Microsoft’in tanı yapay zekâsı, Science araştırmasında genel hekimlerden daha iyi performans gösterdi

Microsoft’in MAI-DxO tanı sistemi, 22 Ekim 2026’da Science dergisinde yayımlanan hakemli bir araştırmada, karmaşık tanı vakalarında çalışmaya katılan genel hekimlerden daha iyi performans gösterdi. Araştırmada sistemin New England Journal of Medicine vaka kayıtlarındaki doğruluk oranı %83,2 olarak bildirilirken, başvuru kaynaklarını kullanan hekimlerin oranı %36,1’de kaldı.

“Dil modelleriyle sıralı tanı” başlıklı araştırma, Science dergisinin 394. cilt, 6822. sayısında, 423–428. sayfalarda yayımlandı; çalışma 4 Nisan 2026’da teslim edildi ve 10 Ağustos 2026’da kabul edildi. 15 yazarın tamamı Microsoft çalışanı; yazarlar arasında Microsoft AI Üst Yöneticisi Mustafa Suleyman’ın yanı sıra Dominic King ve Eric Horvitz de yer alıyor. Microsoft, aynı gün yaptığı duyuruda, çalışmanın derginin “AI in Medicine” sayısında “bugün Science’ta yayımlandığını” söyledi.

Adım Adım Tanı Süreci Etrafında Tasarlanan Bir Kıyaslama

Makale, Sequential Diagnosis Benchmark’ı (SDBench) tanıtıyor. Bu kıyaslama, New England Journal of Medicine’de yayımlanan 304 klinikopatolojik konferans vakasını ve MIMIC-IV-ED veri kümesinden acil servisten hastaneye yatışla sonuçlanan 325 başvuruyu etkileşimli, aşamalı tanı süreçlerine dönüştürüyor. Her vaka, kısa bir klinik öyküyle başlıyor. Tanıyı koyan kişi, ister hekim ister yapay zekâ sistemi olsun, öykü veya muayene hakkında sorular sorabiliyor, tanı testleri isteyebiliyor ya da nihai tanıya karar verebiliyor. Performans, referans tanıya göre tanısal doğruluk ve istenen testlerin tahmini toplam maliyeti üzerinden puanlanıyor.

Her tanı süreci iki destek ajanı tarafından yapılandırılıyor. Gatekeeper ajanı, her bilgi talebini vakaya ait temel kayıtla karşılaştırarak değerlendiriyor ve istenen bulgu kayıtlarda yoksa tanıya yönlendirmeyen sentetik sonuçlar üretiyor; böylece eksik veriler yanıtı ele vermiyor. Judge ajanı, kesinleştirilen tanıyı referans tanıyla karşılaştırarak hekimlerce hazırlanan beş düzeyli bir ölçüt üzerinden puanlıyor. Tedavinin değişmeyeceği tanıları temsil eden 4 veya 5 puanlar doğru kabul ediliyor. Test maliyetleri, Kaiser Permanente Washington Central Hospital Standard Charges dosyasından türetilen CPT tabanlı fiyatlandırmayla tahmin edildi; öykü ve muayene soruları, sabit bir hekim muayenesi ücretine dahil edildi.

Yazarlar, kıyaslama kapsamında makalede DxO olarak kısaltılan Microsoft AI Diagnostic Orchestrator’ı değerlendirdi. Modelden bağımsız bu sistem, birbirini tamamlayan rollere sahip bir klinik uzmanlar panelini simüle ediyor, her aşamada maliyeti gözeterek testlerin kullanımını yönetiyor ve bağımsız çalıştırmalarda ulaşılan tanıları bir araya getiriyor. Microsoft’un duyurusunda sistem, birkaç tur boyunca tartışan sanal hekimlerden oluşan bir panel gibi çalışıyor şeklinde tanımlanıyor. Yazarlar, tüm vaka bilgilerini baştan verip tek bir yanıt isteyen statik kıyaslamaların, bir sistemin doğru soruları sorup sormadığını, gelişigüzel test istemekten kaçınıp kaçınmadığını veya incelemeyi sonlandırmak için yeterli kesinliğe ulaştığını fark edip etmediğini ölçemeyeceğini savunuyor.

