Microsoft-ის AI-მ 304 განსაკუთრებით რთული კლინიკური შემთხვევის 83,2% სწორად ამოიცნო. შემთხვევები მსოფლიოს ერთ-ერთი ყველაზე ავტორიტეტული სამედიცინო ჟურნალიდან, The New England Journal of Medicine-დან (NEJM), შეარჩიეს. შედარებისთვის, ექიმებმა, რომლებსაც ინტერნეტისა და სამედიცინო ლიტერატურის გამოყენება შეეძლოთ, შესაბამის გამოცდაში საშუალოდ 36,1%-იანი შედეგი აჩვენეს.
შედეგები სამეცნიერო ჟურნალ Science-ში გამოქვეყნებულ კვლევაშია წარმოდგენილი. Microsoft-ის განცხადებით, მისი სამედიცინო AI სისტემა, სახელწოდებით MAI-DxO, რთული დიაგნოზების დასმისას ექიმებზე ორჯერ და ზოგიერთ შემთხვევაში თითქმის ოთხჯერ მაღალ სიზუსტეს აღწევს.
სარჩევი
- რა არის MAI-DxO და როგორ მუშაობს?
- როგორ შეამოწმეს AI 304 რთულ სამედიცინო შემთხვევაზე?
- შედეგები: 83,2% AI-ს, 36,1% ექიმებს
- AI-მ გადაუდებელი დახმარების შემთხვევებშიც უკეთესი შედეგი აჩვენა
- AI-ს დიაგნოზის დადგენა ნაკლები ხარჯითაც შეუძლია
- რატომ არის მნიშვნელოვანი რამდენიმე AI აგენტის თანამშრომლობა?
- შეუძლია თუ არა Microsoft-ის AI-ს ექიმის ჩანაცვლება?
- Microsoft სისტემას რეალურ საავადმყოფოებში გამოცდის
- Microsoft-ის მიზანი სამედიცინო სუპერინტელექტის შექმნაა
- რას ნიშნავს ეს მედიცინის მომავლისთვის?
- სხვა თემები
განსაკუთრებით საინტერესოა, რომ ხელოვნური ინტელექტი მხოლოდ საბოლოო დიაგნოზს არ ასახელებს. ის პაციენტის მდგომარეობას ეტაპობრივად სწავლობს, სვამს დამატებით კითხვებს, არჩევს საჭირო გამოკვლევებს და მიღებული შედეგების საფუძველზე საკუთარ ვარაუდებს ცვლის.
კვლევის ავტორები ამ მიმართულებას სამედიცინო სუპერინტელექტისკენ გადადგმულ ნაბიჯად მიიჩნევენ. თუმცა მნიშვნელოვანია ერთი გარემოება: შედეგები მიღებულია სიმულირებულ კლინიკურ გარემოში და ჯერ არ ადასტურებს, რომ სისტემა რეალურ საავადმყოფოში ექიმებზე უკეთ იმუშავებს.
რა არის MAI-DxO და როგორ მუშაობს?
MAI-DxO (Microsoft AI Diagnostic Orchestrator) Microsoft-ის მიერ შექმნილი დიაგნოსტიკური სისტემაა, რომელიც რამდენიმე ვირტუალური ექიმის თანამშრომლობის პრინციპით მუშაობს.
ჩვეულებრივი AI მოდელისგან განსხვავებით, რომელიც ხშირად შეკითხვაზე პირდაპირ პასუხობს, MAI-DxO დიაგნოზამდე მისვლას რამდენიმე ეტაპად ყოფს.
წარმოიდგინეთ, რომ პაციენტს გაურკვეველი სიმპტომები აქვს და ექიმებისთვის დაავადების მიზეზის დადგენა რთულია. სისტემა ჯერ აგროვებს ძირითად ინფორმაციას, შემდეგ კი სხვადასხვა შესაძლო დიაგნოზს განიხილავს.
ერთი ვირტუალური სპეციალისტი სავარაუდო დაავადებებს ასახელებს, მეორე საჭირო გამოკვლევებს არჩევს, მესამე კი პირველადი დასკვნის სისუსტეებს ეძებს. სხვა კომპონენტები ამოწმებენ გამოკვლევების ღირებულებას და იმას, რამდენად დამაჯერებელია საბოლოო დასკვნა.
