L’IA MAI-DxO de Microsoft surpasse les médecins dans une étude diagnostique
L’IA MAI-DxO de Microsoft surpasse les médecins dans une étude diagnostique
Microsoft a présenté des recherches suggérant que l’intelligence artificielle pourrait diagnostiquer des maladies complexes avec une précision nettement supérieure à celle des médecins, tout en contribuant à réduire les examens médicaux inutiles.
Dans une étude publiée dans Science le 22 octobre 2026, l’orchestrateur de diagnostic par IA de Microsoft (MAI-DxO) a atteint une précision diagnostique de 83 % sur des cas médicaux complexes, contre seulement 36 % pour les médecins disposant de ressources documentaires.
Le système a aussi obtenu de bons résultats sur des cas d’urgences plus courants, avec 80 % de précision contre 47 % pour les médecins.
Ces résultats constituent une avancée majeure du raisonnement médical assisté par IA. Ils proviennent toutefois de cas cliniques historiques évalués dans un processus diagnostique simulé, et non de la prise en charge de patients à l’hôpital.
Selon l’annonce officielle de Microsoft, l’entreprise prévoit désormais de tester cette technologie dans des environnements cliniques réels.
Qu’est-ce que le système de diagnostic par IA MAI-DxO de Microsoft ?
Le Microsoft AI Diagnostic Orchestrator, ou MAI-DxO, est un système d’IA conçu pour reproduire la collaboration d’une équipe médicale lors du diagnostic des patients.
Contrairement aux systèmes d’IA classiques qui analysent toutes les informations médicales disponibles et donnent immédiatement une réponse, MAI-DxO aborde le diagnostic comme une enquête évolutive.
Il coordonne plusieurs rôles de médecins virtuels qui collaborent pour examiner les symptômes, demander des informations supplémentaires, envisager des diagnostics et remettre en question leurs conclusions respectives.
Comment fonctionne MAI-DxO
Le système suit un processus diagnostique en plusieurs étapes :
- Évaluation initiale : Les agents d’IA analysent les symptômes présentés par le patient et identifient les maladies possibles.
- Collecte d’informations : Le système détermine les questions, examens cliniques ou tests diagnostiques supplémentaires les plus utiles.
- Raisonnement collaboratif : Les rôles de médecins virtuels confrontent les explications concurrentes et évaluent les nouvelles données.
- Décisions tenant compte des coûts : Le système considère le coût estimé et la valeur diagnostique potentielle des examens supplémentaires.
- Diagnostic final : Une fois les informations suffisantes réunies, MAI-DxO retient le diagnostic le plus probable.
Cette approche vise à reproduire le raisonnement itératif de la pratique clinique, où les médecins réévaluent continuellement leurs conclusions à mesure que de nouvelles informations deviennent disponibles.
Les médecins virtuels sont des rôles générés par l’IA au sein d’un système d’orchestration, et non des médecins humains indépendants.
IA de Microsoft et médecins : les résultats de l’étude
Microsoft a évalué MAI-DxO avec son banc d’essai de diagnostic séquentiel, le Sequential Diagnosis Benchmark, ou SDBench.
Celui-ci comprenait 629 cas cliniques historiques issus de deux jeux de données : 304 cas difficiles du New England Journal of Medicine (NEJM) et 325 cas d’urgences provenant du jeu de données médicales MIMIC-IV-ED.
Les résultats ont montré des écarts substantiels de précision diagnostique.
| Évaluation diagnostique | Précision de MAI-DxO | Précision des médecins |
|---|---|---|
| 304 cas complexes du NEJM, médecins avec ressources documentaires | 83,2 % | 36,1 % |
| 304 cas complexes du NEJM, médecins sans ressources documentaires | 83,2 % | 22,3 % |
| 325 cas d’urgences | 80,3 % | 46,8 % |
Source : Microsoft AI et Nori et al., « Sequential Diagnosis with Language Models », Science, 22 octobre 2026.
Sur les cas complexes, la précision de l’IA dépasse le double de celle des médecins
Sur les 304 cas difficiles du NEJM, MAI-DxO a atteint environ 2,3 fois la précision diagnostique des médecins autorisés à consulter des manuels et des ressources en ligne.
Par rapport aux médecins travaillant sans ces ressources, sa précision était environ 3,7 fois supérieure.
Ces résultats suggèrent que les systèmes d’IA pourraient être particulièrement utiles pour diagnostiquer des affections inhabituelles ou complexes nécessitant de vastes connaissances médicales et une interprétation attentive des données.
