A mesterséges intelligencia felülmúlta a szakértői csapatokat az orvosi adatok elemzésében

Áttörést jelentő eredmény

A felfedezés annyira megdöbbentő volt, hogy a tapasztalt kutatók is megálltak egy pillanatra: a generatív mesterséges intelligencia eszközök, ha megfelelően vannak beállítva, gyorsabban képesek komplex orvosi adathalmazokat elemezni, mint a tapasztalt kutatócsoportok – és néha jobb eredményeket is produkálnak.

A 2026. február 17-én a Cell Reports Medicine folyóiratban megjelent tanulmányban a UC San Francisco (UCSF) és a Wayne State University kutatói nyolc generatív mesterséges intelligencia eszközt állítottak szembe a hagyományos adattudományi csapatokkal egy nagy téttel bíró kihívásban: a koraszülés előrejelzésében több mint 1200 terhes nő hüvelyi mikrobiomadatai alapján, kilenc független tanulmányból.

A DREAM Benchmark

Az emberi teljesítmény alapját a Preterm Birth DREAM Challenge adta – egy közösségi finanszírozású gépi tanulási verseny, amelyen 318 csapat 148 modellt nyújtott be annak előrejelzésére, hogy a nők a terhesség 37. hete előtt szülnek-e. A legjobb ember által vezetett modellek a receiver operator characteristic (AUROC) görbe alatti területen 0,68-as értéket értek el a standard koraszülés, és 0,92-es értéket a korai koraszülés (32 hét előtt) esetében – ami bármilyen klinikai mérce szerint erős teljesítmény.

Amikor a kutatók megismételték ezt a kihívást generatív mesterséges intelligencia segítségével – strukturált promptokat biztosítva a nagyméretű nyelvi modelleknek, és megkérve őket, hogy teljes analitikai folyamatokat generáljanak – a nyolc mesterséges intelligencia eszköz közül négy versenyképes vagy jobb modelleket produkált, mint a legjobb emberi eredmények. A sebességbeli különbség drámai volt: míg az eredeti DREAM verseny a kezdetektől a publikálásig közel két évet vett igénybe, a mesterséges intelligenciával támogatott projekt mindössze hat hónap alatt befejeződött.

Fiatal kutatók, professzionális eredmények

Talán a legbeszédesebb bemutatóban két, doktori fokozattal nem rendelkező kutató vett részt. Reuben Sarwal, a UCSF mesterszakos hallgatója és Victor Tarca, egy középiskolás diák, mesterséges intelligencia eszközök segítségével dolgoztak együtt életképes előrejelző modellek létrehozásán – funkcionális analitikai kódot generálva percek alatt, nem pedig órák vagy napok alatt, ahogyan azt a feladat általában tapasztalt programozóktól megkövetelné.

"Ez valóban demokratizálja, hogy ki végezhet ilyen kutatásokat" - mondta Adi Tarca, a Wayne State University professzora a UCSF jelentése szerint. A felfedezés arra utal, hogy a nagyméretű, magasan specializált csapatok hagyományos követelménye a nagy biomedikai adathalmazok kezelésére gyorsan eltűnhet.

Figyelmeztetések és korlátozások

Az eredmények nem voltak egyöntetűen rózsásak. A tesztelt mesterséges intelligencia eszközök fele nem tudott megbízható eredményeket produkálni. A kutatók arra is figyelmeztettek, hogy a mesterséges intelligencia hihetőnek tűnő, de finoman hibás elemzéseket generálhat, ha nem felügyelik gondosan. A promptok minősége kritikusnak bizonyult: csak a pontos, jól strukturált utasítások váltottak ki következetesen megbízható eredményeket.

A tanulmány szerzői hangsúlyozzák, hogy az emberi szakértelem továbbra is nélkülözhetetlen. A tudósoknak továbbra is validálniuk kell a modelleket, értelmezniük kell az eredményeket klinikai kontextusban, és védekezniük kell az algoritmikus torzítás ellen – különösen azokban az adathalmazokban, amelyek alulreprezentálhatnak bizonyos etnikai vagy társadalmi-gazdasági csoportokat.

Szélesebb körű következmények a klinikai tudomány számára

A koraszülés a újszülöttkori halálozás vezető oka világszerte, és a gyermekek hosszú távú kognitív és motoros kihívásainak fő okozója. A gyorsabb, hozzáférhetőbb adatelemző eszközök felgyorsíthatják a diagnosztikai modellek és a személyre szabott kockázatértékelések fejlesztését – potenciálisan életeket mentve nagy léptékben.

De a szélesebb körű jelentőség messze túlmutat a szülészeten. Ha a generatív mesterséges intelligencia hónapokig tartó szakértői adattudományi munkát képes megismételni az orvosi területeken – onkológia, genomika, kardiológia –, akkor a kutatási folyamat szűk keresztmetszete alapvetően megváltozhat. A kérdés már nem csak az, hogy kinek van hozzáférése az adatokhoz, hanem az is, hogy kinek van hozzáférése a megfelelő promptokhoz. Ez a tanulmány azt sugallja, hogy a második akadály gyorsan leomlik.