Microsoft က ၎င်း၏ဆေးဘက်ဆိုင်ရာ AI စနစ်သည် ခက်ခဲသောရောဂါများကို ဆရာဝန်များလေ့ကျင့်ခြင်းထက် နှစ်ဆပိုမိုတိကျစွာရှာဖွေဖော်ထုတ်နိုင်သည်ဟု ပြောကြားခဲ့ပြီး ယခုတစ်ကြိမ်တွင် အဆိုပါတောင်းဆိုမှုသည် သက်တူရွယ်တူပြန်လည်သုံးသပ်ခြင်းမှ လွတ်မြောက်သွားခဲ့သည်။

Microsoft AI Diagnostic Orchestrator (MAI-DxO) သည် စမ်းသပ်မှုများနှင့် လုပ်ထုံးလုပ်နည်းများကို နည်းပါးလာစေရန် မှာကြားစဉ်တွင် ရောဂါရှာဖွေရေး တိကျမှုတွင် "သိသိသာသာ သာလွန်ကောင်းမွန်သည်" ဟု "Sequential Diagnosis with Language Models" ခေါင်းစဉ်ဖြင့် လေ့လာမှုတစ်ခုအရ သိရသည်။ အလုပ်သည် arXiv တွင် သက်တူရွယ်တူမဟုတ်သော ပြန်လည်သုံးသပ်ထားသော ကြိုတင်ပုံနှိပ်မှုအဖြစ် ယမန်နှစ်က ပထမဆုံးပေါ်လာသည်။ ကြာသပတေးနေ့တွင် တွေ့ရှိချက်များအား Science ဂျာနယ်တွင် တရားဝင်ထုတ်ဝေခဲ့ပြီး Microsoft က စနစ်အား အထင်ကြီးလောက်သော ဒီမိုနယ်မြေမှ လက်တွေ့ယုံကြည်စိတ်ချရမှုဆီသို့ ရွေ့လျားစေသည်ဟု စောဒကတက်ခဲ့သည်။ For more context on this story, see our ongoing AI news.

New England Journal of Medicine တွင်ထုတ်ဝေသည့် ရှုပ်ထွေးသောဖြစ်ရပ်မှတ်တမ်းများမှတည်ဆောက်ထားသောစမ်းသပ်မှုများတွင် MAI-DxO သည် ရည်ညွှန်းပစ္စည်းများကိုအသုံးပြုခွင့်ရရှိထားသောအထွေထွေသမားတော်များအတွက် 36.1 ရာခိုင်နှုန်းနှင့်နှိုင်းယှဉ်ပါက MAI-DxO သည် ရောဂါရှာဖွေတိကျမှု 83.2 ရာခိုင်နှုန်းရရှိခဲ့သည်။ ထိုအရင်းအမြစ်များကို ဆရာဝန်များက ငြင်းပယ်လိုက်သောအခါ ၎င်းတို့၏ တိကျမှုသည် အကြမ်းဖျင်း 22 ရာခိုင်နှုန်းအထိ ကျဆင်းသွားသည် — AI စနစ်သည် ထိုအခြေအနေများအောက်တွင် လေးဆနီးပါး တိကျသည်။ အရေးပေါ်ဌာနမှ ဝင်ခွင့်များကို အခြေခံသည့် သီးခြားစမ်းသပ်မှုတစ်ခုတွင် AI သည် ပိုမိုကျဉ်းမြောင်းသောအနားသတ် 80.3 ရာခိုင်နှုန်းမှ 46.8 ရာခိုင်နှုန်းအထိ ယေဘုယျဆန်သော သမားတော်များကို စွမ်းဆောင်နိုင်ပြန်သည်။

