微软 MAI-DxO AI 在医疗诊断研究中超越医生
微软 MAI-DxO AI 在医疗诊断研究中超越医生
微软公布了一项新研究，表明人工智能在诊断复杂疾病方面可能比医生更加准确，同时有助于减少不必要的医疗检查。
在 2026 年 10 月 22 日发表于《Science》的研究中，微软的 AI 诊断协调系统（MAI-DxO）在复杂医疗病例中的诊断准确率达到 83%，而可以使用参考资料的医生仅为 36%。
该系统在更常见的急诊病例中也表现出色，准确率达到 80%，医生则为 47%。
这些发现标志着 AI 辅助医学推理的重要进展。不过，结果来自通过模拟诊断流程评估的历史临床病例，并非来自医院中的实际患者诊疗。
根据微软官方公告，公司计划接下来在真实临床环境中测试这项技术。
微软的 MAI-DxO AI 诊断系统是什么？
Microsoft AI Diagnostic Orchestrator，简称 MAI-DxO，是一个旨在模拟医生团队协作诊断患者的 AI 系统。
传统 AI 系统通常分析所有可用的医疗信息后立即给出答案，而 MAI-DxO 将诊断视为一个不断推进的探究过程。
它协调多个虚拟医生角色，共同分析症状、请求补充信息、考虑可能的诊断，并质疑彼此的结论。
MAI-DxO 如何工作
该系统遵循多步骤诊断流程：
- 初步评估： AI 智能体分析患者就诊时的症状，识别可能的疾病。
- 信息收集： 系统确定哪些补充问题、体格检查或诊断检测最有帮助。
- 协作推理： 虚拟医生角色质疑不同解释，并评估新证据。
- 兼顾成本的决策： 系统考虑追加检查的估计费用和潜在诊断价值。
- 最终诊断： 收集到足够信息后，MAI-DxO 选择最可能的诊断。
这种方法旨在模拟临床实践中的迭代推理：医生会随着新信息的出现不断重新评估自己的结论。
需要明确的是，这些虚拟医生是协调系统内部由 AI 生成的角色，并非独立的人类医生。
微软 AI 与医生对比：研究发现了什么？
微软使用其序贯诊断基准测试 Sequential Diagnosis Benchmark（SDBench）评估 MAI-DxO。
该基准包含两个数据集中的 629 个历史临床病例：来自《新英格兰医学杂志》（NEJM）的 304 个疑难病例，以及来自 MIMIC-IV-ED 医疗数据集的 325 个急诊病例。
结果显示，两者的诊断准确率存在显著差异。
| 诊断基准测试 | MAI-DxO 准确率 | 医生准确率 |
|---|---|---|
| 304 个复杂 NEJM 病例，医生可使用参考资料 | 83.2% | 36.1% |
| 304 个复杂 NEJM 病例，医生不可使用参考资料 | 83.2% | 22.3% |
| 325 个急诊病例 | 80.3% | 46.8% |
来源：Microsoft AI，以及 Nori 等人发表于 Science 的“Sequential Diagnosis with Language Models”，2026 年 10 月 22 日。
复杂病例中，AI 准确率达到医生的两倍以上
在 304 个 NEJM 疑难病例中，MAI-DxO 的诊断准确率约为可查阅教科书和互联网资源的医生的 2.3 倍。
与无法使用这些参考资料的医生相比，其准确率约为 3.7 倍。
这些发现表明，对于需要广泛医学知识和审慎解读证据的罕见或复杂疾病，AI 系统可能尤其有价值。
不过，比较对象是在受控研究条件下参与测试的全科医生，而非真实医院中的多学科专科医生团队。
AI 在急诊病例中也表现更好
急诊病例评估也得出了值得关注的结果。
MAI-DxO 正确诊断了约 80% 的病例，参与测试的医生则为 47%。
这相当于约 1.7 倍的诊断准确率。
与 NEJM 疑难病例不同，急诊数据集旨在反映更常见的临床表现。
因此，这些发现对未来日常医疗应用尤其具有参考价值。
但这些依然是基于历史急诊病历进行的模拟评估，而非与患者的实时互动。
AI 能否在改善诊断的同时降低医疗成本？
微软这项研究的重要特点之一，是同时关注诊断准确性和医疗检查费用。
如果一个高度准确的 AI 系统只是通过安排过多检查来取得更好结果，其实际价值可能有限。
为此，MAI-DxO 会结合追加检查的潜在用途与估计费用进行评估。
成本优化版 AI 保持了较高准确率
微软报告，一种经过成本优化的配置在复杂 NEJM 病例中达到了约 81% 的诊断准确率，估计费用不足某些对照方法的一半。
其他配置也显示，该系统能够在大幅降低检查预算的同时保持较强表现。
不过，必须区分系统的最高准确率结果与最低成本结果。
