به گزارش تابش کوثر، تحقیقات جدید نشان می‌دهد که مدل‌های هوش مصنوعی متن‌باز، که کد منبع آن‌ها برای همگان در دسترس است، اکنون قادر به رقابت با مدل‌های اختصاصی و بسته هستند. این یافته می‌تواند پیامدهای مهمی برای دنیای پزشکی و بیمارستان‌ها داشته باشد.
مطالعه‌ای که با حمایت مؤسسه ملی سلامت ایالات متحده و به سرپرستی محققان دانشکده پزشکی هاروارد انجام شده است، نشان داده که مدل متن‌باز Llama 3.1 405B عملکردی هم‌سطح با GPT-4، یکی از پیشرفته‌ترین مدل‌های اختصاصی، دارد. این تحقیق که نتایج آن در JAMA Health Forum منتشر شده، عملکرد دو مدل را بر روی ۹۲ پرونده پیچیده پزشکی بررسی کرده است.
دکتر آرجون منرای، استادیار انفورماتیک پزشکی در مؤسسه بلاواتنیک دانشکده پزشکی هاروارد، گفت: «تا جایی که می‌دانیم، این اولین بار است که یک مدل متن‌باز با عملکرد GPT-4 برابری می‌کند. این پیشرفت حیرت‌آور است و رقابت ایجادشده می‌تواند به سود بیماران، پزشکان و بیمارستان‌ها باشد.»
مزایای مدل‌های متن‌باز و اختصاصی
مدل‌های هوش مصنوعی متن‌باز و اختصاصی تفاوت‌های مهمی دارند. یکی از مزایای مدل‌های متن‌باز این است که می‌توان آن‌ها را بر روی سیستم‌های داخلی بیمارستان اجرا کرد، در حالی که مدل‌های اختصاصی معمولاً نیاز به ارسال داده‌های بیمار به سرورهای خارجی دارند. توماس باکلی، نویسنده اصلی این مطالعه، گفت: «برای مدیران بیمارستان‌ها و پزشکان، موضوع امنیت داده‌ها اهمیت ویژه‌ای دارد و مدل‌های متن‌باز از این نظر جذاب‌تر به نظر می‌رسند.»
همچنین، مدل‌های متن‌باز امکان تنظیم و سفارشی‌سازی بیشتری دارند، زیرا متخصصان می‌توانند آن‌ها را با داده‌های محلی آموزش دهند تا عملکرد بهتری برای نیازهای خاص بیمارستان داشته باشند. این در حالی است که مدل‌های اختصاصی معمولاً انعطاف‌پذیری کمتری دارند اما پشتیبانی فنی بهتری از سوی شرکت‌های توسعه‌دهنده دریافت می‌کنند.
عملکرد مدل‌های متن‌باز در تشخیص بیماری‌ها
بررسی‌ها نشان داده است که مدل Llama 3.1 405B در ۷۰ درصد از پرونده‌های بررسی‌شده، تشخیص درستی ارائه داده است، در حالی که این میزان برای GPT-4 ۶۴ درصد بوده است. علاوه بر این، مدل متن‌باز در ۴۱ درصد موارد، گزینه صحیح را به عنوان پیشنهاد اول ارائه داده که کمی بالاتر از مدل اختصاصی (۳۷ درصد) است.
دکتر آدام رودمن، استاد دانشکده پزشکی هاروارد، گفت: «تاکنون تمرکز اصلی بر مدل‌های اختصاصی بوده که امکان استفاده محلی از آن‌ها وجود ندارد. اما این مطالعه نشان می‌دهد که مدل‌های متن‌باز هم می‌توانند به همان اندازه قدرتمند باشند و به پزشکان کنترل بیشتری بر نحوه استفاده از این فناوری بدهند.»
اهمیت هوش مصنوعی در تشخیص پزشکی
هر ساله نزدیک به ۷۹۵ هزار نفر در ایالات متحده به دلیل خطاهای تشخیصی جان خود را از دست می‌دهند یا دچار آسیب دائمی می‌شوند. این خطاها علاوه بر تهدید سلامت بیماران، هزینه‌های قابل‌توجهی را به سیستم درمانی تحمیل می‌کند.
منرای تأکید کرد: «اگر هوش مصنوعی به درستی در زیرساخت‌های درمانی ادغام شود، می‌تواند به پزشکان در تشخیص سریع‌تر و دقیق‌تر کمک کند. اما همچنان پزشکان باید در هدایت این فرآیند نقش کلیدی داشته باشند تا اطمینان حاصل شود که هوش مصنوعی به‌طور مؤثر و ایمن مورد استفاده قرار می‌گیرد.»

م/۱۱۰*