مایکروسافت می گوید هوش مصنوعی جدیدش بیش از دو برابر پزشکان در تشخیص بیماری ها خوب است

مایکروسافت می گوید سیستم هوش مصنوعی پزشکی آن می تواند موارد دشوار را بیش از دو برابر پزشکان شاغل با دقت تشخیص دهد.

بر اساس مقاله ای که به تازگی منتشر شده است، این سیستم که مایکروسافت AI Diagnostic Orchestrator (MAI-DxO) نامیده می شود، در دقت تشخیصی «به طور قابل ملاحظه ای بهتر از پزشکان عمومی عمل می کند» در حالی که آزمایش ها و روش های کمتری را سفارش می دهد.

مطالعه مایکروسافت، با عنوان «تشخیص متوالی با مدل‌های زبان»، اولین بار سال گذشته به‌صورت آنلاین در arXiv به‌عنوان پیش‌چاپ بدون بازبینی منتشر شد. روز پنجشنبه، سرانجام یافته‌ها در مجله معتبر Science منتشر شد.

مصطفی سلیمان، رئیس هوش مصنوعی مایکروسافت به The Verge گفت: این یک گام بزرگ در جهت تأیید یافته‌ها است، اما هرگونه استقرار در دنیای واقعی همچنان به آزمایش بالینی نیاز دارد. مایکروسافت در حال حاضر برنامه هایی برای آن دارد: دکتر دومینیک کینگ، سرپرست سلامت هوش مصنوعی این شرکت، به نشریه گفت که آزمایش در مرکز پزشکی Beth Israel Deaconess در بوستون، ماساچوست، ظرف چند ماه آینده آغاز خواهد شد.

در آزمایش‌های مربوط به موارد پیچیده پزشکی منتشر شده در مجله پزشکی نیوانگلند، DxO به 83.2 درصد دقت تشخیصی دست یافت، در مقایسه با 36.1 درصد برای پزشکان عمومی که به مواد مرجع دسترسی داشتند. وقتی پزشکان از این منابع محروم شدند، دقت آنها به تقریبا 22 درصد کاهش یافت و DxO را تقریبا چهار برابر دقیق تر کرد. در یک آزمایش جداگانه که شامل پذیرش در بخش اورژانس بود، هوش مصنوعی مایکروسافت دوباره از پزشکان عمومی بهتر عمل کرد، هرچند با حاشیه کمتر از 80.3٪ به 46.8٪.

این سیستم قوی ترین نتایج خود را با استفاده از OpenAI's GPT-5 به دست آورد، با آزمایش های اضافی که بهبودهایی را با استفاده از GPT-5.5 نشان می دهد.

مایکروسافت در پست وبلاگی پنجشنبه خود گفت: «همچنین با نصف یا حتی یک سوم هزینه این کار را انجام می‌دهد و با آزمایش‌ها و روش‌های کمتر به تشخیص درست می‌رسد». با این حال، این پس‌اندازها بر اساس هزینه‌های تخمینی در موارد شبیه‌سازی شده به جای هزینه‌های واقعی پزشکی است. محققان اعتراف کردند که اگر DxO با متخصصان خبره به جای متخصصان عمومی مقایسه شود، «انتظار دارند شکاف عملکرد کاهش یابد».

قابل ذکر است، DxO به صورت متوالی کار می کند، به این معنی که بیماران به سادگی فهرستی جامع از علائم، سابقه پزشکی و نتایج آزمایش را به سیستم ارائه نمی دهند. در عوض، با یک شکایت اصلی شروع می‌شود و باید تعیین کند که کدام سؤالات بعدی را بپرسد و آزمایش‌هایی را قبل از رسیدن به تشخیص تجویز کند. این بسیار نزدیکتر به نحوه تشخیص پزشکان واقعا بیماران است. محققان می گویند که معیارها قبلا توانایی های تشخیصی LLM ها را به طور متوالی ارزیابی نکرده بودند و معیار جدیدی به نام معیار تشخیص متوالی یا SDBench پیشنهاد کردند.

این مقاله توضیح می‌دهد که DxO پانل پزشکان را شبیه‌سازی می‌کند و به طور مستمر در تشخیص افتراقی تجدید نظر می‌کند و تست‌های مقرون‌به‌صرفه را انتخاب می‌کند. این سیستم نقش‌های مختلفی را به عوامل هوش مصنوعی اختصاص می‌دهد که تشخیص‌ها را پیشنهاد می‌کنند، آزمایش‌ها را انتخاب می‌کنند، مفروضات را به چالش می‌کشند و هزینه‌ها را وزن می‌کنند. محققان پیشنهاد می‌کنند که این رویکرد می‌تواند به مقابله با برخی از سوگیری‌های شناختی که بر پزشکان فردی تأثیر می‌گذارد، مانند تثبیت تشخیص اولیه یا نادیده گرفتن توضیحات جایگزین کمک کند.

ادعاهای مشابهی در مورد ابزارهای هوش مصنوعی سایر شرکت ها نیز مطرح شده است. در اوایل سال جاری، محققان دانشگاه هاروارد و مرکز پزشکی Beth Israel Deaconess دریافتند که مدل استدلال o1-preview OpenAI در تشخیص بیماران اورژانس در طول تریاژ از پزشکان بهتر عمل می کند.

در تمام این موارد، کارشناسان پزشکی تاکید می‌کنند که عملکرد برتر در تست‌های تشخیصی به این معنا نیست که سیستم‌های هوش مصنوعی می‌توانند یا باید جایگزین پزشکان انسانی شوند. در عوض، ابزارها به عنوان دستیار متخصصان پزشکی قرار می گیرند. حتی اگر DxO در کارآزمایی‌های بالینی خوب عمل کند، پذیرش گسترده سؤالات حقوقی دشواری را در مورد مسئولیت‌پذیری در زمانی که تشخیص به کمک هوش مصنوعی اشتباه می‌کند، ایجاد می‌کند. و برای آنچه ارزش دارد، یک مطالعه در سال 2025 نشان داد که پزشکانی که برای شناسایی خطرات سرطان بالقوه در طول کولونوسکوپی به هوش مصنوعی تکیه می‌کردند، پس از حذف این فناوری، عملکرد بدتری نسبت به قبل داشتند.