Microsoft は、自社の医療 AI システムは、開業医の 2 倍以上の正確さで困難な症例を診断できると主張しています。そして今回、この主張は査読を経て認められました。
「言語モデルを使用した逐次診断」と題された研究によると、Microsoft AI Diagnostic Orchestrator (MAI-DxO) は、注文する検査や処置の数を減らしながら、診断精度において「現役の一般医を大幅に上回った」という。この研究は昨年、査読されていないプレプリントとして arXiv に初めて掲載されました。木曜日、この研究結果はサイエンス誌に正式に発表されたが、これはマイクロソフトがシステムを印象的なデモ領域から臨床的信頼性へと移行させるステップであるとマイクロソフトが主張している。 この件の詳細は、AIの最新動向をご覧ください。
New England Journal of Medicine に掲載された複雑な症例記録に基づいて構築されたテストでは、MAI-DxO は 83.2 パーセントの診断精度を達成しました。これに対し、参考資料にアクセスできる一般医師の診断精度は 36.1 パーセントでした。医師がこれらのリソースを拒否された場合、医師の精度は約 22% に低下し、そのような状況下では AI システムの精度はほぼ 4 倍になりました。救急外来の入院に基づく別のテストでは、AI は再び一般医師を上回りましたが、その差は 80.3% 対 46.8% と僅差でした。
医師と同じ方法で診断するシステム
MAI-DxO が従来の症状チェッカーと異なるのは、逐次的に動作することです。患者はモデルに症状、病歴、検査結果の完全なファイルを渡すわけではありません。その代わりに、このシステムは主訴から始まり、診断に着手する前にどのようなフォローアップの質問をするか、どの検査をオーダーするかを決定する必要があります。これは、不確実性の下で実際の医師がどのように仕事をするかに非常に近いものです。
研究者らは、以前のベンチマークではこのような逐次的な方法で大規模言語モデルの診断能力を評価できなかったため、Sequential Diagnosis Benchmark (SDBench) と呼ばれる新しい評価を構築したと述べています。
論文によると、MAI-DxOは内部で「医師団をシミュレート」し、鑑別診断を継続的に修正し、費用対効果の高い検査を選択しているという。さまざまな AI エージェントが、診断の提案、テストの指示、仮説への挑戦、コストの比較など、異なる役割を担います。研究者らは、この構造が、最初の診断に固執したり、別の説明を見落としたりするなど、個々の医師に影響を与える認知バイアスに対抗するのに役立つと示唆しています。
OpenAI の GPT モデルに基づいて構築
このシステムは、OpenAI の GPT-5 上で実行すると最も強力な結果を達成し、追加のテストでは GPT-5.5 を使用した場合のさらなる改善が示されました。 Microsoft は経済性も重視しています。同社によれば、MAI-DxO は不必要な検査や手順の発注を減らし、半分、あるいは 3 分の 1 のコストで適切な診断を達成できるとのことです。
この費用の主張には、Microsoft 自体が警告している注意事項が付いています。節約額は、実際の医療費ではなく、シミュレーションされたケースでの推定費用に基づいてモデル化されています。研究者らはまた、このシステムを一般医師ではなく専門家と比較した場合、パフォーマンスの差が縮まると期待していることも認めている。
ベンチマークからベッドサイドまで
トップジャーナルに掲載されることは別のことです。患者の治療は別です。 Microsoft の AI 責任者である Mustafa Suleyman 氏は The Verge に対し、現実世界への導入には依然として臨床試験が必要であり、同社はすでにその計画を立てていると語った。マイクロソフトのAIヘルスリーダー、ドミニク・キング博士は、今後数カ月以内にボストンのベス・イスラエル・ディーコネス・メディカルセンターでテストが始まると述べた。
その段階的なアプローチは重要です。なぜなら、この分野は以前にこの映画を見たことがあるからです。今年の初め、ハーバード大学とベス・イスラエル・ディーコネス・メディカルセンターの研究者らは、OpenAIのo1-preview推論モデルが診断タスクでも医師に勝ったと報告し、AIが医師に取って代わるという見出しが波紋を広げた。これらの研究で確立できなかったのは、間違いが現実の結果をもたらし、厳選された雑誌の症例よりも患者集団がはるかに混乱している実際の臨床現場での安全性でした。
Microsoftは野心的な枠組みに傾倒し、「医療スーパーインテリジェンスの構築」を旗印に独自の発表を発表した。スレイマン氏は、診断推論を、AI が短期的に人間の専門家のパフォーマンスを超えることができる最も明確な領域の 1 つと位置付けています。
詳細が重要な理由
ベンチマークで使用される NEJM ケースは、設計上、診断が難しく、誰かがつまづくという理由で書かれるようなパズルです。日々のプライマリケアには、膨大な量の日常的なプレゼンテーションが含まれており、ジェネラリストの精度は自然にはるかに高くなります。まれで複雑な症例の精度を 2 倍にするシステムは価値がありますが、それは医療全体の精度を 2 倍にすることと同じではありません。
説明責任の問題もあります。 AI オーケストレーターが致命的な状態を見逃すテスト カスケードを命令した場合、ほとんどの管轄区域では責任の問題が未解決のままです。ベス・イスラエル・ディーコネスにおける臨床試験は、まさに規制当局や病院システムが必要とする将来性のある証拠を生み出すことを目的としています。
それでも、この軌跡を無視することは困難です。 Science 誌の査読結果、明確な臨床検査計画、医療システムへのコスト圧力はすべて同じ方向性を示しています。つまり、診断 AI は研究デモンストレーションから規制された医療行為へと移行しつつあります。次のマイルストーンはボストン試験の結果、つまりベンチマークの優位性が実際の患者のより良い転帰につながるかどうかの最初のテストとなるだろう。
現時点では、この論文自身の構成が最も公平な要約である。複雑な症例の逐次診断において、AI 医師の模擬パネルは、より低い推定コストで、現役のジェネラリストを大幅に上回った。これを承認された臨床実践に変えることは、マイクロソフトが現在取り組んでいるより困難な問題です。
---
AIの最新情報をお届けAIの最新ニュース、分析、ブレイクスルーを一箇所で。
AIニュースをもっと読む →
