Giới thiệu CARE-X: Bước tiến mới cho mô hình AI chẩn đoán hình ảnh y tế

Ghi chú nghiên cứu: CARE-X là một mô hình nghiên cứu, không phải là sản phẩm thương mại hay thiết bị y tế của Microsoft. Mô hình này chưa được bất kỳ cơ quan quản lý nào cấp phép hoặc phê duyệt và không nhằm mục đích chẩn đoán lâm sàng, sàng lọc hay chăm sóc bệnh nhân. Các kết quả được mô tả dưới đây là những phát hiện nghiên cứu hồi cứu và không xác lập tính an toàn, hiệu quả hoặc sự phù hợp của CARE-X cho bất kỳ mục đích sử dụng lâm sàng nào. Các tham chiếu đến quy trình làm việc tiềm năng chỉ mô tả các lĩnh vực nghiên cứu trong tương lai, không phải là các khả năng hiện có hoặc các ứng dụng được khuyến nghị.

Sơ lược

Điều bác sĩ chẩn đoán hình ảnh cần: Sự đa dạng tác vụ, tính linh hoạt và độ trung thực lâm sàng

Một hệ thống AI chẩn đoán hình ảnh hữu ích về mặt lâm sàng phải hỗ trợ nhiều tác vụ khác nhau, thích ứng với các quy trình làm việc khác nhau và tạo ra kết quả chính xác về mặt y khoa.

Các bác sĩ chẩn đoán hình ảnh và bác sĩ lâm sàng sử dụng X-quang ngực cho nhiều mục đích khác nhau. Một hệ thống AI hữu ích về mặt lâm sàng phải có khả năng hỗ trợ phạm vi tác vụ đó. Hệ thống có thể được yêu cầu tạo ra các phát hiện chi tiết và nhận định tóm tắt cho một báo cáo, trả lời các câu hỏi về sự hiện diện, vắng mặt hoặc vị trí của một phát hiện, xác định các thiết bị y tế và đánh giá vị trí đặt chúng, hoặc xác định chính xác vị trí xuất hiện của một bất thường trong hình ảnh.

Những tác vụ này cũng đòi hỏi các loại kết quả đầu ra khác nhau, từ báo cáo tường thuật đến các điểm số chẩn đoán đã được hiệu chuẩn. Và trên hết, chúng đòi hỏi độ chính xác lâm sàng. Một báo cáo có thể trông có vẻ được viết hoàn hảo nhưng lại sai lệch về mặt lâm sàng nếu bỏ sót một phát hiện, đảo ngược một phủ định hoặc xác định sai vị trí. Một số phát hiện có thể là tầm thường trong bối cảnh này nhưng lại cực kỳ quan trọng trong bối cảnh khác.

CARE-X được phát triển như một mô hình nghiên cứu để khám phá cách một phương pháp tiếp cận thống nhất có thể giải quyết những nhu cầu đa dạng này. Hệ thống kết hợp các khả năng tạo sinh và phân biệt, tối ưu hóa phù hợp với lâm sàng và lập luận dựa trên công cụ để hỗ trợ phạm vi quy trình làm việc chẩn đoán hình ảnh rộng hơn trong khi vẫn duy trì độ trung thực lâm sàng.

Tiêu điểm: Chuỗi sự kiện

Diễn đàn Nghiên cứu Microsoft

Hãy tham gia cùng chúng tôi để trao đổi liên tục các ý tưởng về nghiên cứu trong kỷ nguyên AI tổng quát. Xem các tập mới nhất theo yêu cầu.

Những khoảng trống trong các mô hình thị giác-ngôn ngữ chẩn đoán hình ảnh hiện nay

Mặc dù các mô hình gần đây có phạm vi tác vụ ấn tượng, nhưng vẫn tồn tại những khoảng trống quan trọng giữa nhu cầu của bác sĩ chẩn đoán hình ảnh và những gì các hệ thống hiện tại cung cấp:

Tổng hợp lại, những khoảng trống này đòi hỏi nhiều hơn một mô hình tạo sinh trôi chảy. Hệ thống phải kết hợp được khả năng bao phủ tác vụ rộng, các dự đoán có cấu trúc, tối ưu hóa phù hợp với lâm sàng và các công cụ định lượng khi cần đo lường trực tiếp.