NEJM ve Acil Servis Vakalarındaki Sonuçlar

Klinikopatolojik konferans vakalarında, GPT-5 ile eşleştirilen ve bütçe kısıtlaması olmadan çalıştırılan DxO, vaka başına ortalama 5.431 $ maliyetle %83,2 doğruluk oranına ulaştı. Maliyet kısıtlamalı yapılandırmalar, 2.241 $ maliyetle %80,9 ve 1.303 $ maliyetle %79,6 doğruluk sağlarken, tanısal mükemmelliği hedefleyen bir yapılandırma 8.945 $ maliyetle %84,5 doğruluk elde etti. Mühendislik çalışmalarında kullanılmayan 56 vaka üzerinde yürütülen eşzamanlı hekim araştırmasında katılımcılar, kaynaklara kapalı 764 ve kaynaklara açık 662 tanı koydu. Ortalama doğruluk, kaynaklara kapalı tanılarda vaka başına 3.049 $ maliyetle %22,3; kaynaklara açık tanılarda ise 4.725 $ maliyetle %36,1 oldu. En başarılı hekim %51,8’e ulaştı. Makale, inceleme yöntemlerinin de farklı olduğunu bildiriyor: Hekimler ilk testlerini istemeden önce ortalama 5,6 soru sorarken, GPT-5 ile çalışan DxO ortalama 25,5 soru sordu. Yazarlar bu yaklaşımı, yapılandırılmış öykü alımının kapsamlı biçimde yapılması olarak tanımlıyor.

Acil servis vakalarında DxO, bütçe kısıtlaması olmadan vaka başına 4.979 $ maliyetle %80,3 doğruluğa, bütçe kısıtlaması altında ise 2.634 $ maliyetle %73,2 doğruluğa ulaştı. Genel hekimlerin ortalama doğruluk oranı 3.400 $ maliyetle %46,8 olurken, en başarılı hekim %62,5’e ulaştı. Asgari başlangıç istemleriyle test edilen tüm modellerde DxO düzenlemesi, konferans vakalarındaki tanısal doğruluğu ortalama 7,9 yüzde puan, acil servis vakalarındaki doğruluğu ise 4,4 yüzde puan artırdı. Microsoft’un duyurusunda, değerlendirilen hiçbir insan veya yapay zekâ yaklaşımının MAI-DxO’dan aynı anda hem daha doğru hem de daha düşük maliyetli olmadığı belirtiliyor. Duyuru ayrıca sistemi, acil servis başvurularında hekimlerden 1,7 kat daha doğru; dergi vakalarında ders kitaplarını ve interneti kullanan hekimlerden iki kattan fazla, bu kaynaklar olmadan tanı koyan hekimlerden ise neredeyse dört kat daha doğru olarak tanımlıyor; üstelik maliyetin yarısı ile üçte biri arasında bir maliyetle.

DxO ilk olarak GPT-4.1’in mevcut en güçlü model olduğu dönemde geliştirildi, sonrasında GPT-5 ile değerlendirildi. Yayımlanmadan önce tüm değerlendirme paketi, istemlerde veya orkestrasyonda değişiklik yapılmadan GPT-5.5 ile yeniden çalıştırıldı ve temel isteme kıyasla doğruluk avantajı arttı. Çalışmanın daha önceki bir sürümü, 27 Haziran 2025’te ön baskı olarak yayımlandı. Bu sürümde OpenAI’nin o3 modeliyle %80 doğruluk bildirildi; bu oran hekimlerin %20’lik ortalamasının dört katıydı. En yüksek doğruluğu hedefleyen yapılandırmada ise oran %85,5’e ulaştı. Hakemli sürüme acil servis vaka kümesi ile GPT-5 ve GPT-5.5 kullanılarak güncellenen değerlendirmeler eklendi.

