Microsoft mengatakan sistem AI medisnya dapat mendiagnosis kasus-kasus sulit dua kali lebih akurat daripada dokter praktik – dan kali ini, klaim tersebut lolos dari tinjauan sejawat.
Microsoft AI Diagnostic Orchestrator (MAI-DxO) "secara substansial mengungguli dokter umum yang berpraktik" dalam akurasi diagnostik sambil memesan lebih sedikit tes dan prosedur, menurut sebuah penelitian berjudul "Diagnosis Sekuensial dengan Model Bahasa." Karya ini pertama kali muncul di arXiv tahun lalu sebagai pracetak yang tidak ditinjau oleh rekan sejawat. Pada hari Kamis, temuan ini secara resmi dipublikasikan di jurnal Science, sebuah langkah yang menurut Microsoft akan mengubah sistem dari wilayah demo yang mengesankan menuju kredibilitas klinis. For more context on this story, see our ongoing artificial intelligence updates.
Dalam pengujian berdasarkan catatan kasus kompleks yang dipublikasikan di New England Journal of Medicine, MAI-DxO mencapai akurasi diagnostik 83,2 persen, dibandingkan dengan 36,1 persen untuk dokter umum yang memiliki akses terhadap bahan referensi. Ketika para dokter tidak mendapatkan sumber daya tersebut, akurasi mereka turun menjadi sekitar 22 persen – sehingga sistem AI hampir empat kali lebih akurat dalam kondisi tersebut. Dalam tes terpisah berdasarkan penerimaan pasien di unit gawat darurat, AI kembali mengungguli dokter umum, meskipun dengan selisih yang lebih kecil yaitu 80,3 persen berbanding 46,8 persen.
Sistem yang Mendiagnosis Seperti yang Dilakukan Dokter
Yang membedakan MAI-DxO dengan pemeriksa gejala konvensional adalah ia bekerja secara berurutan. Pasien tidak memberikan model file lengkap tentang gejala, riwayat, dan hasil tes. Sebaliknya, sistem ini dimulai dengan keluhan utama dan harus memutuskan pertanyaan lanjutan mana yang harus diajukan dan tes mana yang harus dilakukan sebelum melakukan diagnosis – lebih mirip dengan cara kerja dokter sebenarnya dalam kondisi ketidakpastian.
Para peneliti mengatakan tolok ukur sebelumnya gagal mengevaluasi kemampuan diagnostik model bahasa besar secara berurutan, sehingga mereka membuat evaluasi baru yang disebut Sequential Diagnosis Benchmark, atau SDBench.
Di bawah tenda, MAI-DxO "mensimulasikan panel dokter," menurut makalah tersebut, terus merevisi diagnosis banding dan memilih tes yang hemat biaya. Agen AI yang berbeda mempunyai peran yang berbeda: mengusulkan diagnosis, memesan tes, menantang asumsi, dan mempertimbangkan biaya. Para peneliti berpendapat bahwa struktur ini membantu melawan bias kognitif yang mempengaruhi masing-masing dokter, seperti berpegang pada diagnosis awal atau mengabaikan penjelasan alternatif.
Dibangun pada Model GPT OpenAI
Sistem ini mencapai hasil terkuatnya dengan menggunakan GPT-5 OpenAI, dengan pengujian tambahan yang menunjukkan peningkatan lebih lanjut menggunakan GPT-5.5. Microsoft juga menekankan aspek ekonomi: perusahaan mengatakan MAI-DxO mencapai diagnosis yang tepat dengan setengah atau bahkan sepertiga biaya dengan memesan lebih sedikit tes dan prosedur yang tidak perlu.
Klaim biaya ini disertai dengan peringatan yang disampaikan oleh Microsoft sendiri – penghematan didasarkan pada perkiraan biaya dalam kasus simulasi, bukan tagihan medis di dunia nyata. Para peneliti juga mengakui bahwa mereka memperkirakan kesenjangan kinerja akan mengecil jika sistem dibandingkan dengan dokter spesialis dibandingkan dengan dokter umum.
Dari Tolok Ukur ke Samping Tempat Tidur
Publikasi di jurnal terkemuka adalah satu hal; merawat pasien adalah hal lain. Kepala AI Microsoft Mustafa Suleyman mengatakan kepada The Verge bahwa penerapan di dunia nyata masih memerlukan uji klinis – dan perusahaan sudah memiliki rencana untuk itu. Pimpinan kesehatan AI Microsoft, Dr. Dominic King, mengatakan pengujian akan dimulai di Beth Israel Deaconess Medical Center di Boston dalam beberapa bulan ke depan.
Pendekatan bertahap itu penting, karena lapangan sudah pernah menonton film ini sebelumnya. Awal tahun ini, para peneliti dari Universitas Harvard dan Beth Israel Deaconess Medical Center melaporkan bahwa model penalaran o1-preview OpenAI juga mengalahkan dokter dalam tugas diagnostik, sehingga memicu gelombang berita utama tentang AI yang menggantikan dokter. Apa yang tidak dapat ditentukan oleh penelitian-penelitian tersebut adalah keamanan dalam pengaturan klinis langsung, di mana kesalahan membawa konsekuensi nyata dan populasi pasien jauh lebih berantakan daripada kasus-kasus jurnal yang dikurasi.
Microsoft telah melakukan pembingkaian yang ambisius, menerbitkan pengumumannya sendiri di bawah bendera "membangun superintelligence medis". Suleyman telah memposisikan penalaran diagnostik sebagai salah satu domain paling jelas di mana AI dapat melampaui kinerja pakar manusia dalam waktu dekat.
Mengapa Detail Penting
Kasus NEJM yang digunakan dalam benchmark, secara desain, sulit didiagnosis – jenis teka-teki yang ditulis justru karena kasus tersebut membuat seseorang bingung. Perawatan primer sehari-hari melibatkan presentasi rutin dalam jumlah besar sehingga akurasi generalis secara alami jauh lebih tinggi. Sebuah sistem yang menggandakan akurasi pada kasus-kasus langka dan kompleks memang berharga, namun tidak sama dengan menggandakan akurasi di semua bidang kedokteran.
Ada juga pertanyaan tentang akuntabilitas. Jika orkestra AI memerintahkan rangkaian pengujian yang gagal mencapai kondisi fatal, pertanyaan pertanggungjawaban masih belum terselesaikan di sebagian besar wilayah hukum. Uji klinis di Beth Israel Deaconess dimaksudkan untuk menghasilkan bukti prospektif yang dibutuhkan oleh regulator dan sistem rumah sakit.
Namun, lintasannya sulit untuk diabaikan. Hasil tinjauan sejawat di Science, rencana pengujian klinis yang ditentukan, dan tekanan biaya pada sistem kesehatan semuanya menunjukkan arah yang sama: AI diagnostik beralih dari demonstrasi penelitian ke praktik medis yang diatur. Tonggak sejarah berikutnya adalah hasil uji coba di Boston – tes pertama untuk mengetahui apakah dominasi tolok ukur menghasilkan hasil yang lebih baik bagi pasien sebenarnya.
Untuk saat ini, kerangka makalah ini adalah ringkasan yang paling adil: pada diagnosis berurutan dari kasus-kasus kompleks, panel simulasi dokter AI mengungguli dokter generalis dengan selisih yang lebar, dengan perkiraan biaya yang lebih rendah. Mengubahnya menjadi praktik klinis yang disetujui adalah masalah tersulit yang kini dihadapi Microsoft.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
