Przełom w medycynie AI: GPT-5 osiąga nadludzką wydajność w multimodalnym rozumowaniu medycznym

W świecie medycyny, gdzie stawka jest najwyższa, a decyzje opierają się na złożonej mozaice danych – od narracji pacjenta, przez wyniki laboratoryjne, po obrazy z rezonansu magnetycznego – sztuczna inteligencja właśnie przekroczyła kluczowy próg. Nowe, recenzowane badanie z Emory University School of Medicine, oceniające zdolności modelu GPT-5, dostarcza twardych dowodów na to, że wkraczamy w nową erę.

To już nie jest kwestia, czy AI może dorównać ludzkim ekspertom. W kontrolowanych, ale wymagających warunkach testowych, GPT-5 systematycznie przewyższa wyszkolonych profesjonalistów medycznych, zwłaszcza w najtrudniejszych zadaniach wymagających jednoczesnej interpretacji tekstu i obrazów. To fundamentalna zmiana, która redefiniuje potencjał klinicznych systemów wspomagania decyzji.

Główne odkrycie: Od ludzkiej porównywalności do nadludzkiej biegłości

Analiza przeprowadzona przez zespół pod kierownictwem Xiaofenga Yanga pozycjonuje GPT-5 jako generalistyczny, multimodalny system zdolny do rozumowania na poziomie eksperckim bez potrzeby specjalistycznego dostrajania. Kluczowe odkrycie jest jednoznaczne:

W porównaniu do poprzedniej generacji (GPT-4o), która w wielu zadaniach medycznych pozostawała poniżej poziomu ludzkich ekspertów, GPT-5 nie tylko niweluje tę różnicę, ale znacząco ją przekracza. To jakościowy skok od „AI jako asystenta” do „AI jako super-eksperta”.

Metodologia: Rygorystyczny test w ujednoliconym środowisku

Siła tego badania leży w jego rygorystycznej metodologii, która eliminuje chaos i niespójności poprzednich ewaluacji LLM-ów.

• Ujednolicony protokół: Wszystkie modele (GPT-5, jego mniejsze warianty i GPT-4o) były testowane w tych samych warunkach, przy użyciu tej samej, zero-shotowej strategii promptowania z łańcuchem myśli (Chain-of-Thought, CoT).

• Izolacja zmiennej: Taki projekt pozwala na precyzyjne wyizolowanie wpływu samego ulepszenia modelu, eliminując efekt inżynierii promptów czy specyfiki zbioru danych.

• Kompleksowe benchmarki: Badanie objęło szerokie spektrum zadań, od tekstowych pytań egzaminacyjnych (MedQA, USMLE) po złożone, multimodalne problemy kliniczne (MedXpertQA, VQA-RAD).

Kluczowe wyniki: Dowody na przełom

Dane liczbowe mówią same za siebie, ale najważniejsza jest historia, którą opowiadają.

1. Rozumowanie tekstowe: Więcej niż odtwarzanie faktów

Na standardowych testach medycznych, takich jak MedQA i USMLE, GPT-5 osiągnął wyniki przekraczające 95%, co znacząco przewyższa progi zdawalności dla ludzi. Co ważniejsze, największe zyski odnotowano w zadaniach wymagających wieloetapowego wnioskowania (np. USMLE Step 2, MedXpertQA Text), co sugeruje, że siłą modelu nie jest tylko pamięć, ale zdolność do logicznego rozumowania klinicznego.

2. Rozumowanie multimodalne: Prawdziwy skok jakościowy

To tutaj GPT-5 pokazał swoją prawdziwą moc. W teście MedXpertQA Multimodal, który wymaga jednoczesnej analizy obrazów medycznych (np. tomografii komputerowej) i złożonej historii pacjenta, model osiągnął dramatyczny wzrost wydajności w porównaniu do GPT-4o:

• Wzrost zdolności rozumowania o +29,62%

• Wzrost zdolności zrozumienia o +36,18%

Oznacza to, że model potrafi syntetyzować wskazówki wizualne (np. zmiany na obrazie TK) z danymi tekstowymi (objawy, wyniki laboratoryjne), tworząc spójny łańcuch diagnostyczny i rekomendując trafne interwencje.

3. Porównanie z ludźmi: Przekroczenie krytycznego progu

Najbardziej uderzające wyniki pochodzą z bezpośredniego porównania z ludzkimi ekspertami (lekarzami przed uzyskaniem licencji).

Wniosek jest jednoznaczny: GPT-4o był w większości zadań gorszy od ludzkich ekspertów. GPT-5 jest od nich znacząco lepszy, a przewaga ta jest największa w zadaniach multimodalnych, gdzie nawet doświadczeni klinicyści mają trudności z integracją tak wielu informacji pod presją czasu.

Implikacje i odpowiedzialna perspektywa

Autorzy badania słusznie podkreślają, że wyniki te, choć imponujące, zostały uzyskane w wyidealizowanych warunkach testowych. Realna praktyka kliniczna niesie ze sobą niepewność, złożoność i wymiar etyczny, których benchmarki nie są w stanie w pełni oddać.

Jednakże, ten przełom przesuwa debatę z pytania „czy AI może to zrobić?” na „jak możemy bezpiecznie i transparentnie zintegrować te zdolności z przepływem pracy klinicznej?”. Prace nad walidacją kliniczną, adaptacyjnymi strategiami dostrajania i metodami kalibracji stają się teraz absolutnym priorytetem.

Kluczowe wnioski

1. GPT-5 stanowi jakościowy skok w medycznym AI, przechodząc od poziomu porównywalnego z człowiekiem do poziomu go przewyższającego w kontrolowanych testach.

2. Największy przełom dotyczy rozumowania multimodalnego, czyli zdolności do integracji danych tekstowych i wizualnych w celu postawienia spójnej diagnozy.

3. Siła modelu leży w zaawansowanym rozumowaniu, a nie tylko w odtwarzaniu faktów, co potwierdzają wyniki na testach wymagających wieloetapowego wnioskowania.

4. Badanie to wyznacza nowy standard metodologiczny dla oceny LLM-ów w medycynie, kładąc nacisk na rygor, kontrolę i ujednolicone protokoły.

5. Wyniki te sygnalizują, że era praktycznych, wysokowydajnych klinicznych systemów wspomagania decyzji jest bliżej niż kiedykolwiek, jednocześnie podkreślając pilną potrzebę badań nad ich bezpiecznym wdrożeniem.