CARE-X: Một mô hình, kết quả đầu ra linh hoạt

CARE-X mang những khả năng diễn giải đa dạng này vào một mô hình duy nhất, sử dụng suy luận tạo sinh hoặc suy luận kép tùy theo nhu cầu của từng tác vụ:

Suy luận kép có nghĩa là một lần truyền tiến (forward pass) duy nhất tạo ra cả phản hồi tự hồi quy và dự đoán từ đầu phụ có cấu trúc kèm theo điểm tin cậy. Điều này mang lại sự linh hoạt của văn bản tự do cùng với các kết quả đầu ra có thể điều chỉnh ngưỡng cho các tác vụ cần kiểm soát điểm vận hành.

Kiến trúc và phương pháp huấn luyện của CARE-X

CARE-X được xây dựng trên bộ mã hóa thị giác SigLIP2-so400M và mô hình ngôn ngữ Phi-4-mini-instruct (3.8B) kết nối thông qua một bộ điều hợp (adapter) nhẹ. Để hỗ trợ cả việc tạo văn bản tự do và các dự đoán lâm sàng có cấu trúc, mô hình tăng cường nền tảng ngôn ngữ chia sẻ bằng các đầu phụ (auxiliary heads) chuyên biệt cho tác vụ phân loại và định vị thị giác. Các đầu phụ này cung cấp các dự đoán chẩn đoán đã được hiệu chuẩn và tín hiệu định vị không gian trong khi chia sẻ biểu diễn với mô hình ngôn ngữ tạo sinh. Thay vì được huấn luyện độc lập, chúng được đồng huấn luyện với mục tiêu mô hình hóa ngôn ngữ, cho phép sự giám sát có cấu trúc làm phong phú thêm các biểu diễn chia sẻ và cải thiện hiệu suất tạo sinh trên cùng các tác vụ đó.

Huấn luyện. CARE-X sử dụng quy trình tinh chỉnh có giám sát ba giai đoạn (tiền huấn luyện thị giác, huấn luyện bộ điều hợp/đầu phụ và thích ứng LoRA), theo sau là học tăng cường dựa trên DAPO. DAPO tối ưu hóa các phần thưởng chuyên biệt cho tác vụ báo cáo lâm sàng, độ chính xác chẩn đoán và chất lượng định vị không gian.

Giám sát phụ: Dự đoán có cấu trúc củng cố khả năng tạo sinh

Một phát hiện trọng tâm của công trình này là việc đồng huấn luyện các đầu phụ phân biệt với một VLM tạo sinh giúp làm phong phú các biểu diễn chia sẻ, dẫn đến hiệu suất tạo sinh mạnh mẽ hơn trên cùng các tác vụ, đồng thời cung cấp các dự đoán có cấu trúc đã được hiệu chuẩn.

Cải thiện khả năng định vị (Grounding)

Đầu phụ định vị hỗ trợ liên tục cải thiện khả năng định vị so với giải mã tạo sinh. Về định vị giải phẫu (Chest ImaGenome), mAP và mIoU tăng lần lượt +28.2 pp và +6.2 pp, trong khi mức tăng lớn nhất xảy ra ở định vị cụm từ (PadChest), với +24.6 pp mAP và +14.1 pp mIoU. Hàm mất mát không gian tổng hợp giúp tăng cường độ chính xác hình học trong các biểu diễn chia sẻ.

DAPO thu hẹp khoảng cách với các đầu dò chuyên dụng

Kết quả đầu ra tạo sinh được huấn luyện bằng DAPO tiệm cận hoặc vượt qua đầu dò phụ SFT. Về định vị giải phẫu, CARE-X tạo sinh (0.868 mAP) vượt qua đầu dò SFT (0.865). Điều này có ý nghĩa thực tiễn—nó chứng minh rằng học tập dựa trên phần thưởng có thể đưa giải mã không gian tự hồi quy ngang bằng với dự đoán có cấu trúc, cung cấp cho bác sĩ lâm sàng một chế độ suy luận tạo sinh duy nhất mà không cần các đầu phụ tại thời điểm kiểm thử.

