Microsoft gibt an, dass sein medizinisches KI-System schwierige Fälle mehr als doppelt so genau diagnostizieren kann wie praktizierende Ärzte – und dieses Mal hat die Behauptung die Begutachtung durch Fachkollegen überstanden.
Laut einer Studie mit dem Titel „Sequential Diagnosis with Language Models“ übertraf der Microsoft AI Diagnostic Orchestrator (MAI-DxO) praktizierende Allgemeinmediziner bei der diagnostischen Genauigkeit deutlich und ordnete gleichzeitig weniger Tests und Verfahren an. Die Arbeit erschien letztes Jahr erstmals auf arXiv als nicht begutachteter Vorabdruck. Am Donnerstag wurden die Ergebnisse offiziell in der Fachzeitschrift „Science“ veröffentlicht, ein Schritt, der Microsoft zufolge das System vom beeindruckenden Demo-Territorium hin zur klinischen Glaubwürdigkeit führt. Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Branchenberichterstattung.
In Tests, die auf komplexen Fallakten basieren und im New England Journal of Medicine veröffentlicht wurden, erreichte MAI-DxO eine diagnostische Genauigkeit von 83,2 Prozent, verglichen mit 36,1 Prozent bei Allgemeinärzten, die Zugang zu Referenzmaterialien hatten. Als den Ärzten diese Ressourcen verweigert wurden, sank ihre Genauigkeit auf etwa 22 Prozent – was bedeutet, dass das KI-System unter diesen Bedingungen fast viermal so genau ist. In einem separaten Test, der auf Aufnahmen in der Notaufnahme basierte, schnitt die KI erneut besser ab als Allgemeinärzte, wenn auch mit einem geringeren Vorsprung von 80,3 Prozent auf 46,8 Prozent.
Ein System, das die Art und Weise diagnostiziert, wie Ärzte es tun
Was MAI-DxO von herkömmlichen Symptomprüfern unterscheidet, ist, dass es sequentiell arbeitet. Patienten übergeben dem Modell keine vollständige Akte mit Symptomen, Anamnese und Testergebnissen. Stattdessen beginnt das System mit einer Hauptbeschwerde und muss entscheiden, welche Folgefragen gestellt und welche Tests angeordnet werden sollen, bevor eine Diagnose gestellt wird – viel näher an der Arbeitsweise eines echten Arztes unter Unsicherheit.
Die Forscher sagen, dass frühere Benchmarks die Diagnosefähigkeiten großer Sprachmodelle nicht auf diese sequenzielle Weise bewerten konnten, weshalb sie eine neue Bewertung namens Sequential Diagnosis Benchmark oder SDBench entwickelten.
Unter der Haube simuliert MAI-DxO laut dem Papier „ein Ärztegremium“, das kontinuierlich eine Differenzialdiagnose überarbeitet und kostengünstige Tests auswählt. Verschiedene KI-Agenten übernehmen unterschiedliche Rollen: Sie schlagen Diagnosen vor, ordnen Tests an, hinterfragen Annahmen und wägen Kosten ab. Die Forscher schlagen vor, dass diese Struktur dazu beiträgt, kognitiven Vorurteilen entgegenzuwirken, die einzelne Ärzte betreffen, wie etwa die Verankerung bei einer Erstdiagnose oder das Übersehen alternativer Erklärungen.
Basierend auf den GPT-Modellen von OpenAI
Die besten Ergebnisse erzielte das System auf OpenAIs GPT-5, wobei weitere Tests weitere Verbesserungen mit GPT-5.5 zeigten. Microsoft betont auch die Wirtschaftlichkeit: Das Unternehmen gibt an, dass MAI-DxO die richtige Diagnose bei der Hälfte oder sogar einem Drittel der Kosten ermöglicht, indem weniger unnötige Tests und Verfahren bestellt werden.
