AI MAI-DxO Microsoftu przewyższa lekarzy w badaniu diagnostycznym
AI MAI-DxO Microsoftu przewyższa lekarzy w badaniu diagnostycznym
Microsoft przedstawił nowe badania sugerujące, że sztuczna inteligencja mogłaby znacznie trafniej niż lekarze diagnozować złożone choroby, a jednocześnie pomagać w ograniczaniu zbędnych badań medycznych.
W badaniu opublikowanym w Science 22 października 2026 r. orkiestrator diagnostyczny AI Microsoftu (MAI-DxO) osiągnął 83% trafności diagnostycznej w złożonych przypadkach medycznych, wobec zaledwie 36% wśród lekarzy korzystających z materiałów pomocniczych.
System uzyskał też dobre wyniki w bardziej typowych przypadkach z oddziału ratunkowego: 80% trafności wobec 47% wśród lekarzy.
To istotny postęp w rozumowaniu medycznym wspomaganym przez AI. Wyniki dotyczą jednak historycznych przypadków klinicznych ocenianych w symulowanym procesie diagnostycznym, a nie leczenia pacjentów w szpitalach.
Według oficjalnego komunikatu Microsoftu firma planuje teraz testy w rzeczywistych warunkach klinicznych.
Czym jest system diagnostyczny AI MAI-DxO Microsoftu?
Microsoft AI Diagnostic Orchestrator, czyli MAI-DxO, to system AI zaprojektowany tak, aby odtwarzać współpracę zespołu lekarzy podczas diagnozowania pacjentów.
W przeciwieństwie do tradycyjnych systemów AI, które analizują wszystkie dostępne informacje medyczne i od razu podają odpowiedź, MAI-DxO traktuje diagnozę jako stopniowo rozwijający się proces dociekania.
Koordynuje wiele ról wirtualnych lekarzy, którzy wspólnie analizują objawy, proszą o dodatkowe informacje, rozważają możliwe rozpoznania i kwestionują wzajemne wnioski.
Jak działa MAI-DxO
System realizuje wieloetapowy proces diagnostyczny:
- Ocena wstępna: Agenci AI analizują objawy zgłaszane przez pacjenta i wskazują możliwe choroby.
- Zbieranie informacji: System ustala, które dodatkowe pytania, badania fizykalne lub testy diagnostyczne byłyby najbardziej przydatne.
- Wspólne rozumowanie: Role wirtualnych lekarzy podważają konkurencyjne wyjaśnienia i oceniają nowe dane.
- Decyzje uwzględniające koszty: System bierze pod uwagę szacowany koszt i potencjalną wartość diagnostyczną dodatkowych badań.
- Ostateczna diagnoza: Po zebraniu wystarczających informacji MAI-DxO wybiera najbardziej prawdopodobne rozpoznanie.
Podejście to ma przypominać iteracyjne rozumowanie w praktyce klinicznej, w której lekarze stale weryfikują wnioski wraz z pojawianiem się nowych informacji.
Wirtualni lekarze to role generowane przez AI w systemie orkiestracji, a nie niezależni lekarze będący ludźmi.
AI Microsoftu a lekarze: co wykazało badanie
Microsoft ocenił MAI-DxO za pomocą własnego benchmarku diagnostyki sekwencyjnej, Sequential Diagnosis Benchmark, czyli SDBench.
Obejmował on 629 historycznych przypadków klinicznych z dwóch zbiorów danych: 304 trudne przypadki z The New England Journal of Medicine (NEJM) i 325 przypadków z oddziału ratunkowego ze zbioru medycznego MIMIC-IV-ED.
Wyniki wykazały znaczne różnice w trafności diagnostycznej.
| Benchmark diagnostyczny | Trafność MAI-DxO | Trafność lekarzy |
|---|---|---|
| 304 złożone przypadki NEJM, lekarze z materiałami pomocniczymi | 83,2% | 36,1% |
| 304 złożone przypadki NEJM, lekarze bez materiałów pomocniczych | 83,2% | 22,3% |
| 325 przypadków z oddziału ratunkowego | 80,3% | 46,8% |
Źródło: Microsoft AI oraz Nori i wsp., „Sequential Diagnosis with Language Models”, Science, 22 października 2026 r.
W złożonych przypadkach AI osiągnęła ponad dwukrotnie wyższą trafność niż lekarze
W 304 trudnych przypadkach NEJM trafność diagnostyczna MAI-DxO była około 2,3 razy wyższa niż u lekarzy, którzy mogli korzystać z podręczników i zasobów internetowych.
W porównaniu z lekarzami pracującymi bez tych materiałów była około 3,7 razy wyższa.
Wyniki sugerują, że systemy AI mogą być szczególnie przydatne w rozpoznawaniu nietypowych lub skomplikowanych chorób wymagających rozległej wiedzy i uważnej interpretacji danych.
