مایکروسافت اعلام کرد که سیستم تشخیصی مبتنی بر هوش مصنوعی آن، که MAI-DxO (به اختصار DxO) نام دارد، در یک شبیه‌سازی توانسته در موارد پزشکی پیچیده بیش از دو برابر پزشکان عمومی تشخیص درست بدهد. نتایج این مطالعه روز پنجشنبه در مجله Science منتشر شد و مصطفی سلیمان، مدیرعامل بخش هوش مصنوعی مایکروسافت، آن را گامی به سوی «ابر هوش پزشکی» توصیف کرد. این خبر نشان می‌دهد که هوش مصنوعی مایکروسافت در پزشکی به مرحله‌ای رسیده که می‌تواند در تصمیم‌گیری‌های بالینی نقش جدی ایفا کند.
هوش مصنوعی مایکروسافت در پزشکی چه دستاوردی داشت؟
سیستم MAI-DxO مجموعه‌ای از چند عامل هوش مصنوعی را هماهنگ می‌کند که مانند یک تیم پزشکی عمل می‌کنند: از بیمار سؤال می‌پرسند، آزمایش‌ها را سفارش می‌دهند و درباره تشخیص با هم بحث می‌کنند.
در شبیه‌سازی با استفاده از موارد پیچیده از مجله New England Journal of Medicine، این سیستم ۸۳ درصد مواقع تشخیص درست داد. در مقابل، پزشکان مراقبت‌های اولیه و متخصصان داخلی که به‌صورت فردی و با مواد مرجع کار می‌کردند، تنها ۳۶ درصد درست تشخیص دادند.
💡 خرید اکانت چت جی پی تی — ChatGPT و Claude بدون فیلترشکن و با پرداخت تومانی
البته یک نکته مهم وجود دارد: مواردی با این سطح از پیچیدگی معمولاً توسط متخصصان یا تیم‌های پزشکی اداره می‌شوند که در این مقایسه حضور نداشتند.
نقش مدل‌های پایه در بهبود تشخیص
داده‌های خود مطالعه نشان می‌دهد که بخش زیادی از این بهبود ناشی از قدرت بیشتر مدل‌های پایه هوش مصنوعی است و سیستم هماهنگ‌کننده مایکروسافت مزیت اضافه‌ای روی آن ایجاد می‌کند.
مایکروسافت MAI-DxO را با مدل‌هایی از چند شرکت از جمله OpenAI، Google، Anthropic، Meta و DeepSeek آزمایش کرد، اما بهترین نتایج با مدل‌های GPT-5 و GPT-5.5 از OpenAI به دست آمد.
💡 خرید API هوش مصنوعی Claude و GPT — کلید API با شارژ تومانی و قیمت مناسب
معیار سنجش فقط دقت نبود؛ هزینه اجرای هوش مصنوعی روی هر مورد هم اندازه‌گیری شد. GPT-5 به‌تنهایی و با یک دستور کوتاه، در موارد پیچیده امتیاز ۷۸.۹ درصد را با هزینه حدود ۸۴۰۰ دلار برای هر مورد کسب کرد. DxO این هزینه را حدود ۳۰۰۰ دلار کاهش داد اما دقت را تنها حدود چهار واحد افزایش داد.
در موارد اورژانس، تفاوت محسوسی بین GPT-5 به‌تنهایی و GPT-5 با کمک DxO دیده نشد. با GPT-5.5 که در آوریل ۲۰۲۶ منتشر شد، نتایج متفاوت بود: در موارد پیچیده، DxO دقت GPT-5.5 را از ۷۲ درصد به نزدیک ۸۷ درصد رساند و هزینه هم کمی کمتر شد. اما در موارد اورژانس، هر دو حالت حدود ۸۵ درصد دقت با هزینه مشابه داشتند.
DxO بیشترین کمک را در موارد پیچیده و با مدل‌های ضعیف‌تر نشان می‌دهد. برای مثال، Gemini 2.5 Flash به‌تنهایی امتیاز ۴۶.۴ درصد گرفت اما با DxO به نزدیک ۶۹ درصد رسید. با این حال، فاصله بین مدل‌های ضعیف و قوی بیشتر از بهبودی بود که DxO ایجاد کرد.
💡 لیست مدل‌ها و قیمت API هوش مصنوعی — همه مدل‌های OpenAI، Anthropic و Google در یک‌جا
واکنش مدیران مایکروسافت و چشم‌انداز آینده
دومینیک کینگ، معاون بخش سلامت مایکروسافت AI، به TechCrunch گفت: «چیزی بسیار قابل‌توجه و هیجان‌انگیز اینجاست. بزرگ‌ترین چالش در ارائه مراقبت سلامت در حال حاضر، ناهماهنگی فزاینده بین تقاضا و عرضه تخصص پزشکی است.»
مصطفی سلیمان که پیش‌تر از بنیان‌گذاران DeepMind بوده و در سال ۲۰۲۴ به مایکروسافت پیوسته، می‌گوید این شرکت با کلینیک مایو برای آموزش یک مدل پایه در حوزه سلامت همکاری می‌کند و انتشار آن برای سال آینده برنامه‌ریزی شده است. او معتقد است این مدل می‌تواند «جهش‌های واقعاً عظیمی» ایجاد کند.