在 NEJM 病例中达到 83.2%、在急诊病例中达到 80.3% 准确率的无约束配置，其估计平均费用高于相应的医生组。预算较低的配置则以一定程度的准确率下降换取了成本节省。
因此，这项研究展示的是准确率与成本之间有前景的权衡，并未证明每个版本的 MAI-DxO 都同时比医生更准确、更便宜。
这些费用使用标准化医疗价格数据建模，并不代表医院实际支出或患者已经获得验证的费用节省。
为什么这项研究超越了传统医疗 AI 测试？
许多医疗 AI 评估依赖标准化考试或多项选择题。
这些基准衡量的是医学知识，未必能准确反映真实患者诊断的复杂性。
在临床实践中，信息很少一次性全部到位。医生必须决定问什么问题、安排哪些检查，以及何时已有足够证据得出结论。
序贯诊断基准测试简介
微软开发 SDBench，是为了更加真实地评估这一决策过程。
该基准不会一开始就提供患者的完整病史，而是仅给出有限信息。
诊断系统随后必须逐步请求更多细节。
一个模拟的信息提供方会从原始病例记录中提供信息；若所需信息缺失，则生成合理的回答。基于 AI 的评估流程负责判断诊断是否正确。
这让研究人员不仅能考察 AI 系统是否给出正确诊断，也能分析其得出诊断的过程。
微软已向研究人员开放 SDBench 的部分组件，以支持进一步测试和结果复现。
公司还表示，在不改变底层协调方法的情况下，使用包括 GPT-5.5 在内的更新 AI 模型进行评估时，MAI-DxO 的性能提升依然存在。
这表明，该方法可能随着基础模型的持续进步而受益。
微软计划在波士顿开展真实临床测试
尽管基准测试结果令人期待，微软的 AI 诊断系统尚未在真实临床实践中展现出同等表现。
为研究这一差距，微软宣布与**波士顿贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）**合作。
双方计划在医院环境中评估 MAI-DxO 的临床推理能力。
临床研究将考察什么？
在计划开展的前瞻性研究中，患者将直接与 AI 系统互动，系统的诊断评估将与医生独立作出的评估进行比较。
这项研究将帮助确定，面对真实临床就诊中的不确定性和复杂性，MAI-DxO 能否保持基准测试中的表现。
它也将提供证据，说明这项技术可能如何融入现有医疗工作流程。
在这些研究得出结果之前，关于真实环境中诊断表现更优的说法仍未得到证实。
AI 在临床应用前必须克服的挑战
虽然微软的研究结果意义重大，但仅凭诊断准确率，还不足以判断一个 AI 系统能否改善医疗服务。
一些重要问题仍没有答案。
临床可靠性与患者安全
真实患者可能存在病史不完整、症状重叠、意外并发症和检查结果模糊等情况。
AI 系统必须证明自己能够可靠应对这些状况、识别不确定性，并避免提出可能造成伤害的建议。
治疗决策与长期照护
识别疾病只是医疗服务的一部分。
医生还必须选择合适的治疗方案、持续监测患者、应对并发症，并根据个体情况调整照护。
MAI-DxO 已公布的基准测试结果并不能证明它能够承担这些更广泛的职责。
人工监督与医疗体系整合
临床 AI 系统还必须适应医生与患者共同决策的方式。
这包括解释建议、支持专业判断、保护患者敏感信息，以及保持适当的人工监督。
这些要求使得在大规模临床部署前进行真实环境验证必不可少。
微软的医疗 AI 突破为何重要？
微软的研究指向医疗人工智能领域一种可能十分重要的转变。
AI 不再只是回答医疗问题的工具，还可能越来越多地支持诊断过程本身：收集证据、比较不同解释，并帮助临床医生判断哪些检查最有价值。
这项研究也进一步支持协作式 AI 架构的价值，即由多个专业角色共同参与同一决策过程。
微软更广泛的医疗超级智能愿景超越了诊断，还包括治疗规划、长期健康监测和个性化临床决策支持。
该公司也在与梅奥诊所（Mayo Clinic）合作，探索先进 AI、临床专业知识和长期收集的患者数据如何支持更全面的医疗体系。
不过，诊断基准测试的进步不等于患者生存率、治疗结局或医疗可及性已得到证实的改善。
这些益处仍需要严谨的临床证据。
结语
微软的 MAI-DxO 代表着 AI 辅助医疗诊断的一项有前景的进展。
它在复杂病例与急诊基准测试中的表现说明，在受控评估条件下，经过协调的 AI 推理可以超越参与测试的医生的诊断准确率。
其成本优化配置也表明，在保留部分准确率优势的同时，有望减少诊断检查费用。
下一个里程碑是证明，这些优势能否转化为对真实患者更加安全、有效且可负担的医疗服务。
医疗 AI 的未来不仅取决于能否准确诊断疾病，也取决于能否帮助临床医生在现实中提供更好的照护。