AI-ს შეუძლია გადაწყვიტოს, კიდევ რა უნდა ჰკითხოს პაციენტს, რომელი ანალიზი მოითხოვოს და საჭიროა თუ არა დამატებითი კვლევის ჩატარება. ახალი ინფორმაციის მიღების შემდეგ ის შესაძლო დიაგნოზების ჩამონათვალს ცვლის.
მაგალითად, თუ თავდაპირველი სიმპტომები რამდენიმე დაავადებას შეიძლება უკავშირდებოდეს, სისტემა ცდილობს ისეთი შეკითხვა ან გამოკვლევა შეარჩიოს, რომელიც ამ დაავადებების ერთმანეთისგან გარჩევაში ყველაზე მეტად დაეხმარება.
ამგვარად, MAI-DxO ცდილობს გაიმეოროს პროცესი, რომელსაც ექიმები რთული პაციენტის შეფასებისას გადიან: ინფორმაციის შეგროვება, ვარაუდების შემოწმება და საბოლოო დიაგნოზამდე ეტაპობრივად მისვლა.
სისტემა დამოუკიდებელი საბაზისო AI მოდელი არ არის. ის სხვადასხვა ენობრივ მოდელს იყენებს და მათ მსჯელობას სპეციალური წესებით მართავს. კვლევის ერთ-ერთ ძირითად კონფიგურაციაში Microsoft-მა OpenAI-ის GPT-5 გამოიყენა.
როგორ შეამოწმეს AI 304 რთულ სამედიცინო შემთხვევაზე?
Microsoft-ის მკვლევრებმა შექმნეს სპეციალური ტესტი, Sequential Diagnosis Benchmark (SDBench), რომელიც დიაგნოსტიკის რეალურ პროცესს უფრო მეტად ჰგავს, ვიდრე ჩვეულებრივი სამედიცინო გამოცდა.
AI მოდელების შეფასებისას ხშირად გამოიყენება ტესტები, რომლებშიც მოცემულია პაციენტის სრული ისტორია და რამდენიმე სავარაუდო პასუხი. რეალურ მედიცინაში კი ექიმს თავიდან ყველა ინფორმაცია არ აქვს და თავად უნდა გადაწყვიტოს, რა გამოიკვლიოს.
სწორედ ამიტომ Microsoft-ის მკვლევრებმა 304 რთული შემთხვევა შეარჩიეს The New England Journal of Medicine-ის კლინიკური განხილვებიდან.
ეს შემთხვევები განსაკუთრებით რთული დიაგნოსტიკური პრობლემებით გამოირჩევა. მათი ამოხსნა ხშირად რამდენიმე სამედიცინო მიმართულების ცოდნასა და მრავალი გამოკვლევის შედეგის გაანალიზებას მოითხოვს.
ტესტის დასაწყისში AI მხოლოდ პაციენტის მდგომარეობის მოკლე აღწერას იღებს. შემდეგ შეუძლია დამატებითი კითხვების დასმა და გამოკვლევების მოთხოვნა. შესაბამის ინფორმაციას მას ტესტის სპეციალური სისტემა აწვდის.
როდესაც AI მიიჩნევს, რომ საკმარისი ინფორმაცია შეაგროვა, საბოლოო დიაგნოზს ასახელებს. შემდეგ ეს პასუხი შემთხვევის ცნობილ, დადასტურებულ დიაგნოზს შედარდება.
ასეთი მეთოდი არა მხოლოდ სამედიცინო ცოდნას, არამედ გადაწყვეტილებების თანმიმდევრულად მიღების უნარსაც ამოწმებს.
შედეგები: 83,2% AI-ს, 36,1% ექიმებს
ტესტირების შედეგად MAI-DxO-მ NEJM-ის 304 რთულ შემთხვევაზე 83,2%-იანი დიაგნოსტიკური სიზუსტე აჩვენა.
შედარებისთვის, კვლევაში მონაწილე ზოგადი პროფილის ექიმების საშუალო შედეგი ასეთი იყო:
- MAI-DxO – 83,2%: AI სისტემის შედეგი რთულ კლინიკურ შემთხვევებზე.
