Microsoftin diagnostiikkaan tarkoitettu tekoäly päihitti yleislääkärit Science-lehdessä julkaistussa tutkimuksessa

Microsoftin MAI-DxO-diagnostiikkajärjestelmä suoriutui monimutkaisista diagnostiikkatapauksista vertaisarvioidussa tutkimuksessa osallistuneita yleislääkäreitä paremmin. Science-lehdessä 22. lokakuuta 2026 julkaistussa tutkimuksessa järjestelmän tarkkuudeksi New England Journal of Medicinen tapauskuvausten perusteella ilmoitettiin 83,2 prosenttia, kun taas lähdeaineistoja käyttäneiden lääkärien vastaava tulos oli 36,1 prosenttia.

Tutkimus ”Diagnoosin tekeminen vaiheittain kielimallien avulla” julkaistiin Science-lehden niteessä 394, numerossa 6822, sivuilla 423–428. Se vastaanotettiin 4. huhtikuuta 2026 ja hyväksyttiin 10. elokuuta 2026. Kaikki 15 kirjoittajaa ovat Microsoftin työntekijöitä. Heidän joukossaan ovat Microsoft AI:n toimitusjohtaja Mustafa Suleyman sekä Dominic King ja Eric Horvitz. Samana päivänä julkaistussa tiedotteessa Microsoft kertoi, että työ ”julkaistaan tänään Science-lehdessä” sen ”AI in Medicine” -numerossa.

Vaiheittaiseen diagnostiikkaan perustuva vertailutesti

Artikkelissa esitellään Sequential Diagnosis Benchmark eli SDBench, joka muuntaa 304 New England Journal of Medicinen klinikopatologista konferenssitapausta ja 325 MIMIC-IV-ED-aineistosta peräisin olevaa päivystyksestä sairaalahoitoon johtanutta hoitojaksoa vuorovaikutteisiksi, vaiheittaisiksi diagnostiikkatilanteiksi. Kukin tapaus alkaa lyhyellä kliinisellä tapauskuvauksella, jonka perusteella diagnostiikkaa tekevä henkilö tai järjestelmä – lääkäri tai tekoäly – voi esittää esitietoihin tai tutkimukseen liittyviä kysymyksiä, määrätä diagnostisia testejä tai päätyä lopulliseen diagnoosiin. Suoritusta arvioidaan vertaamalla diagnoosin tarkkuutta vertailudiagnoosiin sekä laskemalla määrättyjen testien arvioidut kokonaiskustannukset.

Kaksi tukijärjestelmää ohjaa jokaista tapausta. Gatekeeper-agentti tarkistaa jokaisen tietopyynnön alkuperäiseen tapausaineistoon nähden ja tuottaa diagnostisesti neutraaleja synteettisiä tuloksia, jos pyydettyä löydöstä ei ole aineistossa. Näin puuttuva tieto ei paljasta vastausta. Judge-agentti vertaa annettua diagnoosia vertailudiagnoosiin ja arvioi sen lääkärien laatimalla viisitasoisella arviointiasteikolla. Oikeiksi katsotaan arvosanat 4 ja 5, jotka tarkoittavat diagnooseja, joiden perusteella hoitosuunnitelma ei muuttuisi. Testien kustannukset arvioitiin CPT-hinnoittelun perusteella, joka johdettiin Kaiser Permanente Washington Central Hospitalin Standard Charges -tiedostosta. Esitietoihin ja tutkimukseen liittyvät kysymykset sisällytettiin kiinteään lääkärikäynnin hintaan.

Vertailutestissä kirjoittajat arvioivat Microsoft AI Diagnostic Orchestrator -järjestelmää, josta käytetään artikkelissa lyhennettä DxO. Se on mallista riippumaton järjestelmä, joka jäljittelee toisiaan täydentävissä rooleissa toimivien kliinisten asiantuntijoiden paneelia, ottaa jokaisessa vaiheessa huomioon testien kustannukset ja kokoaa diagnoosit useista toisistaan riippumattomista suorituksista. Microsoftin tiedotteessa järjestelmän toimintaa kuvataan usealla kierroksella keskustelevan virtuaalilääkärien paneelin kaltaiseksi. Kirjoittajien mukaan staattisilla vertailutesteillä, joissa kaikki tapaustiedot annetaan heti aluksi ja järjestelmää pyydetään antamaan yksi vastaus, ei voida arvioida, esittääkö järjestelmä oikeat kysymykset, välttääkö se testien summittaisen määräämisen tai tunnistaako se, milloin varmuutta on riittävästi tutkimusten päättämiseen.

