آبان
اخبار
مایکروسافت و تشخیص ۸۳ درصدی؛ هوش مصنوعی MAI-DxO در مقالهٔ Science از پزشکان جلو زد
مایکروسافت در مقاله‌ای در مجلهٔ Science ادعا کرده سیستم تشخیصی چندعاملی‌اش در پرونده‌های دشوار پزشکی تا چهار برابر دقیق‌تر از پزشکان عمل می‌کند؛ اما این نتایج هنوز فقط روی پرونده‌های گذشته به دست آمده‌اند.
لیست مطالب
۱. ماجرا چیست؟ خلاصهٔ خبر
مایکروسافت در ۲۲ اکتبر ۲۰۲۶ (۳۰ مهر ۱۴۰۵) نتایج یک پژوهش را در مجلهٔ معتبر Science منتشر کرد. موضوع پژوهش سیستمی به نام MAI-DxO است؛ مخفف «ارکستراتور تشخیصی مایکروسافت AI». این سیستم یک مدل واحد نیست، بلکه مجموعه‌ای از عامل‌های هوش مصنوعی است که مانند یک هیئت پزشکی با هم کار می‌کنند.
عدد اصلی خبر ۸۳ درصد است. طبق گزارش‌ها، این سیستم در پرونده‌های پیچیده و منتشرشدهٔ مجلهٔ پزشکی NEJM توانسته در حدود ۸۳ درصد موارد تشخیص درست را بدهد. پزشکان عمومی در همان آزمون، وقتی به منابع مرجع دسترسی داشتند حدود ۳۶ درصد و وقتی نداشتند حدود ۲۲ درصد پرونده‌ها را درست تشخیص دادند.
مایکروسافت از همین مقایسه نتیجه گرفته که سیستم می‌تواند «تا چهار برابر» دقیق‌تر از پزشکان باشد. این عبارت در رسانه‌ها پرتکرار شده، اما همان‌طور که در ادامه می‌بینید باید با دقت خوانده شود.
۲. MAI-DxO چطور کار می‌کند؟
تشخیص پزشکی فقط جواب دادن به یک سؤال نیست؛ یک فرایند چندمرحله‌ای است. پزشک شکایت بیمار را می‌شنود، سؤال می‌پرسد، آزمایش یا تصویربرداری درخواست می‌کند، نتیجه را می‌خواند و تشخیص خود را اصلاح می‌کند. MAI-DxO دقیقاً همین مسیر را شبیه‌سازی می‌کند.
ایدهٔ اصلی «پنل متخصصان مجازی» است. یک عامل فهرستی از تشخیص‌های احتمالی (تشخیص افتراقی) تهیه می‌کند. عاملی دیگر نقش منتقد را بازی می‌کند و تشخیص‌ها را به چالش می‌کشد. عاملی دیگر بررسی می‌کند که هر آزمایش پیشنهادی ارزش هزینه‌اش را دارد یا نه. نتیجه، فرایندی است که هم دقت و هم صرفه‌جویی را هدف می‌گیرد.
معیار SDBench چیست؟
برای سنجش چنین سیستمی، مایکروسافت معیاری به نام SDBench ساخته است. این معیار گزارش‌های پزشکی را به یک گفتگوی گام‌به‌گام تبدیل می‌کند. سه نقش در آن وجود دارد: عامل تشخیصی که اطلاعات می‌خواهد، «دروازه‌بان» که یافته‌های ثبت‌شدهٔ پرونده را در اختیار می‌گذارد و داور که تشخیص نهایی را با تشخیص مرجع مقایسه می‌کند.
مزیت این طراحی آن است که فقط جواب نهایی سنجیده نمی‌شود؛ مشخص می‌شود سیستم چه اطلاعاتی را و در چه زمانی درخواست می‌کند و کی تصمیم می‌گیرد متوقف شود. طبق گزارش‌ها مایکروسافت قصد دارد این معیار را متن‌باز کند.
۳. اعداد را دقیق‌تر بخوانیم
در آزمون پرونده‌های NEJM، سیستم حدود ۸۳ درصد و پزشکان ۲۲ تا ۳۶ درصد امتیاز گرفتند. نسبت ۸۳ به ۲۲ حدود ۳٫۸ برابر است و همین عدد پایهٔ ادعای «تا چهار برابر» است. اما اگر پزشکان را با منابع مرجع مقایسه کنیم، فاصله حدود ۲٫۳ برابر می‌شود.
در پرونده‌های اورژانس بیمارستان بث‌اسرائیل دیکونس، که به داده‌های واقعی نزدیک‌ترند، سیستم ۸۰ درصد و میانگین پزشکان ۴۷ درصد گزارش شده است. یعنی نسبت حدود ۱٫۷ برابر. پس «چهار برابر» بهترین حالت ممکن است، نه عدد معمول.
