Microsoft MAI DxO සහ වෛද්‍ය AI හි අනාගතය

කේශවන් තියාගරාජා | 2026 ඔක්තෝබර් 24

රෝගියෙකුට විශ්වාසදායක රෝග විනිශ්චයක් සහ ප්‍රතිකාරයට පැහැදිලි මාර්ගයක් අවශ්‍යය. සෞඛ්‍ය සේවා නායකයින්ට, Microsoft හි නවතම වෛද්‍ය AI පර්යේෂණය ප්‍රායෝගික ප්‍රශ්නයක් මතු කරයි: සාක්ෂි රැස් කර පියවර කිහිපයක් තුළ තීරණ ගන්නා පද්ධතියක් සංවිධානයක් ඇගයිය යුත්තේ කෙසේද?

මගේ දැක්ම නම් MAI-DxO එහි නිරවද්‍යතාවයට පමණක් නොව එහි තීරණ ක්‍රියාවලියටද අවධානයට සුදුසු බවයි. CEO සහ CTO වරුන් එම ක්‍රියාවලිය අධ්‍යයනය කළ යුතු අතර, පර්යේෂණ කාර්ය සාධනය සහ ප්‍රදර්ශිත සායනික වටිනාකම අතර පැහැදිලි සීමාවක් පවත්වා ගත යුතුය.

පර්යේෂණය වාර්තා කරන්නේ කුමක්ද

Sequential diagnosis with language models නම් අධ්‍යයනය 2026 ඔක්තෝබර් 22 වන දින Science හි පළ විය. GPT-5 සමඟ යුගල කළ MAI-DxO දුෂ්කර NEJM සිද්ධි 304ක් මත රෝග විනිශ්චය නිරවද්‍යතාවය ප්‍රතිශතයෙන් 83.2ක් ලබා ගත්තේය. යොමු සම්පත් භාවිත කළ සාමාන්‍ය වෛද්‍යවරුන් 36.1% ක් ලබා ගත් අතර, ඒවා නොමැතිව 22.3% ක් විය. හදිසි අංශයට ඇතුළත් කිරීමේ සිද්ධි 325ක් මත පද්ධතිය 80.3% ක් ලබා ගත් අතර, වෛද්‍යවරුන් 46.8% ක් ලබා ගත්හ. මේවා සිද්ධි වාර්තාවල පාලිත ඇගයීම්වල ප්‍රතිඵලයි. [1, 2]

එම වෛද්‍ය ප්‍රතිශත අධ්‍යයන කාර්යයන් මත කාර්ය සාධනය විස්තර කරයි. ඒවා එදිනෙදා භාවිතයේදී වෛද්‍යවරුන්ගේ සාමාන්‍ය නිරවද්‍යතාවය ලෙස කිසිදා ඉදිරිපත් නොකළ යුතුය. සමස්ත මිනුම් ලකුණක්ද තීරණාත්මක ප්‍රශ්නයකට පිළිතුරු නොදී තබයි: කුමන දෝෂ විශාලතම හානියක් ඇති කළ හැකිද?

තීරණ ක්‍රියාවලිය වැදගත්ය

MAI-DxO රෝග විනිශ්චය යෝජනා කරන, උපකල්පන අභියෝගයට ලක් කරන සහ ප්‍රශ්න හෝ පරීක්ෂණ තෝරන අථත්‍ය මණ්ඩලයක් සම්බන්ධීකරණය කරයි. තොරතුරු පැමිණෙන විට එහි තක්සේරුව වෙනස් වේ. මිනුම් ලකුණ ඇස්තමේන්තුගත පරීක්ෂණ පිරිවැය ඇතුළුව රෝග විනිශ්චයට යන මාර්ගය මනියි. Microsoft වඩා දැඩි පිරිවැය සීමා සහිත වින්‍යාසද ඇගයීමට ලක් කළේය. [2]

ව්‍යවසාය නායකයින්ට, ප්‍රයෝජනවත් නිර්මාණ පාඩම වන්නේ පිළිතුරක් යෝජනා කිරීම එහි සාක්ෂි සමාලෝචනය කිරීමෙන් වෙන් කිරීමයි. ප්‍රතිවිපාක සහිත ක්‍රියාවක් ඉදිරියට යාමට පෙර සමාලෝචකයෙකුට අඩුපාඩු හඳුනා ගැනීමට, ප්‍රමුඛ පැහැදිලි කිරීම අභියෝගයට ලක් කිරීමට සහ තවත් තොරතුරු ඉල්ලා සිටීමට හැකි විය යුතුය.

AI භූමිකා කිහිපයකට තවමත් එකම වැරැද්ද නැවත කළ හැකිය. එබැවින් ඒජන්ට්වරුන් අතර එකඟතාවය බාහිර සාක්ෂි සමඟ පරීක්ෂා කළ යුතුය. විවාදය එකතු කිරීම ඇගයීමට තවත් සංරචකයක් නිර්මාණය කරයි; එය ස්වාධීන සත්‍යාපනයක් ස්ථාපිත නොකරයි.

