آزمایش موفقیت آمیز هوش مصنوعی ChatGPT در رادیولوژی

پژوهشگران مدل هوش مصنوعی ChatGPT را در یک آزمون رادیولوژی سنجیدند و مشاهده کردند که خوب عمل کرد، ولی با برخی اظهارات غیرمنطقی و نادرست به نظر میرسد هنوز آماده جایگزینی با رادیولوژیست ها نیست.

به گزارش ایسنا و به نقل از اس ای، پژوهشگران بیمارستان عمومی تورنتو در کانادا کاری را انجام دادند که اکثر مردم این روزها انجام می‌دهند: استفاده از ربات هوش مصنوعی ChatGPT برای پاسخ به سؤالات یک آزمون استاندارد و دیدن نحوه عملکرد آن.

این چت بات (ربات گفتگوگر) در یک آزمون ۱۵۰ سوالی که توسط گروه های رادیولوژی در کانادا و آمريکا طراحی شده بود، ۸۱ درصد امتیاز کسب کرد که بسیار بالاتر از حداقل درصد قبولی (۷۰ درصد) بود.

از زمان راه اندازی ChatGPT، کاربران از توانایی آن در درک اطلاعات و استفاده از آن برای پاسخ به سؤالات شگفت زده شده اند. این ربات برای پاسخگویی به سوالات آزمون مجوز پزشکی ایالات متحده (USMLE) و همچنین آزمون MBA در مدرسه بازرگانی وارتون نیز مورد آزمایش قرار گرفته و عملکرد متوسطی داشته است.

با افزایش استفاده از ChatGPT در بخش های مختلف، پژوهشگران دانشگاه پزشکی تصویربرداری تورنتو نیز به این فکر افتادند که زمان آن رسیده است که توانایی های این چت بات را در رادیولوژی نیز آزمایش کنند.

پاسخ ChatGPT به سوالات رادیولوژی

پژوهشگران یک آزمون ۱۵۰ سوالی برای ChatGPT طراحی کردند، دقیقاً مانند آنچه که گروه های رادیولوژی در کانادا و ایالات متحده برای دانشجویان این رشته انجام می دهند. از آنجایی که این ربات هوش مصنوعی (Artificial Intelligence) نمی تواند تصاویر را به عنوان ورودی پردازش کند، پژوهشگران فقط متن در سوالات قرار دادند که شامل سوالات پایه و مفهومی و سوالات تخصصی بود.

سؤالات پایه، دانش و درک اولیه ChatGPT را در مورد موضوع مورد آزمایش می سنجید، در حالی که سؤالات تخصصی، تجزیه و تحلیل و ترکیب اطلاعاتی را که برای تفسیر تصاویر رادیولوژی لازم است، می آزمود.

از آنجایی که دو نسخه از GPT در حال حاضر موجود است ، پژوهشگران هر دوی آنها را روی یک مجموعه سوال آزمایش کردند تا ببینند آیا یکی از دیگری بهتر است یا خیر.

ChatGPT ساخته شده با نسخه قدیمی تر یعنی GPT ۳.۵، توانست امتیاز کلی ۶۹ درصد را در مجموعه سؤالات کسب کند، در حالی که در سؤالات پایه نمره خوبی کسب کرد (۸۴ درصد معادل ۵۱ پاسخ صحیح به ۶۱ سوال) اما در پاسخ به سؤالات تخصصی فقط ۶۰ درصد امتیاز گرفت (معادل ۵۳ پاسخ صحیح به ۸۹ سوال).

پس از انتشار GPT- ۴ در مارس ۲۰۲۳، پژوهشگران این نسخه بهبود یافته ChatGPT را دوباره آزمایش و مشاهده کردند که با پاسخ صحیح به ۱۲۱ سوال از ۱۵۰ سوال، امتیاز ۸۱ درصد را به دست آورد.

با این حال، چیزی که پژوهشگران را شگفت زده کرد، عملکرد GPT- ۴ در سؤالات پایه است، جایی که به ۱۲ سؤال پاسخ اشتباه داد، در حالیکه GPT۳.۵ به آنها به درستی پاسخ داده بود.

راجش بایانا، رادیولوژیست و سرپرست فناوری در بیمارستان عمومی تورنتو می گوید: در ابتدا از پاسخ های دقیق و مطمئن ChatGPT به برخی سؤالات چالش برانگیز حول رادیولوژی متعجب شدیم، اما سپس به همان اندازه از اظهارات بسیار غیرمنطقی و نادرست آن به برخی دیگر از سوالات متعجب شدیم.

در حالی که تمایل به ارائه اطلاعات نادرست در GPT- ۴ کاهش یافته است، ولی هنوز بطور کامل از بین نرفه است. پژوهشگران می گویند، این موضوع میتواند در پزشکی خطرناک باشد، به ویژه هنگامی که توسط افراد تازه کار استفاده می شود که امکان دارد نتوانند پاسخ های نادرست را تشخیص دهند.

این پژوهش به تازگی در مجله Radiology منتشر شده است.