Microsoft กล่าวว่าระบบ AI ทางการแพทย์สามารถวินิจฉัยเคสที่ยากได้แม่นยำมากกว่าแพทย์ฝึกหัดมากกว่าสองเท่า และคราวนี้คำกล่าวอ้างนี้รอดพ้นจากการทบทวนโดยผู้ทรงคุณวุฒิแล้ว

Microsoft AI Diagnostic Orchestrator (MAI-DxO) "มีประสิทธิภาพเหนือกว่าแพทย์ทั่วไปอย่างมาก" ในด้านความแม่นยำในการวินิจฉัย ในขณะที่สั่งการทดสอบและขั้นตอนน้อยลง ตามการศึกษาเรื่อง "การวินิจฉัยตามลำดับด้วยโมเดลภาษา" ผลงานนี้ปรากฏครั้งแรกบน arXiv เมื่อปีที่แล้วในรูปแบบก่อนพิมพ์โดยไม่ได้รับการตรวจสอบจากผู้ทรงคุณวุฒิ เมื่อวันพฤหัสบดี การค้นพบนี้ได้รับการตีพิมพ์อย่างเป็นทางการในวารสาร Science ซึ่งเป็นขั้นตอนที่ Microsoft โต้แย้งว่าย้ายระบบจากขอบเขตการสาธิตที่น่าประทับใจไปสู่ความน่าเชื่อถือทางคลินิก For more context on this story, see our ongoing AI news.

ในการทดสอบที่สร้างจากบันทึกกรณีผู้ป่วยที่ซับซ้อนซึ่งตีพิมพ์ใน New England Journal of Medicine นั้น MAI-DxO มีความแม่นยำในการวินิจฉัยร้อยละ 83.2 เทียบกับร้อยละ 36.1 สำหรับแพทย์ทั่วไปที่สามารถเข้าถึงวัสดุอ้างอิง เมื่อแพทย์ถูกปฏิเสธทรัพยากรเหล่านั้น ความแม่นยำของแพทย์ก็ลดลงเหลือประมาณ 22 เปอร์เซ็นต์ ส่งผลให้ระบบ AI มีความแม่นยำมากกว่าเกือบสี่เท่าภายใต้เงื่อนไขเหล่านั้น ในการทดสอบแยกต่างหากโดยพิจารณาจากการรับเข้าแผนกฉุกเฉิน AI มีประสิทธิภาพเหนือกว่าแพทย์ทั่วไปอีกครั้ง แม้ว่าจะมีอัตรากำไรที่แคบลงที่ 80.3 เปอร์เซ็นต์ถึง 46.8 เปอร์เซ็นต์

ระบบที่วินิจฉัยวิธีที่แพทย์ทำ

สิ่งที่ทำให้ MAI-DxO แตกต่างจากเครื่องตรวจสอบอาการทั่วไปคือ เครื่องทำงานตามลำดับ ผู้ป่วยไม่ได้ส่งไฟล์อาการ ประวัติ และผลการทดสอบให้ครบถ้วนแก่แบบจำลอง แต่ระบบจะเริ่มต้นด้วยการร้องเรียนหลัก และต้องตัดสินใจว่าจะถามคำถามติดตามผลใด และควรสั่งการทดสอบใดก่อนที่จะทำการวินิจฉัย ซึ่งใกล้เคียงกับวิธีที่แพทย์จริงๆ ทำงานภายใต้ความไม่แน่นอนมาก

นักวิจัยกล่าวว่าเกณฑ์มาตรฐานก่อนหน้านี้ล้มเหลวในการประเมินความสามารถในการวินิจฉัยของแบบจำลองภาษาขนาดใหญ่ในรูปแบบลำดับนี้ ดังนั้นพวกเขาจึงสร้างการประเมินใหม่ที่เรียกว่าเกณฑ์มาตรฐานการวินิจฉัยตามลำดับหรือ SDBench