- ექიმები დამხმარე წყაროებით – 36,1%: ექიმებს შეეძლოთ სამედიცინო ლიტერატურისა და ინტერნეტის გამოყენება.
- ექიმები დამხმარე წყაროების გარეშე – 22,3%: გადაწყვეტილებებს მხოლოდ საკუთარი ცოდნის საფუძველზე იღებდნენ.
ამრიგად, ხელოვნურმა ინტელექტმა დამხმარე წყაროებით მომუშავე ექიმებზე დაახლოებით 2,3-ჯერ მაღალი შედეგი აჩვენა. წყაროების გარეშე მომუშავე ექიმებთან შედარებით კი სხვაობა დაახლოებით 3,7-ჯერ იყო.
თუმცა შედარებისას მნიშვნელოვანი დეტალია გასათვალისწინებელი: AI სისტემა 304-ვე შემთხვევაზე შეფასდა, ხოლო ექიმების უშუალო ტესტირება ამ კრებულიდან გამოყოფილ 56 შემთხვევაზე ჩატარდა. ამიტომ ეს შედეგები არ უნდა გავიგოთ ისე, თითქოს ექიმებმა და AI-მ ყველა 304 შემთხვევა ზუსტად ერთსა და იმავე პირობებში გაიარეს.
გარდა ამისა, კვლევაში მონაწილეობდნენ ზოგადი პროფილის ექიმები და არა კონკრეტული დაავადებების წამყვანი სპეციალისტებისგან შემდგარი გუნდები.
მიუხედავად ამ შეზღუდვებისა, მიღებული შედეგი მნიშვნელოვანი პროგრესია და აჩვენებს, რამდენად ეფექტიანი შეიძლება იყოს AI მოდელების ერთობლივი მსჯელობა რთულ დიაგნოსტიკურ ამოცანებზე.
AI-მ გადაუდებელი დახმარების შემთხვევებშიც უკეთესი შედეგი აჩვენა
მკვლევრებს მხოლოდ განსაკუთრებით იშვიათი და რთული შემთხვევების შეფასება არ სურდათ. მათ სისტემა შედარებით ყოველდღიურ კლინიკურ სიტუაციებშიც გამოსცადეს.
ამისთვის გამოიყენეს MIMIC-IV-ED მონაცემთა ბაზიდან აღებული 325 შემთხვევა, რომლებიც გადაუდებელი დახმარების განყოფილებაში პაციენტების მიღებას უკავშირდებოდა.
აქ MAI-DxO-მ 80,3%-იანი სიზუსტე აჩვენა, ექიმების საშუალო შედეგი კი 46,8% იყო.
ეს ნიშნავს, რომ AI სისტემამ დაახლოებით 1,7-ჯერ მაღალი შედეგი მიიღო.
აღსანიშნავია, რომ ამ შემთხვევებშიც შეფასება ისტორიული სამედიცინო ჩანაწერების საფუძველზე ჩატარდა. AI რეალურ პაციენტებს არ გასაუბრებია და მათ ფიზიკურ გამოკვლევაში მონაწილეობა არ მიუღია.
მიუხედავად ამისა, მეორე მონაცემთა კრებულზე მიღებული შედეგები მიანიშნებს, რომ სისტემის შესაძლებლობები მხოლოდ განსაკუთრებით რთული სამედიცინო შემთხვევებით არ შემოიფარგლება.
AI-ს დიაგნოზის დადგენა ნაკლები ხარჯითაც შეუძლია
Microsoft-ის კვლევის კიდევ ერთი მნიშვნელოვანი მიმართულება დიაგნოსტიკის ღირებულებას უკავშირდება.
ექიმისთვის მხოლოდ სწორი დიაგნოზის დასმა არ არის საკმარისი. მნიშვნელოვანია ისიც, რამდენი გამოკვლევა დასჭირდება ამ შედეგამდე მისვლას, რადგან ზედმეტმა ანალიზებმა და პროცედურებმა შეიძლება გაზარდოს ხარჯები, გაახანგრძლივოს დიაგნოსტიკის პროცესი და პაციენტი არასაჭირო ჩარევას დაუქვემდებაროს.
MAI-DxO სწორედ ამ პრობლემის გათვალისწინებით შეიქმნა. სისტემა აფასებს, რა დამატებით ინფორმაციას მიიღებს კონკრეტული გამოკვლევიდან და ღირს თუ არა მისი ჩატარება.
