Bộ kiểm chuẩn NPCBench chỉ ra mô hình đa phương thức chỉ đạt tối đa 23% thành công trên lộ trình chăm sóc ung thư

Nhóm nghiên cứu của Pengkai Wang giới thiệu NPCBench, một bộ kiểm chuẩn (công cụ đánh giá tiêu chuẩn) học việc lâm sàng về suy luận lộ trình chăm sóc đa phương thức đối với bệnh ung thư biểu mô vòm họng. Công trình được chấp nhận tại hội nghị NeurIPS 2026 trong phân ban đánh giá và bộ dữ liệu. Theo các tác giả, bài kiểm tra mô phỏng việc đào tạo chuyên khoa từ kiến thức nền tảng, phác đồ đến lập kế hoạch ca bệnh, đánh giá theo dõi và hội chẩn mở.
Các tác giả nhận định các bộ kiểm chuẩn hiện nay thường chia nhỏ năng lực y tế thành câu hỏi riêng lẻ hoặc ca bệnh tĩnh, ít phản ánh việc theo dõi người bệnh suốt đợt điều trị. Để thu hẹp khoảng cách này, nhóm nghiên cứu xây dựng NPCBench gồm 4.777 mục thành phần và hội chẩn cùng một đoàn hệ CarePath gồm 100 bệnh nhân với 417 tác vụ chẩn đoán và chăm sóc có tính điểm. Hệ thống liên kết các tác vụ từng bước với tiến trình chăm sóc bệnh nhân để kiểm tra việc mô hình dựa trên chứng cứ thị giác, nắm bắt bệnh trạng và đáp ứng yêu cầu lâm sàng.
Khi thử nghiệm trên 30 mô hình, các tác giả quan sát thấy khoảng cách liên kết khi kết quả cao ở từng tác vụ đơn lẻ không đảm bảo việc mô hình trả lời cùng đúng cả chẩn đoán lẫn chăm sóc cho cùng một người bệnh. Ở thước đo tỷ lệ thành công nghiêm ngặt trên CarePath kiểm tra tính đúng đồng thời của chẩn đoán và chăm sóc, kết quả của 21 mô hình đa phương thức chỉ đạt tối đa là 23%. Nghiên cứu cũng sử dụng nhóm đối chứng theo cặp cùng sự hiệu chuẩn của bác sĩ để kiểm tra sâu hơn về việc bám sát chứng cứ, điều chỉnh theo thời gian và đánh giá hội chẩn.
Theo nhóm tác giả, NPCBench mở rộng phạm vi đánh giá trí tuệ nhân tạo y tế sang quy trình làm việc lâm sàng, cung cấp môi trường thử nghiệm cho suy luận dựa trên chứng cứ và mạch lạc theo thời gian trong chăm sóc ung bướu. Dù vậy, kết quả thử nghiệm đặt ra giới hạn lớn khi tỷ lệ thành công nghiêm ngặt trên CarePath ở 21 mô hình đa phương thức chỉ đạt tối đa 23%. Khoảng cách liên kết này cho thấy năng lực xử lý từng tác vụ riêng lẻ không đảm bảo việc mô hình đưa ra đồng thời các câu trả lời chẩn đoán và chăm sóc cùng đúng cho cùng một bệnh nhân.