Porównanie dotyczyło jednak uczestniczących lekarzy ogólnych w kontrolowanych warunkach badania, a nie wielodyscyplinarnych zespołów specjalistów w rzeczywistych szpitalach.
AI wypadła lepiej również w przypadkach z oddziału ratunkowego
Ocena przypadków ratunkowych przyniosła kolejny istotny wynik.
MAI-DxO prawidłowo rozpoznał około 80% przypadków, wobec 47% wśród uczestniczących lekarzy.
Oznacza to około 1,7 razy wyższą trafność diagnostyczną.
W przeciwieństwie do trudnych przypadków NEJM zbiór przypadków ratunkowych miał odzwierciedlać częstsze obrazy kliniczne.
Dzięki temu wyniki są szczególnie istotne dla potencjalnych zastosowań w codziennej opiece zdrowotnej.
Nadal były to jednak symulowane oceny oparte na historycznej dokumentacji oddziałów ratunkowych, a nie bezpośrednie kontakty z pacjentami.
Czy AI może poprawić diagnozowanie i obniżyć koszty opieki zdrowotnej?
Jednym z najważniejszych aspektów badań Microsoftu jest uwzględnienie zarówno trafności diagnostycznej, jak i kosztów badań medycznych.
Bardzo trafny system AI mógłby mieć ograniczoną wartość praktyczną, gdyby osiągał lepsze wyniki jedynie przez zlecanie nadmiernej liczby badań.
Dlatego MAI-DxO ocenia prawdopodobną przydatność dodatkowych badań razem z ich szacowanym kosztem.
AI zoptymalizowana kosztowo zachowała wysoką trafność
Microsoft poinformował, że jedna z konfiguracji zoptymalizowanych kosztowo osiągnęła około 81% trafności diagnostycznej w złożonych przypadkach NEJM przy mniej niż połowie szacowanego kosztu niektórych porównywanych podejść.
Inne konfiguracje również pokazały, że system może działać przy znacznie niższych budżetach na badania i zachować dobre wyniki.
Należy jednak odróżniać wyniki o najwyższej trafności od tych o najniższym koszcie.
Konfiguracje bez ograniczeń, które osiągnęły 83,2% w przypadkach NEJM i 80,3% w przypadkach ratunkowych, miały wyższe szacowane średnie koszty niż odpowiednie grupy lekarzy. Konfiguracje z niższym budżetem dawały oszczędności przy pewnym spadku trafności.
Badanie pokazuje więc obiecujący kompromis między trafnością a kosztem, ale nie dowodzi, że każda wersja MAI-DxO jest jednocześnie trafniejsza i tańsza od lekarzy.
Koszty modelowano na podstawie ustandaryzowanych danych o cenach usług medycznych. Nie są to rzeczywiste wydatki szpitali ani potwierdzone oszczędności pacjentów.
Dlaczego te badania wykraczają poza tradycyjne testy medycznej AI
Wiele ocen medycznej AI opiera się na standardowych egzaminach lub pytaniach wielokrotnego wyboru.
Takie testy mierzą wiedzę medyczną, ale mogą nie odzwierciedlać dobrze złożoności diagnozowania rzeczywistych pacjentów.
W praktyce klinicznej wszystkie informacje rzadko są dostępne jednocześnie. Lekarze muszą zdecydować, o co zapytać, jakie badania zlecić i kiedy mają wystarczające podstawy do wniosku.
Benchmark diagnostyki sekwencyjnej
Microsoft opracował SDBench, aby bardziej realistycznie oceniać ten proces decyzyjny.
Zamiast udostępniać od razu całą historię pacjenta, benchmark rozpoczyna się od ograniczonych informacji.
System diagnostyczny musi następnie prosić o kolejne szczegóły krok po kroku.
Symulowany pośrednik udostępnia informacje z dokumentacji przypadku lub generuje wiarygodne odpowiedzi, gdy żądanych danych brakuje. Proces oceny oparty na AI sprawdza poprawność diagnozy.
Pozwala to badać nie tylko to, czy system dochodzi do prawidłowego rozpoznania, lecz także sposób, w jaki do niego dociera.
Microsoft udostępnił badaczom elementy SDBench, wspierając dalsze testy i odtwarzalność wyników.
Firma podaje też, że przewaga MAI-DxO utrzymywała się przy ocenie z nowszymi modelami AI, w tym GPT-5.5, bez zmiany podstawowego podejścia do orkiestracji.
Sugeruje to, że metoda może korzystać z dalszych postępów modeli bazowych.
Microsoft planuje rzeczywiste testy kliniczne w Bostonie
Mimo obiecujących wyników benchmarków system diagnostyczny Microsoftu nie wykazał jeszcze równoważnej skuteczności w rzeczywistej praktyce klinicznej.
Aby zbadać tę różnicę, Microsoft ogłosił współpracę z Beth Israel Deaconess Medical Center w Bostonie.
Organizacje planują ocenić zdolności rozumowania klinicznego MAI-DxO w warunkach szpitalnych.
