Η διαγνωστική ΤΝ της Microsoft ξεπερνά τους γενικούς ιατρούς σε μελέτη του Science

Το διαγνωστικό σύστημα MAI-DxO της Microsoft ξεπέρασε τους γενικούς ιατρούς που συμμετείχαν στη μελέτη σε σύνθετα διαγνωστικά περιστατικά, σύμφωνα με αξιολογημένη από ομοτίμους μελέτη που δημοσιεύτηκε στις 22 Οκτωβρίου 2026 στο Science. Η μελέτη ανέφερε ακρίβεια 83,2% για το σύστημα σε ιστορικά περιστατικών του New England Journal of Medicine, έναντι 36,1% για τους ιατρούς που χρησιμοποίησαν υλικό αναφοράς.

Η μελέτη «Διαδοχική διάγνωση με γλωσσικά μοντέλα» δημοσιεύτηκε στον τόμο 394, τεύχος 6822 του Science, στις σελίδες 423–428· υποβλήθηκε στις 4 Απριλίου 2026 και έγινε δεκτή στις 10 Αυγούστου 2026. Και οι 15 συγγραφείς είναι εργαζόμενοι στη Microsoft· στους συγγραφείς περιλαμβάνονται ο διευθύνων σύμβουλος της Microsoft AI, Mustafa Suleyman, καθώς και οι Dominic King και Eric Horvitz. Σε ανακοίνωση που εξέδωσε την ίδια ημέρα, η Microsoft ανέφερε ότι η εργασία «δημοσιεύεται σήμερα στο Science», στο τεύχος του περιοδικού με θέμα «Τεχνητή Νοημοσύνη στην Ιατρική».

Ένα σημείο αναφοράς βασισμένο στη διάγνωση βήμα προς βήμα

Η εργασία παρουσιάζει το Sequential Diagnosis Benchmark, ή SDBench, το οποίο μετατρέπει 304 περιστατικά από τις κλινικοπαθολογικές διασκέψεις του New England Journal of Medicine και 325 περιστατικά από το τμήμα επειγόντων έως την εισαγωγή στο νοσοκομείο, από το σύνολο δεδομένων MIMIC-IV-ED, σε διαδραστικές διαγνωστικές διαδικασίες με διαδοχικά βήματα. Κάθε περιστατικό ξεκινά με ένα σύντομο κλινικό ιστορικό, βάσει του οποίου ο διαγνώστης, είτε πρόκειται για ιατρό είτε για σύστημα ΤΝ, μπορεί να υποβάλει ερωτήσεις για το ιστορικό ή την εξέταση, να ζητήσει διαγνωστικές εξετάσεις ή να καταλήξει σε τελική διάγνωση. Η επίδοση αξιολογείται ως προς τη διαγνωστική ακρίβεια σε σύγκριση με τη διάγνωση αναφοράς, καθώς και ως προς το συνολικό εκτιμώμενο κόστος των εξετάσεων που ζητήθηκαν.

Δύο υποστηρικτικοί πράκτορες οργανώνουν κάθε διαγνωστική διαδικασία. Ένας πράκτορας Gatekeeper ελέγχει κάθε αίτημα πληροφοριών με βάση τον υποκείμενο φάκελο του περιστατικού και δημιουργεί συνθετικά αποτελέσματα, ουδέτερα ως προς τη διάγνωση, όταν το ζητούμενο εύρημα απουσιάζει, ώστε τα ελλιπή δεδομένα να μην υποδεικνύουν την απάντηση. Ένας πράκτορας Judge βαθμολογεί την τελική διάγνωση σε σύγκριση με τη διάγνωση αναφοράς, βάσει κλίμακας πέντε επιπέδων που έχει συντάξει ομάδα ιατρών. Βαθμολογίες 4 ή 5, οι οποίες αντιστοιχούν σε διαγνώσεις για τις οποίες η αντιμετώπιση δεν θα άλλαζε, προσμετρώνται ως σωστές. Το κόστος των εξετάσεων εκτιμήθηκε με τιμολόγηση βάσει των CPT, η οποία προέκυψε από το αρχείο Standard Charges του Kaiser Permanente Washington Central Hospital· οι ερωτήσεις για το ιστορικό και την κλινική εξέταση συνυπολογίστηκαν σε ένα σταθερό κόστος ιατρικής επίσκεψης.

