AI Agents Rival Doctors in Nature Studies: MIRA and AMIE Performance

New research published in Nature reveals that autonomous AI agents are now performing at or above the level of human clinicians in simulated medical environments. While these breakthroughs signal a paradigm shift in diagnostic accuracy, experts warn that the current reliance on complex "scaffolding" may limit the long-term benefits of evolving model architectures.

MIRA: The Autonomous Emergency Room Agent

Developed by researchers at TUD Dresden and Heidelberg University, MIRA (Medical Intelligence for Reasoning and Action) operates as an autonomous agent within a virtual electronic health record. Unlike standard LLMs, MIRA functions as a decision-making engine that can choose from over 85,000 options across eleven specialized tools.

Testing MIRA against 500 real emergency department cases from the MIMIC-IV dataset yielded impressive results:

  • Diagnostic Accuracy: MIRA achieved an 88.9% correct diagnosis rate.
  • Head-to-Head Comparison: In a subset of 311 cases, MIRA scored 87.8%, significantly outperforming experienced specialists (78.1%) and mixed teams of residents and specialists (71.1%).
  • Clinical Strengths: The system excelled in high-acuity scenarios, hitting 98.6% accuracy for appendicitis and 92.3% for pancreatitis.
  • Safety Profile: Blinded reviewers found no dangerous drug interactions or incorrect dosing, and the system achieved a perfect record in identifying patients requiring hospitalization.

Google’s AMIE: Mastering Long-term Clinical Guidelines

While MIRA focuses on acute reasoning, Google’s AMIE (Articulate Medical Intelligence Explorer) is designed for longitudinal primary care. AMIE utilizes a dual-agent architecture: a conversational agent for patient interaction and a background agent that cross-references cases against medical guidelines like the UK's NICE Guidance.

In a study involving 100 cases spanning multiple visits, AMIE matched physicians in treatment decisions and surpassed them in guideline adherence. Most notably, AMIE’s treatment plans were rated as appropriate in 95% of cases, compared to just 72% for human physicians. AMIE also outperformed doctors on the RxQA benchmark, a rigorous test of pharmaceutical knowledge verified by licensed pharmacists.

The "Scaffolding" Dilemma and Future Limitations

با وجود عملکرد بالا، یک نکته فنی حیاتی از مطالعات حاصل شد. هر دو مدل MIRA (با استفاده از GPT-4o و o1-preview) و AMIE (با استفاده از Gemini 1.5 Flash) به شدت به «داربست‌بندی» (scaffolding) متکی هستند؛ یعنی چارچوب‌های خارجی پیچیده‌ای که برای هدایت استدلال مدل طراحی شده‌اند.

آزمایش‌های تکمیلی نشان‌دهنده یک مشکل احتمالی تحت عنوان «پیری» بود: در حالی که این داربست‌بندی عملکرد مدل‌های قدیمی‌تر یا کوچک‌تر را به طور قابل توجهی افزایش می‌دهد، ممکن است با توانمندتر شدن ذاتی مدل‌های پایه، نیاز به آن کاهش یابد. این موضوع این پرسش را مطرح می‌کند که آیا موفقیت فعلی نتیجه هوش برتر است یا صرفاً حاصل مهندسی پرامپت (prompt engineering) پیشرفته و «عصاهای زیر بغل» معماری است.

علاوه بر این، پژوهشگران هشدار می‌دهند که این نتایج از داده‌های شبیه‌سازی‌شده و ساختاریافته به دست آمده‌اند. کارشناسانی مانند پروفسور کاترین پوپ خاطرنشان می‌کنند که این محیط‌ها فاقد «دنیای آشفته، پیچیده و انسانیِ» مراقبت‌های بهداشتی واقعی هستند و این خطر وجود دارد که مدل‌ها ممکن است پیش از این، بخش‌هایی از مجموعه داده MIMIC-IV را در طول فرآیند آموزش دیده باشند.

نکات کلیدی

  • برتری بالینی در شبیه‌سازی: عوامل هوش مصنوعی MIRA و AMIE در محیط‌های پزشکی کنترل‌شده و شبیه‌سازی‌شده، دقت تشخیصی و پایبندی به دستورالعمل‌های بالاتر نسبت به متخصصان انسانی نشان دادند.
  • ایمنی و دقت: هر دو سیستم در مدیریت دارو و شناسایی موارد بستری در بیمارستان، قابلیت اطمینان استثنایی از خود نشان دادند و در کامل بودن طرح‌های درمانی، از انسان‌ها پیشی گرفتند.
  • عامل داربست‌بندی: بخش بزرگی از موفقیت‌های فعلی بر معماری‌های پیچیده چندعاملی (multi-agent) متکی است که ممکن است با تکامل مداوم مدل‌های زبانی بزرگ (LLM) پایه، زائد شوند.