La comparaison concernait toutefois des médecins généralistes participants dans des conditions d’étude contrôlées, et non des équipes multidisciplinaires de spécialistes travaillant dans de vrais hôpitaux.
L’IA a aussi obtenu de meilleurs résultats sur les cas d’urgences
L’évaluation aux urgences a fourni un autre résultat notable.
MAI-DxO a correctement diagnostiqué environ 80 % des cas, contre 47 % pour les médecins participants.
Cela correspond à une précision diagnostique environ 1,7 fois supérieure.
Contrairement aux cas difficiles du NEJM, le jeu de données des urgences visait à représenter des tableaux cliniques plus courants.
Les résultats sont donc particulièrement pertinents pour d’éventuelles applications dans les soins quotidiens.
Il s’agissait néanmoins d’évaluations simulées reposant sur des dossiers historiques des urgences, et non d’interactions directes avec des patients.
L’IA peut-elle améliorer le diagnostic tout en réduisant les coûts de santé ?
L’un des aspects essentiels de la recherche de Microsoft est de s’intéresser à la fois à la précision diagnostique et au coût des examens médicaux.
Un système d’IA très précis pourrait avoir une utilité pratique limitée s’il améliore simplement ses résultats en prescrivant trop d’examens.
Pour répondre à ce problème, MAI-DxO évalue l’utilité probable des investigations supplémentaires ainsi que leur coût financier estimé.
L’IA optimisée pour les coûts a conservé une précision élevée
Microsoft a indiqué qu’une configuration optimisée pour les coûts avait atteint environ 81 % de précision diagnostique sur les cas complexes du NEJM, pour moins de la moitié du coût estimé de certaines approches de comparaison.
D’autres configurations ont également montré que le système pouvait fonctionner avec des budgets d’examens nettement inférieurs tout en conservant de bonnes performances.
Il faut toutefois distinguer les résultats offrant la meilleure précision de ceux présentant les coûts les plus bas.
Les configurations sans contrainte atteignant 83,2 % sur les cas du NEJM et 80,3 % aux urgences présentaient des coûts moyens estimés supérieurs à ceux des groupes de médecins correspondants. Les configurations à budget réduit ont permis des économies moyennant une certaine baisse de précision.
L’étude démontre donc un compromis prometteur entre précision et coût, sans prouver que toutes les versions de MAI-DxO sont à la fois plus précises et moins coûteuses que les médecins.
Ces coûts ont été modélisés à partir de données standardisées de tarification médicale. Ils ne représentent ni des dépenses hospitalières réelles ni des économies vérifiées pour les patients.
Pourquoi cette recherche dépasse les tests traditionnels d’IA médicale
De nombreuses évaluations de l’IA médicale reposent sur des examens standardisés ou des questions à choix multiples.
Ces tests mesurent les connaissances médicales, mais ne reflètent pas nécessairement la complexité du diagnostic de vrais patients.
En pratique clinique, les informations sont rarement toutes disponibles d’emblée. Les médecins doivent décider quelles questions poser, quels examens demander et quand ils disposent de suffisamment d’éléments pour conclure.
Présentation du banc d’essai de diagnostic séquentiel
Microsoft a développé SDBench pour évaluer ce processus décisionnel de manière plus réaliste.
Au lieu de fournir immédiatement tout l’historique du patient, le banc d’essai commence avec des informations limitées.
Le système diagnostique doit ensuite demander des précisions étape par étape.
Un intermédiaire simulé fournit les informations du dossier clinique ou génère des réponses plausibles lorsque les renseignements demandés manquent. Un processus d’évaluation fondé sur l’IA apprécie l’exactitude du diagnostic.
Les chercheurs peuvent ainsi examiner si le système parvient au bon diagnostic, mais aussi comment il y arrive.
Microsoft a mis des composants de SDBench à la disposition des chercheurs, facilitant de nouveaux tests et leur reproductibilité.
L’entreprise indique aussi que les gains de performance de MAI-DxO se maintenaient avec des modèles d’IA plus récents, dont GPT-5.5, sans modifier son approche d’orchestration sous-jacente.
La méthode pourrait donc bénéficier des progrès continus des modèles de fondation.
Microsoft prévoit des essais cliniques réels à Boston
Malgré ses résultats prometteurs, le système diagnostique de Microsoft n’a pas encore démontré des performances équivalentes dans la pratique clinique réelle.