კვლევაში გამოყენებული ფასები გამოთვლითი შეფასებისთვის იყო განკუთვნილი და რეალურად გადახდილ სამედიცინო გადასახადებს არ წარმოადგენდა.
NEJM-ის რთულ შემთხვევებზე MAI-DxO-ის ერთ-ერთმა კონფიგურაციამ 80,9%-იანი სიზუსტე საშუალოდ 2241 დოლარის შეფასებული დიაგნოსტიკური ხარჯით აჩვენა.
შედარებისთვის, დამხმარე წყაროებით მომუშავე ექიმების შეფასებული საშუალო ხარჯი 4725 დოლარი იყო, ხოლო დიაგნოსტიკური სიზუსტე – 36,1%.
თუმცა ხარჯების შემცირება სისტემის ყველა კონფიგურაციაში არ დაფიქსირებულა. მაგალითად, მაქსიმალურ სიზუსტეზე ორიენტირებულმა MAI-DxO-მ 83,2%-იანი შედეგი საშუალოდ 5431 დოლარის შეფასებული ხარჯით მიიღო. ეს ექიმების შესაბამის საშუალო ხარჯზე მეტია.
ამრიგად, AI-ს შეუძლია უფრო იაფი დიაგნოსტიკური გზა შეარჩიოს, მაგრამ ამისთვის საჭიროა სისტემის შესაბამისი პარამეტრებით მუშაობა. მაღალი სიზუსტე ავტომატურად არ ნიშნავს დაბალ ხარჯს.
რატომ არის მნიშვნელოვანი რამდენიმე AI აგენტის თანამშრომლობა?
Microsoft-ის კვლევამ აჩვენა, რომ შედეგის გაუმჯობესება მხოლოდ უფრო ძლიერი ენობრივი მოდელის შექმნაზე არ არის დამოკიდებული.
მნიშვნელოვანი შეიძლება იყოს ისიც, როგორ არის ორგანიზებული მოდელის მსჯელობა.
მაგალითად, ექიმები რთული შემთხვევის განხილვისას ხშირად ერთმანეთის ვარაუდებს ამოწმებენ. ერთმა სპეციალისტმა შეიძლება დაავადების კონკრეტული მიზეზი ივარაუდოს, მეორემ კი ისეთი სიმპტომი შენიშნოს, რომელიც ამ დიაგნოზს ეწინააღმდეგება.
MAI-DxO მსგავს პრინციპს ხელოვნური ინტელექტის დახმარებით იყენებს. განსხვავებული ვირტუალური როლები ერთმანეთს ამოწმებენ და ცდილობენ, არ გამოეპაროთ მნიშვნელოვანი ინფორმაცია.
კვლევაში სისტემამ შედეგები საბაზისო მოდელებთან შედარებითაც გააუმჯობესა. მაგალითად, NEJM-ის შემთხვევებზე GPT-5-მა დამოუკიდებლად 78,9%-იანი სიზუსტე აჩვენა, MAI-DxO-ის გამოყენებით კი მაჩვენებელი 83,2%-მდე გაიზარდა.
მკვლევრებმა იგივე მიდგომა სხვადასხვა AI მოდელზე გამოსცადეს. მოგვიანებით შეფასებაში უფრო ახალი GPT-5.5-იც გამოიყენეს. Microsoft-ის ინფორმაციით, მრავალეტაპიანი დიაგნოსტიკური მსჯელობის უპირატესობა ახალი თაობის მოდელებთანაც შენარჩუნდა.
ეს ნიშნავს, რომ დიაგნოსტიკის გაუმჯობესება შესაძლებელია არა მხოლოდ ახალი AI მოდელების სწავლებით, არამედ უკვე არსებული მოდელების უფრო ეფექტიანი გამოყენებითაც.
შეუძლია თუ არა Microsoft-ის AI-ს ექიმის ჩანაცვლება?
ამ ეტაპზე – არა. მიუხედავად შთამბეჭდავი შედეგებისა, MAI-DxO ჯერ კვლევითი სისტემაა და მისი ეფექტიანობა რეალურ კლინიკურ პრაქტიკაში დადასტურებული არ არის.
