Η Microsoft λέει ότι το ιατρικό της σύστημα τεχνητής νοημοσύνης μπορεί να διαγνώσει δύσκολες περιπτώσεις με μεγαλύτερη από διπλάσια ακρίβεια από τους ιατρούς – και αυτή τη φορά, ο ισχυρισμός έχει επιβιώσει από την αξιολόγηση από ομοτίμους.
Ο διαγνωστικός ενορχηστρωτής τεχνητής νοημοσύνης της Microsoft (MAI-DxO) «ξεπέρασε σημαντικά τους γενικούς ιατρούς» στη διαγνωστική ακρίβεια ενώ παρήγγειλε λιγότερες εξετάσεις και διαδικασίες, σύμφωνα με μια μελέτη με τίτλο «Διαδοχική διάγνωση με γλωσσικά μοντέλα». Το έργο εμφανίστηκε για πρώτη φορά στο arXiv πέρυσι ως προεκτύπωση χωρίς κριτική. Την Πέμπτη, τα ευρήματα δημοσιεύθηκαν επίσημα στο περιοδικό Science, ένα βήμα που η Microsoft υποστηρίζει ότι μετακινεί το σύστημα από την εντυπωσιακή περιοχή επίδειξης προς την κλινική αξιοπιστία. For more context on this story, see our ongoing AI industry coverage.
Σε δοκιμές που δημιουργήθηκαν από πολύπλοκα αρχεία περιστατικών που δημοσιεύθηκαν στο New England Journal of Medicine, το MAI-DxO πέτυχε 83,2 τοις εκατό διαγνωστική ακρίβεια, σε σύγκριση με 36,1 τοις εκατό για τους γενικούς γιατρούς που είχαν πρόσβαση σε υλικά αναφοράς. Όταν οι γιατροί αρνήθηκαν αυτούς τους πόρους, η ακρίβειά τους έπεσε περίπου στο 22 τοις εκατό - καθιστώντας το σύστημα AI σχεδόν τέσσερις φορές πιο ακριβές υπό αυτές τις συνθήκες. Σε ένα ξεχωριστό τεστ που βασίστηκε στις εισαγωγές στο τμήμα επειγόντων περιστατικών, το AI ξεπέρασε και πάλι τις επιδόσεις των γενικών γιατρών, αν και με μικρότερο περιθώριο 80,3% έως 46,8%.
Ένα σύστημα που κάνει διάγνωση με τον τρόπο που κάνουν οι γιατροί
Αυτό που διακρίνει το MAI-DxO από τους συμβατικούς ελεγκτές συμπτωμάτων είναι ότι λειτουργεί διαδοχικά. Οι ασθενείς δεν δίνουν στο μοντέλο ένα πλήρες αρχείο συμπτωμάτων, ιστορικού και αποτελεσμάτων εξετάσεων. Αντίθετα, το σύστημα ξεκινά με ένα κύριο παράπονο και πρέπει να αποφασίσει ποιες ερωτήσεις παρακολούθησης θα κάνει και ποιες εξετάσεις θα παραγγείλει πριν δεσμευτεί για μια διάγνωση - πολύ πιο κοντά στο πώς λειτουργεί ένας πραγματικός γιατρός σε συνθήκες αβεβαιότητας.
Οι ερευνητές λένε ότι τα προηγούμενα σημεία αναφοράς απέτυχαν να αξιολογήσουν τις διαγνωστικές ικανότητες των μεγάλων γλωσσικών μοντέλων με αυτόν τον διαδοχικό τρόπο, έτσι δημιούργησαν μια νέα αξιολόγηση που ονομάζεται Sequential Diagnosis Benchmark ή SDBench.
Κάτω από την κουκούλα, το MAI-DxO "προσομοιώνει μια ομάδα ιατρών", σύμφωνα με το έγγραφο, αναθεωρώντας συνεχώς μια διαφορική διάγνωση και επιλέγοντας οικονομικά αποδοτικές δοκιμές. Διαφορετικοί πράκτορες τεχνητής νοημοσύνης αναλαμβάνουν διαφορετικούς ρόλους: προτείνουν διαγνώσεις, παραγγέλνουν τεστ, αμφισβητούν υποθέσεις και σταθμίζουν το κόστος. Οι ερευνητές προτείνουν ότι αυτή η δομή βοηθά στην αντιμετώπιση γνωστικών προκαταλήψεων που επηρεάζουν μεμονωμένους γιατρούς, όπως η προσήλωση σε μια αρχική διάγνωση ή η παράβλεψη εναλλακτικών εξηγήσεων.
Κατασκευασμένο σε μοντέλα GPT του OpenAI
Το σύστημα πέτυχε τα ισχυρότερα αποτελέσματά του σε λειτουργία στο GPT-5 του OpenAI, με πρόσθετες δοκιμές να δείχνουν περαιτέρω βελτιώσεις χρησιμοποιώντας το GPT-5.5. Η Microsoft δίνει επίσης έμφαση στα οικονομικά στοιχεία: η εταιρεία λέει ότι το MAI-DxO φτάνει στη σωστή διάγνωση στο μισό ή ακόμα και στο ένα τρίτο του κόστους παραγγέλνοντας λιγότερες περιττές δοκιμές και διαδικασίες.
Αυτός ο ισχυρισμός κόστους συνοδεύεται από μια προειδοποίηση που επισημαίνει η ίδια η Microsoft - η εξοικονόμηση πόρων βασίζεται στο εκτιμώμενο κόστος σε προσομοιωμένες περιπτώσεις, όχι σε πραγματικούς ιατρικούς λογαριασμούς. Οι ερευνητές αναγνωρίζουν επίσης ότι θα περίμεναν να μειωθεί το χάσμα απόδοσης εάν το σύστημα συγκρινόταν με ειδικούς ειδικούς και όχι με γενικούς γιατρούς.
