Science में प्रकाशित अध्ययन के अनुसार, Microsoft का डायग्नोस्टिक AI सामान्य चिकित्सकों से बेहतर

22 अक्टूबर 2026 को Science में प्रकाशित सहकर्मी-समीक्षित अध्ययन में, Microsoft की MAI-DxO निदान प्रणाली ने जटिल मामलों में भाग लेने वाले सामान्य चिकित्सकों से बेहतर प्रदर्शन किया। New England Journal of Medicine के केस रिकॉर्ड पर प्रणाली की सटीकता 83.2% रही, जबकि संदर्भ सामग्री का उपयोग करने वाले चिकित्सकों की सटीकता 36.1% थी।

अध्ययन, “भाषा मॉडल के साथ क्रमिक निदान”, Science के खंड 394, अंक 6822, पृष्ठ 423–428 में प्रकाशित हुआ है; इसे 4 अप्रैल 2026 को प्राप्त किया गया और 10 अगस्त 2026 को स्वीकार किया गया। सभी 15 लेखक Microsoft के कर्मचारी हैं। लेखकों की सूची में Microsoft AI के मुख्य कार्यकारी अधिकारी Mustafa Suleyman के साथ Dominic King और Eric Horvitz भी शामिल हैं। उसी दिन की घोषणा में Microsoft ने कहा कि यह शोध Science के “चिकित्सा में AI” अंक में “आज प्रकाशित हुआ है।”

चरण-दर-चरण निदान पर आधारित मानक-परीक्षण

इस शोधपत्र में Sequential Diagnosis Benchmark, यानी SDBench प्रस्तुत किया गया है। इसमें New England Journal of Medicine के 304 क्लिनिकोपैथोलॉजिकल कॉन्फ़्रेंस मामलों और MIMIC-IV-ED डेटासेट के आपातकालीन विभाग से अस्पताल में भर्ती किए जाने तक के 325 मामलों को संवादात्मक, चरणबद्ध निदान प्रक्रियाओं में बदला गया है। हर मामला एक संक्षिप्त नैदानिक विवरण से शुरू होता है। इसके आधार पर निदानकर्ता—चाहे वह चिकित्सक हो या AI प्रणाली—रोगी के इतिहास या जांच से जुड़े सवाल पूछ सकता है, निदान-परीक्षणों का आदेश दे सकता है या अंतिम निदान दे सकता है। प्रदर्शन को संदर्भ निदान की तुलना में निदान की सटीकता और आदेश दिए गए परीक्षणों की कुल अनुमानित लागत के आधार पर मापा जाता है।

हर मामले की प्रक्रिया को दो सहायक एजेंट व्यवस्थित करते हैं। Gatekeeper एजेंट, जानकारी के हर अनुरोध की मूल केस रिकॉर्ड से जांच करता है और अनुरोधित निष्कर्ष रिकॉर्ड में न होने पर निदान की दिशा का संकेत न देने वाले कृत्रिम नतीजे तैयार करता है, ताकि अनुपलब्ध डेटा से उत्तर का पता न चले। Judge एजेंट, दिए गए निदान को संदर्भ निदान से मिलाकर चिकित्सकों द्वारा तैयार किए गए पांच-स्तरीय मानदंड के आधार पर अंक देता है। जिन निदानों के लिए उपचार-प्रबंधन में कोई बदलाव नहीं होता, उन्हें दर्शाने वाले 4 या 5 अंक सही माने जाते हैं। परीक्षणों की लागत का अनुमान Kaiser Permanente Washington Central Hospital Standard Charges फ़ाइल से लिए गए CPT-आधारित मूल्य निर्धारण के अनुसार लगाया गया। रोगी के इतिहास और जांच से जुड़े सवालों की लागत को चिकित्सक के प्रति-भेंट की एक निश्चित लागत में शामिल किया गया।

इस मानक-परीक्षण के तहत लेखकों ने Microsoft AI Diagnostic Orchestrator का मूल्यांकन किया, जिसे शोधपत्र में DxO कहा गया है। यह मॉडल-निरपेक्ष प्रणाली अलग-अलग पूरक भूमिकाओं वाले नैदानिक विशेषज्ञों के समूह का अनुकरण करती है, हर चरण पर लागत को ध्यान में रखते हुए परीक्षणों के चयन का प्रबंधन करती है और स्वतंत्र रूप से किए गए कई प्रयासों के निदानों को समेकित करती है। Microsoft की घोषणा में बताया गया है कि यह प्रणाली कई दौर तक बहस करने वाले आभासी चिकित्सकों के समूह की तरह काम करती है। लेखकों का तर्क है कि स्थिर मानक-परीक्षण—जिनमें मामले की सारी जानकारी पहले ही दे दी जाती है और एक ही उत्तर मांगा जाता है—यह नहीं माप सकते कि प्रणाली सही सवाल पूछती है या नहीं, बिना भेदभाव के परीक्षण कराने से बचती है या नहीं, अथवा यह पहचानती है या नहीं कि जांच पूरी करने के लिए उसके पास पर्याप्त निश्चितता है।

