W badaniu opublikowanym w Science diagnostyczna AI Microsoftu przewyższa lekarzy medycyny ogólnej

System diagnostyczny MAI-DxO firmy Microsoft osiągnął lepsze wyniki niż uczestniczący w badaniu lekarze medycyny ogólnej w złożonych przypadkach diagnostycznych. Recenzowane badanie opublikowane 22 października 2026 r. w czasopiśmie Science wykazało, że system uzyskał 83,2% trafności w przypadku opisów przypadków z New England Journal of Medicine, podczas gdy lekarze korzystający z materiałów referencyjnych osiągnęli 36,1%.

Badanie „Sekwencyjna diagnostyka z wykorzystaniem modeli językowych” ukazało się w tomie 394 czasopisma Science, w numerze 6822, na stronach 423–428; artykuł otrzymano 4 kwietnia 2026 r., a przyjęto do publikacji 10 sierpnia 2026 r. Wszystkich 15 autorów to pracownicy Microsoftu, a na liście znaleźli się między innymi dyrektor generalny Microsoft AI Mustafa Suleyman, Dominic King i Eric Horvitz. W opublikowanym tego samego dnia komunikacie Microsoft poinformował, że praca „ukazuje się dziś w Science”, w numerze poświęconym „AI w medycynie”.

Benchmark oparty na diagnostyce krok po kroku

W artykule przedstawiono benchmark diagnostyki sekwencyjnej, Sequential Diagnosis Benchmark, w skrócie SDBench. Obejmuje on 304 przypadki z konferencji kliniczno-patologicznych opublikowane w New England Journal of Medicine oraz 325 przypadków pacjentów przyjętych na oddział szpitalny z oddziału ratunkowego, pochodzących ze zbioru danych MIMIC-IV-ED. Przypadki te przekształcono w interaktywne, wieloetapowe zadania diagnostyczne. Każde z nich rozpoczyna krótki opis kliniczny, na podstawie którego osoba stawiająca diagnozę — lekarz lub system AI — może zadawać pytania o wywiad lub wyniki badania, zlecać testy diagnostyczne albo postawić ostateczną diagnozę. Wyniki ocenia się pod względem trafności diagnostycznej w porównaniu z diagnozą referencyjną oraz łącznego szacowanego kosztu zleconych badań.

Każde spotkanie diagnostyczne przebiega według schematu wyznaczanego przez dwa wspierające je agenty. Agent Gatekeeper weryfikuje każde żądanie informacji na podstawie dokumentacji danego przypadku i generuje syntetyczne, neutralne diagnostycznie wyniki, gdy w dokumentacji brakuje poszukiwanej informacji. Dzięki temu brak danych nie podpowiada odpowiedzi. Agent Judge ocenia postawioną diagnozę w porównaniu z diagnozą referencyjną, stosując pięciostopniową skalę opracowaną przez lekarzy. Diagnozy ocenione na 4 lub 5, czyli takie, które nie zmieniłyby sposobu postępowania, uznaje się za prawidłowe. Koszty badań oszacowano na podstawie cen powiązanych z kodami CPT, zaczerpniętych z cennika Kaiser Permanente Washington Central Hospital Standard Charges; pytania dotyczące wywiadu i badania wliczono w stały koszt wizyty lekarskiej.

W ramach benchmarku autorzy ocenili Microsoft AI Diagnostic Orchestrator, oznaczany w artykule skrótem DxO. To niezależny od modelu system, który symuluje panel ekspertów klinicznych o uzupełniających się rolach, na każdym etapie dba o uwzględnianie kosztów przy zlecaniu badań i łączy diagnozy z niezależnych przebiegów. W komunikacie Microsoftu opisano system jako panel wirtualnych lekarzy, którzy debatują w kilku rundach. Autorzy argumentują, że statyczne benchmarki, w których od razu przedstawia się wszystkie informacje o przypadku i prosi o jedną odpowiedź, nie pozwalają ocenić, czy system zadaje właściwe pytania, unika zlecania badań bez umiaru ani rozpoznaje, kiedy ma już wystarczającą pewność, by zakończyć diagnostykę.

