Microsoft spune că sistemul său medical de inteligență artificială poate diagnostica cazurile dificile de mai mult de două ori mai precis decât medicii practicieni - și de această dată, afirmația a supraviețuit evaluării de către colegi.
Microsoft AI Diagnostic Orchestrator (MAI-DxO) „a depășit substanțial medicii generaliști practicanți” în ceea ce privește acuratețea diagnosticului, în timp ce a comandat mai puține teste și proceduri, potrivit unui studiu intitulat „Diagnoza secvențială cu modele de limbaj”. Lucrarea a apărut pentru prima dată pe arXiv anul trecut ca un preprint care nu este revizuit de colegi. Joi, concluziile au fost publicate oficial în revista Science, un pas pe care Microsoft susține că mută sistemul de la un teritoriu demonstrativ impresionant către credibilitatea clinică. For more context on this story, see our ongoing AI news.
În testele construite din dosare complexe publicate în New England Journal of Medicine, MAI-DxO a obținut o acuratețe de diagnostic de 83,2%, comparativ cu 36,1% pentru medicii generaliști care au avut acces la materiale de referință. Când medicilor li s-au refuzat aceste resurse, precizia lor a scăzut la aproximativ 22 la sută - punând sistemul AI de aproape patru ori mai precis în acele condiții. Într-un test separat bazat pe internările la departamentul de urgență, AI a depășit din nou medicii generaliști, deși cu o marjă mai restrânsă de 80,3% până la 46,8%.
Un sistem care diagnostichează așa cum fac medicii
Ceea ce diferențiază MAI-DxO de verificatoarele de simptome convenționale este că funcționează secvenţial. Pacienții nu înmânează modelului un fișier complet cu simptome, istoric și rezultatele testelor. În schimb, sistemul începe cu o plângere principală și trebuie să decidă ce întrebări ulterioare să pună și ce teste să comande înainte de a se angaja la un diagnostic - mult mai aproape de modul în care funcționează un medic real în condiții de incertitudine.
Cercetătorii spun că reperele anterioare nu au reușit să evalueze abilitățile de diagnosticare ale modelelor de limbaj mari în acest mod secvenţial, așa că au construit o nouă evaluare numită Sequential Diagnosis Benchmark sau SDBench.
Sub capotă, MAI-DxO „simulează un grup de medici”, potrivit lucrării, revizuind continuu un diagnostic diferențial și selectând teste rentabile. Diferiți agenți AI își asumă roluri distincte: propun diagnostice, comandă teste, provoacă ipoteze și cântărește costurile. Cercetătorii sugerează că această structură ajută la contracararea prejudecăților cognitive care afectează medicii individuali, cum ar fi ancorarea pe un diagnostic inițial sau ignorarea explicațiilor alternative.
Construit pe modelele GPT OpenAI
Sistemul a obținut cele mai bune rezultate rulând pe GPT-5 de la OpenAI, cu teste suplimentare care arată îmbunătățiri suplimentare folosind GPT-5.5. Microsoft subliniază, de asemenea, economia: compania spune că MAI-DxO ajunge la diagnosticul corect la jumătate sau chiar la o treime din cost, comandând mai puține teste și proceduri inutile.
Această declarație de cost vine cu o avertizare pe care Microsoft însuși o semnalează - economiile sunt modelate pe costurile estimate în cazuri simulate, nu pe facturile medicale din lumea reală. Cercetătorii recunosc, de asemenea, că s-ar aștepta ca decalajul de performanță să se reducă dacă sistemul ar fi comparat cu specialiști experți, mai degrabă decât cu medicii generaliști.
De la benchmark la noptieră
Publicarea într-un jurnal de top este un lucru; tratarea pacientilor este alta. Șeful AI al Microsoft, Mustafa Suleyman, a declarat pentru The Verge că orice implementare în lumea reală va necesita în continuare testare clinică - iar compania are deja planuri pentru aceasta. Dr. Dominic King, responsabilul Microsoft în domeniul sănătății AI, a declarat că testarea va începe la Beth Israel Deaconess Medical Center din Boston în următoarele două luni.
Această abordare în scenă contează, pentru că domeniul a mai văzut acest film. La începutul acestui an, cercetătorii de la Universitatea Harvard și Beth Israel Deaconess Medical Center au raportat că modelul de raționament o1-preview al OpenAI i-a învins și pe doctori la sarcinile de diagnosticare, alimentând un val de titluri despre AI care înlocuiește medicii. Ceea ce aceste studii nu au putut stabili a fost siguranța în medii clinice live, unde greșelile au consecințe reale, iar populația de pacienți este mult mai dezordonată decât cazurile de jurnal curate.
Microsoft s-a înclinat spre o încadrare ambițioasă, publicând propriul anunț sub bannerul „construirii superinteligenței medicale”. Suleyman a poziționat raționamentul diagnostic ca unul dintre cele mai clare domenii în care AI poate depăși performanța experților umani în termen scurt.
De ce contează detaliile
Cazurile NEJM utilizate în benchmark sunt, prin proiectare, dificile din punct de vedere diagnostic - genul de puzzle-uri care sunt scrise tocmai pentru că au dezamăgit pe cineva. Asistența primară de zi cu zi implică volume enorme de prezentări de rutină în care acuratețea generalistă este în mod natural mult mai mare. Un sistem care dublează acuratețea în cazuri rare și complexe este valoros, dar nu este același lucru cu dublarea preciziei în întreaga medicină.
Mai este și problema răspunderii. Dacă un orchestrator AI comandă o cascadă de testare care ratează o condiție fatală, întrebările legate de răspundere rămân nerezolvate în majoritatea jurisdicțiilor. Studiile clinice la Beth Israel Deaconess sunt menite să genereze exact tipul de dovezi potențiale de care ar avea nevoie autoritățile de reglementare și sistemele spitalicești.
Totuși, traiectoria este greu de ignorat. Un rezultat revizuit de colegi în Știință, un plan de testare clinică definit și presiunea asupra costurilor asupra sistemelor de sănătate indică toate aceeași direcție: IA de diagnosticare trece de la demonstrații de cercetare la practica medicală reglementată. Următoarea etapă va fi acele rezultate ale studiului Boston - primul test pentru a stabili dacă dominanța de referință se traduce în rezultate mai bune pentru pacienții reali.
Deocamdată, încadrarea lucrării este cel mai corect rezumat: pe diagnosticul secvenţial al cazurilor complexe, un grup simulat de medici AI a depăşit generaliştii practicanţi cu o marjă largă, la un cost estimat mai mic. Transformarea acesteia în practică clinică aprobată este problema mai dificilă pentru care Microsoft s-a înscris acum.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