ව්‍යවසාය AI පද්ධති සංසන්දනය කරන්නේ කෙසේද

මම පද්ධති මානයන් තුනක් ඔස්සේ සංසන්දනය කරමි. අවසාන පිළිතුරේ ලකුණක් සම්පූර්ණ තීරණ ක්‍රියාවලියේ ගුණාත්මකභාවය සමඟ සංසන්දනය කරන්න. ඇස්තමේන්තුගත කාර්ය පිරිවැය සේවාව ලබා දීමේ සම්පූර්ණ පිරිවැය සමඟ සංසන්දනය කරන්න. ඓතිහාසික වාර්තා මත කාර්ය සාධනය අපේක්ෂිත භාවිතයේදී නිරීක්ෂණය කළ ප්‍රතිඵල සමඟ සංසන්දනය කරන්න. සෑම සංසන්දනයක්ම වෙනස් ආයෝජන ප්‍රශ්නයකට පිළිතුරු දෙයි.

උදාහරණයක් ලෙස, ලාභදායී නිර්දේශයක් සැලකිය යුතු සමාලෝචන වැඩ නිර්මාණය කළ හැකිය. නිවැරදි පිළිතුරක් උදව් කිරීමට ප්‍රමාද වී පැමිණිය හැකිය. සම්පූර්ණ වාර්තා මත හොඳින් ක්‍රියා කරන පද්ධතියකට වැදගත් තොරතුරු නොමැති විට අපහසු විය හැකිය. නායකයින්ට මෙම වෙනස්කම් පෙනෙන ඇගයීමක් අවශ්‍යය.

මිනුම් ලකුණට තහවුරු කළ නොහැක්කේ කුමක්ද

SDBench ඉල්ලූ තොරතුරු ලබා දීමට ද්වාරපාල ආකෘතියක් සහ රෝග විනිශ්චය තක්සේරු කිරීමට විනිසුරු ආකෘතියක් භාවිත කරයි. ඉල්ලූ ප්‍රතිඵලයක් වාර්තාවේ නොමැති විට ද්වාරපාලයාට සිද්ධියට අනුකූල සොයා ගැනීම් ජනනය කළ හැකිය. මෙම යාන්ත්‍රණ අන්තර්ක්‍රියාකාරී ඇගයීම හැකි කරයි, නමුත් ඒවා පරීක්ෂාවට ලක් කළ යුතු උපකල්පනද හඳුන්වා දෙයි. [3]

එය වැදගත් වන්නේ ඇගයීම් පරිසරය මනින ලද ප්‍රතිඵලයට බලපාන බැවිනි. රෝහලක් අසම්පූර්ණ තොරතුරු, ගැටෙන වාර්තා සහ මෙහෙයුම් ප්‍රමාදයන් සමඟ පද්ධතියක් හැසිරෙන ආකාරය තහවුරු කළ යුතුය. රෝග විනිශ්චය නිරවද්‍යතාවයට පමණක් රෝගී ආරක්ෂාව, ප්‍රතිකාර ගුණාත්මකභාවය හෝ සායනික කණ්ඩායමක ඵලදායීතාවය තහවුරු කළ නොහැක.

රෝගීන් පද්ධතිය සමඟ අන්තර්ක්‍රියා කර, කාර්ය සාධනය වෛද්‍යවරුන්ගේ ස්වාධීන තක්සේරු සමඟ සංසන්දනය කරන Beth Israel Deaconess Medical Center සමඟ අපේක්ෂිත අධ්‍යයනයක් Microsoft නිවේදනය කර ඇත. මෙය දැනටමත් ලබාගත් වැඩි දියුණු කළ රෝගී ප්‍රතිඵලවල සාක්ෂියක් නොව සැලසුම් කළ වලංගුකරණයකි. [2]

CEO සහ CTO වරුන් කළ යුත්තේ කුමක්ද

CEO වරුන් යෙදවීමට අරමුදල් සැපයීමට පෙර අපේක්ෂිත ප්‍රතිලාභය අර්ථ දැක්විය යුතුය. සෞඛ්‍ය සේවා පීලට් ව්‍යාපෘතියක, එය නිශ්චිත රෝගයක් වේගයෙන් හඳුනා ගැනීම හෝ දුෂ්කර සිද්ධි සමාලෝචනය සඳහා වඩා හොඳ සහාය විය හැකිය. සායනික හිමිකරු නම් කරන්න, ප්‍රතිඵල මිනුම් එකඟ වන්න සහ පීලට් ව්‍යාපෘතිය නතර කිරීමේ කොන්දේසි තහවුරු කරන්න. මිනුම් ලකුණු සංසන්දනයකින් කාර්ය මණ්ඩල තීරණයක් ගැනීමෙන් වළකින්න.