ဆရာဝန်များလုပ်ပုံလုပ်နည်းကို စစ်ဆေးသည့်စနစ်

MAI-DxO သည် သမားရိုးကျ ရောဂါလက္ခဏာ စစ်ဆေးသူများနှင့် ကွဲပြားစေသောအရာမှာ ၎င်းသည် စဉ်ဆက်မပြတ် လုပ်ဆောင်နေခြင်း ဖြစ်သည်။ လူနာများသည် မော်ဒယ်အား ရောဂါလက္ခဏာများ၊ မှတ်တမ်းနှင့် စမ်းသပ်မှုရလဒ်များ အပြည့်အစုံကို မပေးဆောင်ပါ။ ယင်းအစား၊ စနစ်သည် အဓိကတိုင်ကြားချက်တစ်ခုဖြင့် စတင်ပြီး မည်သည့်နောက်ဆက်တွဲမေးခွန်းများကို မေးရန်နှင့် ရောဂါရှာဖွေမှုတစ်ခုမလုပ်ဆောင်မီ မည်သည့်စစ်ဆေးမှုများကို ဆုံးဖြတ်ရပါမည် — မသေချာမရေရာမှုအောက်တွင် တကယ့်သမားတော်တစ်ဦးအလုပ်လုပ်ပုံနှင့် ပိုမိုနီးစပ်ပါသည်။

ယခင်စံနှုန်းများသည် ကြီးမားသောဘာသာစကားမော်ဒယ်များ၏ ရောဂါရှာဖွေနိုင်စွမ်းကို အကဲဖြတ်ရန် ပျက်ကွက်ခဲ့ခြင်းကြောင့် ၎င်းတို့သည် Sequential Diagnosis Benchmark သို့မဟုတ် SDBench ဟုခေါ်သော အကဲဖြတ်မှုအသစ်တစ်ခုကို တည်ဆောက်ခဲ့ကြောင်း သုတေသီများက ပြောကြားခဲ့သည်။

စာရွက်အောက်တွင် MAI-DxO သည် ကွဲပြားသောရောဂါရှာဖွေမှုများကို အဆက်မပြတ်ပြန်လည်သုံးသပ်ကာ ကုန်ကျစရိတ်သက်သာသောစစ်ဆေးမှုများကို ရွေးချယ်ကာ စာတမ်းအရ "သမားတော်များအဖွဲ့ကို အတုယူသည်" ဟုဖော်ပြထားသည်။ မတူညီသော AI အေးဂျင့်များသည် ရောဂါရှာဖွေမှုများကို အဆိုပြုခြင်း၊ စမ်းသပ်မှုများပြုလုပ်ခြင်း၊ စိန်ခေါ်သော ယူဆချက်များနှင့် ကုန်ကျစရိတ်များကို ချိန်တွယ်ခြင်းတို့တွင် ကွဲပြားသော အခန်းကဏ္ဍများတွင် လုပ်ဆောင်ကြသည်။ သုတေသီများက ဤဖွဲ့စည်းပုံသည် ဆရာဝန်တစ်ဦးချင်းစီအပေါ် သက်ရောက်မှုရှိသော သိမြင်မှုဆိုင်ရာ ဘက်လိုက်မှုများကို တန်ပြန်ရန် ကူညီပေးသည်၊ ဥပမာ- ကနဦးရောဂါရှာဖွေမှုအပေါ် တွယ်တာခြင်း သို့မဟုတ် အစားထိုးရှင်းပြချက်များကို လျစ်လျူရှုခြင်းကဲ့သို့သော သုတေသီများက အကြံပြုထားသည်။

OpenAI ၏ GPT မော်ဒယ်များပေါ်တွင် တည်ဆောက်ထားသည်။

စနစ်သည် OpenAI ၏ GPT-5 တွင် လုပ်ဆောင်နေသော ၎င်း၏ အပြင်းထန်ဆုံးရလဒ်များကို ရရှိခဲ့ပြီး၊ နောက်ထပ်စမ်းသပ်မှုများသည် GPT-5.5 ကို အသုံးပြု၍ တိုးတက်မှုများကို ပြသခဲ့သည်။ Microsoft ကလည်း စီးပွားရေးကို အလေးပေးသည်- ကုမ္ပဏီက MAI-DxO သည် မလိုအပ်သော စမ်းသပ်မှုများနှင့် လုပ်ထုံးလုပ်နည်းများကို နည်းပါးစေခြင်းဖြင့် ကုန်ကျစရိတ်၏ ထက်ဝက် သို့မဟုတ် သုံးပုံတစ်ပုံကိုပင် မှန်ကန်သောရောဂါရှာဖွေမှုသို့ ရောက်ရှိသည်ဟု ဆိုသည်။