Phân loại đã hiệu chuẩn với các điểm vận hành có thể điều chỉnh

Ngoài việc làm phong phú biểu diễn, đầu phụ phân loại mang lại lợi thế triển khai rõ rệt: các điểm số xác suất đã được hiệu chuẩn với ngưỡng có thể điều chỉnh cho phép bác sĩ lâm sàng chuyển đổi giữa sàng lọc độ nhạy cao và xác nhận độ đặc hiệu cao chỉ trong một lần truyền tiến—một khả năng mà các kiến trúc tạo sinh thuần túy không thể cung cấp.

Tạo báo cáo mạnh mẽ trên bốn tiêu chuẩn đánh giá

Trong tập hợp so sánh của bài báo, CARE-X đạt hiệu suất mạnh mẽ nhất trên hầu hết các chỉ số được báo cáo trên MIMIC-CXR, IU-Xray, CheXpert-Plus và ReXGradient. CRIMSON, một chỉ số đánh giá các phát hiện bất thường và trọng số lỗi theo mức độ nghiêm trọng lâm sàng, cho thấy những mức tăng này phản ánh những cải thiện có ý nghĩa lâm sàng thay vì chỉ là tối ưu hóa dựa trên phần thưởng.

CARE-X đạt độ chính xác 94% trên ReXVQA

CARE-X xếp hạng nhất trên bảng xếp hạng ReXrank RexVQA (mở trong tab mới) tính đến tháng 8 năm 2026. Trên tiêu chuẩn đánh giá ReXVQA (41.007 cặp câu hỏi-trả lời thuộc năm danh mục liên quan đến lâm sàng), CARE-X đạt độ chính xác tổng thể 94%, cao hơn sáu điểm phần trăm so với mô hình tốt nhất tiếp theo được công bố công khai.

Đo lường tăng cường bằng công cụ: Đan xen giữa nhận thức và tính toán

Một số phát hiện chẩn đoán hình ảnh phụ thuộc vào các phép đo định lượng thay vì các mô hình thị giác. Trong một thí nghiệm nghiên cứu riêng biệt từ CARE-X, chúng tôi đã xây dựng một quy trình suy luận thời gian thực kết hợp Qwen3-VL-4B-Instruct với các công cụ đo lường tất định, cho phép mô hình luân phiên giữa hiểu hình ảnh và tính toán chính xác. Qwen3-VL-4B-Instruct duy trì quyền truy cập thị giác vào phim X-quang trong suốt quá trình suy luận, gọi các công cụ để xác định các mốc giải phẫu, tính toán các phép đo và đánh giá các ngưỡng chẩn đoán khi cần. Điều này tạo ra một vòng lặp lập luận đa lượt đan xen giữa nhận thức và đo lường, cho phép mô hình kết hợp bối cảnh thị giác với bằng chứng định lượng chính xác trước khi đưa ra chẩn đoán.

Mặc dù không yêu cầu huấn luyện chuyên biệt cho tác vụ, phương pháp này vượt trội đáng kể so với suy luận chỉ dựa trên nhận thức trên tất cả các điều kiện dựa trên đo lường được đánh giá. Các kết quả cho thấy đối với các chẩn đoán phụ thuộc vào ngưỡng, việc tính toán trực tiếp các phép đo được xác định lâm sàng đáng tin cậy hơn so với chỉ ước tính bằng thị giác.

Rộng hơn, phương pháp tăng cường đo lường này có thể hỗ trợ các quy trình làm việc lâm sàng bằng cách mở rộng tập hợp các đánh giá định lượng thường được rút ra từ phim X-quang ngực. Ví dụ, giãn động mạch chủ thường không được định lượng trên CXR và thường chỉ được phát hiện tình cờ trên các bản quét CT thu được cho các chỉ định khác. Vì việc phát hiện chậm trễ có thể góp phần vào các kết quả tim mạch bất lợi, việc sàng lọc dựa trên CXR đáng tin cậy có thể cho phép xác định và theo dõi sớm tình trạng giãn động mạch chủ.