Diagnostická AI Microsoftu překonala všeobecné lékaře ve studii publikované v časopise Science

Diagnostický systém MAI-DxO od Microsoftu dosáhl u složitých diagnostických případů lepších výsledků než zúčastnění všeobecní lékaři. Vyplývá to z recenzované studie publikované 22. října 2026 v časopise Science, která uvádí přesnost systému 83,2 % při práci se záznamy případů z New England Journal of Medicine, zatímco lékaři využívající referenční zdroje dosáhli přesnosti 36,1 %.

Studie „Postupná diagnostika pomocí jazykových modelů“ vyšla ve svazku 394, čísle 6822 časopisu Science, na stranách 423–428; redakce ji obdržela 4. dubna 2026 a přijala k publikaci 10. srpna 2026. Všech 15 autorů jsou zaměstnanci Microsoftu. Mezi autory jsou generální ředitel Microsoft AI Mustafa Suleyman, Dominic King a Eric Horvitz. V oznámení zveřejněném téhož dne Microsoft uvedl, že práce „dnes vychází v časopise Science“ v jeho tematickém čísle „AI in Medicine“.

Benchmark zaměřený na diagnostiku krok za krokem

Článek představuje benchmark postupné diagnostiky Sequential Diagnosis Benchmark neboli SDBench, který převádí 304 případů z klinickopatologických konferencí časopisu New England Journal of Medicine a 325 případů pacientů od přijetí na urgentní příjem až po hospitalizaci ze souboru dat MIMIC-IV-ED na interaktivní diagnostická setkání probíhající po jednotlivých krocích. Každý případ začíná krátkým klinickým popisem, na jehož základě může diagnostik, ať už lékař, nebo systém AI, klást otázky týkající se anamnézy či vyšetření, objednávat diagnostické testy nebo stanovit konečnou diagnózu. Výkonnost se hodnotí podle diagnostické přesnosti ve srovnání s referenční diagnózou a podle kumulativních odhadovaných nákladů na objednané testy.

Průběh každého setkání řídí dva podpůrní agenti. Agent Gatekeeper posuzuje každý požadavek na informace podle podkladového záznamu případu a vygeneruje diagnosticky neutrální syntetické výsledky, pokud požadovaný nález chybí, aby chybějící údaje nenaznačovaly správnou odpověď. Agent Judge hodnotí stanovenou diagnózu ve srovnání s referenční diagnózou podle pětibodové škály vytvořené lékaři. Za správné se považují diagnózy hodnocené 4 nebo 5, u nichž by se další postup léčby nezměnil. Náklady na testy byly odhadnuty podle cen stanovených na základě kódů CPT a odvozených ze souboru Kaiser Permanente Washington Central Hospital Standard Charges; otázky týkající se anamnézy a vyšetření byly zahrnuty do pevně stanovených nákladů na návštěvu lékaře.

V rámci benchmarku autoři hodnotili systém Microsoft AI Diagnostic Orchestrator, v článku zkráceně DxO. Jde o systém nezávislý na konkrétním modelu, který simuluje panel klinických odborníků s doplňujícími se rolemi, v každém kroku volí testy s ohledem na jejich náklady a slučuje diagnózy z nezávislých běhů. Microsoft v oznámení popisuje systém jako panel virtuálních lékařů, kteří spolu diskutují v několika kolech. Autoři tvrdí, že statické benchmarky, v nichž jsou všechny informace o případu předloženy najednou a požaduje se jediná odpověď, nedokážou změřit, zda systém klade správné otázky, vyhýbá se bezhlavému testování nebo rozpozná, kdy už má dostatečnou jistotu k ukončení vyšetřování.

Výsledky u případů z NEJM a z urgentního příjmu

U případů z klinickopatologických konferencí dosáhl DxO ve spojení s GPT-5 a bez rozpočtových omezení přesnosti 83,2 % při průměrných nákladech 5 431 $ na případ. Konfigurace s omezeným rozpočtem dosáhly přesnosti 80,9 % při nákladech 2 241 $ a 79,6 % při nákladech 1 303 $, zatímco konfigurace zaměřená na maximální diagnostickou přesnost dosáhla 84,5 % při nákladech 8 945 $. V doprovodné studii lékařů, která zahrnovala 56 případů vyčleněných z vývojových prací, účastníci stanovili 764 diagnóz bez přístupu k referenčním zdrojům a 662 diagnóz s jejich využitím. Průměrná přesnost činila 22,3 % bez přístupu ke zdrojům při nákladech 3 049 $ na případ a 36,1 % s přístupem ke zdrojům při nákladech 4 725 $. Nejlepší jednotlivý lékař dosáhl přesnosti 51,8 %. Článek uvádí také rozdíly ve způsobu vyšetřování: lékaři položili před objednáním prvního testu v průměru 5,6 otázky, zatímco DxO s GPT-5 jich položil v průměru 25,5. Autoři tuto strategii popisují jako rozsáhlé strukturované zjišťování anamnézy.

