مایکروسافت می‌گوید که سیستم هوش مصنوعی پزشکی آن می‌تواند موارد دشوار را بیش از دو برابر دقیق‌تر از پزشکان شاغل تشخیص دهد - و این بار این ادعا از بررسی همتایان جان سالم به در برد.

بر اساس مطالعه‌ای با عنوان «تشخیص متوالی با مدل‌های زبانی»، ارکستراتور تشخیصی هوش مصنوعی مایکروسافت (MAI-DxO) در دقت تشخیصی «به‌طور قابل‌توجهی از پزشکان متخصص عملکرد بهتری داشت» در حالی که آزمایش‌ها و روش‌های کمتری را سفارش داد. این اثر سال گذشته برای اولین بار در arXiv به عنوان یک پیش چاپ بدون بازبینی ظاهر شد. روز پنجشنبه، این یافته ها به طور رسمی در مجله Science منتشر شد، مرحله ای که مایکروسافت استدلال می کند که سیستم را از قلمرو نمایشی چشمگیر به سمت اعتبار بالینی حرکت می دهد. For more context on this story, see our ongoing AI industry coverage.

در آزمایش‌های ساخته شده از پرونده‌های پیچیده مورد منتشر شده در مجله پزشکی نیوانگلند، MAI-DxO به 83.2 درصد دقت تشخیصی دست یافت، در مقایسه با 36.1 درصد برای پزشکان عمومی که به مواد مرجع دسترسی داشتند. هنگامی که پزشکان از این منابع محروم شدند، دقت آنها به تقریباً 22 درصد کاهش یافت - که سیستم هوش مصنوعی را در آن شرایط تقریباً چهار برابر دقیق تر نشان داد. در یک آزمایش جداگانه بر اساس پذیرش بخش اورژانس، هوش مصنوعی مجدداً از پزشکان عمومی بهتر عمل کرد، هرچند با حاشیه کمتری از 80.3 درصد به 46.8 درصد.

سیستمی که به روش پزشکان تشخیص می دهد

آنچه که MAI-DxO را از بررسی کننده علائم معمولی متمایز می کند این است که به صورت متوالی کار می کند. بیماران فایل کاملی از علائم، شرح حال و نتایج آزمایش را به مدل تحویل نمی دهند. در عوض، سیستم با یک شکایت اصلی شروع می‌کند و باید تصمیم بگیرد که کدام سؤالات بعدی را بپرسد و چه آزمایش‌هایی را قبل از انجام تشخیص تجویز کند - بسیار نزدیک به نحوه عملکرد یک پزشک واقعی در شرایط عدم اطمینان.

محققان می گویند که معیارهای قبلی نتوانستند توانایی های تشخیصی مدل های زبان بزرگ را به این روش متوالی ارزیابی کنند، بنابراین ارزیابی جدیدی به نام معیار تشخیص متوالی یا SDBench ایجاد کردند.

طبق این مقاله، MAI-DxO در زیر کاپوت "شبیه سازی پانل پزشکان"، به طور مداوم تشخیص افتراقی را اصلاح می کند و تست های مقرون به صرفه را انتخاب می کند. عوامل مختلف هوش مصنوعی نقش‌های متفاوتی را بر عهده می‌گیرند: پیشنهاد تشخیص، سفارش آزمایش، پیش‌فرض‌های چالش برانگیز، و وزن کردن هزینه‌ها. محققان پیشنهاد می‌کنند که این ساختار به مقابله با سوگیری‌های شناختی که بر پزشکان فردی تأثیر می‌گذارد، مانند تثبیت تشخیص اولیه یا نادیده گرفتن توضیحات جایگزین، کمک می‌کند.

ساخته شده بر روی مدل های GPT OpenAI

این سیستم قوی‌ترین نتایج خود را که روی GPT-5 OpenAI اجرا می‌شود، به دست آورد، با آزمایش‌های اضافی که بهبودهای بیشتری را با استفاده از GPT-5.5 نشان می‌دهد. مایکروسافت همچنین بر اقتصاد تأکید دارد: این شرکت می‌گوید که MAI-DxO با سفارش تست‌ها و روش‌های غیرضروری کمتر، با نصف یا حتی یک سوم هزینه به تشخیص درست می‌رسد.

