Microsofts diagnostiska AI överträffar allmänläkare i Science-studie

Microsofts diagnostiska system MAI-DxO överträffade de deltagande allmänläkarna i komplexa diagnostiska fall i en sakkunniggranskad studie som publicerades den 22 oktober 2026 i Science. Studien rapporterade en träffsäkerhet på 83,2 % för systemet på fallbeskrivningar från New England Journal of Medicine, jämfört med 36,1 % för läkare som använde referensmaterial.

Studien, ”Stegvis diagnostik med språkmodeller”, publiceras i Science, volym 394, nummer 6822, sidorna 423–428. Den inkom den 4 april 2026 och godkändes den 10 augusti 2026. Samtliga 15 författare är anställda av Microsoft, och bland dem finns Microsoft AI:s vd Mustafa Suleyman samt Dominic King och Eric Horvitz. I ett tillkännagivande samma dag uppgav Microsoft att arbetet ”publiceras i dag i Science” i tidskriftens nummer ”AI in Medicine”.

Ett riktmärke byggt kring stegvis diagnostik

I artikeln presenteras Sequential Diagnosis Benchmark, eller SDBench, som omvandlar 304 klinikopatologiska konferensfall från New England Journal of Medicine och 325 fall från akutmottagning till inläggning i datauppsättningen MIMIC-IV-ED till interaktiva diagnostiska förlopp i flera steg. Varje fall inleds med en kort klinisk vinjett. Utifrån den kan diagnostikern, oavsett om det är en läkare eller ett AI-system, ställa frågor om anamnes eller undersökning, beställa diagnostiska tester eller fastställa en slutlig diagnos. Resultatet bedöms utifrån diagnostisk träffsäkerhet jämfört med referensdiagnosen och den sammanlagda uppskattade kostnaden för de beställda testerna.

Två stödjande agenter strukturerar varje möte. En Gatekeeper-agent granskar varje informationsförfrågan mot den underliggande falljournalen och genererar diagnostiskt neutrala syntetiska resultat när ett efterfrågat fynd saknas, så att frånvaron av data inte avslöjar svaret. En Judge-agent poängsätter den fastställda diagnosen i förhållande till referensdiagnosen enligt en femgradig skala utformad av läkare. Diagnoser som får 4 eller 5 poäng räknas som korrekta, eftersom handläggningen då inte skulle förändras. Testkostnaderna uppskattades med CPT-baserad prissättning, hämtad från filen Kaiser Permanente Washington Central Hospital Standard Charges. Frågor om anamnes och undersökning räknades in i en fast kostnad för läkarbesöket.

Inom ramen för riktmärket utvärderade författarna Microsoft AI Diagnostic Orchestrator, som förkortas DxO i artikeln. Det är ett modelloberoende system som simulerar en grupp kliniska experter med kompletterande roller, tillämpar kostnadsmedveten återhållsamhet vid testbeställningar i varje steg och sammanväger diagnoser från oberoende körningar. I Microsofts tillkännagivande beskrivs systemet som en panel av virtuella läkare som diskuterar under flera omgångar. Författarna menar att statiska riktmärken, där all information om fallet presenteras på en gång och systemet ska ge ett enda svar, inte kan mäta om ett system ställer rätt frågor, undviker urskillningslösa tester eller förstår när det är tillräckligt säkert för att avsluta utredningen.

Resultat för NEJM-fall och fall från akutmottagningar

För de klinikopatologiska konferensfallen uppnådde DxO tillsammans med GPT-5, utan budgetbegränsningar, en träffsäkerhet på 83,2 % till en genomsnittlig kostnad på 5 431 USD per fall. Konfigurationer med kostnadsbegränsningar nådde 80,9 % träffsäkerhet vid 2 241 USD och 79,6 % vid 1 303 USD, medan en konfiguration inriktad på diagnostisk precision nådde 84,5 % vid 8 945 USD. I den tillhörande läkarstudien, som genomfördes på 56 fall som inte hade ingått i utvecklingsarbetet, ställde deltagarna 764 diagnoser utan tillgång till referensmaterial och 662 med tillgång till referensmaterial. Den genomsnittliga träffsäkerheten var 22,3 % utan referensmaterial, till en kostnad på 3 049 USD per fall, och 36,1 % med referensmaterial, till en kostnad på 4 725 USD. Den bästa enskilda läkaren nådde 51,8 %. Artikeln redovisar också skillnader i utredningssätt: läkare ställde i genomsnitt 5,6 frågor innan de beställde sitt första test, medan DxO med GPT-5 ställde i genomsnitt 25,5 frågor. Författarna beskriver detta som en omfattande, strukturerad anamnes.

