توسط : گوگل نسخه آزمایشی جدیدی از چت‌بات پزشکی خود را معرفی کرد. Articulate Medical Intelligence Explorer یا به اختصار AMIE. این سامانه بر پایه مدل زبان بزرگ Gemini 2.0 Flash ساخته شده و توانایی بررسی و تحلیل تصاویر پزشکی—از جمله عکس‌های ضایعات پوستی، نوار قلب (ECG) و فایل‌های PDF نتایج آزمایشگاهی—را دارد. طبق مقاله‌ای که در تاریخ ۶ می ۲۰۲۵ روی سایت arXiv منتشر شد، AMIE در شبیه‌سازی‌های متعدد توانست دقت تشخیصش را از پزشکان عمومی فراتر ببرد.
روش آزمایش و ارزیابی
برای ارزیابی عملکرد AMIE، پژوهشگران گوگل DeepMind، با همکاری چند مؤسسه دانشگاهی، از ۲۵ نفر کمک گرفتند تا در قالب بیماران مجازی ۱۰۵ سناریوی پزشکی متفاوت را بازسازی کنند. در هر سناریو، بازیگران تصویر مرتبط با علامت خود را ارائه دادند و هم‌زمان با چت‌بات و یک پزشک عمومی مجازی به گفت‌وگو پرداختند. پس از پایان هر ملاقات، تشخیص و طرح درمان هر دو طرف ثبت و سپس توسط ۱۸ متخصص پوست، قلب و داخلی بررسی شد. نتایج این مطالعه نشان داد که دقت تشخیص AMIE در ضایعات پوستی از عملکرد پزشکان عمومی فراتر رفته و کیفیت پایین تصاویر هم تأثیر قابل‌توجهی بر عملکرد مدل نداشت.
نتایج کلیدی
-
دقت بالاتر در تشخیص
AMIE در مجموع، به‌ویژه در تشخیص ضایعات پوستی، از پزشکان عمومی جلو زد. -
تاب‌آوری در برابر تصاویر کم‌کیفیت
کاهش کیفیت عکس تأثیر کمتری بر عملکرد AMIE داشت تا پزشک انسانی. -
گستره کاربرد تصویری
AMIE توانست نوار قلب و PDF نتایج آزمایش‌ها را نیز با دقتی رقابتی تفسیر کند.
مزایا و نقاط قوت
یکی از نوآوری‌های کلیدی در AMIE، الگوریتم جدیدی است که توانایی مدل را در گفتگوهای تشخیصی و منطق بالینی تقویت می‌کند. برخلاف روش‌های پیشین که نیاز به بازآموزی کامل روی دیتابیس‌های پزشکی داشتند، در این نسخه با اضافه‌کردن لایه‌های استدلالی، تنها با به‌روزرسانی پرامپت‌ها و منطق گفت‌وگو، سامانه برای کاربردهای پزشکی آماده شده است. این رویکرد نه‌تنها هزینه و زمان توسعه را کاهش می‌دهد، بلکه امکان دسترسی سریع‌تر به دستیار هوش مصنوعی تخصصی پزشکی را نیز فراهم می‌کند.
چالش‌ها و ملاحظات
در کنار نتایج امیدوارکننده، محققان و متخصصان مستقل به چند نکته مهم اشاره کرده‌اند. نخست آنکه مقاله هنوز تحت بررسی Peer Review قرار نگرفته و برای تأیید نهایی نیازمند انتشار در مجلات معتبر است. دوم اینکه تعاملات شبیه‌سازی‌شده، هرچند برای ارزیابی مفید هستند، اما نمی‌توانند تمام جنبه‌های تجربه بالینی واقعی—مانند معاینه فیزیکی و شهود پزشک—را بازتولید کنند. همچنین به دلیل عدم انتشار کدها و پرامپت‌های دقیق مورد استفاده، امکان بازتولید و توسعه مستقل AMIE توسط سایر پژوهشگران محدود شده است.
با وجود این چالش‌ها، بسیاری از کارشناسان معتقدند ترکیب توانایی پردازش تصویر با مدل‌های زبان بزرگ می‌تواند چشم‌انداز تشخیص پزشکی را متحول کند. اگرچه هنوز راهی طولانی برای پیاده‌سازی در بیمارستان‌ها و مراکز درمانی پیش رو است، اما دستیاران هوش‌مصنوعی مانند AMIE می‌توانند به عنوان مکملی برای پزشکان عمل کرده و در محیط‌هایی که دسترسی به تخصص محدود است، نقشی کلیدی ایفا کنند. برای تحقق این آینده، ضروری است که فرایندهای اعتبارسنجی در دنیای واقعی تسریع شود، شفافیت در کد و داده افزایش یابد و چارچوب‌های قانونی و اخلاقی مناسب فراهم گردد.