Belirtilen Sınırlamalar ve Yazarların Açıklamaları

Yazarlar, karşılaştırmaların uzmanlara, multidisipliner ekiplere veya gerçek dünyadaki klinik uygulamalara üstünlük göstermediğini belirtiyor ve uzman hekimlere ya da her vakaya uygun ekiplerle karşılaştırıldığında performans farkının daralmasını bekleyeceklerini yazıyor. Ölçülen avantajların; hasta öykülerindeki belirsizliklerin, eksik belgelerin, hasta-hekim ilişkisinin, uzunlamasına takibin ve görüntüleme ile patoloji lamları gibi çok modlu verilerin kapsam dışında bırakıldığı kontrollü bir simülasyonda belirginleştiğini, ayrıca dergi vakalarının tanı koyması güç başvuruları orantısız biçimde fazla içerebileceğini belirtiyorlar. Belirtilen bir diğer kısıt, karşılaştırmanın çok uzmanlıklı iş birliği yerine bireysel hekimlerle yapılması; Judge değerlendirme ölçütünün ise tanısal doğruluğu hastalık düzeyinde değerlendirmesi ve tedavinin uygunluğunu, güvenliğini ya da uzunlamasına yönetimini ölçmemesidir.

Yazarlar, makaledeki açıklamalarında hepsinin Microsoft çalışanı olduğunu ve şirkette hisse sahibi bulunduğunu, birkaçının sıralı tanı için otomatik bir değerlendirme çerçevesiyle ilgili Microsoft patent başvurusunda mucit olarak yer aldığını ve çalışmalar için Microsoft dışından herhangi bir fon alınmadığını belirtiyor.

Açık Kaynak Olarak Yayımlama ve Klinik İş Birlikleri

Microsoft, kıyaslama paketi, Gatekeeper, Judge ve maliyet tahmin kodu dâhil olmak üzere seçili NEJM vakaları için SDBench’i açık kaynaklı hâle getirdiğini söyledi. Kod, MIT Lisansı kapsamında GitHub‘da mevcut; makalenin sonuçlarında kullanılan gatekeeper ve judge bileşenlerini sabitleyen “science” adlı bir yapılandırma da içeriyor. SDBench proje sitesine göre dergi vakalarından türetilen veri kümesi için NEJM Group’tan lisans alınması gerekiyor, MIMIC alt kümesi kimlik doğrulamasına tabi olarak PhysioNet üzerinden dağıtılıyor ve tamamen sentetik beş vaka varsayılan açık veri kümesi olarak sunuluyor.

Eşlik eden bir görüş yazısı olan “Tıbbi Süper Zekâ: Temeller ve Hedefler”, tıbbi zekânın birbiriyle bağlantılı altı boyutunu tanıtıyor ve tıbbi süper zekâ eşiğinin aşılmasının “tekil görevlerde insanüstü performanstan daha fazlasını” gerektireceğini; başka bir deyişle, bakım sürecinin tüm aşamalarında bütünleşik tıbbi akıl yürütme konusunda günümüzün insan liderliğindeki en güçlü sağlık sistemlerini geride bırakan sistemlere ihtiyaç duyulacağını belirtiyor. Microsoft’un duyurusunda, makalenin BMJ Digital Health and AI’da yayımlandığı ifade ediliyor. Şirket ayrıca Microsoft Research bilim insanları ile Dragon Copilot ve PowerScribe’ın arkasındaki ekipler de dâhil olmak üzere Microsoft genelindeki sağlık ekiplerini Microsoft AI bünyesinde bütünleşik bir çalışma için bir araya getirdiğini ve daha önce duyurduğu Mayo Clinic iş birliğine değindiğini söyledi; 2 Haziran 2026 tarihli bir duyuruya göre kuruluşlar, Mayo Clinic’in sahibi olacağı ve Microsoft’un Azure Foundry API’leri üzerinden kullanıma sunmayı planladığı sağlık hizmetlerine yönelik bir sınır yapay zekâ modeli geliştiriyor.

Microsoft, Boston’daki Beth Israel Deaconess Medical Center ile yaptığı yeni iş birliği kapsamında, hastaların sistemle doğrudan etkileşime girdiği ve performansın hekimlerin bağımsız değerlendirmeleriyle karşılaştırılarak ölçüldüğü ileriye dönük bir çalışmada, hastane ortamlarında klinik akıl yürütme yeteneklerini değerlendireceğini söyledi.