این ادعای هزینه با اخطاری همراه است که خود مایکروسافت به آن اشاره می کند - پس انداز بر اساس هزینه های تخمینی در موارد شبیه سازی شده مدل می شود، نه صورت حساب های پزشکی در دنیای واقعی. محققان همچنین اذعان دارند که اگر این سیستم با متخصصان متخصص به جای پزشکان عمومی مقایسه شود، انتظار دارند شکاف عملکرد کاهش یابد.

از معیار تا کنار تخت

انتشار در یک مجله برتر یک چیز است. درمان بیماران نیز یکی دیگر از موارد است. مصطفی سلیمان، رئیس هوش مصنوعی مایکروسافت به The Verge گفت که هرگونه استقرار در دنیای واقعی همچنان به آزمایش بالینی نیاز دارد - و این شرکت از قبل برنامه‌هایی برای آن دارد. دکتر دومینیک کینگ، سرپرست سلامت هوش مصنوعی مایکروسافت، گفت که آزمایش در مرکز پزشکی Beth Israel Deaconess در بوستون در چند ماه آینده آغاز خواهد شد.

این رویکرد صحنه‌ای مهم است، زیرا حوزه قبلاً این فیلم را دیده است. در اوایل سال جاری، محققان دانشگاه هاروارد و مرکز پزشکی Beth Israel Deaconess گزارش دادند که مدل استدلال o1-preview OpenAI همچنین پزشکان را در کارهای تشخیصی شکست داد و موجی از تیترها را در مورد هوش مصنوعی جایگزین پزشکان کرد. چیزی که آن مطالعات نتوانستند ایجاد کنند ایمنی در محیط‌های بالینی زنده بود، جایی که اشتباهات پیامدهای واقعی دارند و جمعیت بیمار بسیار آشفته‌تر از موارد ژورنالی است.

مایکروسافت به چارچوب های بلندپروازانه متمایل شده و اعلامیه خود را تحت عنوان "ساخت ابر هوش پزشکی" منتشر کرده است. سلیمان استدلال تشخیصی را به عنوان یکی از واضح ترین حوزه هایی که در آن هوش مصنوعی می تواند در کوتاه مدت از عملکرد متخصص انسانی فراتر رود، قرار داده است.

چرا جزئیات مهم است

موارد NEJM مورد استفاده در معیار، از نظر طراحی، از نظر تشخیصی دشوار هستند - نوعی از پازل‌هایی که دقیقاً به این دلیل نوشته می‌شوند که کسی را گیج کرده‌اند. مراقبت های اولیه روزانه شامل حجم عظیمی از ارائه های معمول است که در آن دقت عمومی به طور طبیعی بسیار بالاتر است. سیستمی که دقت را در موارد نادر و پیچیده دو برابر می‌کند، ارزشمند است، اما با دوبرابر کردن دقت در تمام پزشکی یکسان نیست.

بحث پاسخگویی نیز مطرح است. اگر یک ارکستر AI دستور دهد یک آبشار آزمایشی که یک شرایط کشنده را از دست بدهد، سوالات مربوط به مسئولیت در اکثر حوزه های قضایی حل نشده باقی می ماند. کارآزمایی‌های بالینی در Beth Israel Deaconess به منظور تولید دقیقاً همان شواهدی است که تنظیم‌کننده‌ها و سیستم‌های بیمارستانی به آن نیاز دارند.

با این حال، نادیده گرفتن مسیر دشوار است. یک نتیجه بررسی شده در Science، یک برنامه آزمایش بالینی تعریف شده، و فشار هزینه بر سیستم های بهداشتی همگی یک جهت را نشان می دهند: هوش مصنوعی تشخیصی از تظاهرات تحقیقاتی به سمت عمل پزشکی تنظیم شده حرکت می کند. نقطه عطف بعدی نتایج آزمایشات بوستون خواهد بود - اولین آزمایشی که نشان می دهد تسلط معیار به نتایج بهتر برای بیماران واقعی تبدیل می شود یا خیر.

در حال حاضر، چارچوب بندی مقاله منصفانه ترین خلاصه است: در تشخیص متوالی موارد پیچیده، یک پانل شبیه سازی شده از پزشکان هوش مصنوعی با اختلاف زیادی و با هزینه تخمینی پایین تر از متخصصان عمومی برتری داشتند. تبدیل آن به عمل بالینی تایید شده مشکل سخت تری است که مایکروسافت اکنون برای آن ثبت نام کرده است.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →