جوان آنلاین: محققان با استفاده از ۱۵۰ گزارش MRI تومور مغزی دقت تشخیصی «چت‌جی‌بی‌تی» و رادیولوژیست‌ها را مقایسه کردند. چت‌جی‌بی‌تی به دقت ۷۳ درصد دست یافت، که از نورورادیولوژیست‌ها (۷۲ درصد) و رادیولوژیست‌های عمومی (۶۸ درصد) پیشی گرفت.
به گزارش فارس، دقت مدل هوش مصنوعی هنگام تفسیر گزارش‌های نوشته‌شده توسط نورورادیولوژیست‌ها بالاترین بود (۸۰ درصد)، که نشان‌دهنده پتانسیل آن در پشتیبانی از تشخیص‌های پزشکی است. این مطالعه نقش رو به رشد هوش مصنوعی در رادیولوژی و پتانسیل آینده‌ی آن در کاهش بار کاری پزشکان و بهبود دقت تشخیص را برجسته می‌کند.
جزئیات بیشتر تحقیق
با پیشرفت هوش مصنوعی، کاربرد‌ها و قابلیت‌های آن در کاربرد‌های دنیای واقعی به ارتفاعات جدیدی می‌رسد که حتی ممکن است از تخصص انسان پیشی بگیرند. در زمینه رادیولوژی، که تشخیص صحیح برای اطمینان از مراقبت مناسب بیمار بسیار مهم است، مدل‌های بزرگ زبان، مانند چت‌جی‌بی‌تی، می‌توانند دقت را بهبود بخشند یا حداقل یک نظر ثانویهٔ خوب بر روی تصویر رادیولوژی ارائه دهند.
این آزمایش توسط محققان دانشکده پزشکی دانشگاه «متروپولیتن» در اوساکای ژاپن، انجام شده است. در این تحقیق از دو نورورادیولوژیست دارای بورد تخصصی، و سه رادیولوژیست عمومی خواسته شد تا تشخیص‌های افتراقی و یک تشخیص نهایی ارائه دهند. تشخیص افتراقی (به انگلیسی: Differential diagnosis) یک متد تشخیص سیستماتیک در علم پزشکی است که برای تشخیص بیماری وقتی چندین گزینه جایگزین محتمل دیگر وجود دارند به کار می‌رود.
پس از آن، دقت تشخیص هر کدام آن‌ها بر اساس تشخیص واقعی تومور پس از برداشتن آن محاسبه شد. نتایج برای چت‌جی‌پی‌تی ۷۳ درصد، به‌طور متوسط ۷۲ درصد برای نورورادیولوژیست‌ها و به طور متوسط ۶۸ درصد برای رادیولوژیست‌های عمومی بود. علاوه بر این، دقت تشخیص نهایی چت‌حی‌پی‌تی بسته به اینکه گزارش بالینی توسط یک نورورادیولوژیست یا یک رادیولوژیست عمومی نوشته شده بود، متفاوت بود.
دقت این ربات هوش‌مصنوعی با گزارش‌های نورورادیولوژیست‌ها ۸۰ درصد بود؛ در حالیکه هنگام استفاده از گزارش‌های رادیولوژیست‌های عمومی این دقت به ۶۰ درصد می‌رسید. محققان این پژوهش اظهار داشت: «این نتایج نشان می‌دهد که چت‌جی‌پی‌تی می‌تواند برای تشخیص قبل از عمل تومور‌های مغزی مفید باشد. در آینده، قصد داریم مدل‌های بزرگ زبان را در سایر زمینه‌های تصویربرداری تشخیصی مطالعه کنیم تا فشار کاری پزشکان را کاهش دهیم، دقت تشخیص را بهبود بخشیم و از هوش مصنوعی برای حمایت از محیط‌های آموزشی استفاده کنیم.»
