ابرهوش پزشکی مایکروسافت: سامانهی DxO چهار برابر دقیقتر از پزشکان عمومی
مصطفی سلیمان، مدیرعامل بخش هوش مصنوعی مایکروسافت، نتایج یک مطالعهی تازه را «گامی بهسوی ابرهوش پزشکی» نامیده است؛ ادعایی که بر پایهی عملکرد سامانهی تشخیصی MAI-DxO (معروف به DxO) مطرح شده است. این سامانه، که چند ایجنت هوش مصنوعی را مانند یک هیئت پزشکی هماهنگ میکند، در پروندههای پیچیدهی پزشکی با دقت ۸۳ درصد تشخیص درست داده، در حالی که پزشکان عمومی بهتنهایی تنها ۳۶ درصد از همین موارد را درست تشخیص دادند. این خبر یکی از جدیترین ادعاهای اخیر دربارهی برتری هوش مصنوعی بر پزشکان انسانی در موارد دشوار پزشکی است.
زمینه و پسزمینه
سامانهی DxO با پرسیدن سؤال از یک بیمار شبیهسازیشده، درخواست آزمایش و بحث داخلی میان ایجنتها برای رسیدن به تشخیص نهایی کار میکند. پژوهشی که نتایج آن در مجلهی علمی Science منتشر شده، این سامانه را روی پروندههای پیچیدهی گرفتهشده از نیوانگلند ژورنال آف مدیسین آزمایش کرده است—یعنی دقیقاً همان نوع پروندههایی که معمولاً توسط متخصصان یا تیمهای پزشکی بررسی میشوند، نه پزشکان عمومی بهتنهایی. این نکته مهم است، چون مقایسه با پزشکان عمومی (نه متخصصان) ممکن است تصویر را کمی سادهتر از واقعیت نشان دهد.
مایکروسافت DxO را با مدلهای مختلفی از جمله اوپنایآی، گوگل، انتروپیک، متا و دیپسیک آزمایش کرده است. بهترین نتایج با مدلهای GPT-۵ و GPT-۵.۵ اوپنایآی به دست آمده. وقتی GPT-۵ بهتنهایی و با یک پرامپت ساده استفاده شد، روی پروندههای پیچیده دقت ۷۸.۹ درصد با هزینهی حدود ۸۴۰۰ دلار برای هر پرونده داشت. افزودن DxO هزینه را حدود سه هزار دلار کاهش داد و دقت را حدود چهار واحد درصد افزایش داد—اما در پروندههای اورژانسی تفاوت چندانی ایجاد نکرد.
با مدل جدیدتر GPT-۵.۵ (منتشرشده در آوریل ۲۰۲۶)، دقت روی پروندههای پیچیده از ۷۲ درصد به نزدیک ۸۷ درصد رسید، آنهم با هزینهی کمی پایینتر. در مقابل، با مدل سبکتر Gemini ۲.۵ Flash از گوگل، دقت بهتنهایی فقط ۴۶.۴ درصد بود که با افزودن DxO به نزدیک ۶۹ درصد رسید؛ اما فاصلهی میان مدل ضعیفتر و قویتر هنوز از تأثیر خودِ DxO بزرگتر بود.
تحلیل
شاید مهمترین یافتهی این مطالعه، نه عملکرد DxO، بلکه نسبت سهم آن در بهبود کلی باشد. دادهها نشان میدهند بخش بزرگی از پیشرفت، از خودِ مدلهای زیربنایی میآید، نه از لایهی هماهنگکنندهی DxO. به بیان دیگر، DxO بیشتر شبیه یک تقویتکننده است تا یک نوآوری بنیادین؛ وقتی مدل پایه قوی باشد (مثل GPT-۵.۵)، DxO تأثیر بیشتری نشان میدهد، و وقتی مدل پایه ضعیف باشد، بهبود محدودتر است. این یافته برای کسبوکارها و سازمانهای پزشکی که قصد سرمایهگذاری روی چنین سامانههایی را دارند، پیام مهمی دارد: انتخاب مدل زیربنایی، احتمالاً مهمتر از خودِ لایهی ارکستراسیون است.
نکتهی دوم، فاصلهی چشمگیر میان DxO و پزشکان عمومی تنها (۸۳ درصد در برابر ۳۶ درصد) است. این رقم بهظاهر خیرهکننده است، اما باید با احتیاط خوانده شود. پژوهش بهصراحت متخصصان و تیمهای پزشکی را از مقایسه کنار گذاشته است—یعنی همان گروهی که در عمل واقعی، مسئول رسیدگی به پروندههای پیچیده هستند. مقایسهی DxO با پزشک عمومی تنها، شبیه مقایسهی یک ابزار تخصصی با یک کاربر غیرمتخصص است؛ نتیجه قابلتوجه است، اما نباید آن را بهمعنای «هوش مصنوعی بهتر از کل نظام درمانی» تعبیر کرد.
