Microsoft заявляет, что ее медицинская система искусственного интеллекта может диагностировать сложные случаи более чем в два раза точнее, чем практикующие врачи — и на этот раз это утверждение выдержало экспертную оценку.
Согласно исследованию под названием «Последовательная диагностика с помощью языковых моделей», Microsoft AI Diagnostic Orchestrator (MAI-DxO) «существенно превзошел практикующих врачей общей практики» по точности диагностики, одновременно заказав меньше тестов и процедур. Работа впервые появилась на arXiv в прошлом году как нерецензируемый препринт. В четверг результаты были официально опубликованы в журнале Science. Microsoft утверждает, что это шаг, который перемещает систему от впечатляющей демонстрационной территории к клинической достоверности. Подробнее об этой истории — в нашем больше статей об ИИ.
В тестах, построенных на основе сложных историй болезни, опубликованных в Медицинском журнале Новой Англии, MAI-DxO достиг диагностической точности 83,2 процента по сравнению с 36,1 процента у врачей общей практики, имевших доступ к справочным материалам. Когда врачам отказали в этих ресурсах, их точность упала примерно до 22 процентов, что сделало систему искусственного интеллекта почти в четыре раза точнее в таких условиях. В отдельном тесте, основанном на поступлениях в отделения неотложной помощи, ИИ снова превзошел врачей общей практики, хотя и с меньшим отрывом: с 80,3% до 46,8%.
Система, которая диагностирует так, как это делают врачи
Что отличает MAI-DxO от обычных средств проверки симптомов, так это то, что он работает последовательно. Пациенты не передают модели полный файл симптомов, анамнеза и результатов анализов. Вместо этого система начинает с основной жалобы и должна решить, какие дополнительные вопросы задать и какие анализы назначить, прежде чем ставить диагноз — это гораздо ближе к тому, как настоящий врач работает в условиях неопределенности.
Исследователи говорят, что предыдущие тесты не смогли оценить диагностические способности больших языковых моделей таким последовательным образом, поэтому они создали новую оценку, названную Sequential Diagnosis Benchmark или SDBench.
Согласно статье, MAI-DxO «имитирует группу врачей», постоянно пересматривающих дифференциальный диагноз и выбирающих экономически эффективные тесты. Разные агенты ИИ берут на себя разные роли: предлагают диагнозы, заказывают тесты, оспаривают предположения и взвешивают затраты. Исследователи предполагают, что эта структура помогает противостоять когнитивным предубеждениям, которые затрагивают отдельных врачей, например, привязанность к первоначальному диагнозу или игнорирование альтернативных объяснений.
Создан на основе моделей GPT OpenAI.
Система достигла наилучших результатов при работе с OpenAI GPT-5, а дополнительное тестирование показало дальнейшие улучшения с использованием GPT-5.5. Microsoft также делает упор на экономичность: компания утверждает, что MAI-DxO позволяет поставить правильный диагноз за половину или даже треть стоимости, заказав меньше ненужных тестов и процедур.
Это заявление о затратах сопровождается оговоркой, которую отмечает сама Microsoft: экономия моделируется на основе предполагаемых затрат в смоделированных случаях, а не на реальных медицинских счетах. Исследователи также признают, что они ожидали бы, что разрыв в производительности сократится, если систему сравнивать с экспертами-специалистами, а не с врачами общей практики.
От эталонного уровня до прикроватного
Публикация в ведущем журнале — это одно; лечение пациентов – это другое. Руководитель Microsoft по искусственному интеллекту Мустафа Сулейман рассказал The Verge, что любое реальное внедрение по-прежнему потребует клинических испытаний — и у компании уже есть планы на этот счет. Руководитель отдела здравоохранения Microsoft в области искусственного интеллекта доктор Доминик Кинг заявил, что тестирование начнется в Медицинском центре Бет Исраэль Дьяконесса в Бостоне в течение следующих нескольких месяцев.
Такой постановочный подход имеет значение, потому что кинозрители уже видели этот фильм. Ранее в этом году исследователи из Гарвардского университета и Медицинского центра Бет Исраэль Диаконесса сообщили, что модель рассуждения OpenAI o1-preview также превосходит врачей в диагностических задачах, что породило волну заголовков о том, что ИИ заменяет врачей. Чего эти исследования не смогли установить, так это безопасности в реальных клинических условиях, где ошибки влекут за собой реальные последствия, а популяция пациентов гораздо более беспорядочна, чем курируемые журнальные случаи.
Microsoft прибегла к амбициозной формулировке, опубликовав собственное заявление под лозунгом «создания медицинского суперинтеллекта». Сулейман позиционирует диагностическое мышление как одну из самых очевидных областей, где ИИ может превзойти человеческие экспертные способности в ближайшем будущем.
Почему детали имеют значение
The NEJM cases used in the benchmark are, by design, diagnostically difficult — the kind of puzzles that get written up precisely because they stumped someone. Повседневная первичная медико-санитарная помощь включает в себя огромные объемы рутинных презентаций, где общая точность, естественно, намного выше. Система, которая удваивает точность в редких и сложных случаях, ценна, но это не то же самое, что удвоение точности во всей медицине.
Существует также вопрос об ответственности. Если оркестратор ИИ заказывает каскад испытаний, в результате которого не обнаруживается фатальное состояние, в большинстве юрисдикций вопросы ответственности остаются нерешенными. Clinical trials at Beth Israel Deaconess are meant to generate exactly the kind of prospective evidence regulators and hospital systems would need.
Тем не менее, эту траекторию трудно игнорировать. Рецензируемые результаты в журнале Science, определенный план клинических испытаний и ценовое давление на системы здравоохранения — все это указывает на одно и то же направление: диагностический искусственный интеллект переходит от исследовательских демонстраций к регулируемой медицинской практике. The next milestone will be those Boston trial results — the first test of whether benchmark dominance translates into better outcomes for actual patients.
For now, the paper's own framing is the fairest summary: on sequential diagnosis of complex cases, a simulated panel of AI physicians outperformed practicing generalists by a wide margin, at lower estimated cost. Превращение этого в утвержденную клиническую практику — более сложная задача, на решение которой теперь подписалась Microsoft.
---
Будьте в курсе ИИПоследние новости, аналитика и прорывы в сфере ИИ — всё в одном месте.
Читать больше новостей об ИИ →