För fallen från akutmottagningarna nådde DxO en träffsäkerhet på 80,3 % till en kostnad på 4 979 USD per fall utan budgetbegränsningar och 73,2 % till 2 634 USD med budgetbegränsningar. Allmänläkarnas genomsnitt var 46,8 % vid 3 400 USD, och den bästa enskilda läkaren nådde 62,5 %. Bland samtliga modeller som testades med minimala grundprompter ökade DxO-samordningen den diagnostiska träffsäkerheten i genomsnitt med 7,9 procentenheter för konferensfallen och 4,4 procentenheter för fallen från akutmottagningarna. I Microsofts tillkännagivande uppges att inget annat utvärderat tillvägagångssätt, vare sig mänskligt eller AI-baserat, samtidigt var mer träffsäkert och billigare än MAI-DxO. Systemet beskrivs som 1,7 gånger mer träffsäkert än läkare för fallen från akutmottagningarna, mer än dubbelt så träffsäkert som läkare som använde läroböcker och internet för tidskriftsfallen och nästan fyra gånger så träffsäkert som läkare som ställde diagnoser utan sådana resurser – till halva eller en tredjedel av kostnaden.

DxO utvecklades först när GPT-4.1 var den starkaste tillgängliga modellen och utvärderades därefter med GPT-5. Innan publiceringen upprepades hela utvärderingsserien med GPT-5.5, utan att prompterna eller samordningen ändrades, och systemets träffsäkerhetsfördel jämfört med grundprompten ökade. En tidigare version av arbetet publicerades som förtryck den 27 juni 2025. Där rapporterades en träffsäkerhet på 80 % med OpenAI:s o3-modell, fyra gånger så hög som läkarnas genomsnitt på 20 %, samt 85,5 % i en konfiguration optimerad för maximal träffsäkerhet. Den sakkunniggranskade versionen lägger till fall från akutmottagningar och uppdaterade utvärderingar med GPT-5 och GPT-5.5.

Angivna begränsningar och författarnas upplysningar

Författarna uppger att jämförelserna inte visar någon överlägsenhet gentemot specialister, multidisciplinära team eller klinisk verksamhet i verkligheten. De skriver också att de förväntar sig att prestationsgapet skulle minska vid jämförelser med expertspecialister eller team som sätts samman utifrån varje enskilt fall. De påpekar att de uppmätta fördelarna förstärks i en kontrollerad simulering där osäkra patienthistoriker, ofullständig dokumentation, en förtroendefull relation, långvarig uppföljning och multimodala data, till exempel bilddiagnostik och patologibilder, inte beaktas. De noterar även att tidskriftsfallen kan innehålla en oproportionerligt stor andel diagnostiskt utmanande presentationer. En annan begränsning som anges är att jämförelsen görs med enskilda läkare snarare än med tvärspecialistiska samarbeten. Judge-bedömningsmallen utvärderar dessutom diagnostisk träffsäkerhet på sjukdomsnivå, inte behandlingens lämplighet, säkerhet eller långsiktiga hantering.

I artikelns jävsdeklaration uppger författarna att de alla är anställda av Microsoft och äger aktier i företaget, att flera av dem är uppfinnare i en Microsoft-patentansökan om ett automatiserat utvärderingsramverk för sekventiell diagnostik och att inga medel från andra källor än Microsoft erhölls för studierna.

Öppen källkod och kliniska samarbeten

Microsoft uppgav att företaget gör SDBench tillgängligt som öppen källkod för utvalda NEJM-fall, inklusive benchmarken, Gatekeeper, Judge och koden för kostnadsberäkning. Koden finns på GitHub under MIT-licensen, med en konfiguration med namnet “science” som låser fast den gatekeeper och judge som användes för artikelns resultat. Enligt SDBench-projektets webbplats kräver datauppsättningen som bygger på tidskriftsfallen en licens från NEJM Group, MIMIC-delmängden distribueras via PhysioNet efter godkänd behörighetsprövning och fem helt syntetiska fall ingår i den öppna datauppsättningen som standard.

I en kompletterande ståndpunktsartikel, “Medicinsk superintelligens: grunder och ambitioner,” presenteras sex ömsesidigt beroende dimensioner av medicinsk intelligens. Där anges att det krävs ”mer än övermänsklig förmåga i enskilda uppgifter” för att nå tröskeln till medicinsk superintelligens: system som överträffar dagens starkaste människoledda hälso- och sjukvårdssystem i integrerat medicinskt resonemang genom hela vårdförloppet. I Microsofts tillkännagivande anges att artikeln publicerades i BMJ Digital Health and AI. Företaget uppgav också att det samlar hälso- och sjukvårdsteam från olika delar av Microsoft, däribland forskare vid Microsoft Research och teamen bakom Dragon Copilot och PowerScribe, i en samordnad satsning inom Microsoft AI. Företaget hänvisade även till sitt tidigare tillkännagivna samarbete med Mayo Clinic. Enligt ett tillkännagivande den 2 juni 2026 utvecklar organisationerna en banbrytande AI-modell för hälso- och sjukvården, som Mayo Clinic ska äga och som Microsoft planerar att tillgängliggöra via Azure Foundry-API:er.

Microsoft uppgav att företaget genom ett nytt partnerskap med Beth Israel Deaconess Medical Center i Boston ska utvärdera kliniska resonemangsförmågor på olika sjukhus i en prospektiv studie. I studien ska patienter interagera direkt med systemet, och dess resultat ska jämföras med läkarnas oberoende bedömningar.