CTO වරුන් අපේක්ෂිත වැඩ ප්‍රවාහය වටා ඇගයීමක් ගොඩනැගිය යුතුය. පවතින ක්‍රියාවලිය, පාලිත පරිසරයක තනිව ක්‍රියා කරන AI සහ AI සහාය ලබන සායනිකයින් සංසන්දනය කරන්න. යෝජිත සේවාව නියෝජනය කරන සිද්ධි භාවිත කරන්න. බරපතළ මග හැරුණු රෝග විනිශ්චය, අනවශ්‍ය පරීක්ෂණ, තීරණයට ගත වන කාලය සහ නිර්දේශ සමාලෝචනය කිරීමේ බර පරීක්ෂා කරන්න. සමස්ත සාමාන්‍යයට අමතරව අදාළ රෝගී කණ්ඩායම් සඳහා ප්‍රතිඵල වාර්තා කරන්න.

නිසි ලෙස පාලනය කළ දත්ත භාවිතයෙන් පසුගාමී ඇගයීමකින් ආරම්භ කරන්න. සාක්ෂි ඉදිරි ගමනට සහාය දෙන්නේ නම්, සායනික නායකත්වය සහ අවශ්‍ය අනුමැතිය සහිත අධීක්ෂණය කළ අපේක්ෂිත අධ්‍යයනයක් සලකා බලන්න. පරීක්ෂණ ඇණවුම් කිරීමට හෝ ප්‍රතිකාර වෙනස් කිරීමට ඇති අධිකාරිය පැහැදිලිව පවරා තබන්න. පද්ධතිය කල් දැමිය යුත්තේ කවදාද සහ සායනිකයෙකුට එය අභිබවා යා හැක්කේ කෙසේද යන්න නිර්වචනය කරන්න.

නිර්දේශ සඳහා සොයාගත හැකි සාක්ෂි, රෝගී තොරතුරු සඳහා පාලිත ප්‍රවේශය සහ භාවිත කළ ආකෘතියේ සහ වැඩ ප්‍රවාහ අනුවාදයේ වාර්තාවක් අවශ්‍ය කරන්න. ඒ දෙකෙන් එකක් වෙනස් වූ විට අදාළ ඇගයීම් නැවත කරන්න. සාර්ථක පීලට් ව්‍යාපෘතියකට පිරිහීම හඳුනාගෙන ඉවත් කර ගැනීමට සහාය දිය හැකි මෙහෙයුම් ක්‍රියාවලියක් අවශ්‍යය.

මූල්‍ය නායකයින් ඇස්තමේන්තුගත පරීක්ෂණ පිරිවැය සාක්ෂාත් කළ ඉතිරිකිරීම්වලින් වෙන් කළ යුතුය. ව්‍යාපාරික සිද්ධියට ඒකාබද්ධ කිරීම, සායනික සමාලෝචනය, අධීක්ෂණය සහ අඛණ්ඩ ඇගයීම ඇතුළත් කරන්න. ඕනෑම ඉතිරිකිරීමක් මග හැරුණු රෝග විනිශ්චය සහ වැළැක්විය හැකි පරීක්ෂණවල ප්‍රතිවිපාක සමඟ තක්සේරු කළ යුතුය.

පුළුල් ව්‍යවසාය පාඩම

එම ඇගයීම් විනයම රක්ෂණ හිමිකම්, ප්‍රසම්පාදන ව්‍යතිරේක හෝ සිදුවීම් විමර්ශනය සඳහා AI සලකා බැලීමේදී ප්‍රයෝජනවත්ය. එම යෙදුම්වලට තමන්ගේම සාක්ෂි අවශ්‍යය. වෛද්‍ය මිනුම් ලකුණකට මූල්‍ය හෝ මෙහෙයුම් වැඩ ප්‍රවාහයක් වලංගු කළ නොහැක.

MAI-DxO මගින් AI සාක්ෂි ඉල්ලන, තම ස්ථාවරය සංශෝධනය කරන සහ නතර විය යුත්තේ කවදාදැයි තීරණය කරන ආකාරය පරීක්ෂා කිරීමට හේතුවක් ලැබේ. ව්‍යවසාය වටිනාකම රඳා පවතින්නේ එම හැසිරීම් සැබෑ මෙහෙයුම් තත්ත්වයන් යටතේ නිර්වචනය කළ සේවාවක් වැඩිදියුණු කරන්නේද යන්නයි.

ඔබ වෛද්‍ය AI පීලට් ව්‍යාපෘතියක් අනුමත කරන්නේ නම්, එහි නිර්දේශ රෝගී රැකවරණයට බලපෑමට ඉඩ දීමට පෙර ඔබ කුමන සාක්ෂි අවශ්‍ය කරයිද?

ගණිතමය ලෙස සිතන්න. බුද්ධිමත් ලෙස ඉංජිනේරුකරණය කරන්න. උපායශීලීව නායකත්වය දෙන්න. වගකීමෙන් ගොඩනගන්න. ගෝලීය ලෙස පුළුල් කරන්න. කෘත්‍රිම බුද්ධිය මගින් සැබෑ ව්‍යාපාරික වටිනාකමක් නිර්මාණය කරන්න.

#ArtificialIntelligence #HealthcareAI #AgenticAI #AILeadership #ModelEvaluation #ResponsibleAI

මූලාශ්‍ර සහ ප්‍රකාශන සටහන්

1. [1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
2. [2] Microsoft AI (22 October 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
3. [3] Microsoft. SDBench documentation. https://microsoft.github.io/sdbench/