برای مقایسه، مایکروسافت در پیش‌چاپ سال ۲۰۲۵ هم دقتی حدود ۸۵ درصد روی ۳۰۴ پرونده گزارش کرده بود و پزشکان در آن پژوهش حدود ۲۰ درصد داشتند. اعداد جدید در همان بازه‌اند، اما این بار پژوهش داوری علمی مجلهٔ Science را پشت سر گذاشته است.
نکتهٔ جالب دیگر هزینه است. مایکروسافت از ابتدا تأکید کرده که هدف فقط دقت بیشتر نیست، بلکه رسیدن به تشخیص درست با آزمایش‌های کمتر و ارزان‌تر است. در پیش‌چاپ ۲۰۲۵ کاهشی حدود ۲۰ درصد در هزینهٔ بررسی‌ها گزارش شده بود، اما در خبرهای جدید عدد مشخصی از صرفه‌جویی منتشر نشده و باید منتظر جزئیات مقالهٔ کامل ماند. در نظام سلامت، که هزینهٔ آزمایش‌های اضافی بار سنگینی بر بیمار و بیمه می‌گذارد، چنین ویژگی‌ای می‌تواند به اندازهٔ خود دقت ارزشمند باشد.
۴. چرا نمی‌شود نتیجه را مستقیم به مطب تعمیم داد؟
نخستین دلیل، نوع پرونده‌هاست. پرونده‌های NEJM پس از مشخص شدن تشخیص نوشته می‌شوند و به دلیل ارزش آموزشی انتخاب شده‌اند. چنین پرونده‌هایی دشوارند، اما با شلوغی و ابهام یک مطب یا اورژانس واقعی فرق دارند.
دلیل دوم، شرایط پزشکان است. در پژوهش‌های اولیه، پزشکان شرکت‌کننده به همکار، کتاب یا جست‌وجو دسترسی نداشتند؛ چیزی که در کار روزمره وجود دارد. گروه دارای منابع مرجع مقایسهٔ منصفانه‌تری است و همان‌جاست که فاصله کمتر می‌شود.
دلیل سوم، مدل‌های مورد استفاده است. به گفتهٔ تحلیل‌های منتشرشده، مقاله تأثیر مدل‌های جدیدتر را در جدول‌های اصلی نشان نمی‌دهد و نتایج هنوز توسط گروه مستقل بازتولید نشده‌اند. همچنین بعضی پاسخ‌های «دروازه‌بان» در SDBench ساختگی (سنتتیک) است و باید حساسیت نتایج به این فرض بررسی شود.
- آزمون روی پرونده‌های گذشته انجام شده، نه بیمار زنده.
- انتخاب پرونده‌ها بر اساس دشواری بوده و نمایندهٔ کار روزمره نیست.
- مقایسه با پزشکان به شرایط آزمون (زمان، منابع و رابط کاربری) وابسته است.
- صرفه‌جویی هزینه هنوز به‌طور قطعی ثابت نشده است.
۵. گام بعدی: آزمایش بالینی در بث‌اسرائیل دیکونس
مایکروسافت اعلام کرده که با مرکز پزشکی بث‌اسرائیل دیکونس همکاری می‌کند تا سیستم را در شرایط واقعی بیازماید. بر اساس سخنان دومینیک کینگ از مایکروسافت، این آزمایش احتمالاً طی چند ماه آینده شروع می‌شود، هرچند زمان‌بندی قطعی اعلام نشده است.
مصطفی سلیمان، مدیر هوش مصنوعی مایکروسافت، نیز صریحاً گفته که این فناوری «به اعتبارسنجی بالینی نیاز دارد». این جمله مهم است، چون نشان می‌دهد خود شرکت هم نتیجه را آمادهٔ استفاده در درمان نمی‌داند.
در گام بعد باید به چند شاخص دقت کرد: دقت تشخیص، زمان رسیدن به تشخیص، هزینهٔ آزمایش‌ها و میزان خطاهای آسیب‌زا. تا پروتکل و نتایج این کارآزمایی منتشر نشود، ارزیابی نهایی ممکن نیست.
۶. این خبر برای کاربران و ایرانی‌ها چه معنایی دارد؟
برای کاربران عادی، مهم‌ترین نکته این است که هوش مصنوعی هنوز جای پزشک نیست. حتی بهترین نتیجهٔ گزارش‌شده، حاصل یک آزمون کنترل‌شده است و مایکروسافت هم محصولی برای عموم یا قیمتی برای آن اعلام نکرده است.
