Jak studie probíhala

Výzkumný tým pod vedením Yousefa Mohammeda navrhl důkladný dvousložkový benchmark. První část tvořilo 70 otázek s více možnostmi pokrývajících tři klíčové oblasti: klinickou onkologii, radiační fyziku a radiobiologii. Druhá, náročnější část obsahovala 25 otevřených otázek z klinické praxe — tedy typ otázek, na které neexistuje jedna správná odpověď a kde je potřeba odborný úsudek založený na zkušenosti.

Odpovědi na otevřené otázky nehodnotil algoritmus, ale tři nezávislí radiační onkologové pomocí pětibodové Likertovy škály. Hodnotili dvě dimenze: správnost (nakolik je odpověď věcně přesná) a užitečnost (nakolik by odpověď reálně pomohla v klinické praxi). Pro statistické vyhodnocení byl použit model smíšených efektů (mixed-effects model).

Gemini těsně vítězí v testu znalostí

V části s výběrem z více možností dosáhl ChatGPT (GPT-5.2) přesnosti 94,3 %, zatímco Gemini získal 97,1 %. Rozdíl tří procentních bodů sice není dramatický, ale ukazuje, že Google v posledních měsících výrazně dotáhl náskok OpenAI v doménově specifických znalostech.

Zajímavější jsou výsledky otevřených otázek. Zde se rozdíly prakticky stírají: ChatGPT dosáhl průměrného skóre správnosti 4,71 z 5, Gemini 4,67. U užitečnosti to bylo 4,63 pro ChatGPT a 4,64 pro Gemini. Jinými slovy — oba modely jsou si v náročnějších klinických úlohách prakticky rovny a jejich výkony nelze statisticky odlišit.

Kde mají modely stále rezervy

Studie nehledá jen vítěze — důležitější je analýza omezení. Výzkumníci identifikovali několik oblastí, kde oba modely selhávají:

Složité klinické scénáře vyžadující prioritizaci. Když měl model rozhodnout, kterému pacientovi dát přednost při omezených kapacitách ozařování, odpovědi byly často příliš obecné nebo postrádaly konkrétní klinické zdůvodnění.

Individuální rozhodování. Modely dobře reprodukují učebnicové znalosti, ale selhávají, když je potřeba zohlednit specifické okolnosti — věk pacienta, komorbidity, předchozí léčbu nebo preference pacienta.

Drobné nesrovnalosti s aktuální klinickou evidencí. Autoři zaznamenali případy, kdy se odpovědi modelů rozcházely s nejnovějšími klinickými doporučeními. Jde o typický problém LLM — trénovací data končí určitým datem a modely nemají přístup k nejčerstvějším výzkumům.

Širší kontext: AI v medicíně

Tato studie zapadá do rostoucí vlny výzkumu zaměřeného na využití jazykových modelů ve zdravotnictví. Připomeňme, že již v roce 2023 GPT-4 prošel americkými lékařskými zkouškami USMLE s výsledky v horním decilu. Google zase letos představil MedLM — sadu modelů specializovaných přímo pro medicínské úlohy, postavenou na architektuře Gemini.

Radiační onkologie je ale specifická disciplína. Kombinuje hluboké znalosti fyziky ionizujícího záření, biologie nádorů a klinického rozhodování. To, že oba modely dosahují v této oblasti přesnosti přes 90 %, je pozoruhodné — zejména s ohledem na to, že nebyly na radiační onkologii specializovány.

Pro srovnání: podobné studie v jiných specializacích ukazují rozptyl od 60 % do 95 % v závislosti na obtížnosti otázek. Výsledky 94–97 % v radiační onkologii patří k těm nejlepším, co jsme dosud viděli.

Co to znamená pro české zdravotnictví

V České republice působí přibližně 350 radiačních onkologů a ročně je diagnostikováno přes 90 000 nových onkologických případů. Jakýkoliv nástroj, který by mohl lékařům pomoci s edukací, přípravou na zkoušky nebo rychlou orientací v odborné literatuře, má potenciál zlepšit kvalitu péče.

Je ale třeba být realista. Ani ChatGPT, ani Gemini nejsou certifikovány jako zdravotnické prostředky podle evropského nařízení MDR (Medical Device Regulation). EU AI Act, který vstoupil v platnost v roce 2024 a začíná se postupně aplikovat, navíc řadí systémy AI používané v diagnostice a léčbě do kategorie vysoce rizikových. To znamená přísné požadavky na transparentnost, validaci a lidský dohled.

V praxi to znamená, že než se modely jako ChatGPT nebo Gemini dostanou na pracoviště českých nemocnic jako oficiální podpůrné nástroje, čeká je ještě dlouhá cesta — klinické studie, certifikace a souhlas regulátorů.

Pro koho je to užitečné už teď

I bez oficiální certifikace nacházejí jazykové modely využití v medicínském vzdělávání. Studenti medicíny a mladí lékaři je používají k přípravě na atestační zkoušky. Vědci je využívají k rychlému vyhledávání v odborné literatuře a sumarizaci studií. A pacienti — ačkoliv to oficiální doporučení často nedoporučují — se na AI obracejí s dotazy ohledně své diagnózy.

Právě pro tuto poslední skupinu je studie důležitým signálem: modely jsou čím dál přesnější, ale stále nenahrazují odborný lékařský úsudek. Autoři studie to formulují jasně: „Je třeba dalších studií, které určí, zda se tato výkonnost promítá do smysluplného klinického přínosu v reálné radiačně-onkologické praxi."

ChatGPT vs. Gemini: srovnání pro laiky

Pro běžného uživatele, který si chce vybrat mezi oběma modely, dává smysl znát praktické rozdíly. ChatGPT (GPT-5.2) je dostupný v bezplatné verzi s omezenou kapacitou a v placené verzi ChatGPT Plus (přibližně 20 USD/měsíčně). Podporuje češtinu a umí komunikovat v přirozeném českém jazyce. Gemini je integrovaný do ekosystému Google — dostupný přes web, mobilní aplikaci a ve verzi Advanced za předplatné Google One AI Premium (přibližně 22 EUR/měsíčně). Také podporuje češtinu na dobré úrovni.

Oba modely zvládají češtinu obstojně, ale pro odbornou medicínskou komunikaci — zejména pokud potřebujete konzultovat odborné termíny — je angličtina stále výrazně spolehlivější. Žádný z modelů nemá oficiální českou lokalizaci pro medicínské použití.