سلیمان این نتایج را در چارچوب برنامهی بزرگتری قرار داده است: همکاری مایکروسافت با کلینیک مایو برای آموزش یک مدل بنیادین اختصاصی حوزهی سلامت، که قرار است سال آینده منتشر شود، و پیشبینی او از جهشی بزرگ در پیشبینی روند پروندههای پزشکی تا سال ۲۰۲۷. او همچنین گفته انتظار دارد ظرفیت هوش مصنوعی در حوزهی سلامت طی ۲۴ تا ۳۶ ماه آینده، حدود ده برابر افزایش یابد—ادعایی بسیار بزرگ که اگر درست باشد، میتواند نظام درمانی جهانی را بهطور اساسی تغییر دهد، اما اگر نادرست باشد، صرفاً یکی دیگر از وعدههای بلندپروازانهی دوران رقابت شدید شرکتهای بزرگ فناوری در حوزهی هوش مصنوعی پزشکی خواهد بود.
در عمل، مایکروسافت قصد دارد یک مطالعهی میدانی واقعی با مرکز پزشکی بثاسرائیل دیکانس در بوستون انجام دهد، جایی که بیماران دریافتکنندهی درمان استاندارد میتوانند رضایت دهند تا پیشنهادهای DxO نیز با تشخیص پزشکان انسانی مقایسه شود. این گام، فاصلهی مهمی با آزمایشهای آزمایشگاهی روی پروندههای کاغذی دارد و واقعاً میتواند روشن کند که آیا این فناوری در شرایط واقعی بالینی هم همین عملکرد را دارد یا نه. گوگل و اوپنایآی نیز پیشتر ادعاهای مشابهی دربارهی برابری یا برتری هوش مصنوعی بر پزشکان مطرح کردهاند؛ گوگل با سامانهی AMIE، مطالعهای مشابه در مجلهی لنست با همین بیمارستان بثاسرائیل منتشر کرده است. این نشان میدهد رقابت میان شرکتهای بزرگ فناوری برای تصاحب بازار هوش مصنوعی پزشکی، به یکی از داغترین میدانهای رقابتی سال ۲۰۲۶ تبدیل شده است.
برای کاربران و کسبوکارهای ایرانی که به دنبال کاربردهای عملی هوش مصنوعی در سلامت هستند، نکتهی کلیدی این است که چنین سامانههایی هنوز در مرحلهی اثبات مفهوم و آزمایش کنترلشده قرار دارند، و فاصلهی زیادی تا استقرار قابلاعتماد و تنظیمشده (regulated) در نظامهای درمانی واقعی باقی است. با این حال، روند کلی—یعنی افزایش مستمر دقت مدلهای زبانی بزرگ در وظایف تشخیصی پیچیده—یک سیگنال واضح است که هیچ کسبوکار فعال در حوزهی سلامت دیجیتال نمیتواند آن را نادیده بگیرد.
پیامد برای نظام سلامت ایران و منطقه
برای کشورهایی مثل ایران که با کمبود نیروی متخصص پزشکی در برخی تخصصها و مناطق دورافتاده مواجه هستند، چنین سامانههایی—اگر روزی بهصورت قابلاعتماد و تنظیمشده در دسترس قرار گیرند—میتوانند نقش یک «مشاور تشخیصی ثانویه» را ایفا کنند؛ یعنی ابزاری که پزشک عمومی در مناطق محروم بتواند برای بررسی پروندههای پیچیده از آن کمک بگیرد، بدون اینکه جایگزین قضاوت نهایی پزشک شود. اما پیش از هر استقرار واقعی، باید به چند مانع اساسی توجه کرد: نخست، مسائل حقوقی و مسئولیتپذیری در صورت تشخیص نادرست؛ دوم، نیاز به دادههای آموزشی که با جمعیت و الگوهای بیماری محلی سازگار باشند، نه صرفاً دادههای آمریکایی و اروپایی؛ و سوم، هزینهی بالای اجرای چنین مدلهای پیشرفته که در گزارش حدود هزاران دلار برای هر پرونده تخمین زده شده است.
نکتهی دیگری که در این میان نباید نادیده گرفته شود، تفاوت میان «کمک به تشخیص» و «جایگزینی پزشک» است. حتی در بهترین حالت، یعنی زمانی که دقت DxO واقعاً در شرایط بالینی واقعی تأیید شود، ساختار نظامهای درمانی و قوانین مسئولیت پزشکی در اکثر کشورها—از جمله ایران—هنوز اجازه نمیدهند چنین سامانههایی بهتنهایی و بدون نظارت مستقیم پزشک، تصمیم نهایی بگیرند. بنابراین، مسیر واقعبینانه برای آیندهی نزدیک، نه جایگزینی پزشکان، بلکه تبدیل این سامانهها به ابزار کمکی قدرتمند در کنار تخصص انسانی است؛ روندی که بهاحتمال زیاد طی چند سال آینده، بهتدریج و با احتیاط قانونی زیاد، در نظامهای درمانی پیشرفته جهان شکل خواهد گرفت.
منبع: TechCrunch