IA de diagnosticare Microsoft îi depășește pe medicii generaliști într-un studiu publicat în Science

Sistemul de diagnosticare MAI-DxO al Microsoft a depășit medicii generaliști participanți în cazuri complexe de diagnostic, într-un studiu evaluat de experți și publicat la 22 octombrie 2026 în Science, care a raportat o acuratețe de 83,2% pentru sistem pe baza dosarelor de caz din New England Journal of Medicine, față de 36,1% pentru medicii care au folosit materiale de referință.

Studiul, „Diagnosticul secvențial cu modele lingvistice”, apare în volumul 394, numărul 6822 al revistei Science, la paginile 423–428; a fost primit la 4 aprilie 2026 și acceptat la 10 august 2026. Toți cei 15 autori sunt angajați ai Microsoft, iar printre aceștia se numără directorul executiv al Microsoft AI, Mustafa Suleyman, precum și Dominic King și Eric Horvitz. Într-un anunț din aceeași zi, Microsoft a declarat că lucrarea „este publicată astăzi în Science”, în numărul revistei dedicat „IA în medicină”.

Un reper de evaluare bazat pe diagnosticarea pas cu pas

Lucrarea prezintă Sequential Diagnosis Benchmark, sau SDBench, care transformă 304 de cazuri prezentate la conferințe clinico-patologice din New England Journal of Medicine și 325 de cazuri de la prezentarea la camera de gardă până la internare, provenite din setul de date MIMIC-IV-ED, în parcursuri de diagnosticare interactive, desfășurate pas cu pas. Fiecare caz începe cu o scurtă prezentare clinică, pe baza căreia persoana care stabilește diagnosticul, fie medic, fie sistem de IA, poate adresa întrebări despre antecedente sau examinare, poate solicita teste de diagnosticare ori poate formula diagnosticul final. Performanța este evaluată în funcție de acuratețea diagnosticului în raport cu diagnosticul de referință și de costul estimat cumulat al testelor solicitate.

Fiecare parcurs este structurat de doi agenți de asistență. Un agent de control intermediază fiecare solicitare de informații, raportând-o la dosarul de caz subiacent, și generează rezultate sintetice neutre din punct de vedere diagnostic atunci când constatarea solicitată lipsește, astfel încât datele absente să nu indice răspunsul. Un agent evaluator notează diagnosticul formulat în raport cu diagnosticul de referință, folosind o grilă de evaluare cu cinci niveluri, elaborată de medici; diagnosticele care primesc nota 4 sau 5 sunt considerate corecte, deoarece nu ar schimba conduita terapeutică. Costurile testelor au fost estimate pe baza tarifelor CPT, derivate din fișierul Kaiser Permanente Washington Central Hospital Standard Charges, iar întrebările despre antecedente și examinare au fost incluse într-un cost fix al consultației medicale.

În cadrul reperului de evaluare, autorii au testat Microsoft AI Diagnostic Orchestrator, abreviat DxO în lucrare, un sistem independent de model, care simulează un grup de experți clinicieni cu roluri complementare, aplică la fiecare pas o abordare prudentă a solicitării testelor, ținând cont de costuri, și reunește diagnosticele obținute în rulări independente. În anunțul Microsoft, sistemul este descris ca funcționând asemenea unui grup de medici virtuali care dezbat în mai multe runde. Autorii susțin că reperele de evaluare statice, care prezintă de la început toate informațiile despre caz și solicită un singur răspuns, nu pot măsura dacă un sistem pune întrebările potrivite, evită testarea nediscriminatorie sau recunoaște când are suficiente certitudini pentru a încheia investigațiile.

Rezultatele pentru cazurile din NEJM și cele de la camera de gardă

În cazurile prezentate la conferințe clinico-patologice, DxO asociat cu GPT-5 și rulat fără constrângeri bugetare a obținut o acuratețe de 83,2%, la un cost mediu de 5.431 de dolari per caz. Configurațiile cu constrângeri de cost au atins o acuratețe de 80,9% la 2.241 de dolari și de 79,6% la 1.303 dolari, în timp ce o configurație orientată spre excelență diagnostică a atins 84,5% la 8.945 de dolari. În studiul asociat cu medici, desfășurat pe 56 de cazuri excluse din activitatea de dezvoltare, participanții au formulat 764 de diagnostice fără acces la materiale de referință și 662 cu acces la acestea. Acuratețea medie a fost de 22,3% fără acces la materiale, la 3.049 de dolari per caz, și de 36,1% cu acces la materiale, la 4.725 de dolari. Cel mai bun medic a obținut 51,8%. Lucrarea raportează și diferențe în modul de investigare: medicii au adresat în medie 5,6 întrebări înainte de a solicita primul test, în timp ce DxO cu GPT-5 a adresat în medie 25,5, o strategie pe care autorii o descriu drept o anamneză structurată extinsă.

