Диагностический ИИ Microsoft превзошел врачей широкого профиля в исследовании для Science

Диагностическая система MAI-DxO компании Microsoft показала лучшие результаты, чем участвовавшие в исследовании врачи широкого профиля, при постановке сложных диагнозов. В рецензируемом исследовании, опубликованном 22 октября 2026 года в журнале Science, сообщается, что точность системы при анализе историй болезни из New England Journal of Medicine составила 83,2%, тогда как врачи, использовавшие справочные материалы, достигли точности 36,1%.

Исследование «Последовательная диагностика с помощью языковых моделей» опубликовано в Science, том 394, выпуск 6822, страницы 423–428; рукопись поступила 4 апреля 2026 года, а принята к публикации 10 августа 2026 года. Все 15 авторов — сотрудники Microsoft. В их числе — генеральный директор Microsoft AI Мустафа Сулейман, а также Доминик Кинг и Эрик Хорвиц. В объявлении, опубликованном в тот же день, Microsoft сообщила, что работа «публикуется сегодня в Science» в выпуске журнала «ИИ в медицине».

Бенчмарк для пошаговой диагностики

В статье представлен бенчмарк последовательной диагностики Sequential Diagnosis Benchmark, или SDBench. Он преобразует 304 случая из клинико-патологических конференций New England Journal of Medicine и 325 случаев перехода пациентов из отделения неотложной помощи к госпитализации из набора данных MIMIC-IV-ED в интерактивные диагностические сценарии, проходящие поэтапно. Каждый сценарий начинается с краткого описания клинической ситуации. На его основе диагност — врач или система ИИ — может задавать вопросы о анамнезе или результатах осмотра, назначать диагностические исследования либо зафиксировать окончательный диагноз. Результаты оцениваются по точности диагноза относительно эталонного, а также по совокупной расчетной стоимости назначенных исследований.

Каждый сценарий организуют два вспомогательных агента. Агент Gatekeeper сверяет каждый запрос информации с исходной историей болезни и, если запрашиваемые сведения отсутствуют, генерирует синтетические результаты, не подсказывающие диагноз, чтобы отсутствие данных не выдавало ответ. Агент Judge оценивает зафиксированный диагноз по сравнению с эталонным, используя разработанную врачами пятиуровневую шкалу. Диагнозы, получившие 4 или 5 баллов и предполагающие, что тактика лечения не изменилась бы, засчитываются как правильные. Стоимость исследований рассчитывали на основе расценок CPT, приведенных в файле Kaiser Permanente Washington Central Hospital Standard Charges; вопросы об анамнезе и осмотре включали в фиксированную стоимость визита к врачу.

В рамках бенчмарка авторы оценили Microsoft AI Diagnostic Orchestrator, сокращенно DxO в статье, — не привязанную к конкретной модели систему, которая имитирует работу группы клинических экспертов с взаимодополняющими ролями, на каждом шаге рационально назначает исследования с учетом их стоимости и объединяет диагнозы, полученные в ходе независимых запусков. В объявлении Microsoft система описана как группа виртуальных врачей, которые обсуждают диагноз в несколько раундов. Авторы утверждают, что статические бенчмарки, в которых вся информация о случае предоставляется сразу и требуется дать один ответ, не позволяют оценить, задает ли система правильные вопросы, избегает ли назначения исследований без разбора и понимает ли, когда уверенности уже достаточно, чтобы завершить обследование.

Результаты на случаях из NEJM и отделения неотложной помощи

На случаях из клинико-патологических конференций DxO в сочетании с GPT-5 и без ограничений по бюджету достигла точности 83,2% при средней стоимости 5 431 доллар за случай. В конфигурациях с ограничением расходов точность составила 80,9% при стоимости 2 241 доллар и 79,6% при стоимости 1 303 доллара, а конфигурация, нацеленная на максимальное качество диагностики, достигла точности 84,5% при стоимости 8 945 долларов. В сопутствующем исследовании с участием врачей, проведенном на 56 случаях, не использовавшихся при разработке системы, участники поставили 764 диагноза без справочных материалов и 662 диагноза с открытым доступом к ним. Средняя точность составила 22,3% при диагностике без справочных материалов и стоимости 3 049 долларов за случай и 36,1% при диагностике с их использованием и стоимости 4 725 долларов. Лучший результат среди отдельных врачей составил 51,8%. В статье также отмечаются различия в подходе к обследованию: прежде чем назначить первое исследование, врачи задавали в среднем 5,6 вопроса, тогда как DxO с GPT-5 задавала в среднем 25,5 вопроса. Авторы характеризуют эту стратегию как подробный систематизированный сбор анамнеза.

