L’IA diagnostique de Microsoft surpasse les médecins généralistes dans une étude publiée dans Science

Le système diagnostique MAI-DxO de Microsoft a surpassé les médecins généralistes participants dans des cas diagnostiques complexes, selon une étude évaluée par les pairs et publiée le 22 octobre 2026 dans Science. Celle-ci fait état d’une précision de 83,2 % pour le système sur des dossiers de cas du New England Journal of Medicine, contre 36,1 % pour les médecins utilisant des ressources de référence.

L’étude, « Diagnostic séquentiel avec des modèles de langage », paraît dans le volume 394 de Science, numéro 6822, pages 423–428 ; elle a été reçue le 4 avril 2026 et acceptée le 10 août 2026. Les 15 auteurs sont tous employés par Microsoft, et la liste comprend Mustafa Suleyman, directeur général de Microsoft AI, ainsi que Dominic King et Eric Horvitz. Dans une annonce publiée le même jour, Microsoft a déclaré que l’étude « est publiée aujourd’hui dans Science », dans le numéro de la revue consacré à « l’IA en médecine ».

Un benchmark conçu autour du diagnostic étape par étape

L’article présente le Sequential Diagnosis Benchmark, ou SDBench, qui transforme 304 cas issus des conférences clinicopathologiques du New England Journal of Medicine et 325 prises en charge allant des urgences à l’hospitalisation, tirées du jeu de données MIMIC-IV-ED, en parcours diagnostiques interactifs et progressifs. Chaque cas commence par une courte vignette clinique, à partir de laquelle le diagnosticien, médecin ou système d’IA, peut poser des questions sur les antécédents ou l’examen clinique, prescrire des tests diagnostiques ou établir un diagnostic final. Les résultats sont évalués selon la précision diagnostique par rapport au diagnostic de référence et le coût estimé cumulé des tests prescrits.

Deux agents d’assistance structurent chaque parcours. Un agent Gatekeeper examine chaque demande d’information à la lumière du dossier sous-jacent et génère des résultats synthétiques neutres sur le plan diagnostique lorsqu’un élément demandé est absent, afin que l’absence de données ne révèle pas la réponse. Un agent Judge évalue le diagnostic établi par rapport au diagnostic de référence au moyen d’une grille à cinq niveaux conçue par des médecins ; les notes de 4 ou 5, correspondant à des diagnostics pour lesquels la prise en charge resterait inchangée, sont considérées comme correctes. Le coût des tests a été estimé à partir de tarifs fondés sur les codes CPT et tirés du fichier Kaiser Permanente Washington Central Hospital Standard Charges ; les questions sur les antécédents et l’examen clinique ont été intégrées à un coût fixe de consultation médicale.

Dans le cadre du benchmark, les auteurs ont évalué le Microsoft AI Diagnostic Orchestrator, abrégé en DxO dans l’article : un système indépendant du modèle qui simule un panel d’experts cliniques aux rôles complémentaires, veille à prescrire les tests en tenant compte de leur coût à chaque étape et regroupe les diagnostics issus d’exécutions indépendantes. Dans son annonce, Microsoft décrit un système qui fonctionne comme un panel de médecins virtuels débattant en plusieurs tours. Les auteurs estiment que les benchmarks statiques, qui présentent d’emblée toutes les informations sur le cas et demandent une seule réponse, ne permettent pas de mesurer si un système pose les bonnes questions, évite de prescrire des tests sans discernement ou sait quand son degré de certitude est suffisant pour conclure le bilan diagnostique.

Résultats sur les cas du NEJM et des urgences

Pour les cas des conférences clinicopathologiques, DxO associé à GPT-5 et utilisé sans contrainte budgétaire a atteint une précision de 83,2 %, pour un coût moyen de 5 431 $ par cas. Les configurations soumises à des contraintes de coût ont atteint une précision de 80,9 % pour 2 241 $ et de 79,6 % pour 1 303 $, tandis qu’une configuration visant l’excellence diagnostique a atteint 84,5 % pour 8 945 $. Dans l’étude menée en parallèle auprès de médecins, portant sur 56 cas tenus à l’écart des travaux d’ingénierie, les participants ont posé 764 diagnostics sans documentation et 662 avec documentation, avec une précision moyenne de 22,3 % sans documentation pour 3 049 $ par cas et de 36,1 % avec documentation pour 4 725 $. Le meilleur médecin a atteint 51,8 %. L’article fait également état de différences dans la démarche diagnostique : les médecins ont posé en moyenne 5,6 questions avant de prescrire leur premier test, tandis que DxO associé à GPT-5 en a posé en moyenne 25,5, une stratégie que les auteurs décrivent comme un recueil approfondi et structuré des antécédents.