سلیمان افزود: «من واقعاً باور دارم که در سال ۲۰۲۷، در آستانه یک پیشرفت به سبک کدنویسی برای پرونده‌های پزشکی خواهیم بود. فکر می‌کنم بتوانیم پیش‌بینی‌های بسیار دقیقی درباره نحوه تحول یک پرونده پزشکی ارائه دهیم و بدیهی است که چنین آینده‌نگری برای یک پزشک حکم طلا را دارد.»
💡 خرید اکانت چت جی پی تی — ChatGPT و Claude بدون فیلترشکن و با پرداخت تومانی
او انتظار دارد مدل‌های حوزه سلامت در ۲۴ تا ۳۶ ماه آینده «یک مرتبه بزرگی بهتر» شوند و توضیح داد: «همان‌طور که چندین بار در پنج یا شش سال گذشته دیده‌ایم، وقتی چرخه‌ای از بازخورد واقعی داشته باشیم، پیشرفت خیلی سریع اتفاق می‌افتد.»
آزمایش‌های بالینی و رقابت با گوگل
مایکروسافت با همکاری مرکز پزشکی Beth Israel Deaconess در بوستون، قابلیت استدلال بالینی DxO را در محیط‌های مختلف بیمارستانی ارزیابی خواهد کرد. کینگ در این باره گفت: «این فناوری برای ارزیابی‌های دنیای واقعی آماده است و می‌توانید پیچیدگی و تنوع مشکلاتی را که یک بخش اورژانس بوستون در عصر جمعه با آن روبه‌رو می‌شود تصور کنید.»
در این مطالعه، بیماران درمان استاندارد را دریافت می‌کنند و همزمان افراد رضایت‌دهنده با DxO تعامل خواهند داشت. سپس توصیه‌های DxO با تصمیم پزشکان انسانی مقایسه می‌شود. کینگ می‌گوید: «فکر می‌کنیم این بزرگ‌ترین مطالعه از نوع خودش باشد.»
💡 خرید API هوش مصنوعی Claude و GPT — کلید API با شارژ تومانی و قیمت مناسب
گوگل نیز این ماه مطالعه‌ای بالینی را همراه با Beth Israel در مجله The Lancet منتشر کرد تا هوش مصنوعی تشخیصی گفتگویی خود به نام AMIE را در ویزیت‌های واقعی مراقبت فوری ارزیابی کند؛ در آن مطالعه پزشکان انسانی تعاملات را به‌صورت زنده نظارت می‌کردند.
مایکروسافت پیش‌تر ابزارهای دیکته و رادیولوژی را به پزشکان عرضه می‌کرد و اکنون DxO را گسترشی برای آن تلاش‌ها می‌داند. سلیمان تأکید کرد: «ما باید در چند سال آینده بهترین محصولات پشتیبانی تصمیم‌گیری بالینی را داشته باشیم.»
چرا این خبر مهم است؟
این مطالعه نشان می‌دهد که هوش مصنوعی مایکروسافت در پزشکی می‌تواند در آینده نزدیک به‌عنوان دستیار پزشکان در تشخیص بیماری‌های پیچیده به کار رود. برای کاربران ایرانی، این یعنی احتمال دسترسی به ابزارهای تشخیصی هوشمندتر در آینده، هرچند تحریم‌ها و محدودیت‌های دسترسی به سرویس‌های ابری می‌تواند استفاده مستقیم از این فناوری‌ها را دشوار کند.
💡 لیست مدل‌ها و قیمت API هوش مصنوعی — همه مدل‌های OpenAI، Anthropic و Google در یک‌جا
برای توسعه‌دهندگان ایرانی، انتشار جزئیات این مطالعه در Science و تأکید بر معماری چندعاملی DxO می‌تواند الگویی برای ساخت سیستم‌های مشابه با مدل‌های متن‌باز یا APIهای موجود باشد. همچنین نتایج نشان می‌دهد که ترکیب مدل‌های قوی با هماهنگ‌کننده‌های هوشمند می‌تواند دقت را در موارد پیچیده به‌طور محسوسی بالا ببرد.
علاوه بر این، رقابت مایکروسافت با گوگل و OpenAI در حوزه سلامت، سرمایه‌گذاری و نوآوری را افزایش می‌دهد و ممکن است در میان‌مدت به ابزارهای بالینی مقرون‌به‌صرفه‌تری منجر شود.
جمع‌بندی
مایکروسافت با انتشار نتایج MAI-DxO در Science نشان داد که هوش مصنوعی مایکروسافت در پزشکی در موارد پیچیده می‌تواند دقیق‌تر از پزشکان عمومی عمل کند، هرچند بخش زیادی از این موفقیت مدیون مدل‌های پایه قدرتمند است. آزمایش‌های بالینی آینده در بوستون مشخص می‌کند که این فناوری تا چه حد در دنیای واقعی قابل اعتماد است.
نظرات
هنوز نظری ثبت نشده؛ اولین نفر باشید.