiệm dồn vào các lựa chọn triển vọng nhất, giảm chi phí và thời gian. Amini nói thẳng rằng thế giới thực luôn là điểm nghẽn. Topol dẫn ước tính của Johns Hopkins rằng mỗi năm có 800. 000 người bị tàn tật hoặc tử vong vì chẩn đoán sai.
Giá
Trang của tập không niêm yết giá. Trang có phát video, bản chép lời đầy đủ và liên kết đăng ký cho Apple Podcasts, Spotify, email, Android và RSS.
Phù hợp với ai
Độc giả theo dõi AI trong y học. Tập podcast cho thấy các nhà nghiên cứu của Microsoft và một bác sĩ kiêm nhà khoa học bên ngoài đồng tình, bất đồng và tự giới hạn các nhận định của mình.
Quản lý bệnh viện và hệ thống y tế. Lập luận của Topol xoay quanh rào cản áp dụng như chi phí, biên lợi nhuận và động lực.
Sinh viên và nhà nghiên cứu sinh học, học máy. Phần thảo luận về dữ liệu và kiểm chứng cho thấy bước tiến tiếp theo của ngành cần đến từ đâu.
Người đang tìm lời khuyên sức khỏe. Đây là thảo luận về nghiên cứu, không phải lời khuyên y tế. Với câu hỏi về sức khỏe của bạn, hãy hỏi nhân viên y tế có chuyên môn.
Điều chưa rõ
Tập podcast không nêu thời điểm các hệ thống này có thể dùng tại phòng khám, và kết quả trong bài báo là kết quả kiểm thử chuẩn. Chính các khách mời nói rằng vẫn còn thiếu việc triển khai, dữ liệu sinh học tốt hơn và kiểm chứng trong thực tế.
Để tìm hiểu thêm, hãy mở trang của tập trên trang web Microsoft Research để đọc bản chép lời, rồi xem trang công bố của bài báo để đọc toàn bộ phần tóm tắt.