Στο πλαίσιο του σημείου αναφοράς, οι συγγραφείς αξιολόγησαν το Microsoft AI Diagnostic Orchestrator, που αναφέρεται ως DxO στην εργασία: ένα σύστημα ανεξάρτητο από συγκεκριμένο μοντέλο, το οποίο προσομοιώνει μια ομάδα κλινικών ειδικών με συμπληρωματικούς ρόλους, εφαρμόζει σε κάθε βήμα μια προσέγγιση εξετάσεων που λαμβάνει υπόψη το κόστος και συνδυάζει διαγνώσεις από ανεξάρτητες εκτελέσεις. Η ανακοίνωση της Microsoft περιγράφει το σύστημα ως μια ομάδα εικονικών ιατρών που συζητούν σε διαδοχικούς γύρους. Οι συγγραφείς υποστηρίζουν ότι τα στατικά σημεία αναφοράς, τα οποία παρουσιάζουν εξαρχής όλες τις πληροφορίες ενός περιστατικού και ζητούν μία μόνο απάντηση, δεν μπορούν να μετρήσουν αν ένα σύστημα υποβάλλει τις κατάλληλες ερωτήσεις, αποφεύγει τις αδιάκριτες εξετάσεις ή αναγνωρίζει πότε έχει επαρκή βεβαιότητα για να ολοκληρώσει τη διαγνωστική διερεύνηση.

Αποτελέσματα σε περιστατικά του NEJM και των τμημάτων επειγόντων

Στα περιστατικά των κλινικοπαθολογικών διασκέψεων, το DxO σε συνδυασμό με το GPT-5, χωρίς περιορισμούς προϋπολογισμού, πέτυχε ακρίβεια 83,2% με μέσο κόστος $5.431 ανά περιστατικό. Οι ρυθμίσεις με περιορισμό κόστους πέτυχαν ακρίβεια 80,9% με κόστος $2.241 και 79,6% με κόστος $1.303, ενώ μια ρύθμιση που στόχευε στη διαγνωστική αριστεία πέτυχε ακρίβεια 84,5% με κόστος $8.945. Στη συνοδευτική μελέτη με ιατρούς, η οποία διεξήχθη σε 56 περιστατικά που δεν είχαν χρησιμοποιηθεί για την ανάπτυξη του συστήματος, οι συμμετέχοντες έδωσαν 764 διαγνώσεις με κλειστά βιβλία και 662 με ανοιχτά βιβλία. Η μέση ακρίβεια ήταν 22,3% με κλειστά βιβλία, με κόστος $3.049 ανά περιστατικό, και 36,1% με ανοιχτά βιβλία, με κόστος $4.725. Ο καλύτερος μεμονωμένος ιατρός πέτυχε ακρίβεια 51,8%. Η εργασία αναφέρει επίσης διαφορετικές προσεγγίσεις στη διαγνωστική διερεύνηση: οι ιατροί υπέβαλαν κατά μέσο όρο 5,6 ερωτήσεις πριν ζητήσουν την πρώτη εξέταση, ενώ το DxO με GPT-5 υπέβαλε κατά μέσο όρο 25,5 ερωτήσεις, μια στρατηγική που οι συγγραφείς περιγράφουν ως εκτενή, δομημένη λήψη ιστορικού.