U případů z urgentního příjmu dosáhl DxO bez rozpočtových omezení přesnosti 80,3 % při nákladech 4 979 $ na případ a při rozpočtových omezeních přesnosti 73,2 % při nákladech 2 634 $. Všeobecní lékaři dosáhli v průměru přesnosti 46,8 % při nákladech 3 400 $ a nejlepší jednotlivý lékař dosáhl 62,5 %. U všech testovaných modelů s minimálními výchozími prompty zvýšila orchestrace DxO diagnostickou přesnost v průměru o 7,9 procentního bodu u případů z konferencí a o 4,4 procentního bodu u případů z urgentního příjmu. Microsoft v oznámení uvádí, že žádný z hodnocených přístupů využívajících lidi ani AI nebyl zároveň přesnější a levnější než MAI-DxO. Systém podle něj dosahuje u případů z urgentního příjmu 1,7krát vyšší přesnosti než lékaři, u případů z časopisu více než dvojnásobné přesnosti oproti lékařům využívajícím učebnice a internet a téměř čtyřnásobné přesnosti oproti lékařům diagnostikujícím bez těchto zdrojů, a to za poloviční až třetinové náklady.

DxO byl původně vyvinut v době, kdy byl nejvýkonnějším dostupným modelem GPT-4.1, následně byl hodnocen s GPT-5 a před publikací se celá sada hodnocení zopakovala s GPT-5.5, aniž se změnily prompty nebo orchestrace; jeho náskok v přesnosti oproti výchozímu promptu se přitom zvětšil. Starší verze práce byla zveřejněna jako preprint 27. června 2025 a uváděla přesnost 80 % při použití modelu o3 od OpenAI, což bylo čtyřikrát více než průměrná přesnost lékařů 20 %, a 85,5 % v konfiguraci zaměřené na maximální přesnost. Recenzovaná verze přidává soubor případů z urgentního příjmu a aktualizovaná hodnocení s GPT-5 a GPT-5.5.

Uvedená omezení a prohlášení autorů

Autoři uvádějí, že tato srovnání neprokazují převahu nad specialisty, multidisciplinárními týmy ani nad výsledky klinické praxe, a píší, že v porovnání s odbornými specialisty nebo týmy sestavenými pro konkrétní případ by očekávali zmenšení rozdílu ve výkonnosti. Poznamenávají, že naměřené výhody jsou v kontrolované simulaci, která nebere v úvahu nejistou anamnézu pacientů, neúplnou dokumentaci, budování vztahu s pacientem, dlouhodobé sledování ani multimodální data, jako jsou snímky a histologické preparáty, ještě výraznější; případy z časopisu navíc mohou nepoměrně často zahrnovat diagnosticky náročné situace. Dalším uvedeným omezením je srovnávání s jednotlivými lékaři namísto spolupráce odborníků z více oborů a skutečnost, že hodnoticí kritéria Judge posuzují správnost diagnózy na úrovni onemocnění, nikoli vhodnost léčby, bezpečnost nebo dlouhodobé vedení pacienta.

Autoři v prohlášeních k článku uvádějí, že všichni jsou zaměstnanci Microsoftu a vlastní podíl ve společnosti, několik z nich je uvedeno jako vynálezci v patentové přihlášce Microsoftu týkající se automatizovaného rámce pro hodnocení postupné diagnostiky a na studie nebyly získány žádné finanční prostředky z externích zdrojů mimo Microsoft.

Uvolnění zdrojového kódu a klinická partnerství

Microsoft uvedl, že pro vybrané případy z NEJM zveřejní zdrojový kód SDBench, včetně benchmarku, nástrojů Gatekeeper a Judge a kódu pro odhad nákladů. Kód je k dispozici na GitHubu pod licencí MIT; jeho konfigurace s názvem „science“ pevně určuje verze nástrojů gatekeeper a judge použité pro výsledky studie. Podle webu projektu SDBench vyžaduje datová sada odvozená z případů časopisu licenci od NEJM Group, podmnožina MIMIC je distribuována prostřednictvím PhysioNet po ověření přístupových oprávnění a pět plně syntetických případů je součástí výchozí otevřené datové sady.

Doprovodná poziční studie „Lékařská superinteligence: základy a ambice“ představuje šest vzájemně závislých dimenzí lékařské inteligence a uvádí, že k překročení prahu lékařské superinteligence bude zapotřebí „více než nadlidská výkonnost v izolovaných úlohách“, tedy systémů, které v integrovaném lékařském uvažování během celého průběhu péče předčí dnešní nejsilnější zdravotnické systémy vedené lidmi. Microsoft ve svém oznámení uvádí, že studie byla publikována v BMJ Digital Health and AI. Společnost také oznámila, že v rámci integrovaného projektu v Microsoft AI spojuje zdravotnické týmy z různých částí Microsoftu, včetně vědců z Microsoft Research a týmů stojících za produkty Dragon Copilot a PowerScribe, a zmínila i dříve oznámenou spolupráci s Mayo Clinic; podle oznámení z 2. června 2026 organizace vyvíjejí špičkový model umělé inteligence pro zdravotnictví, který bude vlastnit Mayo Clinic a který Microsoft plánuje zpřístupnit prostřednictvím rozhraní Azure Foundry API.

Microsoft uvedl, že v rámci nového partnerství s nemocnicí Beth Israel Deaconess Medical Center v Bostonu vyhodnotí schopnosti systému v klinickém uvažování v různých nemocničních prostředích v prospektivní studii, v níž budou pacienti se systémem přímo komunikovat a jeho výkonnost se bude měřit na základě nezávislých hodnocení lékařů.