مایکروسافت نتایج مطالعه‌ی سیستم هوش مصنوعی تشخیصی‌اش به نام MAI-DxO را در ژورنال Science منتشر کرد. این سیستم در شبیه‌سازی پرونده‌های پیچیده پزشکی از مجله‌ی New England Journal of Medicine، ۸۳٪ تشخیص صحیح داشت؛ پزشکان عمومی و متخصصان داخلی که به‌صورت فردی و با دسترسی به منابع مرجع کار می‌کردند، ۳۶٪. مصطفی سلیمان، مدیرعامل Microsoft AI، این نتیجه را گامی به سوی «ابراهوشی پزشکی» خواند.

MAI-DxO یک مدل واحد نیست؛ مجموعه‌ای از ایجنت‌هاست که مثل پنل پزشکان عمل می‌کنند: از بیمار سؤال می‌پرسند، آزمایش درخواست می‌دهند و درباره‌ی تشخیص بحث می‌کنند. نکته‌ی مهم: پرونده‌هایی با این سطح پیچیدگی در عمل معمولاً به متخصصان یا تیم‌های پزشکی ارجاع می‌شوند و آن‌ها در این مقایسه حضور نداشتند.

هزینه و دقت: DxO چه چیزی اضافه می‌کند؟#

مایکروسافت MAI-DxO را با مدل‌های OpenAI، Google، Anthropic، Meta و DeepSeek آزمایش کرد و بهترین نتایج را با GPT-5 و GPT-5.5 به دست آورد. ارقام جالب‌اند:

  • GPT-5 به‌تنهایی روی پرونده‌های پیچیده: ۷۸/۹٪ دقت، حدود ۸٬۴۰۰ دلار هزینه برای هر پرونده.
  • GPT-5 + DxO: دقت حدود ۴ واحد بالاتر رفت، هزینه حدود ۳٬۰۰۰ دلار کم شد.
  • GPT-5.5 + DxO: دقت از ۷۲٪ به نزدیک ۸۷٪ رسید با هزینه‌ی کمی کمتر.
  • روی پرونده‌های اورژانسی: تفاوت محسوسی بین GPT-5 با و بدون DxO دیده نشد. هر دو حدود ۸۵٪.
  • Gemini 2.5 Flash به‌تنهایی: ۴۶/۴٪. با DxO: نزدیک ۶۹٪.

پژوهشگران مایکروسافت می‌گویند با نزدیک شدن مدل‌ها به سقف نظری دقت، سهم افزودنی DxO کم می‌شود. به بیان دیگر، DxO بیشتر روی مدل‌های ضعیف‌تر و پرونده‌های پیچیده مؤثر است.

مدل پایه‌ی پزشکی و ارزیابی واقعی#

سلیمان گفت مایکروسافت با Mayo Clinic در حال آموزش یک مدل پایه برای حوزه‌ی سلامت است که انتشارش برای سال آینده برنامه‌ریزی شده. او پیش‌بینی کرد در ۲۰۲۷ مایکروسافت «در آستانه‌ی یک جهش سبک کدنویسی برای سوابق پزشکی» خواهد بود.

از سوی دیگر، مایکروسافت با بیمارستان Beth Israel Deaconess در بوستون شراکتی تازه بسته که در آن DxO در محیط‌های بالینی واقعی ارزیابی می‌شود. بیماران درمان استاندارد دریافت می‌کنند و در موازات آن با DxO هم تعامل می‌کنند؛ توصیه‌های سیستم با تصمیم پزشکان مقایسه خواهد شد. گوگل هم همین ماه مطالعه‌ی بالینی AMIE را در The Lancet منتشر کرده.

خوانش تحریریه#

این خبر دو چیز را هم‌زمان می‌گوید و باید هر دو را دید. از یک طرف، ۸۳٪ در مقابل ۳۶٪ عدد چشمگیری است و ساختار چندعاملی DxO برای کسی که ایجنت‌های پزشکی می‌سازد الگوی قابل‌بررسی‌ای ارائه می‌دهد. از طرف دیگر، مقایسه با پزشک عمومی به‌جای متخصص، و نبود بهبود محسوس در پرونده‌های اورژانسی، نشان می‌دهد این سیستم هنوز جایگزین جریان واقعی تصمیم‌گیری پزشکی نیست. سهم افزودنی DxO روی مدل‌های قوی محدود است و هزینه‌ی هر پرونده همچنان در هزاران دلار باقی می‌ماند. برای سازندگان ایجنت، پیام عملی این است: ارکستراسیون چندعاملی روی مدل‌های ضعیف‌تر بیشترین بازده را دارد، اما اگر به GPT-5.5 یا مدل‌های هم‌سطح دسترسی دارید، انتظار جهش بزرگ از لایه‌ی ارکستراسیون نداشته باشید.

منبع: TechCrunch AI