Wyniki dla przypadków z NEJM i oddziałów ratunkowych

W przypadku kliniczno-patologicznych opisów przypadków DxO współpracujący z GPT-5 i działający bez ograniczeń budżetowych osiągnął 83,2% trafności przy średnim koszcie 5431 USD na przypadek. Warianty z ograniczeniami kosztów uzyskały trafność 80,9% przy koszcie 2241 USD oraz 79,6% przy koszcie 1303 USD. Wariant nastawiony na maksymalną skuteczność diagnostyczną osiągnął 84,5% trafności przy koszcie 8945 USD. W towarzyszącym badaniu lekarzy, przeprowadzonym na 56 przypadkach nieuwzględnionych w pracach inżynieryjnych, uczestnicy postawili 764 diagnozy bez dostępu do źródeł i 662 z dostępem do źródeł. Średnia trafność wyniosła 22,3% bez dostępu do źródeł, przy koszcie 3049 USD na przypadek, oraz 36,1% z dostępem do źródeł, przy koszcie 4725 USD. Najlepszy pojedynczy wynik lekarza wyniósł 51,8%. W artykule opisano też różnice w sposobie prowadzenia diagnostyki: lekarze zadawali średnio 5,6 pytania, zanim zlecili pierwsze badanie, natomiast DxO współpracujący z GPT-5 zadawał średnio 25,5 pytania. Autorzy określają tę strategię jako rozbudowany, ustrukturyzowany wywiad.

W przypadku danych z oddziałów ratunkowych DxO działający bez ograniczeń budżetowych osiągnął 80,3% trafności przy koszcie 4979 USD na przypadek, a przy ograniczeniach budżetowych — 73,2% przy koszcie 2634 USD. Średnia trafność lekarzy medycyny ogólnej wyniosła 46,8% przy koszcie 3400 USD, a najlepszy pojedynczy wynik lekarza — 62,5%. We wszystkich testowanych modelach, którym podano minimalne monity bazowe, orkiestracja DxO zwiększyła trafność diagnostyczną średnio o 7,9 punktu procentowego w przypadkach konferencyjnych i o 4,4 punktu procentowego w przypadkach z oddziałów ratunkowych. W komunikacie Microsoftu stwierdzono, że żadne z pozostałych ocenianych podejść — ludzkich ani opartych na AI — nie było jednocześnie trafniejsze i tańsze niż MAI-DxO. Opisano w nim system jako 1,7 raza trafniejszy niż lekarze w przypadkach z oddziałów ratunkowych, ponad dwukrotnie trafniejszy niż lekarze korzystający z podręczników i internetu w przypadkach z czasopisma oraz niemal czterokrotnie trafniejszy niż lekarze stawiający diagnozę bez dostępu do tych źródeł, przy koszcie od dwóch do trzech razy niższym.

DxO opracowano początkowo, gdy najmocniejszym dostępnym modelem był GPT-4.1, a następnie oceniono z użyciem GPT-5. Przed publikacją powtórzono pełny zestaw ewaluacyjny z GPT-5.5, nie zmieniając poleceń ani orkiestracji; przewaga trafności nad podstawowym poleceniem wzrosła. Wcześniejszą wersję pracy opublikowano jako preprint 27 czerwca 2025 r. Przedstawiono w niej wynik 80% trafności uzyskany przez model o3 firmy OpenAI — czterokrotnie wyższy niż 20-procentowa średnia lekarzy — oraz wynik 85,5% w wariancie maksymalizującym trafność. W recenzowanej wersji dodano zestaw przypadków z oddziałów ratunkowych oraz zaktualizowane wyniki ewaluacji z użyciem GPT-5 i GPT-5.5.

