Microsofts diagnostiske KI overgår allmennleger i Science-studie

Microsofts diagnostiske system MAI-DxO overgikk de deltakende allmennlegene i komplekse diagnostiske saker i en fagfellevurdert studie publisert 22. oktober 2026 i Science. Studien rapporterte en treffsikkerhet på 83,2 % for systemet på saksjournaler fra New England Journal of Medicine, sammenlignet med 36,1 % for leger som brukte oppslagsverk.

Studien «Trinnvis diagnostikk med språkmodeller» står i Science, bind 394, nummer 6822, side 423–428. Den ble mottatt 4. april 2026 og godkjent 10. august 2026. Alle de 15 forfatterne er ansatt i Microsoft, og blant dem finner vi Microsoft AIs administrerende direktør Mustafa Suleyman, samt Dominic King og Eric Horvitz. I en kunngjøring samme dag sa Microsoft at arbeidet «publiseres i dag i Science» i tidsskriftets nummer «AI in Medicine».

En referansetest utviklet for trinnvis diagnostikk

Artikkelen presenterer Sequential Diagnosis Benchmark, eller SDBench, som gjør 304 klinisk-patologiske konferansesaker fra New England Journal of Medicine og 325 forløp fra akuttmottak til innleggelse fra datasettet MIMIC-IV-ED om til interaktive, trinnvise diagnostiske forløp. Hvert tilfelle begynner med en kort klinisk beskrivelse. Derfra kan diagnostikeren, enten det er en lege eller et KI-system, stille spørsmål om sykehistorie eller undersøkelser, bestille diagnostiske tester eller fastsette en endelig diagnose. Ytelsen vurderes ut fra diagnostisk treffsikkerhet sammenlignet med referansediagnosen og de samlede anslåtte kostnadene for bestilte tester.

To støtteagenter strukturerer hvert forløp. En Gatekeeper-agent vurderer hver informasjonsforespørsel opp mot den underliggende saksjournalen og genererer diagnostisk nøytrale, syntetiske resultater når en etterspurt opplysning mangler, slik at manglende data ikke røper svaret. En Judge-agent vurderer den fastsatte diagnosen opp mot referansediagnosen etter en femtrinnsskala utarbeidet av leger. Diagnoser som får 4 eller 5 poeng, og som ikke ville ha endret behandlingen, regnes som riktige. Testkostnadene ble anslått med priser basert på CPT, hentet fra Kaiser Permanente Washington Central Hospital Standard Charges-filen. Spørsmål om sykehistorie og undersøkelser ble regnet inn i en fast kostnad for legebesøk.

I referansetesten evaluerte forfatterne Microsoft AI Diagnostic Orchestrator, forkortet DxO i artikkelen. Dette er et modellnøytralt system som simulerer et panel av kliniske eksperter med utfyllende roller, legger vekt på kostnadsbevisst bruk av tester i hvert trinn og sammenstiller diagnoser fra uavhengige kjøringer. I Microsofts kunngjøring beskrives systemet som et panel av virtuelle leger som diskuterer saken gjennom flere runder. Forfatterne hevder at statiske referansetester, der all informasjon om saken legges fram på forhånd og systemet blir bedt om å gi ett svar, ikke kan måle om et system stiller de riktige spørsmålene, unngår ukritisk testing eller forstår når det har tilstrekkelig sikkerhet til å avslutte utredningen.

Resultater for NEJM-saker og saker fra akuttmottak

For de klinisk-patologiske konferansesakene oppnådde DxO sammen med GPT-5, uten budsjettbegrensninger, en treffsikkerhet på 83,2 % til en gjennomsnittskostnad på $5,431 per sak. Oppsett med kostnadsbegrensninger oppnådde 80,9 % treffsikkerhet til $2,241 og 79,6 % til $1,303, mens et oppsett innrettet mot høyest mulig diagnostisk presisjon oppnådde 84,5 % til $8,945. I den tilhørende legestudien, som omfattet 56 saker som ikke hadde vært brukt i utviklingsarbeidet, stilte deltakerne 764 diagnoser uten hjelpemidler og 662 med tilgang til oppslagsverk. Gjennomsnittlig treffsikkerhet var 22,3 % uten hjelpemidler, til $3,049 per sak, og 36,1 % med oppslagsverk, til $4,725. Den beste enkeltlegen oppnådde 51,8 %. Artikkelen rapporterer også ulike utredningsmåter: Legene stilte i gjennomsnitt 5,6 spørsmål før de bestilte sin første test, mens DxO med GPT-5 stilte i gjennomsnitt 25,5 spørsmål – en tilnærming forfatterne beskriver som omfattende, strukturert innhenting av sykehistorie.