NEJM और आपातकालीन विभाग के मामलों के नतीजे

क्लिनिकोपैथोलॉजिकल कॉन्फ़्रेंस के मामलों में, बजट की कोई सीमा न रखते हुए GPT-5 के साथ चलाए गए DxO ने प्रति मामले $5,431 की औसत लागत पर 83.2% सटीकता हासिल की। बजट-सीमित व्यवस्थाओं ने $2,241 की लागत पर 80.9% और $1,303 की लागत पर 79.6% सटीकता हासिल की, जबकि निदान में उत्कृष्टता पर केंद्रित व्यवस्था ने $8,945 की लागत पर 84.5% सटीकता हासिल की। साथ में किए गए चिकित्सक-अध्ययन में, जिसमें इंजीनियरिंग कार्य के लिए इस्तेमाल न किए गए 56 मामले शामिल थे, प्रतिभागियों ने बिना संदर्भ सामग्री के 764 और संदर्भ सामग्री के साथ 662 निदान दिए। बिना संदर्भ सामग्री के उनकी औसत सटीकता 22.3% और प्रति मामले लागत $3,049 थी; संदर्भ सामग्री के साथ औसत सटीकता 36.1% और लागत $4,725 रही। सबसे बेहतर प्रदर्शन करने वाले एक चिकित्सक की सटीकता 51.8% थी। शोधपत्र में जांच-पड़ताल की अलग-अलग शैलियों का भी उल्लेख है: चिकित्सकों ने पहला परीक्षण कराने से पहले औसतन 5.6 सवाल पूछे, जबकि GPT-5 के साथ DxO ने औसतन 25.5 सवाल पूछे। लेखक इस रणनीति को इतिहास की विस्तृत और व्यवस्थित जानकारी जुटाना बताते हैं।

आपातकालीन विभाग के मामलों में, बजट की कोई सीमा न रखने वाले DxO ने प्रति मामले $4,979 की लागत पर 80.3% सटीकता हासिल की, जबकि बजट-सीमित DxO ने $2,634 की लागत पर 73.2% सटीकता हासिल की। सामान्य चिकित्सकों की औसत सटीकता 46.8% और लागत $3,400 थी, जबकि सबसे बेहतर प्रदर्शन करने वाले एक चिकित्सक की सटीकता 62.5% रही। न्यूनतम आधार-निर्देशों के साथ परखे गए सभी मॉडलों में DxO संयोजन से कॉन्फ़्रेंस मामलों में निदान की सटीकता औसतन 7.9 प्रतिशत अंक और आपातकालीन विभाग के मामलों में 4.4 अंक बढ़ी। Microsoft की घोषणा के अनुसार, मूल्यांकन किए गए किसी अन्य मानव या AI तरीके ने MAI-DxO से एक साथ अधिक सटीकता और कम लागत हासिल नहीं की। घोषणा में कहा गया कि आपातकालीन विभाग के मामलों में यह प्रणाली चिकित्सकों से 1.7 गुना अधिक सटीक थी; शोध-पत्रिका के मामलों में पाठ्यपुस्तकों और इंटरनेट का उपयोग करने वाले चिकित्सकों से दोगुने से भी अधिक सटीक थी; और उन संसाधनों के बिना निदान करने वाले चिकित्सकों से लगभग चार गुना अधिक सटीक थी—वह भी आधी से एक-तिहाई लागत पर।

DxO का शुरुआती विकास उस समय हुआ, जब GPT-4.1 उपलब्ध सबसे सक्षम मॉडल था। बाद में इसका मूल्यांकन GPT-5 के साथ किया गया और प्रकाशन से पहले, निर्देशों या संयोजन प्रणाली में कोई बदलाव किए बिना, पूरे मूल्यांकन को GPT-5.5 के साथ दोहराया गया; आधार-निर्देशों की तुलना में इसकी सटीकता का लाभ बढ़ गया। इस काम का पहला संस्करण 27 जून 2025 को प्रीप्रिंट के रूप में पोस्ट किया गया था। उसमें OpenAI के o3 मॉडल के साथ 80% सटीकता की सूचना दी गई थी—जो चिकित्सकों की 20% औसत सटीकता से चार गुना थी—और अधिकतम-सटीकता वाली व्यवस्था में 85.5% सटीकता दर्ज की गई थी। सहकर्मी-समीक्षित संस्करण में आपातकालीन विभाग के मामलों का सेट और GPT-5 तथा GPT-5.5 के साथ किए गए नए मूल्यांकन जोड़े गए हैं।

