微软 MAI-DxO 在复杂病例模拟中准确率 83%，高于全科医生的 36%

据周四发表在《科学》（Science）上的一项研究，微软的AI诊断系统在模拟中正确诊断复杂医学病例的频率是一般医生的两倍多。微软AI首席执行官穆斯塔法·苏莱曼（Mustafa Suleyman）称这一结果是迈向“医疗超级智能”的一步。

该系统名为MAI-DxO（简称DxO），它协调多个AI智能体，使其像一组医生一样协同工作。它们询问患者、开具检查，并对诊断展开辩论。

在一项使用《新英格兰医学杂志》（New England Journal of Medicine）复杂病例进行的模拟中，它的准确率为83%。而初级保健医生和普通内科医生在单独借助参考资料的情况下，准确率为36%。需要说明一点：如此复杂的病例通常由专科医生或医生团队处理，而他们并未参与此次对比。

“这里面有非常实质且令人兴奋的东西，”微软AI健康部门副总裁多米尼克·金（Dominic King）对TechCrunch表示。“当前医疗服务交付中最大的挑战，是医疗专业知识的供需之间日益加剧的错配。”

在公布这些结果后，微软加入了谷歌和OpenAI的行列，宣称自家AI能够匹敌甚至超越医生。

该研究自身的数据表明，大部分提升来自更强大的底层AI模型，而微软的编排系统在此之上又带来了额外增益。

微软用来自多家公司的模型测试了MAI-DxO，包括OpenAI、谷歌、Anthropic、Meta和DeepSeek，但最佳结果来自OpenAI的GPT-5和GPT-5.5。 

微软不仅衡量了DxO的准确率，也衡量了成本，即用AI处理每个病例的估算成本。在仅使用简短基础提示词的情况下，GPT-5在复杂病例上的得分为78.9%，每个病例成本约为8，400美元。DxO将这一成本降低了约3，000美元，但准确率仅提高了约4个百分点。在急诊科病例上，GPT-5单独使用与借助DxO辅助相比，在准确率或成本改善方面都几乎没有提升。

对于2026年4月发布的更新模型GPT-5.5，结果则出现分化。在复杂病例上，DxO将GPT-5.5的准确率得分从72%提升到近87%，且成本略低。然而，这些增益在急诊科病例上再次未能显现。两者（使用与不使用DxO）在相似成本下得分均约为85%。 

DxO在复杂病例和能力较弱的AI模型上帮助最大。例如，Gemini 2.5 Flash单独使用时得分为46.4%，而配合DxO后接近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。

微软研究人员表示，随着模型接近理论最大值，准确率增益自然会缩小。“DxO编排有助于应对同时优化准确率和成本这一更广泛的挑战，”一位发言人补充道。

苏莱曼负责领导微软打造自家前沿AI的工作，他对TechCrunch表示，公司正与妙佑医疗国际（Mayo Clinic）合作训练一个面向医疗健康的基础模型，计划于明年发布。他相信该模型将使公司能够“在这里实现真正巨大的飞跃”，并表示DxO是微软正在构建的基础设施的一部分，旨在实现医疗健康领域的真正突破。 

“我真的相信，到2027年，我们将处于医疗记录编码方式突破的边缘，”Suleyman说。“我认为我们将能够对医疗记录可能如何发展做出高度准确的流式预测，显然，这种对临床医生的预见是无价之宝。”

Suleyman整个职业生涯都在尝试利用AI解决医疗问题。他此前是DeepMind的联合创始人，该公司于2014年被谷歌收购。次年，谷歌DeepMind收购了King的初创公司Hark——一款临床任务管理应用，随后两人共同推出了DeepMind Health。Suleyman于2024年加入微软领导其AI部门，King在几个月后也跟随加入。

“我们就是坚定的信徒，”Suleyman说。

他表示，尽管生成式AI在医疗保健领域的应用仍处于早期阶段，但他预计医疗模型将“在未来24到36个月内能力提升一个数量级”。 

“正如我们在过去五六年中多次看到的那样，一旦有了飞轮，进展就会非常迅速，”Suleyman说。“飞轮意味着我们有一个投入生产的模型，我们通过真实世界的使用来迭代它，以识别模型中的差距，然后修补并改进它们。这就是编码领域发生的情况。在此之前是聊天领域。我认为明年这将开始发生在医疗记录和临床决策支持方面。”

通过与波士顿贝斯以色列女执事医疗中心的新合作，微软将在不同医院环境中评估DxO的临床推理能力。

“这项技术已准备好进行真实世界评估，你可以想象周五晚上波士顿急诊科出现的问题的复杂性和多样性，”King说。

他解释了研究将如何进行：患者将接受标准治疗，包括分诊、与专科医生会面、治疗、检查以及是否安全出院的决定。与此同时，同意参与的患者还将与DxO互动。微软及其合作伙伴将把DxO的建议与人类医生的建议进行比较。 

谷歌发表了一项与贝斯以色列本月在《柳叶刀》上发表的临床研究，在真实世界的紧急护理就诊中评估谷歌的AMIE对话式诊断AI，同时由人类医生实时监控交互过程。 

“我们认为这将是同类研究中规模最大的，”King说。“它将不仅涵盖急诊环境，还包括紧急护理环境，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够更大规模地部署。”

微软在《科学》上发表的研究恰逢一份关于构建医疗超级智能所需条件的宣言，医疗超级智能被定义为“在医疗推理和整个护理弧线的协调方面超越最强当代人类主导的卫生系统的能力”。微软希望超越对单个任务（如回答医学考试问题和生成诊断）的基准测试，转向与临床医生和医疗保健系统整合以取得更好的结果。 

“这是全世界都想要的那种技术，这就是为什么我们致力于尽一切努力加速将其推向世界，”Suleyman说，并补充说这一重点可能成为微软与其他前沿实验室的差异化优势。 

微软已经向临床医生销售听写和放射学工具，并将 DxO 视为这些工作的扩展。 

“未来几年，我们必须拥有绝对第一、最先进的医疗临床决策支持产品，”Suleyman 说。 

当您通过我们文章中的链接购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。