На случаях из отделения неотложной помощи DxO без ограничений по бюджету достигла точности 80,3% при стоимости 4 979 долларов за случай, а при ограничении бюджета — 73,2% при стоимости 2 634 доллара. Средняя точность врачей широкого профиля составила 46,8% при стоимости 3 400 долларов, а лучший результат отдельного врача — 62,5%. Среди всех моделей, протестированных с минимальными исходными подсказками, оркестрация DxO повысила точность диагностики в среднем на 7,9 процентного пункта на случаях из клинико-патологических конференций и на 4,4 пункта на случаях из отделения неотложной помощи. В объявлении Microsoft говорится, что ни один из оцененных подходов — ни человеческий, ни основанный на ИИ — не был одновременно точнее и дешевле MAI-DxO. Компания описывает систему как в 1,7 раза более точную, чем врачи при диагностике пациентов, поступивших в отделение неотложной помощи; более чем вдвое более точную, чем врачи, использующие учебники и интернет при разборе случаев из журнала; и почти вчетверо более точную, чем врачи, проводящие диагностику без этих ресурсов. При этом ее стоимость составляет от половины до одной трети стоимости врачебной диагностики.

Изначально DxO разработали, когда наиболее мощной доступной моделью была GPT-4.1, а впоследствии оценили с GPT-5. Перед публикацией весь набор тестов повторно провели с GPT-5.5, не меняя подсказок и оркестрации; преимущество по точности перед базовой подсказкой увеличилось. Предыдущую версию работы разместили в виде препринта 27 июня 2025 года. В ней сообщалось о точности 80% с моделью o3 компании OpenAI — в четыре раза выше среднего результата врачей, составлявшего 20%, — и о точности 85,5% в конфигурации, нацеленной на максимальную точность. В рецензируемую версию добавили набор случаев из отделения неотложной помощи и обновленные результаты оценки с GPT-5 и GPT-5.5.

Заявленные ограничения и сведения об авторах

Авторы отмечают, что сравнения не свидетельствуют о превосходстве над специалистами, междисциплинарными командами или врачебной практикой в реальных условиях. Они пишут, что ожидают сокращения разрыва в результатах при сравнении с узкими специалистами или командами экспертов, подобранными с учетом каждого случая. Авторы также указывают, что измеренные преимущества усиливаются в условиях контролируемого моделирования, где не учитываются неопределенность анамнеза пациента, неполнота документации, необходимость установить контакт с пациентом, длительное наблюдение и мультимодальные данные, такие как результаты визуализации и гистологические препараты. Кроме того, опубликованные в журнале клинические случаи могут быть непропорционально часто представлены сложными для диагностики ситуациями. Еще одно указанное ограничение состоит в том, что сравнение проводилось с отдельными врачами, а не с многопрофильными командами; кроме того, критерии Judge оценивают правильность диагноза на уровне заболевания, но не уместность лечения, его безопасность или ведение пациента в динамике.

В разделе раскрытия информации авторы сообщают, что все они работают в Microsoft и владеют долями компании, несколько авторов являются изобретателями по заявке Microsoft на патент, связанной с автоматизированной системой оценки последовательной диагностики, а исследования не получали финансирования из источников за пределами Microsoft.

Открытый исходный код и клинические партнерства

Microsoft сообщила, что открывает исходный код SDBench для отдельных клинических случаев NEJM, включая тестовый набор, Gatekeeper, Judge и код для оценки стоимости. Код доступен на GitHub по лицензии MIT; в конфигурации под названием “science” зафиксированы версии gatekeeper и judge, использованные для получения результатов статьи. Согласно сайту проекта SDBench, для набора данных, составленного на основе опубликованных в журнале клинических случаев, требуется лицензия от NEJM Group; подмножество MIMIC распространяется через PhysioNet при условии прохождения процедуры подтверждения квалификации, а пять полностью синтетических случаев входят в открытый набор данных по умолчанию.

В сопутствующей программной статье «Медицинский сверхинтеллект: основы и перспективы» представлены шесть взаимозависимых измерений медицинского интеллекта. В ней говорится, что для достижения порога медицинского сверхинтеллекта потребуется «нечто большее, чем сверхчеловеческие результаты в отдельных задачах»: системы должны превосходить самые совершенные современные системы здравоохранения, возглавляемые людьми, в комплексном медицинском рассуждении на всех этапах оказания помощи. В объявлении Microsoft говорится, что статья опубликована в BMJ Digital Health and AI. Компания также сообщила, что объединяет в рамках Microsoft AI медицинские команды со всей Microsoft, включая ученых Microsoft Research и команды, создавшие Dragon Copilot и PowerScribe, и упомянула ранее объявленное сотрудничество с Mayo Clinic. Согласно объявлению от 2 июня 2026 года, организации разрабатывают передовую модель ИИ для здравоохранения, которой будет владеть Mayo Clinic и которую Microsoft планирует предоставить через API Azure Foundry.

Microsoft сообщила, что в рамках нового партнерства с медицинским центром Beth Israel Deaconess Medical Center в Бостоне оценит возможности системы к клиническому рассуждению в различных больничных условиях. Проспективное исследование будет проходить с участием пациентов, которые будут взаимодействовать с системой напрямую, а ее результаты будут сопоставляться с независимыми оценками врачей.