A Microsoft mesterséges intelligenciára épülő diagnosztikai rendszere, a Microsoft AI Diagnostic Orchestrator (MAI-DxO) a Science folyóiratban bemutatott kutatás szerint szimulált körülmények között sokkal pontosabban határozta meg az összetett orvosi esetek diagnózisát, mint általános orvosok. Mustafa Suleyman, a Microsoft AI vezérigazgatója az eredményeket „egy lépésnek az úgynevezett orvosi szuperintelligencia felé” jellemzőnek nevezte.
A vizsgálat menete és fő eredményei
A kutatásban a MAI-DxO-t két külön beteganyagon tesztelték. Az első, nehéz eseteket tartalmazó csoport 304 esetből állt; ezekben gyakran ritka vagy bonyolult betegségek, illetve nehezen megfejthető tünetegyüttesek szerepeltek. Ebben a vizsgálatban a MAI-DxO körülbelül 83 százalékos diagnosztikai pontosságot ért el. Összehasonlításképpen az általános orvosok, akik referenciakönyveket és internetes forrásokat is használtak, mintegy 36 százalékos pontosságot értek el; ha a vizsgáló orvosok nem használtak külső segédanyagokat, a pontosságuk körülbelül 22 százalék volt.
A második teszt sürgősségi osztályokon előforduló beteghelyzeteket modellezte. Ebben a körben a MAI-DxO hozzávetőleg 80 százalékos pontosságot mutatott, míg az általános orvosok eredménye körülbelül 47 százalék volt. A kutatók maguk is jelezték, hogy a teljesítménykülönbség kisebb lehet, ha a rendszert adott szakterületek rutinos szakértőivel hasonlítanák össze.
Hogyan működik a MAI-DxO?
A DxO szekvenciális diagnosztikai folyamatot használ: a betegek nem egyszerre nyújtanak be minden tünet- és kórtörténeti információt, hanem egy kiinduló panaszt mondanak el, és a rendszer további kérdéseket tesz fel, illetve vizsgálatokat javasol, mielőtt diagnózist állít fel. A megközelítés közelebb áll ahhoz a klinikai gyakorlatban megszokott gondolkodáshoz, mint a hagyományos, egyszeri adatbevitelre épülő modellek.
A platform több, szerepekre bontott mesterséges intelligencia-ügynök munkáját koordinálja: egyes ágensek diagnózisokat javasolnak, mások vizsgálatokat választanak ki, megint mások megkérdőjelezik a feltételezéseket vagy mérlegelik a költségeket. A szerzők szerint ez a „bizottsági” felépítés csökkentheti bizonyos kognitív torzítások hatását, például az első diagnózishoz való ragaszkodást vagy az alternatív magyarázatok figyelmen kívül hagyását.
Költséghatékonyság és modellek
A Microsoft közlése szerint bizonyos összehasonlításokban a rendszer a hagyományos eljárások költségének nagyjából a felével, illetve akár harmadával is tudott dolgozni, miközben magas diagnosztikai pontosságot tartott meg. Ezek a költségadatok azonban szimulált eseteken és becsült vizsgálati költségeken alapulnak, nem pedig valós kórházi gazdasági elemzésen.
A DxO-t több cégtől származó nyelvi modellekkel tesztelték, köztük az OpenAI, a Google, az Anthropic, a Meta és a DeepSeek modelljeivel; a legjobb eredményeket az OpenAI GPT-5 és GPT-5.5 modelleivel érték el.
Klinikai kipróbálás és szakmai aggályok
A Microsoft bejelentése szerint a csapat a való világban is tesztelné a rendszert: a Beth Israel Deaconess Medical Center bostoni kórházzal együttműködésben valós klinikai környezetben vizsgálják tovább a technológiát, különös figyelmet fordítva arra, hogyan működik a DxO a sürgősségi osztályok folyamataiban. Emellett együttműködés folyik a Mayo Clinic-kel is, hogy a diagnózisokon túl az ellátás más területein is megvizsgálják a rendszer hasznosságát.
Orvosszakértők ugyanakkor hangsúlyozzák, hogy a szimulált diagnosztikai teszteken elért jó eredmények nem jelentik azt, hogy a rendszerek rögtön kiválthatnák az orvosokat. A kutatók és klinikusok a MAI-DxO-t elsősorban olyan eszközként képzelik el, amely asszisztensként másodvéleményt ad, alternatív diagnózisokat vet fel, és segít feltárni olyan finom jeleket, amelyeket könnyű figyelmen kívül hagyni. Ugyancsak fontosak a jogi és elszámoltathatósági kérdések: ha mesterséges intelligencia által támogatott diagnózis hibázik, a felelősség megállapítása bonyolult jogi kérdéseket vet fel.
Kapcsolódó kutatás: daganatsejtek vizsgálata
A cikk megemlíti, hogy a Szegedi Biológiai Kutatóközpontban olyan módszert fejlesztettek, amely AI-t használva egyedi daganatsejtek vizuális és molekuláris jellemzőit is elemzi — ez új, részletesebb vizsgálatok lehetőségét nyithatja meg a daganatos betegek kutatásában és diagnosztikájában.
Összefoglalás
A MAI-DxO szimulációs eredményei ígéretesek: a rendszer szekvenciális, többügynökös felépítése és a jobb diagnosztikai pontosság különösen a nehéz eseteknél emelhető ki. A következő lépés a valós klinikai vizsgálatok elvégzése, amelyek során kiderül, mennyire alkalmazható a technológia a gyakorlatban, és hogyan kezelhetők a költségek, a jogi kérdések és a felhasználói elfogadás.