लेखकों द्वारा बताई गई सीमाएँ और खुलासे

लेखकों का कहना है कि इन तुलनाओं से विशेषज्ञों, बहुविषयक टीमों या वास्तविक दुनिया की नैदानिक प्रैक्टिस के मुकाबले श्रेष्ठता साबित नहीं होती। उनका यह भी कहना है कि उन्हें उम्मीद है कि विशेषज्ञों या प्रत्येक मामले के अनुरूप गठित टीमों से तुलना करने पर प्रदर्शन का अंतर कम हो जाएगा। वे यह भी बताते हैं कि नियंत्रित सिमुलेशन में मापे गए लाभ बढ़े हुए दिखते हैं, क्योंकि इसमें मरीजों का अनिश्चित इतिहास, अधूरा दस्तावेज़ीकरण, मरीजों के साथ तालमेल, समय के साथ अनुवर्ती देखभाल और इमेजिंग तथा पैथोलॉजी स्लाइड जैसे बहुआयामी डेटा शामिल नहीं किए जाते। साथ ही, जर्नल में प्रकाशित मामलों में निदान की दृष्टि से चुनौतीपूर्ण प्रस्तुतियों का अनुपात वास्तविकता से अधिक हो सकता है। एक और सीमा यह है कि तुलना बहुविषयक सहयोग के बजाय अलग-अलग चिकित्सकों से की गई। इसके अलावा, Judge का मूल्यांकन मानदंड रोग के स्तर पर निदान की शुद्धता परखता है, न कि उपचार की उपयुक्तता, सुरक्षा या दीर्घकालिक प्रबंधन पर।

शोधपत्र में दिए गए खुलासों के अनुसार, लेखकों ने बताया कि वे सभी Microsoft के कर्मचारी हैं और कंपनी में उनकी हिस्सेदारी है; उनमें से कई क्रमिक निदान के लिए स्वचालित मूल्यांकन ढाँचे से संबंधित Microsoft पेटेंट आवेदन के आविष्कारकों में शामिल हैं; और इन अध्ययनों के लिए Microsoft के बाहर से कोई धनराशि प्राप्त नहीं की गई।

ओपन-सोर्स रिलीज़ और नैदानिक साझेदारियाँ

Microsoft ने कहा कि वह चुनिंदा NEJM मामलों के लिए SDBench को ओपन-सोर्स कर रहा है। इसमें बेंचमार्क, Gatekeeper, Judge और लागत-अनुमान का कोड शामिल है। यह कोड MIT License के तहत GitHub पर उपलब्ध है। इसमें “science” नाम का एक कॉन्फ़िगरेशन भी है, जो शोधपत्र के नतीजों के लिए इस्तेमाल किए गए Gatekeeper और Judge को निश्चित करता है। SDBench परियोजना की साइट के अनुसार, जर्नल के मामलों से तैयार किए गए डेटासेट के लिए NEJM Group से लाइसेंस लेना आवश्यक है; MIMIC का सबसेट, प्रमाण-पत्र संबंधी आवश्यकताओं के अधीन, PhysioNet के ज़रिए वितरित किया जाता है; और पाँच पूरी तरह कृत्रिम मामले डिफ़ॉल्ट खुले डेटासेट के हिस्से के रूप में उपलब्ध कराए जाते हैं।

इसके साथ प्रकाशित एक नीतिपत्र, “चिकित्सकीय अतिबुद्धिमत्ता: आधार और आकांक्षाएँ,” चिकित्सा-बुद्धिमत्ता के छह परस्पर निर्भर आयाम प्रस्तुत करता है। इसमें कहा गया है कि चिकित्सकीय अतिबुद्धिमत्ता के स्तर तक पहुँचने के लिए “अलग-अलग कार्यों में मानव से बेहतर प्रदर्शन” भर पर्याप्त नहीं होगा; इसके लिए ऐसी प्रणालियाँ चाहिए जो देखभाल के पूरे क्रम में एकीकृत चिकित्सकीय तर्क-विचार के मामले में आज की सबसे सक्षम मानव-नेतृत्व वाली स्वास्थ्य प्रणालियों से आगे निकलें। Microsoft की घोषणा के अनुसार, यह शोधपत्र BMJ Digital Health and AI में प्रकाशित हुआ था। कंपनी ने यह भी कहा कि वह Microsoft के विभिन्न हिस्सों की स्वास्थ्य टीमों—जिनमें Microsoft Research के वैज्ञानिक तथा Dragon Copilot और PowerScribe के पीछे काम करने वाली टीमें शामिल हैं—को Microsoft AI में एकीकृत प्रयास के लिए साथ ला रही है। कंपनी ने Mayo Clinic के साथ पहले घोषित सहयोग का भी उल्लेख किया। 2 जून 2026 की घोषणा के तहत, दोनों संस्थाएँ स्वास्थ्य सेवा के लिए एक अत्याधुनिक AI मॉडल विकसित कर रही हैं, जिसका स्वामित्व Mayo Clinic के पास होगा और जिसे Microsoft Azure Foundry APIs के माध्यम से उपलब्ध कराने की योजना बना रहा है।

बोस्टन स्थित Beth Israel Deaconess Medical Center के साथ नई साझेदारी के तहत, Microsoft ने कहा कि वह अस्पतालों के विभिन्न परिवेशों में नैदानिक तर्क-विचार की क्षमताओं का आकलन करेगा। यह आकलन एक भावी अध्ययन में किया जाएगा, जिसमें मरीज सीधे सिस्टम के साथ संवाद करेंगे और उसके प्रदर्शन की तुलना चिकित्सकों के स्वतंत्र आकलनों से की जाएगी।