מיקרוסופט טוענת שמערכת ה-AI שלה מאבחנת מקרים קשים טוב יותר מרופאים, אבל חלק גדול מהשיפור מגיע מהמודלים שמתחתיה
מחקר של מיקרוסופט שפורסם בכתב העת Science מצא שמערכת האבחון MAI-DxO צדקה ב-83% מהמקרים הרפואיים המורכבים, לעומת 36% אצל רופאים כלליים. אבל לפי נתוני המחקר עצמו, חלק גדול מהשיפור מגיע ממודלי הבסיס החזקים, כמו GPT-5, ושכבת התיאום שמיקרוסופט בנתה מעליהם מוסיפה שיפור נוסף.
מיקרוסופט פרסמה ביום חמישי מחקר בכתב העת היוקרתי Science. לפיו, מערכת ה-AI שלה לאבחון רפואי, MAI-DxO, מזהה את האבחנה הנכונה במקרים מורכבים יותר מפי שניים מרופאים כלליים. מוסטפא סולימאן, מנכ"ל Microsoft AI, תיאר את התוצאה בראיון ל-TechCrunch כצעד בדרך ל"סופר-אינטליגנציה רפואית". אבל עיון בנתונים מראה שחלק גדול מהשיפור מגיע ממודלי השפה שעליהם המערכת נשענת, ופחות מהמערכת של מיקרוסופט עצמה.
איך זה עובד
MAI-DxO מתאמת כמה סוכני AI שמתפקדים כמו צוות רופאים: הם מתשאלים את המטופל, מזמינים בדיקות ומתווכחים ביניהם על האבחנה. לפי The Verge, מיקרוסופט אספה את המקרים למדד משלה בשם SDBench, ומתכננת לפרסם אותו בקוד פתוח.
במקרים מורכבים שנלקחו מכתב העת The New England Journal of Medicine, המערכת צדקה ב-83% מהמקרים. רופאי משפחה ורופאים פנימיים שעבדו לבד ונעזרו בחומרי עזר צדקו ב-36% מהמקרים, ובלי חומרי עזר ב-22% בלבד. במקרי חדר מיון מהמרכז הרפואי Beth Israel Deaconess בבוסטון, המערכת הגיעה לדיוק של 80%, לעומת ממוצע של 47% אצל הרופאים.
עם זאת, יש הסתייגות חשובה. מקרים מורכבים כאלה מטופלים בדרך כלל בידי רופאים מומחים או צוותים, ואלה לא נכללו בהשוואה.
מי באמת אחראי לשיפור?
מיקרוסופט בדקה את המערכת עם מודלים של כמה חברות, בהן OpenAI, גוגל, אנתרופיק, מטא ו-DeepSeek. התוצאות הטובות ביותר הושגו עם GPT-5 ו-GPT-5.5 של OpenAI. כאן מתגלה התמונה המורכבת יותר:
- GPT-5 לבד, עם הנחיה (prompt) קצרה ובסיסית, צדק ב-78.9% מהמקרים המורכבים, בעלות משוערת של כ-8,400 דולר למקרה. DxO הוזילה את העלות בכ-3,000 דולר, אבל העלתה את הדיוק רק בכ-4 נקודות.
- GPT-5.5: במקרים המורכבים DxO העלתה את הדיוק מ-72% לכמעט 87%, בעלות מעט נמוכה יותר. במקרי חדר המיון שתי הגרסאות הגיעו לכ-85%.
- Gemini 2.5 Flash של גוגל, מודל חלש יותר, קפץ מ-46.4% לכמעט 69%. ובכל זאת, הפער בין המודלים החלשים לחזקים היה גדול מהתוספת שהמערכת נתנה.
החוקרים של מיקרוסופט ציינו ששיפורי הדיוק מצטמצמים באופן טבעי ככל שהמודלים מתקרבים לתקרה התיאורטית. לעומת זאת, ל-The Verge הם אמרו שבדיקות נוספות מראות ששיפור ביכולות המודלים "לא בהכרח מקטין את התועלת" של עבודה משותפת של כמה סוכנים. הנתונים שפורסמו לא מכריעים בין שתי הקביעות. ראוי לציין גם שהמאמר לא כולל את הדורות החדשים יותר של המודלים.
בדרך לבית החולים
סולימאן הודה ש"זה צריך תיקוף קליני", כלומר בדיקה במטופלים אמיתיים. עד כה המערכת נבדקה רק על מקרי עבר. מיקרוסופט תבחן אותה בשיתוף עם Beth Israel Deaconess. ד"ר דומיניק קינג, סגן נשיא לבריאות ב-Microsoft AI ואחד מכותבי המחקר, אמר שהניסוי צפוי להתחיל "בחודשים הקרובים". במקביל מיקרוסופט מאמנת יחד עם Mayo Clinic מודל בסיס (foundation model) ייעודי לרפואה, וההשקה מתוכננת לשנה הבאה.
המשמעות
עם הפרסום הזה מיקרוסופט מצטרפת לגוגל ול-OpenAI, שגם הן טוענות שה-AI שלהן משתווה לרופאים או עולה עליהם. התוצאות מרשימות על הנייר, אבל ככל הנראה מה שקובע בעיקר את איכות האבחון הוא המודל שבבסיס, ושכבת התיאום תורמת בעיקר להוזלה ולשיפור של מודלים חלשים. השאלה הפתוחה היא איך המערכת תתפקד מול מטופלים אמיתיים ובהשוואה לרופאים מומחים, ולא לרופאים כלליים שעובדים לבד.