מיקרוסופט אומרת שמערכת הבינה המלאכותית הרפואית שלה יכולה לאבחן מקרים קשים יותר מפי שניים יותר מאשר רופאים מתרגלים - והפעם, הטענה שרדה ביקורת עמיתים.
תזמורת האבחון של מיקרוסופט AI (MAI-DxO) "הצליחה באופן משמעותי יותר מהרופאים הכלליים המתרגלים" בדייקנות האבחון תוך הזמנת פחות בדיקות והליכים, על פי מחקר שכותרתו "אבחון רציף עם מודלים של שפה". העבודה הופיעה לראשונה ב-arXiv בשנה שעברה כהדפסה מוקדמת ללא ביקורת עמיתים. ביום חמישי, הממצאים פורסמו רשמית בכתב העת Science, צעד שלטענת מיקרוסופט מעביר את המערכת מטריטוריית הדגמה מרשימה לאמינות קלינית. For more context on this story, see our ongoing more AI stories.
בבדיקות שנבנו מרשומות מקרים מורכבות שפורסמו ב-New England Journal of Medicine, MAI-DxO השיגה 83.2 אחוז דיוק אבחון, בהשוואה ל-36.1 אחוז לרופאים כלליים שהיו להם גישה לחומרי עזר. כאשר לא נמנעו מהרופאים המשאבים הללו, הדיוק שלהם ירד לכ-22 אחוזים - מה שהציב את מערכת הבינה המלאכותית מדויקת כמעט פי ארבעה בתנאים אלו. בבדיקה נפרדת המבוססת על אשפוזים במחלקות מיון, ה-AI שוב גבר על ביצועי הרופאים הכלליים, אם כי בפער קטן יותר של 80.3 אחוזים ל-46.8 אחוזים.
מערכת שמאבחנת כפי שעושים רופאים
מה שמבדיל את MAI-DxO מבודקי סימפטומים קונבנציונליים הוא שהוא פועל ברצף. מטופלים אינם מוסרים לדגם קובץ שלם של תסמינים, היסטוריה ותוצאות בדיקות. במקום זאת, המערכת מתחילה בתלונה ראשית ועליה להחליט אילו שאלות המשך לשאול ואילו בדיקות להזמין לפני שמתחייבים לאבחון - הרבה יותר קרוב לאופן שבו רופא אמיתי עובד תחת אי ודאות.
החוקרים אומרים שמדדים קודמים לא הצליחו להעריך את יכולות האבחון של מודלים שפות גדולים בצורה רציפה זו, אז הם בנו הערכה חדשה שנקראת מדד אבחון רצף, או SDBench.
מתחת למכסה המנוע, MAI-DxO "מדמה פאנל של רופאים", על פי המאמר, משנה ללא הרף אבחנה מבדלת ובוחרת בדיקות חסכוניות. סוכני בינה מלאכותית שונים לוקחים על עצמם תפקידים שונים: הצעת אבחונים, הזמנת בדיקות, מאתגרת הנחות יסוד ושקלול עלויות. החוקרים מציעים שמבנה זה עוזר להתמודד עם הטיות קוגניטיביות המשפיעות על רופאים בודדים, כגון עיגון באבחנה ראשונית או התעלמות מהסברים חלופיים.
בנוי על דגמי GPT של OpenAI
המערכת השיגה את התוצאות החזקות ביותר שלה ב-GPT-5 של OpenAI, עם בדיקות נוספות המראות שיפורים נוספים באמצעות GPT-5.5. מיקרוסופט גם מדגישה את הכלכלה: החברה אומרת ש-MAI-DxO מגיעה לאבחון הנכון בחצי או אפילו שליש מהעלות על ידי הזמנת פחות בדיקות והליכים מיותרים.
