هوش مصنوعی مایکروسافت در تشخیص بیماری‌ها از پزشکان پیشی گرفت؛ دقت ۸۳ درصدی در تشخیص موارد پیچیده
به گزارش پایگاه خبری تجریش ؛ شرکت مایکروسافت از نتایج پژوهشی خبر داده است که نشان می‌دهد یک سامانه هوش مصنوعی توسعه‌یافته برای تشخیص بیماری‌ها می‌تواند در حل پرونده‌های پزشکی پیچیده، عملکردی به‌مراتب بهتر از پزشکان عمومی داشته باشد. این سامانه که «MAI-DxO» نام دارد، با استفاده از رویکردی مرحله‌به‌مرحله، اطلاعات بیمار را بررسی می‌کند، درباره علائم سؤال می‌پرسد، آزمایش‌های موردنیاز را انتخاب می‌کند و با دریافت نتایج جدید، تشخیص احتمالی خود را به‌روزرسانی می‌کند.
این پژوهش که نتایج آن در اکتبر ۲۰۲۶ در نشریه علمی Science منتشر شد، نشان می‌دهد هوش مصنوعی در برخی آزمون‌های تشخیصی، نه‌تنها از نظر دقت، بلکه از نظر برآورد هزینه بررسی‌های پزشکی نیز نتایج امیدوارکننده‌ای به دست آورده است.
دقت ۸۳ درصدی در برابر ۳۶ درصد پزشکان
بر اساس نتایج اعلام‌شده، پژوهشگران عملکرد این سامانه را روی ۳۰۴ پرونده پزشکی پیچیده منتشرشده در مجموعه مطالعات بالینی مجله New England Journal of Medicine ارزیابی کردند.
نتایج این مقایسه به شرح زیر است:
- هوش مصنوعی مایکروسافت: حدود ۸۳ درصد دقت در تشخیص پرونده‌های پیچیده.
- پزشکان با دسترسی به منابع مرجع: حدود ۳۶ درصد دقت.
- پزشکان بدون دسترسی به منابع مرجع: حدود ۲۲ درصد دقت.
این سامانه همچنین در ارزیابی دیگری که بر اساس ۳۲۵ پرونده مراجعه به بخش اورژانس انجام شد، به دقتی در حدود ۸۰ درصد رسید؛ درحالی‌که میزان دقت پزشکان مقایسه‌شده حدود ۴۷ درصد بود.
با وجود چشمگیر بودن این اختلاف، باید توجه داشت که این ارقام حاصل آزمون‌های مشخص و کنترل‌شده هستند و به معنای برتری قطعی هوش مصنوعی بر تمام پزشکان، به‌ویژه متخصصان هر رشته، در شرایط واقعی بیمارستانی نیستند.
سازوکار تشخیص؛ همکاری چند عامل هوش مصنوعی
یکی از ویژگی‌های مهم MAI-DxO، استفاده از رویکردی متفاوت با سامانه‌هایی است که صرفاً بر اساس اطلاعات اولیه بیمار، یک تشخیص ارائه می‌کنند.
این سامانه با هماهنگ‌سازی چند عامل هوش مصنوعی، فرایندی شبیه بررسی گروهی یک پرونده پزشکی را شبیه‌سازی می‌کند. در این فرایند، اطلاعات اولیه تحلیل می‌شوند، پرسش‌های تکمیلی مطرح می‌شوند، آزمایش‌های احتمالی مورد بررسی قرار می‌گیرند و فرضیه‌های تشخیصی با توجه به شواهد تازه تغییر می‌کنند.
هدف این روش آن است که سامانه علاوه بر رسیدن به تشخیص درست، مسیر رسیدن به آن را نیز بهینه کند؛ یعنی از درخواست آزمایش‌های غیرضروری بکاهد و بررسی‌های مؤثرتر را در اولویت قرار دهد.
آیا هوش مصنوعی می‌تواند هزینه تشخیص بیماری‌ها را کاهش دهد؟
یکی دیگر از محورهای این پژوهش، بررسی هزینه فرایند تشخیص بود. به گفته پژوهشگران، سامانه مایکروسافت در برخی تنظیمات توانست با حفظ دقت بالا، هزینه برآوردشده بررسی‌های تشخیصی را کاهش دهد.