Ograniczenia wskazane przez autorów i oświadczenia dotyczące ich afiliacji

Autorzy stwierdzają, że porównania nie wykazują przewagi nad specjalistami, zespołami multidyscyplinarnymi ani praktyką kliniczną w rzeczywistych warunkach. Piszą też, że spodziewaliby się zmniejszenia różnicy w wynikach w porównaniu z ekspertami-specjalistami lub zespołami dobranymi do poszczególnych przypadków. Zwracają uwagę, że zmierzone przewagi są większe w kontrolowanej symulacji, w której pominięto niepewne wywiady pacjentów, niekompletną dokumentację, budowanie relacji, długofalową opiekę kontrolną oraz dane multimodalne, takie jak obrazy diagnostyczne i preparaty histopatologiczne. Przypadki z czasopisma mogą ponadto nieproporcjonalnie często dotyczyć trudnych diagnostycznie sytuacji. Kolejnym wskazanym ograniczeniem jest porównywanie wyników z pracą pojedynczych lekarzy, a nie współpracą specjalistów z różnych dziedzin. Ponadto kryteria oceny stosowane przez Judge uwzględniają poprawność diagnozy na poziomie choroby, a nie adekwatność terapii, bezpieczeństwo ani długofalowe prowadzenie pacjenta.

W oświadczeniach autorzy podają, że wszyscy są pracownikami Microsoftu i posiadają udziały w firmie, kilku z nich jest wynalazcami wymienionymi we wniosku patentowym Microsoftu dotyczącym zautomatyzowanych ram oceny diagnozy sekwencyjnej, a na potrzeby badań nie pozyskano żadnych środków spoza Microsoftu.

Udostępnienie kodu źródłowego i partnerstwa kliniczne

Microsoft poinformował, że udostępnia na zasadach open source SDBench dla wybranych przypadków NEJM, w tym benchmark, Gatekeeper, Judge oraz kod do szacowania kosztów. Kod jest dostępny w serwisie GitHub na licencji MIT; obejmuje konfigurację o nazwie „science”, która wskazuje wersje gatekeepera i judge’a użyte do uzyskania wyników przedstawionych w artykule. Jak podano na stronie projektu SDBench, wykorzystanie zbioru danych pochodzącego z przypadków opublikowanych w czasopiśmie wymaga uzyskania licencji od NEJM Group, podzbiór MIMIC jest udostępniany za pośrednictwem PhysioNet po spełnieniu wymogów dotyczących uprawnień, a pięć w pełni syntetycznych przypadków wchodzi w skład domyślnego, otwartego zbioru danych.

Towarzyszący artykuł programowy „Medyczna superinteligencja: podstawy i aspiracje” przedstawia sześć współzależnych wymiarów inteligencji medycznej i stwierdza, że osiągnięcie progu medycznej superinteligencji będzie wymagało „czegoś więcej niż nadludzkich wyników w odizolowanych zadaniach”, czyli systemów przewyższających obecnie najsilniejsze systemy opieki zdrowotnej kierowane przez ludzi pod względem zintegrowanego rozumowania medycznego obejmującego cały przebieg opieki. Z komunikatu Microsoftu wynika, że artykuł opublikowano w BMJ Digital Health and AI. Firma poinformowała również, że zespoły zajmujące się ochroną zdrowia z różnych części Microsoftu, w tym naukowcy z Microsoft Research oraz zespoły stojące za Dragon Copilot i PowerScribe, będą uczestniczyć we wspólnym przedsięwzięciu w Microsoft AI. Wspomniano także o wcześniej ogłoszonej współpracy z Mayo Clinic; zgodnie z komunikatem z 2 czerwca 2026 r. obie organizacje opracowują zaawansowany model AI dla opieki zdrowotnej, którego właścicielem będzie Mayo Clinic i który Microsoft planuje udostępniać za pośrednictwem interfejsów API Azure Foundry.

Microsoft poinformował, że w ramach nowego partnerstwa z Beth Israel Deaconess Medical Center w Bostonie oceni możliwości rozumowania klinicznego w różnych warunkach szpitalnych. Odbędzie się to w prospektywnym badaniu, w którym pacjenci będą bezpośrednio wchodzić w interakcję z systemem, a jego wyniki zostaną porównane z niezależnymi ocenami lekarzy.