კვლევაში გამოყენებული შემთხვევები ძირითადად ტექსტურ ინფორმაციას ეფუძნებოდა. რეალურ სამედიცინო გარემოში კი ექიმს ხშირად სჭირდება პაციენტის უშუალო გასინჯვა, გამოსახულებითი კვლევების შეფასება, საუბრისას არავერბალური ნიშნების შემჩნევა და ისეთი გარემოებების გათვალისწინება, რომლებიც ჩანაწერებში სრულად არ ჩანს.
ასევე მნიშვნელოვანია, რომ AI-სა და ექიმების შედარებაში არ მონაწილეობდნენ კონკრეტული დაავადებების სპეციალისტებისგან შემდგარი გუნდები, რომლებსაც განსაკუთრებით რთული შემთხვევების განხილვა ევალებათ.
კიდევ ერთი შეზღუდვაა ის, რომ გამოყენებული სამედიცინო შემთხვევები უკვე გამოქვეყნებული იყო. ამიტომ მომავალმა კვლევებმა უნდა შეამოწმოს, რამდენად კარგად მუშაობს სისტემა სრულიად ახალ პაციენტებზე და რამდენად გამორიცხულია წინასწარ ნანახი ინფორმაციის გავლენა.
ამასთან, დიაგნოზის სიზუსტე სამედიცინო მომსახურების მხოლოდ ერთი ნაწილია. პაციენტის გამოჯანმრთელება დამოკიდებულია მკურნალობის სწორ შერჩევაზე, გვერდითი ეფექტების მართვაზე, მონიტორინგსა და სხვა ფაქტორებზე.
შესაბამისად, კვლევა არ ადასტურებს, რომ MAI-DxO ექიმებს ზოგადად აღემატება ან დამოუკიდებლად პაციენტების მკურნალობა შეუძლია.
Microsoft სისტემას რეალურ საავადმყოფოებში გამოცდის
შემდეგი ეტაპი MAI-DxO-ის პრაქტიკულ გარემოში შემოწმებაა.
Microsoft-ის ოფიციალური განცხადების მიხედვით, კომპანია ბოსტონის Beth Israel Deaconess Medical Center-თან თანამშრომლობით ახალი კვლევის ჩატარებას გეგმავს.
ამ კვლევაში პაციენტებს უშუალოდ AI სისტემასთან ურთიერთობის შესაძლებლობა ექნებათ. მიღებული შედეგები ექიმების დამოუკიდებელ შეფასებებს შედარდება.
მკვლევრები შეისწავლიან, რამდენად ზუსტად აფასებს სისტემა პაციენტის მდგომარეობას სხვადასხვა კლინიკურ გარემოში, როგორ უმკლავდება მოულოდნელ სიტუაციებს და რამდენად სასარგებლოა მისი რეკომენდაციები ექიმებისთვის.
კომპანია ასევე თანამშრომლობს Mayo Clinic-თან, რათა მოწინავე AI მოდელები სამედიცინო გამოცდილებასა და პაციენტების ხანგრძლივ, მრავალფეროვან მონაცემებს დაუკავშიროს.
Microsoft-ის მიზანია შექმნას სისტემა, რომელსაც მომავალში არა მხოლოდ დიაგნოზის დასმა, არამედ დაავადების მიმდინარეობის შეფასება, მკურნალობის ვარიანტების შედარება და პაციენტის ჯანმრთელობის მდგომარეობის ცვლილებებზე რეაგირებაც შეეძლება.
თუმცა ასეთი შესაძლებლობების კლინიკურ გამოყენებას დამატებითი კვლევები, უსაფრთხოების შეფასება და შესაბამისი მარეგულირებელი ორგანოების ნებართვა დასჭირდება.
Microsoft-ის მიზანი სამედიცინო სუპერინტელექტის შექმნაა
Microsoft ახალ კვლევას უფრო ფართო მიზნის ნაწილად განიხილავს, რომელსაც Medical Superintelligence, ანუ სამედიცინო სუპერინტელექტი ეწოდება.
ამ იდეის მიხედვით, მომავალში ხელოვნური ინტელექტის სისტემებს შეეძლებათ სხვადასხვა სამედიცინო დარგის ცოდნის გაერთიანება, რთული დაავადებების უფრო ზუსტად ამოცნობა და ექიმებისთვის ინდივიდუალური გადაწყვეტილებების მიღებაში დახმარება.