ထိုကုန်ကျစရိတ်တောင်းဆိုမှုတွင် Microsoft ကိုယ်တိုင်က အလံပြထားသည့် သတိပေးချက်နှင့်အတူ ပါ၀င်သည် - စုဆောင်းမှုများကို လက်တွေ့ကမ္ဘာမှ ဆေးဘက်ဆိုင်ရာငွေတောင်းခံလွှာများမဟုတ်ဘဲ အတုပြုလုပ်ထားသော ကိစ္စများတွင် ခန့်မှန်းကုန်ကျစရိတ်များအပေါ် စံနမူနာပြုထားသည်။ စနစ်အား အထွေထွေသမားတော်များထက် ကျွမ်းကျင်သူများနှင့် နှိုင်းယှဉ်ပါက စွမ်းဆောင်ရည်ကွာဟချက်ကို ကျဉ်းမြောင်းစေမည်ဟု သုတေသီများက အသိအမှတ်ပြုပါသည်။

Benchmark မှ Bedside အထိ

ထိပ်တန်းဂျာနယ်တစ်ခုတွင် ထုတ်ဝေခြင်းသည် တစ်ချက်ဖြစ်သည်။ လူနာတွေကို ကုသတာက နောက်တစ်မျိုး။ Microsoft ၏ AI အကြီးအကဲ Mustafa Suleyman က The Verge သို့ ပြောကြားရာတွင် လက်တွေ့ကမ္ဘာတွင် ဖြန့်ကျက်မှုတိုင်းတွင် လက်တွေ့စမ်းသပ်မှုများ လိုအပ်နေသေးကြောင်းနှင့် ကုမ္ပဏီသည် ၎င်းအတွက် အစီအစဉ်များရှိပြီးဖြစ်သည်။ Microsoft ၏ AI ကျန်းမာရေးခေါင်းဆောင် ဒေါက်တာ Dominic King က ဘော့စတွန်မြို့ရှိ Beth Israel Deaconess Medical Center တွင် လာမည့်လအနည်းငယ်အတွင်း စမ်းသပ်မှုကို စတင်မည်ဖြစ်ကြောင်း ပြောကြားခဲ့သည်။

နယ်ပယ်က ဒီဇာတ်ကားကို အရင်က မြင်ဖူးတဲ့အတွက်ကြောင့် အခုလို ချဉ်းကပ်မှုဟာ အရေးကြီးတယ်။ ယခုနှစ်အစောပိုင်းတွင် ဟားဗတ်တက္ကသိုလ်နှင့် Beth Israel Deaconess ဆေးဘက်ဆိုင်ရာစင်တာမှ သုတေသီများက OpenAI ၏ o1-အကြိုသုံးသပ်ခြင်းပုံစံသည် ဆရာဝန်များကို ရောဂါရှာဖွေရေးလုပ်ငန်းများတွင် အနိုင်ယူခဲ့ပြီး သမားတော်များကို အစားထိုးသည့် AI နှင့်ပတ်သက်သည့် ခေါင်းကြီးပိုင်းများကိုပါ ထည့်သွင်းဖော်ပြခဲ့သည်။ ထိုလေ့လာမှုများက မသတ်မှတ်နိုင်သောအရာမှာ အမှားများသည် တကယ့်အကျိုးဆက်များကို သယ်ဆောင်လာကာ လူနာများသည် စုဆောင်းထားသော ဂျာနယ်ကိစ္စများထက် အဆပေါင်းများစွာ ပိုဆိုးနေသည့် တိုက်ရိုက်လက်တွေ့အခြေအနေများတွင် ဘေးကင်းပါသည်။

Microsoft သည် "ဆေးဘက်ဆိုင်ရာထောက်လှမ်းရေးကိုတည်ဆောက်ခြင်း" ဟူသောနဖူးစည်းအောက်တွင် ၎င်း၏ကိုယ်ပိုင်ကြေငြာချက်ကို ထုတ်ပြန်ကြေငြာခဲ့သည်။ Suleyman သည် မဝေးတော့သောကာလတွင် AI သည် လူသားကျွမ်းကျင်သူများ၏ စွမ်းဆောင်ရည်ထက် ကျော်လွန်နိုင်သည့် အရှင်းလင်းဆုံး နယ်ပယ်များထဲမှ တစ်ခုအဖြစ် အဖြေရှာရန် ကျိုးကြောင်းဆင်ခြင်ခြင်းကို နေရာချထားပါသည်။

