هوش مصنوعی MAI-DxO مایکروسافت در حل دشوارترین موارد، 4 برابر موفق‌تر از پزشکان
در این مقاله
تأخیر در تشخیص: بحران خاموش نظام‌های سلامت
تشخیص پزشکی یکی از پیچیده‌ترین و پرهزینه‌ترین مراحل خدمات سلامت نوین است. تشخیص نادرست یا دیرهنگام افزون بر کیفیت زندگی بیماران، به بودجه سلامت نیز آسیب جدی می‌زند. رسیدن به تشخیص درست در موارد نادر یا پیچیده با درگیری چند دستگاه بدن، به هماهنگی چندین تخصص نیاز دارد. هوش مصنوعی (AI) اکنون با وعده اینکه این فرایند را هم سریع‌تر و هم قابل‌اعتمادتر کند، وارد میدان شده است.
پژوهش منتشرشده مایکروسافت در 30 ژوئن 2025، یکی از بلندپروازانه‌ترین تلاش‌ها در این زمینه است. سامانه هماهنگ‌کننده تشخیص پزشکی با هوش مصنوعی (MAI-DxO) توانست از موارد منتشرشده در New England Journal of Medicine(NEJM)، 85.5% از 304 مورد دشوار را درست تشخیص دهد. میانگین موفقیت پزشکان باتجربه در همین موارد در %20 باقی ماند.
🔎 معیار تشخیص ترتیبی: آزمون چالش‌های واقعی بالینی
این موارد از مجموعه NEJM با عنوان “Case Records of the Massachusetts General Hospital” گرفته شده‌اند و:
- یافته‌های مربوط به چند دستگاه بدن دارند،
- به آزمایش‌های پیشرفته و ارزیابی چندرشته‌ای نیاز دارند،
- شامل زنجیره‌های گام‌به‌گام تشخیص‌اند که روند واقعی بالینی را تقلید می‌کنند.
مایکروسافت این موارد را به پلتفرمی تعاملی با نام معیار تشخیص ترتیبی (SD Bench) تبدیل کرد. هم پزشکان و هم سامانه‌های AI:
- مراجعه اولیه را ارزیابی می‌کنند،
- آزمایش‌ها و پرسش‌های لازم را انتخاب می‌کنند،
- به‌تدریج به تشخیص نهایی می‌رسند.
هر آزمایش هزینه‌ای مجازی دارد؛ بنابراین هم دقت و هم کارایی اقتصادی هم‌زمان سنجیده می‌شوند.
🤖 MAI-DxO: قدرت هماهنگ‌سازی
MAI-DxO به‌جای یک مدل، مدل‌های زبانی بزرگ مختلف مانند GPT، Claude، Gemini و DeepSeek را در قالب «هیئت پزشکان مجازی» ترکیب می‌کند. هر «عامل» نقش متفاوتی دارد:
- عامل پزشک فرضیه‌پرداز: تشخیص‌های احتمالی را فهرست می‌کند.
- عامل پزشک انتخاب‌کننده آزمایش: مناسب‌ترین بررسی‌ها را انتخاب می‌کند.
- عامل پزشک مدیریت منابع: آزمایش‌های غیرضروری را کاهش می‌دهد.
- عامل پزشک فهرست بررسی: جامعیت بالینی را کنترل می‌کند.
- عامل پزشک چالشگر: تصمیم‌ها را زیر سؤال می‌برد و در صورت نیاز بازاندیشی را برمی‌انگیزد.
سامانه در هر گام یکی از گزینه‌های پرسیدن سؤال, درخواست آزمایش یا ارائه تشخیص را انتخاب می‌کند؛ تصمیم‌ها هم از نظر دقت و هم هزینه سنجیده می‌شوند.
شکل 1 – روند تصمیم‌گیری چندعاملی MAI-DxO.
📊 پزشکان انسانی در برابر MAI-DxO
| گروه مقایسه | نرخ تشخیص درست | میانگین هزینه آزمایش |
|---|---|---|
| MAI-DxO + OpenAI (o3) | 85.5% | پایین |
| 21 پزشک از آمریکا و بریتانیا | %20 | بالا |
| بهترین مدل‌های زبانی بزرگ مستقل | %60 – 70 | متوسط |
MAI-DxO افزون بر دقیق‌تر تشخیص دادن، با هزینه کمتر نیز این کار را انجام می‌دهد. این موضوع برای نظام سلامت، دستاورد هم‌زمان کیفیت و پایداری را فراهم می‌کند.
شکل 2 – مرز پارتوی دقت–هزینه: MAI-DxO بر اساس پیکربندی مدل‌ها، هم در دقت و هم در هزینه پیشتاز است.
🔮 آیا هوش مصنوعی جای پزشکان را می‌گیرد؟
در کوتاه‌مدت، خیر. همان‌طور که مایکروسافت تأکید می‌کند، MAI-DxO نمونه اولیه پژوهشی است که تأیید بالینی نگرفته است. هدف، کاهش تعداد پزشکان نیست، بلکه کاهش خطاهاست :
- با ارائه پشتیبانی تصمیم‌گیری، روند رسیدن به تشخیص درست را تسریع کند،
- با خودکارسازی کارهای معمول، بار پزشکان را سبک کند،
- با ارائه نظر دوم در موارد دشوار، تشخیص نادرست را به حداقل برساند.
برای استفاده گسترده در محیط واقعی بیمارستان، باید مراحل اعتبارسنجی بالینی، نظارت اخلاقی و مقررات‌گذاری تکمیل شوند.
💬 سخن پایانی
MAI-DxO آستانه «فراهوشمندی» را که هوش مصنوعی در تشخیص بالینی به آن رسیده است، آشکار می‌کند. این سامانه با دقت تشخیصی بیش از 85%، رویکرد مقرون‌به‌صرفه و معماری چندعاملی شفاف، در مسیر تبدیل شدن به جزئی ضروری در زیست‌بوم سلامت آینده است. ما شاهدیم که هوش انسانی و هوش مصنوعی دست در دست هم، درِ دوره تازه‌ای را در سلامت می‌گشایند.
منابع
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.