ภายใต้รายงานฉบับนี้ MAI-DxO "จำลองคณะแพทย์" โดยจะทบทวนการวินิจฉัยแยกโรคและเลือกการทดสอบที่คุ้มค่าอย่างต่อเนื่อง เจ้าหน้าที่ AI ที่แตกต่างกันมีบทบาทที่แตกต่างกัน: เสนอการวินิจฉัย การสั่งซื้อการทดสอบ การคาดเดาที่ท้าทาย และการชั่งน้ำหนักต้นทุน นักวิจัยแนะนำว่าโครงสร้างนี้ช่วยต่อต้านอคติทางความคิดที่ส่งผลกระทบต่อแพทย์แต่ละคน เช่น การยึดถือการวินิจฉัยเบื้องต้น หรือการมองข้ามคำอธิบายทางเลือกอื่น

สร้างขึ้นบนโมเดล GPT ของ OpenAI

ระบบได้รับผลลัพธ์ที่แข็งแกร่งที่สุดเมื่อใช้งานบน GPT-5 ของ OpenAI โดยการทดสอบเพิ่มเติมแสดงให้เห็นถึงการปรับปรุงเพิ่มเติมโดยใช้ GPT-5.5 ไมโครซอฟต์ยังเน้นย้ำเรื่องเศรษฐศาสตร์: บริษัทกล่าวว่า MAI-DxO เข้าถึงการวินิจฉัยที่ถูกต้องโดยมีค่าใช้จ่ายเพียงครึ่งหรือหนึ่งในสามของค่าใช้จ่ายโดยการสั่งการทดสอบและขั้นตอนที่ไม่จำเป็นน้อยลง

การเรียกร้องค่าใช้จ่ายดังกล่าวมาพร้อมกับข้อแม้ที่ Microsoft ทำเครื่องหมายไว้ — การประหยัดจะขึ้นอยู่กับค่าใช้จ่ายโดยประมาณในกรณีจำลอง ไม่ใช่ค่ารักษาพยาบาลในโลกแห่งความเป็นจริง นักวิจัยยังรับทราบด้วยว่าพวกเขาคาดหวังว่าช่องว่างด้านประสิทธิภาพจะลดลงหากระบบถูกเปรียบเทียบกับผู้เชี่ยวชาญเฉพาะทางมากกว่าแพทย์ทั่วไป

จากเกณฑ์มาตรฐานไปจนถึงข้างเตียง

การตีพิมพ์ในวารสารชั้นนำก็เรื่องหนึ่ง การรักษาคนไข้ก็เป็นอีกเรื่องหนึ่ง Mustafa Suleyman หัวหน้า AI ของ Microsoft บอกกับ The Verge ว่าการใช้งานจริงใดๆ ยังคงต้องมีการทดสอบทางคลินิก และบริษัทก็มีแผนอยู่แล้ว ดร. Dominic King หัวหน้าด้านสุขภาพ AI ของ Microsoft กล่าวว่าการทดสอบจะเริ่มที่ Beth Israel Deaconess Medical Center ในบอสตันภายในสองสามเดือนข้างหน้า

วิธีการจัดฉากนั้นมีความสำคัญ เพราะภาคสนามเคยดูภาพยนตร์เรื่องนี้มาก่อน เมื่อต้นปีที่ผ่านมา นักวิจัยจากมหาวิทยาลัยฮาร์วาร์ดและศูนย์การแพทย์ Beth Israel Deaconess รายงานว่าโมเดลการให้เหตุผลตัวอย่าง o1 ของ OpenAI ยังเอาชนะแพทย์ในการวินิจฉัย โดยทำให้เกิดหัวข้อข่าวเกี่ยวกับ AI ที่มาแทนที่แพทย์ สิ่งที่การศึกษาเหล่านี้ไม่สามารถระบุได้คือความปลอดภัยในสถานพยาบาลที่มีชีวิต ซึ่งความผิดพลาดจะส่งผลตามมาอย่างแท้จริง และจำนวนผู้ป่วยก็ยุ่งวุ่นวายกว่ากรณีบันทึกประจำวันที่ได้รับการดูแลจัดการ