با این حال این روند را نباید دست‌کم گرفت. ایدهٔ «چند عامل با نقش‌های متفاوت» همان الگویی است که در ابزارهای کدنویسی و پژوهشی هم می‌بینیم. اگر می‌خواهید با پرامپت‌نویسی بهتر از چنین ابزارهایی استفاده کنید، راهنمای آموزش پرامپت‌نویسی برای مبتدیان نقطهٔ شروع خوبی است.
برای درک چارچوب کلی این صنعت، مقالهٔ OpenAI چیست؟ و بررسی توانایی‌ها و محدودیت‌های واقعی هوش مصنوعی را هم بخوانید؛ هر دو نشان می‌دهند چرا نتایج آزمایشگاهی همیشه با دنیای واقعی یکی نیستند.
۷. هوش مصنوعی در پزشکی؛ فرصت‌ها و خطرها
فرصت‌ها روشن‌اند: دسترسی بیشتر به نظر دوم، کاهش آزمایش‌های غیرضروری، و کمک به مناطقی که متخصص کم دارند. اگر یک سیستم بتواند در کنار پزشک، تشخیص‌های احتمالی را مرور کند، احتمال از قلم افتادن بیماری‌های نادر کمتر می‌شود.
خطرها هم واقعی‌اند. تشخیص اشتباه می‌تواند به درمان نادرست بینجامد، و اتکای بیش از حد پزشک یا بیمار به خروجی مدل خطرناک است. پرسش حریم خصوصی هم مطرح است: داده‌های سلامت بسیار حساس‌اند و باید روشن باشد چه کسی آن‌ها را نگه می‌دارد.
نگاه واقع‌بینانه این است که چنین سیستم‌هایی ابتدا نقش «دستیار تصمیم‌گیری» خواهند داشت، نه جایگزین پزشک. دربارهٔ اهمیت هوش مصنوعی در کسب‌وکار و حوزه‌های تخصصی می‌توانید اهمیت هوش مصنوعی در کسب‌وکار را ببینید.
۸. رقابت شرکت‌ها در پزشکی و عامل‌های هوشمند
مایکروسافت از ماه‌ها پیش مسیر «ابرهوش پزشکی» را دنبال می‌کند و این مقاله بخشی از همان استراتژی است. در همین حال شرکت‌های دیگر هم به عامل‌های هوشمند و کاربردهای تخصصی روی آورده‌اند. برای نمونه، تحلیل ما از توهم توسعه‌دهندهٔ تنها در برابر مهندس واقعی نشان می‌دهد که حتی در برنامه‌نویسی هم تفاوت آزمون و کار واقعی چقدر مهم است.
اگر مقایسهٔ مدل‌ها برایتان جذاب است، نوشتهٔ مقایسهٔ ChatGPT و DeepSeek در شطرنج نمونه‌ای از سنجش مدل‌ها در یک آزمون کنترل‌شده است. و برای دنبال کردن خبرهای تازه، بخش اخبار هوش مصنوعی و آموزش‌های ChatGPT را از دست ندهید.
پرسش‌های متداول (FAQ)
آیا MAI-DxO را می‌توان همین حالا استفاده کرد؟
خیر. مایکروسافت هنوز تاریخ عرضه یا قیمتی اعلام نکرده و سیستم برای استفادهٔ بالینی تأیید نشده است. حتی انتشار معیار SDBench به معنای در دسترس بودن سیستم تشخیصی نیست.
ادعای «چهار برابر دقیق‌تر» درست است؟
این عدد بهترین حالت مقایسه است. در برابر پزشکان دارای منابع مرجع، فاصله حدود ۲٫۳ برابر و در پرونده‌های اورژانس حدود ۱٫۷ برابر است. پس ادعا دقیق نیست، اما هنوز برتری قابل توجهی را نشان می‌دهد.
آیا هوش مصنوعی جای پزشکان را می‌گیرد؟
بر پایهٔ شواهد فعلی نه. نتایج فقط روی پرونده‌های گذشته‌اند و خود مایکروسافت به اعتبارسنجی بالینی اشاره کرده است. بیشتر احتمال دارد این ابزارها به‌عنوان دستیار در کنار پزشک به کار بروند.
SDBench چیست؟
معیاری است که گزارش‌های پزشکی را به یک گفتگوی گام‌به‌گام همراه با هزینهٔ آزمایش‌ها تبدیل می‌کند و فرایند تشخیص را می‌سنجد، نه فقط پاسخ نهایی را.
آزمایش بالینی کی شروع می‌شود؟
بر اساس گفتهٔ یکی از مسئولان مایکروسافت، احتمالاً طی چند ماه آینده در بیمارستان بث‌اسرائیل دیکونس؛ اما زمان قطعی اعلام نشده است.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
