Microsoft 的 MAI-DxO 在复杂病例模拟中诊断准确率超过全科医生两倍

根据周四发表于《Science》的一项研究，Microsoft 的 AI 诊断系统在模拟中对复杂病例的正确诊断率是全科医生的两倍多。Microsoft AI 首席执行官 Mustafa Suleyman 称这一成果是迈向“医疗超级智能”的一步。

这个名为 MAI-DxO（简称 DxO）的系统由多个 AI 智能体协调运作，模拟医生会诊小组的工作方式。它们会询问患者、开具检查并讨论诊断结果。

在一项使用《新英格兰医学杂志》复杂病例进行的模拟中，该系统的正确率为 83%。单独工作的初级保健医生和全科内科医生在参考资料的帮助下，正确率为 36%。需要说明的是，此类复杂病例通常由专科医生或医生团队处理，他们并未参与比较。

Microsoft AI 健康业务副总裁 Dominic King 对 TechCrunch 表示：“这里有一些非常重要、令人振奋的成果。”他还说：“目前医疗服务面临的最大挑战，是医疗专业知识的供需差距日益扩大。”

通过公布这些结果，Microsoft 加入了Google和OpenAI的行列，声称自家的 AI 能够达到或超过医生的水平。

研究自身的数据表明，大部分改进来自更强大的底层 AI 模型，而 Microsoft 的编排系统则在此基础上进一步提升了表现。

Microsoft 使用多家公司的模型测试了 MAI-DxO，包括 OpenAI、Google、Anthropic、Meta 和 DeepSeek，但最佳结果来自 OpenAI 的 GPT-5 和 GPT-5.5。 

Microsoft 衡量 DxO 时不仅考察准确率，也考察成本，即 AI 处理每个病例的预估费用。单独使用 GPT-5 并配以简短的基础提示词时，它在复杂病例上的得分为 78.9%，每个病例的费用约为 8,400 美元。DxO 将费用降低了约 3,000 美元，但准确率仅提高了约 4 个百分点。在急诊病例中，无论是准确率还是成本改善，单独使用 GPT-5 与借助 DxO 的差异都很小。

对于 2026 年 4 月发布的较新模型 GPT-5.5，结果则有所不同。在复杂病例中，DxO 将 GPT-5.5 的准确率从 72% 提高到接近 87%，成本还略低一些。然而，这种提升再次没有出现在急诊病例中。无论是否使用 DxO，准确率都在 85% 左右，成本也相近。 

DxO 对复杂病例以及能力较弱的 AI 模型帮助最大。例如，Gemini 2.5 Flash 单独使用时得分为 46.4%，使用 DxO 后则接近 69%。即便如此，较弱模型与较强模型之间的差距仍大于 DxO 带来的提升。

Microsoft 的研究人员表示，随着模型接近理论上限，准确率提升自然会逐渐缩小。一位发言人补充说：“DxO 编排有助于应对更广泛的挑战，即同时优化准确率和成本。”

负责领导 Microsoft 自研前沿 AI 项目的 Suleyman 对 TechCrunch 表示，公司正与 Mayo Clinic 合作训练医疗领域的基础模型，计划于明年发布。他认为，这个模型将帮助公司“在这里实现非常巨大的飞跃”，并称 DxO 是 Microsoft 正在打造的基础设施的一部分，旨在推动医疗领域取得真正的突破。 

“我真的相信，到2027年，我们将迎来医疗记录编码方式的突破，”Suleyman说。“我认为，我们将能够实时提供高度准确的预测，推演一份医疗记录可能如何发展。显然，对临床医生来说，这种前瞻性判断极其宝贵。”

Suleyman整个职业生涯都在尝试利用AI解决医疗问题。他曾是DeepMind的联合创始人之一；DeepMind于2014年被Google收购。次年，Google DeepMind收购了King创办的初创公司Hark，这是一款临床任务管理应用。两人随后共同创立了DeepMind Health。Suleyman于2024年加入Microsoft，负责领导其AI部门；几个月后，King也加入了Microsoft。

“我们是真正的坚定信仰者，”Suleyman说。

他说，生成式AI在医疗领域的应用仍处于早期阶段，但他预计，在未来24到36个月内，医疗模型的能力将“提升一个数量级”。 

“正如我们在过去五六年里多次看到的那样，一旦形成飞轮效应，进展就会非常迅速，”Suleyman说。“所谓飞轮效应，是指我们将模型投入实际应用，并根据真实世界的使用情况不断迭代，以发现模型的不足，然后加以修补和改进。编程领域就是这样发展起来的。此前的聊天领域也是如此。我认为，明年医疗记录和临床决策支持领域也将开始出现这种情况。”

通过与波士顿的Beth Israel Deaconess Medical Center建立新的合作关系，Microsoft将评估DxO在不同医院环境中的临床推理能力。

“这项技术已准备好接受真实世界评估。你可以想象，周五晚上波士顿急诊室会遇到的问题有多复杂、多样，”King说。

他解释了这项研究的实施方式：患者将接受标准治疗，包括分诊、与专科医生面谈、治疗、检查，以及决定是否可以安全出院。与此同时，同意参与的患者也将使用DxO。Microsoft及其合作伙伴将把DxO的建议与人类医生的建议进行比较。 

Google发表了一项与Beth Israel合作开展的临床研究，并于本月刊登在《柳叶刀》上，旨在评估Google的对话式诊断AI AMIE在真实世界紧急护理就诊中的表现；期间，医生实时监控了互动过程。 

“我们认为，这将是同类研究中规模最大的一项，”King说。“研究不仅涵盖急诊环境，也涵盖紧急护理场所，并将在研究期结束时为我们提供非常有说服力的证据，证明这些系统未来能否大规模部署。”

Microsoft在《科学》杂志发表的研究，与一份关于如何打造医疗超级智能的宣言同期发布。宣言将医疗超级智能定义为“在整个医疗护理过程中，医疗推理和协调能力超越当代最强人类主导医疗体系的能力”。Microsoft希望不再局限于对单项任务进行基准测试——例如回答医学考试题和生成诊断结果——而是将技术融入临床医生和医疗系统，以改善治疗效果。 

“这是全世界每个人都想要的技术，这就是为什么我们致力于竭尽所能，加快它在全球的应用，”Suleyman说。他还补充说，这一重点可能会让Microsoft与其他前沿实验室形成差异化。 

Microsoft 已经向临床医生销售听写和放射学工具，并认为 DxO 是这些业务的拓展。 

“未来几年，我们必须拥有绝对领先、最先进的医学临床决策支持产品。”Suleyman 说。 

当您通过我们文章中的链接购买商品时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。