Στα περιστατικά των τμημάτων επειγόντων, το DxO πέτυχε ακρίβεια 80,3% με κόστος $4.979 ανά περιστατικό χωρίς περιορισμούς προϋπολογισμού και 73,2% με κόστος $2.634 υπό περιορισμούς προϋπολογισμού. Οι γενικοί ιατροί πέτυχαν κατά μέσο όρο ακρίβεια 46,8% με κόστος $3.400, ενώ ο καλύτερος μεμονωμένος ιατρός έφτασε το 62,5%. Σε όλα τα μοντέλα που δοκιμάστηκαν με ελάχιστες αρχικές υποδείξεις, η ενορχήστρωση του DxO αύξησε τη διαγνωστική ακρίβεια κατά μέσο όρο 7,9 ποσοστιαίες μονάδες στα περιστατικά των διασκέψεων και κατά 4,4 ποσοστιαίες μονάδες στα περιστατικά των τμημάτων επειγόντων. Η ανακοίνωση της Microsoft αναφέρει ότι καμία άλλη αξιολογηθείσα ανθρώπινη ή τεχνητή προσέγγιση δεν ήταν ταυτόχρονα ακριβέστερη και λιγότερο δαπανηρή από το MAI-DxO. Περιγράφει το σύστημα ως 1,7 φορές ακριβέστερο από τους ιατρούς στα περιστατικά των τμημάτων επειγόντων, πάνω από δύο φορές ακριβέστερο από τους ιατρούς που χρησιμοποίησαν εγχειρίδια και το διαδίκτυο στα περιστατικά του περιοδικού και σχεδόν τέσσερις φορές ακριβέστερο από τους ιατρούς που έκαναν διάγνωση χωρίς αυτούς τους πόρους, με κόστος από το μισό έως το ένα τρίτο.

Το DxO αναπτύχθηκε αρχικά όταν το GPT-4.1 ήταν το ισχυρότερο διαθέσιμο μοντέλο και αξιολογήθηκε στη συνέχεια με το GPT-5. Πριν από τη δημοσίευση, επαναλήφθηκε ολόκληρη η σειρά αξιολογήσεων με το GPT-5.5, χωρίς να τροποποιηθούν οι υποδείξεις ή η ενορχήστρωση, και το πλεονέκτημά του ως προς την ακρίβεια έναντι της αρχικής υπόδειξης αυξήθηκε. Μια προγενέστερη εκδοχή της εργασίας αναρτήθηκε ως προδημοσίευση στις 27 Ιουνίου 2025 και ανέφερε ακρίβεια 80% με το μοντέλο o3 της OpenAI, τετραπλάσια από τη μέση επίδοση των ιατρών, που ήταν 20%, καθώς και ακρίβεια 85,5% σε ρύθμιση μέγιστης ακρίβειας. Η έκδοση που αξιολογήθηκε από ομοτίμους προσθέτει το σύνολο περιστατικών από τα τμήματα επειγόντων και επικαιροποιημένες αξιολογήσεις με τα GPT-5 και GPT-5.5.

Περιορισμοί που επισημαίνουν οι συγγραφείς και δηλώσεις τους

Οι συγγραφείς αναφέρουν ότι οι συγκρίσεις δεν αποδεικνύουν υπεροχή έναντι των ειδικών, των διεπιστημονικών ομάδων ή της κλινικής πρακτικής στον πραγματικό κόσμο, και γράφουν ότι αναμένουν πως η διαφορά στις επιδόσεις θα περιοριστεί σε σύγκριση με ειδικούς ή ομάδες ειδικών προσαρμοσμένες σε κάθε περιστατικό. Σημειώνουν ότι τα μετρούμενα πλεονεκτήματα ενισχύονται σε μια ελεγχόμενη προσομοίωση, η οποία παραμερίζει το αβέβαιο ιστορικό των ασθενών, την ελλιπή τεκμηρίωση, τη σχέση εμπιστοσύνης, τη διαχρονική παρακολούθηση και τα πολυτροπικά δεδομένα, όπως οι απεικονιστικές εξετάσεις και οι ιστοπαθολογικές εικόνες, καθώς και ότι τα περιστατικά του περιοδικού ενδέχεται να περιλαμβάνουν δυσανάλογα πολλά διαγνωστικά απαιτητικά περιστατικά. Ένας ακόμη περιορισμός που αναφέρεται είναι ότι η σύγκριση γίνεται με μεμονωμένους ιατρούς και όχι με συνεργασία πολλών ειδικοτήτων, ενώ το κριτήριο αξιολόγησης του Judge εξετάζει την ορθότητα της διάγνωσης σε επίπεδο νόσου και όχι την καταλληλότητα της θεραπείας, την ασφάλεια ή τη διαχρονική διαχείριση.