În cazurile de la camera de gardă, DxO fără constrângeri bugetare a obținut o acuratețe de 80,3% la 4.979 de dolari per caz, iar cu constrângeri bugetare, de 73,2% la 2.634 de dolari. Medicii generaliști au avut o acuratețe medie de 46,8% la 3.400 de dolari, iar cel mai bun medic individual a ajuns la 62,5%. Pentru toate modelele testate cu solicitări de bază minimale, orchestrarea DxO a crescut acuratețea diagnosticului în medie cu 7,9 puncte procentuale în cazurile prezentate la conferințe și cu 4,4 puncte procentuale în cazurile de la camera de gardă. Potrivit anunțului Microsoft, niciuna dintre celelalte abordări evaluate, fie umane, fie bazate pe IA, nu a fost simultan mai precisă și mai puțin costisitoare decât MAI-DxO. Microsoft descrie sistemul ca fiind de 1,7 ori mai precis decât medicii în cazurile de la camera de gardă, de peste două ori mai precis decât medicii care au folosit manuale și internetul în cazurile din revistă și de aproape patru ori mai precis decât medicii care au pus diagnostice fără aceste resurse, la jumătate până la o treime din cost.

DxO a fost dezvoltat inițial când GPT-4.1 era cel mai performant model disponibil, a fost evaluat ulterior cu GPT-5, iar înainte de publicare, întreaga suită de evaluare a fost repetată cu GPT-5.5 fără modificarea solicitărilor sau a orchestrării; avantajul său de acuratețe față de solicitarea de bază a crescut. O versiune anterioară a lucrării a fost publicată ca preprint la 27 iunie 2025 și raporta o acuratețe de 80% cu modelul o3 al OpenAI, de patru ori mai mare decât media de 20% a medicilor, precum și o acuratețe de 85,5% într-o configurație orientată spre acuratețe maximă; versiunea evaluată de experți adaugă setul de cazuri de la camera de gardă și evaluări actualizate cu GPT-5 și GPT-5.5.

Limitări declarate și declarațiile autorilor

Autorii afirmă că aceste comparații nu demonstrează superioritatea față de specialiști, echipe multidisciplinare sau practica clinică din lumea reală și scriu că se așteaptă ca diferența de performanță să se reducă în comparație cu specialiști experți sau cu echipe alcătuite în funcție de fiecare caz. Ei observă că avantajele măsurate sunt amplificate într-o simulare controlată, care nu ține cont de istoricul incert al pacienților, documentația incompletă, relația cu pacientul, monitorizarea pe termen lung și datele multimodale, precum imagistica și lamele de anatomie patologică, și că este posibil ca studiile de caz din revistă să includă în mod disproporționat prezentări cu dificultăți de diagnostic. O altă limitare menționată este comparația cu medici individuali, nu cu colaborarea dintre specialiști din mai multe domenii, iar grila de evaluare Judge analizează corectitudinea diagnosticului la nivelul bolii, nu adecvarea tratamentului, siguranța sau managementul pe termen lung.

În declarațiile de interese din lucrare, autorii afirmă că toți sunt angajați ai Microsoft și dețin acțiuni ale companiei, că mai mulți dintre ei sunt inventatori într-o cerere de brevet Microsoft legată de un cadru automatizat de evaluare a diagnosticului secvențial și că studiile nu au beneficiat de finanțare din surse externe Microsoft.

Lansare open source și parteneriate clinice

Microsoft a declarat că va publica sub licență open source SDBench pentru anumite cazuri NEJM, inclusiv benchmarkul, Gatekeeper, Judge și codul pentru estimarea costurilor. Codul este disponibil pe GitHub sub Licența MIT, împreună cu o configurație numită „science”, care fixează versiunile Gatekeeper și Judge folosite pentru rezultatele lucrării. Potrivit site-ului proiectului SDBench, setul de date derivat din cazurile publicate în revistă necesită o licență din partea NEJM Group, subsetul MIMIC este distribuit prin PhysioNet, cu condiția obținerii acreditărilor necesare, iar cinci cazuri complet sintetice sunt incluse în setul de date deschis implicit.

O lucrare de poziție complementară, „Superinteligența medicală: fundamente și aspirații”, prezintă șase dimensiuni interdependente ale inteligenței medicale și afirmă că depășirea pragului către superinteligența medicală va necesita „mai mult decât performanțe supraomenești în sarcini izolate”, și anume sisteme care să depășească cele mai puternice sisteme de sănătate conduse de oameni din prezent în ceea ce privește raționamentul medical integrat pe întregul parcurs al îngrijirii. Anunțul Microsoft precizează că lucrarea a fost publicată în BMJ Digital Health and AI. Compania a mai declarat că reunește echipe din domeniul sănătății din întreaga Microsoft, inclusiv cercetători de la Microsoft Research și echipele din spatele Dragon Copilot și PowerScribe, într-un efort integrat la Microsoft AI și a făcut referire la colaborarea cu Mayo Clinic anunțată anterior; potrivit unui anunț din 2 iunie 2026, organizațiile dezvoltă un model IA de vârf pentru sănătate, care va aparține Mayo Clinic și pe care Microsoft intenționează să îl pună la dispoziție prin API-urile Azure Foundry.

În cadrul unui nou parteneriat cu Beth Israel Deaconess Medical Center din Boston, Microsoft a declarat că va evalua capacitățile de raționament clinic în diferite medii spitalicești, într-un studiu prospectiv în care pacienții interacționează direct cu sistemul, iar performanța este comparată cu evaluările independente ale medicilor.