Tulokset NEJM:n ja päivystystapausten perusteella

Klinikopatologisissa konferenssitapauksissa GPT-5:een yhdistetty DxO saavutti ilman budjettirajoituksia 83,2 prosentin tarkkuuden, ja keskimääräiset kustannukset olivat 5 431 dollaria tapausta kohti. Kustannusrajoitetuissa kokoonpanoissa tarkkuus oli 80,9 prosenttia kustannusten ollessa 2 241 dollaria sekä 79,6 prosenttia kustannusten ollessa 1 303 dollaria. Diagnostiseen huippusuoritukseen tähtäävä kokoonpano saavutti 84,5 prosentin tarkkuuden 8 945 dollarin kustannuksilla. Lääkäreitä koskevassa rinnakkaistutkimuksessa, joka tehtiin 56:lla tutkimus- ja kehitystyössä käyttämättä jätetyllä tapauksella, osallistujat tekivät 764 diagnoosia ilman lähdemateriaaleja ja 662 lähdemateriaalien avulla. Ilman lähdemateriaaleja diagnoosien tarkkuus oli keskimäärin 22,3 prosenttia ja kustannukset 3 049 dollaria tapausta kohti; lähdemateriaaleja käytettäessä tarkkuus oli 36,1 prosenttia ja kustannukset 4 725 dollaria. Parhaan yksittäisen lääkärin tarkkuus oli 51,8 prosenttia. Artikkelissa kuvataan myös eroja tutkimusten etenemisessä: lääkärit esittivät keskimäärin 5,6 kysymystä ennen ensimmäisen testin määräämistä, kun taas GPT-5:een yhdistetty DxO esitti niitä keskimäärin 25,5. Kirjoittajat kuvaavat tätä laajaksi ja järjestelmälliseksi esitietojen keräämiseksi.

Päivystystapauksissa DxO saavutti ilman budjettirajoituksia 80,3 prosentin tarkkuuden 4 979 dollarin kustannuksilla tapausta kohti ja budjettirajoitusten vallitessa 73,2 prosentin tarkkuuden 2 634 dollarin kustannuksilla. Yleislääkärien keskimääräinen tarkkuus oli 46,8 prosenttia 3 400 dollarin kustannuksilla, ja parhaan yksittäisen lääkärin tarkkuus oli 62,5 prosenttia. Kaikissa testatuissa malleissa, joissa käytettiin mahdollisimman suppeita lähtökehotteita, DxO:n orkestrointi paransi diagnostista tarkkuutta keskimäärin 7,9 prosenttiyksikköä konferenssitapauksissa ja 4,4 prosenttiyksikköä päivystystapauksissa. Microsoftin tiedotteessa todetaan, ettei mikään muu arvioitu ihmis- tai tekoälypohjainen menetelmä ollut samanaikaisesti MAI-DxO:ta tarkempi ja edullisempi. Järjestelmän kerrotaan olevan päivystystapauksissa 1,7 kertaa lääkäreitä tarkempi, yli kaksi kertaa tarkempi kuin oppikirjoja ja internetiä käyttävät lääkärit lehdessä julkaistuissa tapauksissa ja lähes neljä kertaa tarkempi kuin ilman näitä lähteitä diagnosoivat lääkärit. Kustannukset olivat puolet tai kolmasosa lääkärien kustannuksista.

DxO kehitettiin alun perin GPT-4.1:n ollessa saatavilla olevista malleista vahvin. Myöhemmin sitä arvioitiin GPT-5:llä, ja ennen julkaisua koko arviointikokonaisuus toistettiin GPT-5.5:llä kehotteita tai orkestrointia muuttamatta. Tällöin sen tarkkuusetu lähtökehotteeseen nähden kasvoi. Työn aiempi versio julkaistiin esijulkaisuna 27. kesäkuuta 2025. Siinä OpenAI:n o3-mallin tarkkuudeksi ilmoitettiin 80 prosenttia, mikä oli neljä kertaa lääkärien 20 prosentin keskiarvo, ja enimmäistarkkuuteen pyrkivässä kokoonpanossa tarkkuus oli 85,5 prosenttia. Vertaisarvioituun versioon lisättiin päivystystapausten aineisto sekä päivitetyt GPT-5- ja GPT-5.5-arvioinnit.

