Các mô hình AI tổng quát mới nhất cho kết quả kém hơn một mô hình nhận diện hình ảnh của Google ra mắt từ năm 2016 trong bài kiểm tra chẩn đoán tổn thương da. Kết quả cho thấy với những lĩnh vực y khoa đòi hỏi chuyên môn cao như ung thư da, cách huấn luyện theo tác vụ có thể quan trọng hơn độ mới hay quy mô của mô hình.

Theo Gizmodo ngày 26/10/2026, Tiến sĩ Magnus Lynch, nhà nghiên cứu cấp cao tại Viện nghiên cứu Lynch thuộc King’s College London, đã sử dụng 200 ảnh tổn thương da để so sánh GPT-6 Astra, Claude Fable 5.1 và Inception v3 của Google. Inception v3 là mô hình nhận diện hình ảnh ra mắt năm 2016, sau đó được huấn luyện bổ sung trong 20 phút bằng 68.011 ảnh da.

Bộ dữ liệu thử nghiệm gồm 100 ca tổn thương cần được kiểm tra hoặc điều trị và 100 ca có thể cho về mà không cần xử lý thêm. Mỗi mô hình phải chọn một chẩn đoán phù hợp nhất trong 6 đáp án.

Kết quả cho thấy Inception v3 vượt trội so với hai mô hình AI tổng quát. Mô hình của Google trả lời đúng 125/200 trường hợp, tương đương 62,5%. Trong khi đó, GPT-6 Astra đúng 84 ca, đạt 42%, còn Claude Fable 5.1 đúng 85 ca, tương ứng 42,5%. Chênh lệch giữa Inception v3 và hai mô hình còn lại vào khoảng 20 điểm phần trăm.

Ở nhóm u hắc tố, dạng ung thư da nguy hiểm, khoảng cách này tiếp tục thể hiện rõ. Inception v3 chẩn đoán đúng 13/30 ca, trong khi GPT-6 Astra đúng 8 ca và Claude Fable 5.1 đúng 11 ca.

Với các tổn thương lành tính, Inception v3 cũng đạt kết quả tốt hơn. Mô hình này phân loại đúng 37/50 ca nốt ruồi và 26/50 ca dày sừng tiết bã. GPT-6 Astra lần lượt đúng 16 và 13 ca, còn Claude Fable 5.1 đúng 33 và 6 ca.

Thử nghiệm cũng ghi nhận một số sai lệch tiềm ẩn rủi ro. Với hình ảnh u hắc tố xâm lấn gần như không có sắc tố, kích thước dưới 0,8 mm, GPT-6 Astra đưa ra chẩn đoán là ung thư tế bào đáy với độ tin cậy 95%. Trong khi đó, Claude Fable 5.1 và Inception v3 phân loại đúng là u hắc tố. Ở chiều ngược lại, với một ca dày sừng tiết bã ở chân, cả ba mô hình đều trả lời sai.

Nếu tính cả trường hợp đáp án đúng xuất hiện trong hai lựa chọn đầu tiên, Inception v3 nâng tổng số ca đúng lên 173. Con số này ở GPT-6 Astra là 134 và ở Claude Fable 5.1 là 138.

Bình luận về kết quả, Tiến sĩ Lynch cho rằng một mạng nơ-ron chuyên biệt, ra đời từ lâu và có quy mô nhỏ hơn vẫn có thể cho hiệu quả nhận diện tổn thương da tốt hơn hai mô hình AI tổng quát tiên tiến. Tuy nhiên, ông cũng lưu ý điều kiện huấn luyện giữa ba mô hình không hoàn toàn tương đồng: Inception v3 được huấn luyện bổ sung bằng ảnh da, còn hai mô hình AI tổng quát không trải qua bước này.

Theo ông, các hệ thống AI tiên tiến dùng để chẩn đoán ung thư da thường dựa trên các thuật toán xử lý ảnh được huấn luyện bằng tập dữ liệu rất lớn. Với những bài toán y khoa chuyên sâu, dữ liệu và phương pháp huấn luyện phù hợp vẫn là yếu tố then chốt.

Ông cũng nhấn mạnh không nên diễn giải kết quả này theo hướng AI tổng quát nhìn chung yếu hơn trong toàn bộ lĩnh vực y tế, bởi đối tượng so sánh, điều kiện huấn luyện và quy mô mẫu thử đều còn hạn chế. Dù vậy, thử nghiệm cho thấy ngay cả khi AI tổng quát ngày càng mạnh, những tác vụ như ảnh y khoa, nơi đòi hỏi kiến thức chuyên môn và khả năng phân biệt tinh vi, vẫn có thể phụ thuộc lớn vào quá trình huấn luyện theo tác vụ. Để ứng dụng trong lâm sàng, các mô hình này vẫn cần được đánh giá trên quy mô lớn hơn và thẩm định đầy đủ về độ an toàn.