Co zbada badanie kliniczne
W planowanym badaniu prospektywnym pacjenci będą bezpośrednio kontaktować się z systemem AI, a jego oceny diagnostyczne zostaną porównane z niezależnymi ocenami lekarzy.
Badanie pomoże ustalić, czy MAI-DxO utrzymuje wyniki benchmarkowe wobec niepewności i złożoności rzeczywistych kontaktów klinicznych.
Dostarczy też danych o możliwości włączenia technologii do istniejących procesów pracy medycznej.
Do czasu uzyskania wyników twierdzenia o przewadze diagnostycznej w rzeczywistych warunkach pozostają nieudowodnione.
Wyzwania, które AI musi pokonać przed wdrożeniem klinicznym
Choć wyniki Microsoftu są istotne, sama trafność diagnostyczna nie wystarcza do stwierdzenia, że system AI poprawia opiekę zdrowotną.
Kilka ważnych pytań pozostaje bez odpowiedzi.
Wiarygodność kliniczna i bezpieczeństwo pacjentów
Rzeczywiści pacjenci mogą mieć niepełny wywiad, nakładające się objawy, nieoczekiwane powikłania i niejednoznaczne wyniki.
Systemy AI muszą wykazać, że niezawodnie radzą sobie z takimi sytuacjami, rozpoznają niepewność i unikają potencjalnie szkodliwych zaleceń.
Decyzje terapeutyczne i opieka długoterminowa
Rozpoznanie choroby to tylko część opieki zdrowotnej.
Lekarze muszą też dobierać odpowiednie leczenie, monitorować pacjentów w czasie, reagować na powikłania i dostosowywać opiekę do indywidualnej sytuacji.
Opublikowane wyniki MAI-DxO nie dowodzą, że system może wykonywać te szersze zadania.
Nadzór człowieka i integracja z opieką zdrowotną
Kliniczne systemy AI muszą również wpisywać się we wspólne podejmowanie decyzji przez lekarzy i pacjentów.
Obejmuje to wyjaśnianie zaleceń, wspieranie profesjonalnego osądu, ochronę wrażliwych danych i utrzymywanie odpowiedniego nadzoru człowieka.
Wymogi te sprawiają, że przed szerokim wdrożeniem klinicznym niezbędna jest walidacja w rzeczywistych warunkach.
Dlaczego postęp Microsoftu w medycznej AI ma znaczenie
Badania Microsoftu wskazują na potencjalnie ważną zmianę w medycznej sztucznej inteligencji.
AI mogłaby coraz częściej wspierać sam proces diagnostyczny: zbierać dane, porównywać konkurencyjne wyjaśnienia i pomagać klinicystom wybierać najbardziej wartościowe badania, zamiast jedynie odpowiadać na pytania medyczne.
Badanie wzmacnia też argumenty za współpracującymi architekturami AI, w których wiele wyspecjalizowanych ról uczestniczy we wspólnym procesie decyzyjnym.
Szersza wizja medycznej superinteligencji Microsoftu obejmuje poza diagnozą planowanie leczenia, długoterminowe monitorowanie zdrowia i spersonalizowane wsparcie decyzji klinicznych.
Firma współpracuje również z Mayo Clinic nad tym, jak zaawansowana AI, wiedza kliniczna i dane pacjentów zbierane w czasie mogą wspierać bardziej kompleksowe systemy opieki.
Poprawy wyników benchmarków diagnostycznych nie należy jednak utożsamiać z udowodnioną poprawą przeżywalności, efektów leczenia czy dostępności opieki.
Te korzyści nadal wymagają rzetelnych dowodów klinicznych.
Podsumowanie
MAI-DxO Microsoftu to obiecujący postęp w diagnozowaniu medycznym wspomaganym przez AI.
Wyniki w złożonych przypadkach i benchmarkach ratunkowych pokazują, że skoordynowane rozumowanie AI może przewyższać trafność uczestniczących lekarzy w kontrolowanych warunkach oceny.
Konfiguracje zoptymalizowane kosztowo sugerują też możliwość ograniczenia wydatków na diagnostykę przy zachowaniu części uzyskanej przewagi trafności.
Kolejnym kamieniem milowym będzie wykazanie, czy korzyści te przekładają się na bezpieczniejszą, skuteczniejszą i bardziej przystępną cenowo opiekę nad rzeczywistymi pacjentami.
Przyszłość medycznej AI zależy zarówno od trafnego diagnozowania chorób, jak i od pomagania klinicystom w zapewnianiu lepszej opieki w rzeczywistych warunkach.
Źródła i dalsza lektura
- Microsoft AI — Building Medical Superintelligence (22 października 2026)
- Nori i wsp. — Sequential Diagnosis with Language Models, Science (2026)
- Microsoft — Sequential Diagnosis Benchmark (SDBench)
- American Association for the Advancement of Science — System AI zwiększa trafność diagnoz i obniża koszty badań medycznych