##အသေးစိတ်က ဘာကြောင့်အရေးကြီးတာလဲ။

စံညွှန်းတွင်အသုံးပြုသည့် NEJM ဖြစ်ရပ်များသည် ဒီဇိုင်းအားဖြင့်၊ အဖြေရှာရန်ခက်ခဲသည် — တစ်စုံတစ်ဦးကို ထိတ်လန့်စေသောကြောင့် တိကျစွာရေးထားသော ပဟေဋ္ဌိအမျိုးအစားဖြစ်သည်။ နေ့စဥ်အခြေခံစောင့်ရှောက်မှုတွင် ယေဘူယျတိကျမှုမှာ သဘာဝအရ ပိုမိုမြင့်မားသည့် ပုံမှန်တင်ဆက်မှုအမြောက်အမြားပါဝင်ပါသည်။ ရှားပါးပြီး ရှုပ်ထွေးသောကိစ္စများတွင် တိကျမှုကို နှစ်ဆတိုးပေးသည့်စနစ်သည် တန်ဖိုးရှိသော်လည်း ဆေးအားလုံးတွင် တိကျမှုနှစ်ဆတိုးခြင်းနှင့် မတူပါ။

တာဝန်ခံမှုဆိုတဲ့ မေးခွန်းလည်း ရှိပါတယ်။ AI orchestrator သည် ပြင်းထန်သောအခြေအနေတစ်ခုကို လွတ်သွားသည့် စမ်းသပ်မှုတစ်ခုအား အမိန့်ပေးပါက၊ စီရင်ပိုင်ခွင့်အာဏာအများစုတွင် တာဝန်ရှိမှုမေးခွန်းများကို မဖြေရှင်းနိုင်သေးပါ။ Beth Israel Deaconess တွင် လက်တွေ့စမ်းသပ်မှုများသည် အလားအလာရှိသော သက်သေအထောက်အထားများနှင့် ဆေးရုံစနစ်များ လိုအပ်မည့် အလားအလာများကို အတိအကျထုတ်လုပ်ရန် ရည်ရွယ်သည်။

သို့တိုင် လမ်းကြောင်းသည် လျစ်လျူရှုရန် ခက်ခဲသည်။ သိပ္ပံတွင် သက်တူရွယ်တူ သုံးသပ်ထားသော ရလဒ်တစ်ခု၊ သတ်မှတ်ထားသော လက်တွေ့စမ်းသပ်မှု အစီအစဉ်နှင့် ကျန်းမာရေးစနစ်များအပေါ် ကုန်ကျစရိတ် ဖိအားများသည် တူညီသော ဦးတည်ချက်ကို ညွှန်ပြသည်- ရောဂါရှာဖွေရေး AI သည် သုတေသန သရုပ်ပြမှုများမှ ထိန်းချုပ်ထားသော ဆေးဘက်ဆိုင်ရာ အလေ့အကျင့်ဆီသို့ ဦးတည်နေသည်။ နောက်ထပ်မှတ်တိုင်မှာ ဘော်စတွန်စမ်းသပ်မှုရလဒ်များဖြစ်သည် — စံသတ်မှတ်ချက်လွှမ်းမိုးမှုက အမှန်တကယ်လူနာများအတွက် ပိုမိုကောင်းမွန်သောရလဒ်များအဖြစ်သို့ ပြောင်းလဲခြင်းရှိမရှိ ပထမဆုံးစမ်းသပ်မှုဖြစ်သည်။

ယခုအချိန်တွင်၊ စာတမ်း၏ကိုယ်ပိုင်ဘောင်ခတ်မှုသည် အမျှတဆုံးအကျဉ်းချုပ်ဖြစ်သည်- ရှုပ်ထွေးသောဖြစ်ရပ်များကို ဆက်တိုက်စစ်ဆေးခြင်းတွင်၊ AI သမားတော်များ၏ပုံတူအဖွဲ့သည် ခန့်မှန်းကုန်ကျစရိတ်သက်သာစွာဖြင့် ကျယ်ပြန့်သောအနားသတ်ဖြင့် အထွေထွေသမားများကို စွမ်းဆောင်ရည်ထက်သာလွန်စေသည်။ ၎င်းကို အတည်ပြုထားသော ဆေးခန်းအလေ့အကျင့်အဖြစ်သို့ ပြောင်းလဲခြင်းသည် Microsoft မှ ယခု မှတ်ပုံတင်ထားသော ခက်ခဲသော ပြဿနာဖြစ်သည်။

---

Stay Ahead of AI

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

Read more AI news →