Microsoft säger att dess medicinska AI-system kan diagnostisera svåra fall mer än dubbelt så exakt som praktiserande läkare - och den här gången har påståendet överlevt peer review.
Microsoft AI Diagnostic Orchestrator (MAI-DxO) har "avsevärt överträffat praktiserande generalistläkare" i diagnostisk noggrannhet samtidigt som de beställde färre tester och procedurer, enligt en studie med titeln "Sequential Diagnosis with Language Models." Verket dök upp för första gången på arXiv förra året som ett icke-peer-reviewed preprint. På torsdagen publicerades resultaten formellt i tidskriften Science, ett steg som Microsoft hävdar flyttar systemet från imponerande demo-territorium mot klinisk trovärdighet. For more context on this story, see our ongoing latest AI developments.
I tester byggda från komplexa fall som publicerats i New England Journal of Medicine, uppnådde MAI-DxO 83,2 procent diagnostisk noggrannhet, jämfört med 36,1 procent för generalistläkare som hade tillgång till referensmaterial. När läkarna nekades dessa resurser, sjönk deras noggrannhet till ungefär 22 procent - vilket gjorde att AI-systemet nästan fyra gånger så exakt under dessa förhållanden. I ett separat test baserat på akutmottagningar överträffade AI återigen generalistläkare, dock med en mindre marginal på 80,3 procent till 46,8 procent.
Ett system som diagnostiserar hur läkare gör
Det som skiljer MAI-DxO från konventionella symtomkontroller är att det fungerar sekventiellt. Patienterna ger inte modellen en komplett fil med symptom, historia och testresultat. Istället börjar systemet med ett huvudklagomål och måste bestämma vilka följdfrågor som ska ställas och vilka tester som ska beställas innan man förbinder sig till en diagnos - mycket närmare hur en riktig läkare arbetar under osäkerhet.
Forskarna säger att tidigare riktmärken misslyckades med att utvärdera stora språkmodellers diagnostiska förmågor på detta sekventiella sätt, så de byggde en ny utvärdering som kallas Sequential Diagnosis Benchmark, eller SDBench.
Under huven, MAI-DxO "simulerar en panel av läkare", enligt tidningen, som kontinuerligt reviderar en differentialdiagnos och väljer kostnadseffektiva tester. Olika AI-agenter tar på sig olika roller: föreslå diagnoser, beställa tester, utmana antaganden och väga kostnader. Forskarna föreslår att denna struktur hjälper till att motverka kognitiva fördomar som påverkar enskilda läkare, som att förankra en initial diagnos eller förbise alternativa förklaringar.
Byggd på OpenAI:s GPT-modeller
Systemet uppnådde sina starkaste resultat med OpenAI:s GPT-5, med ytterligare tester som visade ytterligare förbättringar med GPT-5.5. Microsoft betonar också ekonomin: företaget säger att MAI-DxO når rätt diagnos till hälften eller till och med en tredjedel av kostnaden genom att beställa färre onödiga tester och procedurer.
Det kostnadsanspråket kommer med en varning som Microsoft själv flaggar - besparingarna är modellerade på beräknade kostnader i simulerade fall, inte verkliga medicinska räkningar. Forskarna erkänner också att de skulle förvänta sig att prestandagapet skulle minska om systemet jämfördes med expertspecialister snarare än generalistläkare.
Från benchmark till sängkant
Publicering i en topptidskrift är en sak; att behandla patienter är en annan. Microsofts AI-chef Mustafa Suleyman sa till The Verge att all implementering i verkligheten fortfarande skulle kräva kliniska tester - och företaget har redan planer för det. Microsofts ledare för AI-hälsovård, Dr Dominic King, sa att testerna kommer att börja på Beth Israel Deaconess Medical Center i Boston inom de närmaste månaderna.
Det iscensatta tillvägagångssättet är viktigt, eftersom fältet har sett den här filmen förut. Tidigare i år rapporterade forskare från Harvard University och Beth Israel Deaconess Medical Center att OpenAI:s o1-förhandsresonemangsmodell också slog läkare vid diagnostiska uppgifter, vilket matade en våg av rubriker om AI som ersätter läkare. Vad dessa studier inte kunde fastställa var säkerhet i levande kliniska miljöer, där misstag har verkliga konsekvenser och patientpopulationen är mycket stökigare än kurerade journalfall.
Microsoft har lutat sig åt ambitiös inramning och publicerat sitt eget tillkännagivande under flaggan "bygga medicinsk superintelligens". Suleyman har placerat diagnostiskt resonemang som en av de tydligaste domänerna där AI kan överträffa mänskliga expertprestationer på kort sikt.
Varför detaljerna är viktiga
NEJM-fallen som används i riktmärket är, genom designen, diagnostiskt svåra - den typen av pussel som skrivs upp just för att de störde någon. Den dagliga primärvården innefattar enorma volymer av rutinpresentationer där generalistnoggrannheten naturligtvis är mycket högre. Ett system som fördubblar noggrannheten i sällsynta, komplexa fall är värdefullt, men det är inte samma sak som att fördubbla noggrannheten över hela medicinen.
Det finns också frågan om ansvarighet. Om en AI-orkestrator beställer en testkaskad som missar ett dödligt tillstånd, förblir ansvarsfrågor olösta i de flesta jurisdiktioner. Kliniska prövningar vid Beth Israel Deaconess är avsedda att generera exakt den typ av potentiella bevis som regulatorer och sjukhussystem skulle behöva.
Ändå är banan svår att ignorera. Ett peer-reviewed resultat i Science, en definierad plan för klinisk testning och kostnadspress på hälsosystemen pekar alla i samma riktning: diagnostisk AI går från forskningsdemonstrationer mot reglerad medicinsk praxis. Nästa milstolpe blir resultaten från Boston-försöket - det första testet av huruvida benchmarkdominans leder till bättre resultat för faktiska patienter.
För nu är tidningens egen inramning den mest rättvisa sammanfattningen: vid sekventiell diagnos av komplexa fall överträffade en simulerad panel av AI-läkare med stor marginal, till lägre uppskattad kostnad. Att förvandla det till godkänd klinisk praxis är det svårare problemet som Microsoft nu har registrerat sig för.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