טענת העלות הזו מגיעה עם אזהרה שמיקרוסופט עצמה מסמנת - החיסכון מבוסס על עלויות משוערות במקרים מדומים, לא על חשבונות רפואיים בעולם האמיתי. החוקרים גם מודים שהם היו מצפים שהפער בביצועים יצטמצם אם המערכת תושווה מול מומחים מומחים ולא רופאים כלליים.
מבנצ'מרק ועד ליד המיטה
פרסום בכתב עת מוביל הוא דבר אחד; טיפול בחולים הוא אחר. ראש הבינה המלאכותית של מיקרוסופט, מוסטפא סולימן, אמר ל-The Verge שכל פריסה בעולם האמיתי עדיין תדרוש בדיקות קליניות - ולחברה כבר יש תוכניות לכך. מוביל בריאות הבינה המלאכותית של מיקרוסופט, ד"ר דומיניק קינג, אמר שהבדיקות יתחילו במרכז הרפואי בית ישראל דיאקונס בבוסטון במהלך החודשיים הקרובים.
הגישה המבוימת הזו חשובה, כי השדה ראה את הסרט הזה בעבר. מוקדם יותר השנה, חוקרים מאוניברסיטת הרווארד והמרכז הרפואי לדיאקונס בית ישראל דיווחו כי מודל ההיגיון o1-preview של OpenAI גבר גם על רופאים במשימות אבחון, והזין גל של כותרות על AI המחליף רופאים. מה שהמחקרים האלה לא הצליחו לקבוע היה בטיחות במסגרות קליניות חיות, שבהן לטעויות יש השלכות אמיתיות ואוכלוסיית המטופלים מבולגנת הרבה יותר ממקרי יומן מאוצרים.
מיקרוסופט נטתה למסגרת שאפתנית, ופרסמה הודעה משלה תחת הדגל של "בניית מודיעין רפואי". סולימן מיקם חשיבה אבחנתית כאחד התחומים הברורים ביותר שבהם AI יכול לעלות על ביצועי מומחים אנושיים בטווח הקרוב.
מדוע הפרטים חשובים
מקרי ה-NEJM המשמשים ב-benchmark הם, על פי התכנון, קשים מבחינה אבחנתית - סוג החידות שנכתבות בדיוק בגלל שהם הכשילו מישהו. טיפול ראשוני יומיומי כרוך בהיקפים עצומים של מצגות שגרתיות שבהן הדיוק הכללי הוא באופן טבעי הרבה יותר גבוה. מערכת המכפילה את הדיוק במקרים נדירים ומורכבים היא בעלת ערך, אבל היא לא זהה להכפלת הדיוק בכל הרפואה.
יש גם שאלת האחריות. אם מתזמר בינה מלאכותית מזמין מפל מבחן שמפספס מצב קטלני, שאלות אחריות נותרות בלתי פתורות ברוב תחומי השיפוט. ניסויים קליניים ב-Beth Israel Deaconess נועדו לייצר בדיוק את הסוג של ראיות פרוספקטיביות שרגולטורים ומערכות בתי חולים יצטרכו.
ובכל זאת, קשה להתעלם מהמסלול. תוצאה שנבדקה על ידי עמיתים ב-Science, תוכנית בדיקה קלינית מוגדרת ולחץ עלויות על מערכות הבריאות מצביעות כולם על אותו כיוון: AI אבחנתי עובר מהדגמות מחקריות לפרקטיקה רפואית מוסדרת. אבן הדרך הבאה תהיה תוצאות הניסוי של בוסטון - המבחן הראשון של האם דומיננטיות בנצ'מרק מתורגמת לתוצאות טובות יותר עבור חולים בפועל.
לעת עתה, המסגור של העיתון עצמו הוא הסיכום ההוגן ביותר: באבחון רציף של מקרים מורכבים, פאנל מדומה של רופאי בינה מלאכותית גבר על ביצועים כלליים מתרגלים בפער רחב, בעלות משוערת נמוכה יותר. הפיכת זה לפרקטיקה קלינית מאושרת היא הבעיה הקשה יותר שמיקרוסופט נרשמת אליה כעת.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