Pour les cas des urgences, DxO sans contrainte budgétaire a atteint une précision de 80,3 % pour 4 979 $ par cas, et de 73,2 % pour 2 634 $ avec des contraintes budgétaires. Les médecins généralistes ont obtenu une moyenne de 46,8 % pour 3 400 $, et le meilleur médecin pris individuellement a atteint 62,5 %. Pour l’ensemble des modèles évalués avec des consignes de base minimales, l’orchestration DxO a accru la précision diagnostique de 7,9 points de pourcentage en moyenne pour les cas des conférences et de 4,4 points pour ceux des urgences. Selon l’annonce de Microsoft, aucune autre approche humaine ou fondée sur l’IA évaluée n’était à la fois plus précise et moins coûteuse que MAI-DxO. L’entreprise décrit le système comme étant 1,7 fois plus précis que les médecins pour les cas présentés aux urgences, plus de deux fois plus précis que les médecins utilisant des manuels et Internet pour les cas de la revue, et près de quatre fois plus précis que les médecins posant un diagnostic sans ces ressources, pour un coût égal à la moitié ou au tiers.

DxO a d’abord été développé à l’époque où GPT-4.1 était le modèle le plus performant disponible, puis évalué avec GPT-5. Avant publication, la suite complète d’évaluations a été répétée avec GPT-5.5, sans modifier les consignes ni l’orchestration, et son avantage en précision par rapport aux consignes de base s’est accru. Une version antérieure de l’étude a été publiée sous forme de prépublication le 27 juin 2025 ; elle faisait état d’une précision de 80 % avec le modèle o3 d’OpenAI, soit quatre fois la moyenne de 20 % obtenue par les médecins, et de 85,5 % dans une configuration visant une précision maximale. La version évaluée par les pairs ajoute les cas des urgences et des évaluations actualisées avec GPT-5 et GPT-5.5.

Limites déclarées et déclarations des auteurs

Les auteurs précisent que les comparaisons ne démontrent pas une supériorité sur les spécialistes, les équipes multidisciplinaires ou la pratique clinique en conditions réelles. Ils indiquent qu’ils s’attendraient à ce que l’écart de performance se réduise face à des spécialistes experts ou à des équipes constituées en fonction de chaque cas. Ils soulignent que les avantages mesurés sont amplifiés dans le cadre d’une simulation contrôlée qui fait abstraction des antécédents incertains des patients, de la documentation incomplète, de la relation de confiance, du suivi longitudinal et des données multimodales telles que les images et les lames d’anatomopathologie, et que les cas publiés dans la revue pourraient surreprésenter les situations diagnostiques difficiles. Une autre limite mentionnée est que la comparaison porte sur des médecins pris individuellement plutôt que sur une collaboration entre différentes spécialités, et que la grille d’évaluation du Judge mesure l’exactitude du diagnostic au niveau de la maladie, sans évaluer la pertinence thérapeutique, la sécurité ni la prise en charge longitudinale.

Dans les déclarations d’intérêts de l’article, les auteurs indiquent qu’ils sont tous employés par Microsoft et détiennent des parts dans l’entreprise, que plusieurs d’entre eux sont inventeurs dans le cadre d’une demande de brevet de Microsoft portant sur un système d’évaluation automatisé du diagnostic séquentiel, et qu’aucun financement extérieur à Microsoft n’a été obtenu pour les études.

Publication en libre accès et partenariats cliniques

Microsoft a annoncé la publication en libre accès de SDBench pour certains cas du NEJM, notamment le benchmark, Gatekeeper, Judge et le code d’estimation des coûts. Le code est disponible sur GitHub sous licence MIT, avec une configuration nommée « science » qui fixe les versions de Gatekeeper et Judge utilisées pour les résultats de l’article. Selon le site du projet SDBench, le jeu de données dérivé des cas publiés dans la revue nécessite une licence de NEJM Group, le sous-ensemble MIMIC est distribué par l’intermédiaire de PhysioNet sous réserve d’une procédure d’habilitation, et cinq cas entièrement synthétiques sont fournis dans le jeu de données ouvert par défaut.

Un article de position associé, « Superintelligence médicale : fondements et aspirations », présente six dimensions interdépendantes de l’intelligence médicale et affirme que franchir le seuil de la superintelligence médicale nécessitera « davantage qu’une performance surhumaine dans des tâches isolées », à savoir des systèmes qui surpassent les systèmes de santé actuels les plus performants dirigés par des humains en matière de raisonnement médical intégré sur l’ensemble du parcours de soins. L’annonce de Microsoft indique que l’article a été publié dans BMJ Digital Health and AI. L’entreprise a également déclaré réunir, au sein de Microsoft AI, des équipes de santé de toute l’entreprise, notamment des scientifiques de Microsoft Research et les équipes à l’origine de Dragon Copilot et de PowerScribe, dans le cadre d’un effort intégré. Elle a aussi évoqué sa collaboration avec Mayo Clinic, annoncée précédemment ; selon une annonce du 2 juin 2026, les organisations développent un modèle d’IA de pointe pour les soins de santé, dont Mayo Clinic sera propriétaire et que Microsoft prévoit de rendre accessible par l’intermédiaire des API Azure Foundry.

Dans le cadre d’un nouveau partenariat avec le Beth Israel Deaconess Medical Center de Boston, Microsoft a annoncé qu’il évaluerait les capacités de raisonnement clinique dans différents contextes hospitaliers lors d’une étude prospective où les patients interagiront directement avec le système et où ses performances seront comparées aux évaluations indépendantes des médecins.