Diese Kostenerstattung geht mit einem Vorbehalt einher, auf den Microsoft selbst hinweist: Die Einsparungen basieren auf geschätzten Kosten in simulierten Fällen und nicht auf realen Arztrechnungen. Die Forscher räumen auch ein, dass sie davon ausgehen würden, dass sich der Leistungsunterschied verringern würde, wenn das System mit Fachärzten und nicht mit Allgemeinärzten verglichen würde.
Vom Benchmark zum Krankenbett
Die Veröffentlichung in einer Top-Zeitschrift ist eine Sache; Die Behandlung von Patienten ist eine andere. Microsofts KI-Chef Mustafa Suleyman sagte gegenüber The Verge, dass für jeden realen Einsatz noch klinische Tests erforderlich seien – und das Unternehmen habe bereits Pläne dafür. Der KI-Gesundheitsleiter von Microsoft, Dr. Dominic King, sagte, dass die Tests in den nächsten Monaten im Beth Israel Deaconess Medical Center in Boston beginnen werden.
Dieser inszenierte Ansatz ist wichtig, weil die Fachwelt diesen Film schon einmal gesehen hat. Anfang dieses Jahres berichteten Forscher der Harvard University und des Beth Israel Deaconess Medical Center, dass das o1-preview-Argumentationsmodell von OpenAI auch Ärzte bei Diagnoseaufgaben übertrifft, was eine Welle von Schlagzeilen darüber auslöste, dass KI Ärzte ersetzt. Was diese Studien nicht nachweisen konnten, war die Sicherheit im klinischen Alltag, wo Fehler echte Konsequenzen nach sich ziehen und die Patientenpopulation weitaus chaotischer ist als kuratierte Journalfälle.
Microsoft hat sich einer ehrgeizigen Formulierung verschrieben und seine eigene Ankündigung unter dem Motto „Aufbau medizinischer Superintelligenz“ veröffentlicht. Suleyman hat das diagnostische Denken als einen der klarsten Bereiche positioniert, in dem KI kurzfristig die Leistung menschlicher Experten übertreffen kann.
Warum die Details wichtig sind
Die im Benchmark verwendeten NEJM-Fälle sind von Natur aus diagnostisch schwierig – die Art von Rätseln, die genau deshalb aufgeschrieben werden, weil sie jemanden verblüfft haben. Die tägliche Primärversorgung umfasst enorme Mengen an Routinepräsentationen, bei denen die generalistische Genauigkeit natürlich viel höher ist. Ein System, das die Genauigkeit bei seltenen, komplexen Fällen verdoppelt, ist wertvoll, aber es ist nicht dasselbe wie die Verdoppelung der Genauigkeit in der gesamten Medizin.
Es stellt sich auch die Frage der Rechenschaftspflicht. Wenn ein KI-Orchestrierer eine Testkaskade anordnet, bei der ein schwerwiegender Zustand übersehen wird, bleiben Haftungsfragen in den meisten Gerichtsbarkeiten ungeklärt. Klinische Studien bei Beth Israel Deaconess sollen genau die Art von potenziellen Beweisen generieren, die Aufsichtsbehörden und Krankenhaussysteme benötigen.
Dennoch ist die Entwicklung schwer zu ignorieren. Ein von Experten begutachtetes Ergebnis in der Wissenschaft, ein definierter klinischer Testplan und Kostendruck auf Gesundheitssysteme weisen alle in die gleiche Richtung: Die diagnostische KI bewegt sich von Forschungsdemonstrationen hin zu einer regulierten medizinischen Praxis. Der nächste Meilenstein werden die Ergebnisse der Boston-Studie sein – der erste Test, ob die Benchmark-Dominanz zu besseren Ergebnissen für tatsächliche Patienten führt.
Im Moment ist die Formulierung des Papiers die treffendste Zusammenfassung: Bei der sequentiellen Diagnose komplexer Fälle übertraf ein simuliertes Gremium von KI-Ärzten praktizierende Allgemeinmediziner bei weitem, und das bei niedrigeren geschätzten Kosten. Dies in eine anerkannte klinische Praxis umzusetzen, ist das schwierigere Problem, dem sich Microsoft nun verschrieben hat.
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