برای نمونه، در یکی از حالت‌های بهینه‌شده از نظر هزینه، سامانه با دقت حدود ۸۱ درصد، به‌طور متوسط هزینه‌ای در حدود ۲۲۴۱ دلار برای هر پرونده پیچیده داشت؛ درحالی‌که میانگین هزینه مقایسه‌شده برای پزشکان حدود ۴۷۲۵ دلار برآورد شده بود. این ارقام بر مبنای مدل برآورد هزینه آزمایش‌ها محاسبه شده‌اند و لزوماً بیانگر هزینه واقعی درمان در بیمارستان‌ها نیستند.
در صورت تأیید این نتایج در محیط واقعی، چنین فناوری‌هایی می‌توانند به شناسایی سریع‌تر بیماری‌های دشوار، کاهش برخی آزمایش‌های غیرضروری و استفاده مؤثرتر از منابع نظام سلامت کمک کنند.
چرا هنوز نمی‌توان پزشکان را با هوش مصنوعی جایگزین کرد؟
با وجود نتایج امیدوارکننده، فاصله مهمی میان موفقیت در آزمون‌های تشخیصی و عملکرد ایمن در درمان واقعی بیماران وجود دارد.
پرونده‌های مورد استفاده در این پژوهش عمدتاً متنی و مبتنی بر موارد پزشکی ثبت‌شده بودند. در دنیای واقعی، پزشکان باید با شرایط متغیر بیماران، معاینه فیزیکی، تصاویر پزشکی، سوابق طولانی درمان، بیماری‌های هم‌زمان و گاهی اطلاعات ناقص یا متناقض مواجه شوند.
همچنین تشخیص صحیح به‌تنهایی کافی نیست؛ انتخاب درمان مناسب، ارزیابی عوارض احتمالی و توجه به شرایط فردی بیمار نیز اهمیت حیاتی دارند.
مایکروسافت اعلام کرده است که برای ارزیابی بیشتر این فناوری، با مرکز پزشکی Beth Israel Deaconess در بوستون همکاری خواهد کرد تا عملکرد سامانه در محیط‌های واقعی درمانی بررسی شود.
بنابراین، نتایج فعلی را باید گامی مهم در توسعه هوش مصنوعی پزشکی دانست، نه مدرکی قطعی برای جایگزینی پزشکان.
آینده پزشکی؛ از ابزار کمکی تا دستیار تشخیصی هوشمند
پیشرفت سامانه‌هایی مانند MAI-DxO نشان می‌دهد کاربرد هوش مصنوعی در پزشکی به پاسخ‌گویی به پرسش‌های عمومی سلامت محدود نمی‌ماند و به‌تدریج به سمت تحلیل پرونده‌های پیچیده و پشتیبانی از تصمیم‌گیری بالینی حرکت می‌کند.
در آینده، چنین فناوری‌هایی ممکن است به پزشکان در بررسی تشخیص‌های کمتر آشکار، انتخاب آزمایش‌های مناسب و شناسایی مواردی که به ارزیابی تخصصی بیشتری نیاز دارند کمک کنند.
بااین‌حال، میزان موفقیت این تحول به عواملی مانند دقت در شرایط واقعی، حفاظت از اطلاعات بیماران، کاهش خطاهای تشخیصی، تأیید مقرراتی و تعیین مسئولیت تصمیم‌های درمانی وابسته خواهد بود.
جمع‌بندی: نتایج پژوهش جدید مایکروسافت نشانه‌ای از ظرفیت بالای هوش مصنوعی برای تغییر فرایند تشخیص بیماری‌هاست. بااین‌حال، آزمون اصلی این فناوری نه در پرونده‌های شبیه‌سازی‌شده، بلکه در توانایی آن برای کمک ایمن، قابل‌اعتماد و مقرون‌به‌صرفه به پزشکان و بیماران در دنیای واقعی خواهد بود.
منبع: گزارش مایکروسافت و خبرگزاری رویترز
زهره رامشک اصلی
پایگاه خبری تجریش — دقیق در خبر، عمیق در تحلیل
Ble & telegram:@Tajrishonline instagram : @Tajrish.news