Microsoft โน้มตัวไปสู่การวางกรอบที่ทะเยอทะยานโดยเผยแพร่ประกาศของตัวเองภายใต้ร่มธงของ "การสร้างสติปัญญาทางการแพทย์" Suleyman ได้วางตำแหน่งการใช้เหตุผลในการวินิจฉัยเป็นหนึ่งในขอบเขตที่ชัดเจนที่สุด โดยที่ AI สามารถเหนือกว่าประสิทธิภาพของผู้เชี่ยวชาญที่เป็นมนุษย์ได้ในระยะเวลาอันใกล้นี้

เหตุใดรายละเอียดจึงมีความสำคัญ

จากการออกแบบแล้ว กรณี NEJM ที่ใช้ในเกณฑ์มาตรฐานนั้นยากในการวินิจฉัย ซึ่งเป็นปริศนาประเภทหนึ่งที่เขียนขึ้นอย่างแม่นยำเพราะพวกเขาทำให้ใครบางคนนิ่งงัน การดูแลเบื้องต้นในแต่ละวันเกี่ยวข้องกับการนำเสนอเป็นประจำปริมาณมหาศาล โดยที่ความแม่นยำของแพทย์ทั่วไปจะสูงกว่ามาก ระบบที่เพิ่มความแม่นยำเป็นสองเท่าในกรณีหายากและซับซ้อนนั้นมีคุณค่า แต่ก็ไม่เหมือนกับการเพิ่มความแม่นยำเป็นสองเท่าในยาทั้งหมด

นอกจากนี้ยังมีคำถามเกี่ยวกับความรับผิดชอบ หากผู้ดำเนินการ AI สั่งลำดับการทดสอบที่พลาดสภาวะร้ายแรง คำถามเกี่ยวกับความรับผิดยังคงไม่ได้รับการแก้ไขในเขตอำนาจศาลส่วนใหญ่ การทดลองทางคลินิกที่ Beth Israel Deaconess มีจุดมุ่งหมายเพื่อสร้างหลักฐานที่คาดหวังตามที่หน่วยงานกำกับดูแลและระบบโรงพยาบาลต้องการ

ถึงกระนั้น วิถีก็ยากที่จะเพิกเฉย ผลลัพธ์ที่ได้รับการตรวจสอบโดยผู้ทรงคุณวุฒิในด้านวิทยาศาสตร์ แผนการทดสอบทางคลินิกที่กำหนดไว้ และความกดดันด้านต้นทุนต่อระบบสุขภาพ ล้วนชี้ไปในทิศทางเดียวกัน: AI สำหรับการวินิจฉัยกำลังเปลี่ยนจากการสาธิตการวิจัยไปสู่การปฏิบัติทางการแพทย์ที่มีการควบคุม เหตุการณ์สำคัญต่อไปคือผลการทดลองในบอสตัน ซึ่งเป็นการทดสอบครั้งแรกว่าการครอบงำของเกณฑ์มาตรฐานแปลเป็นผลลัพธ์ที่ดีกว่าสำหรับผู้ป่วยจริงหรือไม่

สำหรับตอนนี้ โครงร่างของรายงานถือเป็นบทสรุปที่ยุติธรรมที่สุด: ในการวินิจฉัยตามลำดับของกรณีที่ซับซ้อน คณะแพทย์ AI จำลองมีประสิทธิภาพเหนือกว่าผู้ฝึกหัดทั่วไปด้วยอัตรากำไรที่กว้าง โดยมีต้นทุนโดยประมาณที่ต่ำกว่า การเปลี่ยนสิ่งนั้นให้กลายเป็นแนวทางปฏิบัติทางคลินิกที่ได้รับอนุมัตินั้นเป็นปัญหาที่ยากกว่าที่ Microsoft ได้สมัครเข้าร่วมในตอนนี้

---

Stay Ahead of AI

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

Read more AI news →