Στις δηλώσεις γνωστοποίησης της μελέτης, οι συγγραφείς αναφέρουν ότι είναι όλοι εργαζόμενοι της Microsoft και κατέχουν μετοχές της εταιρείας, ότι αρκετοί είναι εφευρέτες σε αίτηση διπλώματος ευρεσιτεχνίας της Microsoft σχετικά με ένα αυτοματοποιημένο πλαίσιο αξιολόγησης για τη διαδοχική διάγνωση και ότι δεν εξασφαλίστηκε για τις μελέτες καμία χρηματοδότηση από πηγές εκτός Microsoft.

Διάθεση ανοιχτού κώδικα και κλινικές συνεργασίες

Η Microsoft δήλωσε ότι διαθέτει ως ανοιχτό κώδικα το SDBench για επιλεγμένα περιστατικά του NEJM, συμπεριλαμβανομένου του δείκτη αξιολόγησης, του Gatekeeper, του Judge και του κώδικα εκτίμησης κόστους. Ο κώδικας είναι διαθέσιμος στο GitHub με άδεια MIT και περιλαμβάνει μια διαμόρφωση με την ονομασία “science”, η οποία καθορίζει τις εκδόσεις του Gatekeeper και του Judge που χρησιμοποιήθηκαν για τα αποτελέσματα της μελέτης. Σύμφωνα με τον ιστότοπο του έργου SDBench, για τη χρήση του συνόλου δεδομένων που προέρχεται από τα περιστατικά του περιοδικού απαιτείται άδεια από το NEJM Group, το υποσύνολο MIMIC διανέμεται μέσω του PhysioNet με την προϋπόθεση της πιστοποίησης των χρηστών, ενώ πέντε πλήρως συνθετικά περιστατικά περιλαμβάνονται ως προεπιλεγμένο ανοιχτό σύνολο δεδομένων.

Ένα συνοδευτικό κείμενο θέσεων, με τίτλο «Ιατρική υπερνοημοσύνη: θεμέλια και φιλοδοξίες», παρουσιάζει έξι αλληλεξαρτώμενες διαστάσεις της ιατρικής νοημοσύνης και αναφέρει ότι για να ξεπεραστεί το όριο προς την ιατρική υπερνοημοσύνη θα χρειαστούν «περισσότερα από υπερανθρώπινες επιδόσεις σε μεμονωμένες εργασίες»· συγκεκριμένα, θα χρειαστούν συστήματα που θα ξεπερνούν τα ισχυρότερα σημερινά συστήματα υγείας υπό ανθρώπινη καθοδήγηση ως προς την ολοκληρωμένη ιατρική συλλογιστική σε ολόκληρη τη διαδρομή της περίθαλψης. Στην ανακοίνωση της Microsoft αναφέρεται ότι η μελέτη δημοσιεύτηκε στο BMJ Digital Health and AI. Η εταιρεία δήλωσε επίσης ότι εντάσσει ομάδες υγείας από διάφορα τμήματα της Microsoft —μεταξύ αυτών επιστήμονες της Microsoft Research και τις ομάδες πίσω από τα Dragon Copilot και PowerScribe— σε μια ολοκληρωμένη προσπάθεια στο πλαίσιο της Microsoft AI, ενώ έκανε αναφορά και στην προηγουμένως ανακοινωθείσα συνεργασία της με τη Mayo Clinic. Σύμφωνα με ανακοίνωση της 2ας Ιουνίου 2026, οι οργανισμοί αναπτύσσουν ένα προηγμένο μοντέλο ΤΝ για την υγειονομική περίθαλψη, το οποίο θα ανήκει στη Mayo Clinic και το οποίο η Microsoft σχεδιάζει να διαθέσει μέσω των API του Azure Foundry.ανακοίνωση της 2ας Ιουνίου 2026

Στο πλαίσιο μιας νέας συνεργασίας με το Beth Israel Deaconess Medical Center στη Βοστόνη, η Microsoft δήλωσε ότι θα αξιολογήσει τις δυνατότητες κλινικής συλλογιστικής σε διαφορετικά νοσοκομειακά περιβάλλοντα, μέσω μιας προοπτικής μελέτης στην οποία οι ασθενείς θα αλληλεπιδρούν απευθείας με το σύστημα και οι επιδόσεις του θα συγκρίνονται με τις ανεξάρτητες αξιολογήσεις των ιατρών.