For sakene fra akuttmottak oppnådde DxO en treffsikkerhet på 80,3 % til $4,979 per sak uten budsjettbegrensninger, og 73,2 % til $2,634 med budsjettbegrensninger. Allmennlegene oppnådde i gjennomsnitt 46,8 % til $3,400, og den beste enkeltlegen nådde 62,5 %. For alle modellene som ble testet med minimale grunninstruksjoner, økte DxO-orkestreringen den diagnostiske treffsikkerheten med gjennomsnittlig 7,9 prosentpoeng for konferansesakene og 4,4 prosentpoeng for sakene fra akuttmottak. Microsofts kunngjøring oppgir at ingen andre evaluerte tilnærminger, verken menneskelige eller KI-baserte, samtidig var mer treffsikre og mindre kostbare enn MAI-DxO. Systemet beskrives som 1,7 ganger mer treffsikkert enn leger for pasientforløpene fra akuttmottak, mer enn dobbelt så treffsikkert som leger som brukte lærebøker og internett på tidsskriftsakene, og nesten fire ganger så treffsikkert som leger som stilte diagnoser uten slike hjelpemidler – til halvparten eller en tredel av kostnaden.

DxO ble først utviklet da GPT-4.1 var den sterkeste tilgjengelige modellen, og ble senere evaluert med GPT-5. Før publisering ble hele evalueringsopplegget kjørt på nytt med GPT-5.5, uten at promptene eller orkestreringen ble endret. Da økte systemets treffsikkerhetsfordel sammenlignet med grunnprompten. En tidligere versjon av arbeidet ble publisert som forhåndstrykk 27. juni 2025. Den rapporterte 80 % treffsikkerhet med OpenAIs o3-modell, fire ganger legenes gjennomsnitt på 20 %, og 85,5 % i et oppsett innrettet mot høyest mulig treffsikkerhet. Den fagfellevurderte versjonen legger til sakene fra akuttmottak og oppdaterte evalueringer med GPT-5 og GPT-5.5.

Oppgitte begrensninger og forfatteropplysninger

Forfatterne påpeker at sammenligningene ikke viser at systemet er bedre enn spesialister, tverrfaglige team eller klinisk praksis i den virkelige verden, og skriver at de forventer at ytelsesforskjellen vil bli mindre i sammenligninger med eksperter innen spesialiserte fagområder eller team som er satt sammen for å håndtere hvert enkelt tilfelle. De bemerker at de målte fordelene blir større i en kontrollert simulering der usikre pasienthistorikker, ufullstendig dokumentasjon, tillitsforhold, oppfølging over tid og multimodale data som bildediagnostikk og patologisnitt ikke tas med, og at tidsskriftets kasuistikker kan inneholde en uforholdsmessig stor andel diagnostisk krevende tilfeller. En ytterligere begrensning de oppgir, er at sammenligningen er gjort med enkeltleger, ikke med tverrfaglig samarbeid, og at vurderingskriteriene til Judge måler diagnostisk treffsikkerhet på sykdomsnivå, ikke om behandlingen er hensiktsmessig og trygg eller om oppfølgingen over tid er god.

I opplysningene om interessekonflikter i artikkelen opplyser forfatterne at de alle er ansatt i Microsoft og eier aksjer i selskapet, at flere av dem er oppført som oppfinnere i en Microsoft-patentsøknad knyttet til et automatisert evalueringsrammeverk for sekvensiell diagnostisering, og at studiene ikke mottok finansiering fra andre enn Microsoft.

Utgivelse med åpen kildekode og kliniske partnerskap

Microsoft opplyste at selskapet gjør SDBench tilgjengelig som åpen kildekode for utvalgte NEJM-kasusistikker, inkludert referansetesten, Gatekeeper, Judge og kode for kostnadsberegning. Koden er tilgjengelig på GitHub under MIT-lisensen, med en konfigurasjon kalt «science» som låser fast gatekeeperen og dommeren som ble brukt til resultatene i artikkelen. Ifølge prosjektnettstedet for SDBench krever datasettet som er basert på tidsskriftets kasusistikker, lisens fra NEJM Group, MIMIC-delsettet distribueres gjennom PhysioNet med forbehold om godkjenning av brukerne, og fem helt syntetiske kasus følger med som standard i det åpne datasettet.

En tilhørende posisjonsartikkel, «Medisinsk superintelligens: grunnlag og ambisjoner», introduserer seks gjensidig avhengige dimensjoner ved medisinsk intelligens og fastslår at det å nå terskelen for medisinsk superintelligens vil kreve «mer enn overmenneskelig ytelse på avgrensede oppgaver» – det vil si systemer som overgår dagens sterkeste helsesystemer ledet av mennesker når det gjelder integrert medisinsk resonnering gjennom hele behandlingsforløpet. Microsofts kunngjøring opplyser at artikkelen ble publisert i BMJ Digital Health and AI. Selskapet opplyste også at det samler helseteam fra hele Microsoft, blant annet forskere fra Microsoft Research og teamene bak Dragon Copilot og PowerScribe, i en samordnet satsing i Microsoft AI, og viste til det tidligere annonserte samarbeidet med Mayo Clinic. I kunngjøringen 2. juni 2026 opplyste organisasjonene at de utvikler en avansert KI-modell for helsetjenesten som Mayo Clinic skal eie, og som Microsoft planlegger å gjøre tilgjengelig via Azure Foundry-API-er.

Gjennom et nytt samarbeid med Beth Israel Deaconess Medical Center i Boston opplyste Microsoft at selskapet skal evaluere kliniske resonneringsevner på tvers av sykehusmiljøer i en prospektiv studie der pasientene samhandler direkte med systemet, og ytelsen måles opp mot legers uavhengige vurderinger.