Ilmoitetut rajoitukset ja kirjoittajien sidonnaisuudet

Kirjoittajat toteavat, etteivät vertailut osoita järjestelmän olevan erikoislääkäreitä, moniammatillisia tiimejä tai tosielämän kliinistä käytäntöä parempi. He kirjoittavat, että suorituskykyero kaventuisi heidän odotustensa mukaan, jos vertailukohtana olisivat asiantuntijaerikoislääkärit tai tapauskohtaisesti kootut tiimit. Kirjoittajien mukaan mitatut edut korostuvat kontrolloidussa simulaatiossa, jossa sivuutetaan potilashistorian epävarmuus, puutteellinen dokumentaatio, vuorovaikutussuhteen rakentaminen, pitkäaikainen seuranta ja multimodaalinen data, kuten kuvantamis- ja patologianäytteet. Lisäksi lehdessä julkaistut tapaukset saattavat painottua liikaa diagnostisesti haastaviin tilanteisiin. Kirjoittajat mainitsevat lisärajoituksena sen, että järjestelmää verrataan yksittäisiin lääkäreihin moniammatillisen yhteistyön sijaan, ja että Judge-arviointikriteeristö mittaa diagnostista oikeellisuutta sairauden tasolla, ei hoidon asianmukaisuutta, turvallisuutta tai pitkäaikaista hoidon hallintaa.

Artikkelin sidonnaisuuksia koskevassa ilmoituksessa kirjoittajat kertovat, että he kaikki ovat Microsoftin työntekijöitä ja omistavat yhtiön osakkeita, useat heistä ovat keksijöinä Microsoftin patenttihakemuksessa, joka liittyy peräkkäiseen diagnosointiin tarkoitettuun automaattiseen arviointikehykseen, eikä tutkimuksia varten saatu rahoitusta Microsoftin ulkopuolelta.

Avoimen lähdekoodin julkaisu ja kliiniset kumppanuudet

Microsoft kertoi julkaisevansa SDBenchin avoimena lähdekoodina tiettyjä NEJM-tapauksia varten. Julkaisu sisältää vertailuaineiston, Gatekeeperin, Judgen ja kustannusarviokoodin. Koodi on saatavilla GitHubissa MIT-lisenssillä. Mukana on “science”-niminen määritys, joka lukitsee artikkelin tuloksissa käytetyt Gatekeeper- ja Judge-versiot. SDBench-projektin sivuston mukaan lehden tapausaineistosta johdettu tietoaineisto edellyttää lisenssin hankkimista NEJM Groupilta, MIMIC-alijoukko jaetaan PhysioNetin kautta tunnistautumista koskevin ehdoin, ja viisi täysin synteettistä tapausta sisältyy oletusarvoiseen avoimeen aineistoon.

Täydentävässä kannanottoartikkelissa ”Lääketieteellinen superäly: perusteet ja tavoitteet” esitellään lääketieteellisen älykkyyden kuusi toisistaan riippuvaista ulottuvuutta. Artikkelissa todetaan, että lääketieteellisen superälyn tason saavuttaminen edellyttää ”muutakin kuin ihmistä parempaa suoriutumista yksittäisissä tehtävissä”: järjestelmien on ylitettävä nykyisten vahvimpien ihmisten johtamien terveydenhuoltojärjestelmien kyky integroidussa lääketieteellisessä päättelyssä koko hoitopolun ajan. Microsoftin ilmoituksen mukaan artikkeli julkaistiin BMJ Digital Health and AI -lehdessä. Yhtiö kertoi myös kokoavansa eri puolilla Microsoftia toimivia terveydenhuollon tiimejä — mukaan lukien Microsoft Researchin tutkijat sekä Dragon Copilotin ja PowerScriben taustalla olevat tiimit — yhtenäiseksi hankkeeksi Microsoft AI:n alaisuuteen. Lisäksi yhtiö viittasi aiemmin ilmoitettuun Mayo Clinic -yhteistyöhön: 2. kesäkuuta 2026 julkaistun ilmoituksen mukaan organisaatiot kehittävät terveydenhuoltoon tarkoitettua huipputason tekoälymallia, jonka Mayo Clinic omistaa ja jonka Microsoft aikoo saattaa saataville Azure Foundry -rajapintojen kautta.

Microsoft kertoi uudesta kumppanuudesta Bostonissa sijaitsevan Beth Israel Deaconess Medical Centerin kanssa. Yhteistyössä arvioidaan kliinisen päättelyn kykyjä sairaalaympäristöissä prospektiivisessa tutkimuksessa, jossa potilaat ovat suoraan vuorovaikutuksessa järjestelmän kanssa ja sen suoriutumista verrataan lääkäreiden itsenäisiin arvioihin.