微软 MAI-DxO 在《Science》发表研究：复杂病例诊断准确率 83%，高于全科医生的 36%

根据周四发表在《科学》杂志上的一项研究，微软的AI诊断系统在模拟中正确诊断复杂医疗病例的频率是一般医生的两倍多。微软AI首席执行官Mustafa Suleyman称这一结果是迈向“医疗超级智能”的一步。

该系统名为MAI-DxO（简称DxO），它协调多个AI智能体，使其像一组医生一样运作。它们询问患者、开具检查，并对诊断进行辩论。

在一项使用《新英格兰医学杂志》复杂病例的模拟中，它的正确率为83%。而初级保健医生和普通内科医生在单独使用参考资料的情况下，正确率为36%。需要说明的是：如此复杂的病例通常由专科医生或医生团队处理，而他们并未参与此次对比。

“这里有一些非常实质且令人兴奋的东西，”微软AI健康部门副总裁Dominic King对TechCrunch表示。“目前医疗服务提供中最大的挑战，是医疗专业知识的供需之间日益加剧的不匹配。”

在公布这些结果时，微软加入了Google和OpenAI的行列，声称自家AI能够匹敌或超越医生。

该研究自身的数据表明，大部分提升来自更强大的底层AI模型，而微软的编排系统在此基础上又带来了额外增益。

微软用来自多家公司的模型测试了MAI-DxO，包括OpenAI、Google、Anthropic、Meta和DeepSeek，但最佳结果来自OpenAI的GPT-5和GPT-5.5。 

微软同时衡量了DxO的成本和准确率，即运行AI处理每个病例的估算成本。在仅使用简短基础提示词的情况下，GPT-5在复杂病例上的得分为78.9%，每个病例成本约为8，400美元。DxO将这一成本削减了约3，000美元，但准确率仅提高了约四个百分点。在急诊科病例上，GPT-5单独使用与借助DxO辅助相比，在准确率或成本改善方面都几乎没有提升。

对于2026年4月发布的更新模型GPT-5.5，结果出现分化。在复杂病例上，DxO将GPT-5.5的准确率得分从72%提升至近87%，且成本略低。然而，这些增益在急诊科病例上再次未能显现。两者（使用和不使用DxO）得分均约为85%，成本相近。 

DxO在复杂病例和能力较弱的AI模型上帮助最大。例如，Gemini 2.5 Flash单独使用时得分为46.4%，而使用DxO后接近69%。即便如此，较弱模型与较强模型之间的差距仍大于DxO带来的提升。

微软研究人员表示，随着模型接近理论最大值，准确率增益自然会缩小。“DxO编排有助于应对同时优化准确率和成本这一更广泛的挑战，”一位发言人补充道。

Suleyman负责领导微软打造自有前沿AI的工作，他对TechCrunch表示，公司正与Mayo Clinic合作训练一个医疗健康基础模型，计划于明年发布。他相信该模型将使公司能够“在这里实现真正巨大的飞跃”，并表示DxO是微软正在构建的基础设施的一部分，以期在医疗健康领域取得真正的突破。 

“我真的相信，到2027年，我们将处于病历编码方式突破的边缘，”Suleyman说。“我认为我们将能够对病历可能如何发展做出高度准确的预测流，显然，这种对临床医生的预见是无价之宝。”

Suleyman整个职业生涯都在尝试用AI解决医疗问题。他此前是DeepMind的联合创始人，该公司于2014年被Google收购。次年，Google DeepMind收购了King的初创公司Hark——一款临床任务管理应用，随后两人共同推出了DeepMind Health。Suleyman于2024年加入Microsoft领导其AI部门，King在几个月后也跟随加入。

“我们就是真正的信徒，”Suleyman说。

他表示，尽管生成式AI在医疗保健领域的应用仍处于早期阶段，但他预计医疗模型将“在未来24到36个月内能力提升一个数量级”。 

“正如我们在过去五六年里多次看到的那样，一旦有了飞轮，进展就会非常迅速，”Suleyman说。“飞轮意味着我们有一个投入生产的模型，我们通过真实世界的使用来迭代它，以识别模型中的差距，然后修补并改进它们。这就是编码领域发生的情况。在此之前是聊天领域。我认为明年这将开始发生在病历和临床决策支持领域。”

通过与波士顿Beth Israel Deaconess医疗中心的新合作，Microsoft将在不同医院环境中评估DxO的临床推理能力。

“这项技术已准备好进行真实世界评估，你可以想象波士顿急诊室周五晚上出现的问题的复杂性和多样性，”King说。

他解释了这项研究将如何进行：患者将接受标准治疗，包括分诊、专科医生诊疗、治疗、检查，以及关于是否可以安全出院的决定。与此同时，同意参与的患者还将与DxO互动。Microsoft及其合作伙伴将把DxO的建议与人类医生的建议进行比较。 

Google发表了本月与Beth Israel合作在《柳叶刀》上的一项临床研究，在真实世界的紧急护理就诊中评估Google的AMIE对话式诊断AI，同时由人类医生实时监控交互。 

“我们认为这将是同类研究中规模最大的，”King说。“它将不仅涵盖急诊环境，还包括紧急护理环境，并将在研究期结束时为我们提供非常有说服力的证据，证明这些系统未来能够更大规模地部署。”

Microsoft在《科学》杂志上的研究恰逢一份关于构建医疗超级智能需要什么的宣言，医疗超级智能被定义为“在整个护理过程中，在医学推理和协调方面超越最强的当代人类主导卫生系统的能力”。Microsoft希望超越对单个任务（如回答医学考试问题和生成诊断）的基准测试，转向与临床医生和医疗保健系统整合以取得更好的结果。 

“这是世界上每个人都想要的那种技术，这就是为什么我们致力于尽一切努力加速它向世界的推出，”Suleyman说，并补充说这一重点可能成为Microsoft与其他前沿实验室的差异化优势。 

微软已经向临床医生销售听写和放射学工具，并将 DxO 视为这些工作的扩展。 

“未来几年，我们必须拥有绝对第一、最先进的医疗临床决策支持产品，”Suleyman 说。 

当您通过我们文章中的链接购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。