Από το σημείο αναφοράς στο κρεβάτι
Η δημοσίευση σε ένα κορυφαίο περιοδικό είναι ένα πράγμα. η θεραπεία ασθενών είναι άλλο. Ο επικεφαλής της Τεχνητής Νοημοσύνης της Microsoft, Μουσταφά Σουλεϊμάν, δήλωσε στο The Verge ότι οποιαδήποτε ανάπτυξη στον πραγματικό κόσμο θα εξακολουθούσε να απαιτεί κλινικές δοκιμές – και η εταιρεία έχει ήδη σχέδια για αυτό. Ο επικεφαλής υγείας της Microsoft για την τεχνητή νοημοσύνη, Δρ Dominic King, είπε ότι οι δοκιμές θα ξεκινήσουν στο Beth Israel Deaconess Medical Center στη Βοστώνη μέσα στους επόμενους δύο μήνες.
Αυτή η σκηνοθετημένη προσέγγιση έχει σημασία, γιατί ο κόσμος έχει δει αυτήν την ταινία στο παρελθόν. Νωρίτερα αυτό το έτος, ερευνητές από το Πανεπιστήμιο του Χάρβαρντ και το Ιατρικό Κέντρο Beth Israel Deaconess ανέφεραν ότι το μοντέλο συλλογιστικής o1-προεπισκόπησης του OpenAI κέρδισε επίσης τους γιατρούς στις διαγνωστικές εργασίες, τροφοδοτώντας ένα κύμα πρωτοσέλιδων σχετικά με την τεχνητή νοημοσύνη που αντικαθιστά τους γιατρούς. Αυτό που δεν μπόρεσαν να τεκμηριώσουν αυτές οι μελέτες ήταν η ασφάλεια σε ζωντανά κλινικά περιβάλλοντα, όπου τα λάθη έχουν πραγματικές συνέπειες και ο πληθυσμός των ασθενών είναι πολύ πιο ακατάστατος από τις επιμελημένες περιπτώσεις περιοδικών.
Η Microsoft έχει κλίνει σε φιλόδοξο πλαίσιο, δημοσιεύοντας τη δική της ανακοίνωση με το λάβαρο της «οικοδόμησης ιατρικής υπερκατανοίας». Ο Suleyman έχει τοποθετήσει τη διαγνωστική συλλογιστική ως έναν από τους πιο ξεκάθαρους τομείς όπου η τεχνητή νοημοσύνη μπορεί να υπερβεί τις επιδόσεις των ανθρώπινων ειδικών βραχυπρόθεσμα.
Γιατί οι λεπτομέρειες έχουν σημασία
Οι θήκες NEJM που χρησιμοποιούνται στο σημείο αναφοράς είναι, από τη σχεδίασή τους, διαγνωστικά δύσκολες — το είδος των παζλ που γράφονται ακριβώς επειδή παραπλανούν κάποιον. Η καθημερινή πρωτοβάθμια φροντίδα περιλαμβάνει τεράστιους όγκους παρουσιάσεων ρουτίνας όπου η γενική ακρίβεια είναι φυσικά πολύ υψηλότερη. Ένα σύστημα που διπλασιάζει την ακρίβεια σε σπάνιες, περίπλοκες περιπτώσεις είναι πολύτιμο, αλλά δεν είναι το ίδιο με τον διπλασιασμό της ακρίβειας σε όλη την ιατρική.
Υπάρχει επίσης το ζήτημα της λογοδοσίας. Εάν ένας ενορχηστρωτής τεχνητής νοημοσύνης παραγγείλει έναν καταρράκτη δοκιμών που χάνει μια θανατηφόρα κατάσταση, τα ζητήματα ευθύνης παραμένουν άλυτα στις περισσότερες δικαιοδοσίες. Οι κλινικές δοκιμές στο Beth Israel Deaconess έχουν σκοπό να δημιουργήσουν ακριβώς το είδος των μελλοντικών αποδεικτικών στοιχείων που θα χρειάζονταν οι ρυθμιστές και τα νοσοκομειακά συστήματα.
Ωστόσο, η τροχιά είναι δύσκολο να αγνοηθεί. Ένα αποτέλεσμα που έχει αξιολογηθεί από ομοτίμους στο Science, ένα καθορισμένο σχέδιο κλινικών δοκιμών και η πίεση κόστους στα συστήματα υγείας δείχνουν όλα την ίδια κατεύθυνση: η διαγνωστική τεχνητή νοημοσύνη κινείται από τις ερευνητικές επιδείξεις προς την ρυθμιζόμενη ιατρική πρακτική. Το επόμενο ορόσημο θα είναι αυτά τα αποτελέσματα των δοκιμών της Βοστώνης - η πρώτη δοκιμή για το εάν η κυριαρχία των κριτηρίων αναφοράς μεταφράζεται σε καλύτερα αποτελέσματα για τους πραγματικούς ασθενείς.
Προς το παρόν, το πλαίσιο της ίδιας της εργασίας είναι η πιο δίκαιη περίληψη: στη διαδοχική διάγνωση περίπλοκων περιπτώσεων, μια προσομοίωση ιατρών τεχνητής νοημοσύνης ξεπέρασε τους γενικούς ιατρούς με μεγάλη διαφορά, με χαμηλότερο εκτιμώμενο κόστος. Η μετατροπή αυτού σε εγκεκριμένη κλινική πρακτική είναι το δυσκολότερο πρόβλημα στο οποίο έχει εγγραφεί τώρα η Microsoft.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