Pour étudier cet écart, Microsoft a annoncé un partenariat avec le Beth Israel Deaconess Medical Center de Boston.
Les organisations prévoient d’évaluer les capacités de raisonnement clinique de MAI-DxO en milieu hospitalier.
Ce que l’étude clinique examinera
Dans l’étude prospective prévue, les patients interagiront directement avec le système d’IA, et ses évaluations diagnostiques seront comparées à celles réalisées indépendamment par des médecins.
Ces recherches aideront à déterminer si MAI-DxO peut conserver ses performances face à l’incertitude et à la complexité des consultations réelles.
Elles apporteront aussi des éléments sur l’intégration possible de la technologie aux processus médicaux existants.
En attendant les résultats, la supériorité diagnostique en conditions réelles reste à démontrer.
Les défis à relever avant l’adoption clinique de l’IA
Bien que les résultats de Microsoft soient significatifs, la précision diagnostique seule ne suffit pas à établir qu’un système d’IA améliore les soins.
Plusieurs questions importantes restent sans réponse.
Fiabilité clinique et sécurité des patients
Les patients réels peuvent présenter des antécédents incomplets, des symptômes qui se chevauchent, des complications inattendues et des résultats ambigus.
Les systèmes d’IA doivent démontrer leur capacité à gérer ces situations de manière fiable, à reconnaître l’incertitude et à éviter les recommandations potentiellement dangereuses.
Décisions thérapeutiques et suivi à long terme
Identifier une maladie n’est qu’une partie des soins.
Les médecins doivent également choisir les traitements appropriés, suivre les patients, réagir aux complications et adapter les soins aux circonstances individuelles.
Les résultats publiés de MAI-DxO ne démontrent pas sa capacité à assumer ces responsabilités plus larges.
Supervision humaine et intégration aux soins
Les systèmes cliniques d’IA doivent aussi s’intégrer à la prise de décision partagée entre médecins et patients.
Cela implique d’expliquer les recommandations, d’appuyer le jugement professionnel, de protéger les informations sensibles et de maintenir une supervision humaine appropriée.
Ces exigences rendent indispensable la validation en conditions réelles avant un déploiement clinique généralisé.
Pourquoi l’avancée de Microsoft en IA médicale compte
Les recherches de Microsoft annoncent une évolution potentiellement importante de l’intelligence artificielle médicale.
Au-delà de répondre aux questions médicales, l’IA pourrait soutenir de plus en plus le processus diagnostique lui-même : recueillir des éléments, comparer des hypothèses et aider les cliniciens à choisir les investigations les plus utiles.
L’étude renforce aussi l’intérêt des architectures d’IA collaboratives, où plusieurs rôles spécialisés contribuent à une décision commune.
La vision plus large de superintelligence médicale de Microsoft inclut, au-delà du diagnostic, la planification thérapeutique, le suivi longitudinal de la santé et l’aide personnalisée aux décisions cliniques.
L’entreprise collabore également avec Mayo Clinic pour explorer comment l’IA avancée, l’expertise clinique et les données des patients recueillies au fil du temps pourraient soutenir des systèmes de santé plus complets.
Les progrès sur les bancs d’essai diagnostiques ne doivent toutefois pas être confondus avec des améliorations démontrées de la survie, des résultats thérapeutiques ou de l’accès aux soins.
Ces bénéfices exigent encore des preuves cliniques rigoureuses.
Conclusion
MAI-DxO de Microsoft représente une avancée prometteuse dans le diagnostic médical assisté par IA.
Ses performances sur les cas complexes et les évaluations aux urgences montrent qu’un raisonnement d’IA orchestré peut dépasser la précision des médecins participants dans des conditions d’évaluation contrôlées.
Ses configurations optimisées pour les coûts laissent aussi entrevoir une réduction des dépenses d’examens diagnostiques tout en préservant une partie des gains de précision.
La prochaine étape sera de démontrer si ces avantages se traduisent par des soins plus sûrs, plus efficaces et plus abordables pour de vrais patients.
L’avenir de l’IA médicale dépendra autant de la précision diagnostique que de sa capacité à aider les cliniciens à améliorer les soins dans le monde réel.
Sources et lectures complémentaires
- Microsoft AI — Building Medical Superintelligence (22 octobre 2026)
- Nori et al. — Sequential Diagnosis with Language Models, Science (2026)
- Microsoft — Sequential Diagnosis Benchmark (SDBench)
- American Association for the Advancement of Science — Un système d’IA améliore la précision diagnostique et réduit le coût des examens médicaux