generatiiviset AI-mallit sulkevat aukon ei-erikoistuneiden lääkäreiden kanssa lääketieteellisen diagnoosin suhteen, mutta ne pysyvät huomattavasti vähemmän tarkkoina kuin ihmisen asiantuntijat. Metropolitan University . Dr. Hirotaka Takitan ja apulaisprofessori Daiju Uedan johtama tutkimus tarkasteli systemaattisesti 83 tutkimusta AI-suorituskyvyn vertaamiseksi lääkäreitä vastaan, paljastaen keskimääräisen AI-diagnostisen tarkkuuden 52,1%. Target=”_ tyhjä”> Luonto Meta-analyysi seulottiin 22. maaliskuuta yli 18 000 julkaistulla lehdessä 2018 lähtien. Se arvioi AI-alueen, mukaan lukien voimakkaasti tutkitut mallit, kuten GPT-4, samoin kuin muut nimenomaisesti mainitut LLAMA3 70B, GEMINI 1.5 Pro ja Claude 3 Sonet. Muiden kuin asiantuntijoiden lääkäreiden eroon, vain 0,6%: n ero ihmisille. Lääketieteelliset asiantuntijat kuitenkin ylläpitävät selkeää reunaa, joka ylittää AI-mallit huomattavalla 15,8%: n marginaalilla. Monimutkaisuus
AI-mallit osoittivat muuttuvan menestyksen eri lääketieteellisillä tieteenaloilla. He osoittivat dermatologian erityistä voimaa, kentällä, jolla visuaalinen kuvion tunnistaminen-nykyisen AI: n forte-on suuri osa. Tutkijat kuitenkin varoittavat, että dermatologia vaatii myös monimutkaista päättelyä visuaalisen sovituksen ulkopuolella.
Toisaalta havainnot, jotka viittaavat urologian AI-pätevyyteen, lievittivät se, että ne olivat peräisin pääasiassa yhdestä suuresta tutkimuksesta, rajoittaen, kuinka laajasti näitä tuloksia voidaan soveltaa. Yleensä analyysi osoitti, että AI: lla on taipumus horjua käsitellessään monimutkaisia tapauksia, jotka edellyttävät laajojen, yksityiskohtaisten potilastietojen tulkintaa, aluetta, jolla asiantuntijat usein menestyvät kokemuksen ja vivahteisen kliinisen päättelyn kautta. Osakan pääkaupunkiseudun yliopisto lainasi 18. huhtikuuta 2025 antamassaan lausunnossaan tohtori Takitaa mahdollisuuksista: “Tämä tutkimus osoittaa, että generatiivisen AI: n diagnostiset kyvyt ovat verrattavissa ei-erikoistuneisiin lääkäreihin. Sitä voidaan käyttää lääketieteellisessä koulutuksessa ei-erikoistuneiden lääkäreiden tukemiseksi ja diagnostiikoilla diagnostiikoilla, joilla on rajoitetut lääketieteelliset resurssit.”Ihmismahdollisuuksien lisääminen sen sijaan, että korvaavat niitä, näkemys kaikui laajemmissa keskusteluissa AI: sta lääketieteessä, jossa yhdistetty ihmisen ja AI-suorituskyky ylittää usein joko yksin.
jatkuvat esteet: Bias and Transparence
AI: n potentiaalin innostus analyysissä tunnistetut huomattavat haasteet. Tärkeintä tunnistettu on avoimuuden puute monien kaupallisten AI-mallejen koulutustiedoista. Tämä opasiteetti vaikeuttaa mahdollisten puolueellisuuksien arviointia tai määrittämään, voidaanko mallin suorituskykyä yleistää eri potilaspopulaatioiden välillä.
Tutkijat totesivat, että avoimuus on välttämätön mallin tiedon ja rajoitusten ymmärtämiseksi. Laadunarviointi käyttämällä 76%: lla osallistuneista tutkimuksista 76%: lla olevan suuren puolueellisuusriskin, joka johtuu usein arvioinneista, joissa käytetään pieniä testitietojoukkoja tai riittämättömiä yksityiskohtia AI: n koulutustiedoista, jotka vaikuttavat ulkoisiin validointiarviointeihin. Lääketieteelliselle ai
Osaka-tutkimus saapuu pyrkimyksillä rakentaa erikoistunut lääketieteellinen AI-jatkaminen, esimerkiksi Bioptimuksen h-optimus-0-patologiamallin kaltaisilla työkaluilla 2024. Metaanalyysi tarjoaa välttämättömän vertailukohdan, joka arvioi yleisen diagnostisen kapasiteetin tason. Käynnissä oleva validointikuljetus monimutkaisempien kliinisten skenaarioiden ja selkeämpien AI-prosessien avulla: “Lisätutkimuksia, kuten monimutkaisempien kliinisten skenaarioiden arvioinnit, suoritusarvioinnit, joissa käytetään todellisia lääketieteellisiä tietoja, AI: n päätöksenteon avoimuuden parantamista ja todentamista monimuotoisissa potilasryhmissä, tarvitaan AI: n kykyjen vahvistamiseksi”.