ადამიანი ექიმი, როგორც წესი, კონკრეტულ სამედიცინო მიმართულებაში სპეციალიზდება. AI-ს კი თეორიულად შეუძლია ერთდროულად გამოიყენოს ცოდნა კარდიოლოგიიდან, ნევროლოგიიდან, იმუნოლოგიიდან, გენეტიკიდან და მედიცინის სხვა სფეროებიდან.
Microsoft-ის ხედვით, ასეთი სისტემა განსაკუთრებით სასარგებლო შეიძლება იყოს იშვიათი და რთულად სადიაგნოსტიკო დაავადებების შემთხვევაში, როდესაც პაციენტის მდგომარეობის გასაგებად სხვადასხვა სპეციალისტის ცოდნაა საჭირო.
კომპანიამ საკუთარი ხედვა სამეცნიერო ჟურნალ BMJ Digital Health and AI-შიც გამოაქვეყნა.
თუმცა სამედიცინო სუპერინტელექტი ჯერჯერობით განვითარების მიზანია და არა უკვე დადასტურებული ტექნოლოგიური მიღწევა.
რას ნიშნავს ეს მედიცინის მომავლისთვის?
Microsoft-ის კვლევა აჩვენებს, რომ ხელოვნურ ინტელექტს რთული კლინიკური ამოცანების ეტაპობრივად გადაჭრის მნიშვნელოვანი პოტენციალი აქვს.
განსაკუთრებით საყურადღებოა არა მხოლოდ 83,2%-იანი სიზუსტე, არამედ თვითონ მიდგომა: AI სწავლობს, როგორ დასვას სწორი შეკითხვები, როგორ გადაამოწმოს საკუთარი ვარაუდები და როგორ შეარჩიოს ინფორმაციულად ღირებული გამოკვლევები.
თუ ასეთი შესაძლებლობები მომავალში რეალურ საავადმყოფოებშიც დადასტურდება, AI შეიძლება ექიმებისთვის მნიშვნელოვანი დამხმარე ინსტრუმენტი გახდეს, განსაკუთრებით იშვიათი დაავადებების, რთული დიაგნოზებისა და მრავალპროფილური სამედიცინო შემთხვევების განხილვისას.
ამასთან, სისტემამ შეიძლება შეამციროს არასაჭირო გამოკვლევების რაოდენობა და დაეხმაროს სამედიცინო დაწესებულებებს შეზღუდული რესურსების უფრო ეფექტიანად გამოყენებაში.
MAI-DxO-ის შედეგი მნიშვნელოვანი სამეცნიერო მიღწევაა, მაგრამ ჯერ არა სამედიცინო რევოლუციის საბოლოო მტკიცებულება. მთავარი გამოცდა წინ არის: უნდა დადგინდეს, შეძლებს თუ არა AI ლაბორატორიული ტესტების მიღმა, რეალურ პაციენტებთან ისეთივე მაღალი სიზუსტის, უსაფრთხოებისა და ეფექტიანობის შენარჩუნებას.
კვლევის ავტორებმა შეფასების მეთოდის ნაწილი საჯაროდაც გამოაქვეყნეს. დაინტერესებულ მეცნიერებს შეუძლიათ გაეცნონ SDBench-ის ოფიციალურ გვერდს და გამოიყენონ ხელმისაწვდომი კოდი სხვა AI მოდელების შესამოწმებლად. ამგვარი დამოუკიდებელი შეფასებები მნიშვნელოვანი იქნება იმის დასადგენად, რამდენად ფართოდ შეიძლება Microsoft-ის მიღწევის გამეორება.
წყაროები
გამოყენების სხვა მიმართულებები და შეზღუდვები განხილულია გზამკვლევში — ხელოვნური ინტელექტი მედიცინაში.
სხვა თემები
Google Cloud-ის შემოსავალი გაორმაგდა, Azure 48%-ით გაიზარდა: AI ღრუბლების ზრდა და მისი ფასი
Project Perception: Microsoft AI აგენტებს „შიდა საფრთხედ“ განიხილავს
NVIDIA RTX Spark: AI ლეპტოპები Windows-ისთვის უკვე იყიდება