У дослідженні в Science діагностичний ШІ Microsoft перевершив лікарів загальної практики

Діагностична система MAI-DxO від Microsoft перевершила лікарів загальної практики, які брали участь у дослідженні, під час розв’язання складних діагностичних випадків. У рецензованому дослідженні, опублікованому 22 жовтня 2026 року в журналі Science, повідомляється, що система правильно встановила діагноз у 83,2% випадків із клінічних записів New England Journal of Medicine, тоді як лікарі, які користувалися довідковими матеріалами, — у 36,1%.

Дослідження «Послідовне встановлення діагнозу за допомогою мовних моделей» опубліковано в Science, том 394, випуск 6822, сторінки 423–428; його отримано 4 квітня 2026 року й прийнято до публікації 10 серпня 2026 року. Усі 15 авторів — співробітники Microsoft; серед них — генеральний директор Microsoft AI Мустафа Сулейман, а також Домінік Кінг і Ерік Горвіц. У оголошенні, опублікованому того самого дня, Microsoft повідомила, що роботу «опубліковано сьогодні в Science» у випуску журналу «ШІ в медицині».

Тестовий набір для поетапного встановлення діагнозу

У статті представлено тестовий набір Sequential Diagnosis Benchmark, або SDBench, який перетворює 304 клініко-патологічні випадки з конференцій New England Journal of Medicine та 325 випадків відділення невідкладної допомоги з переходом до госпіталізації з набору даних MIMIC-IV-ED на інтерактивні поетапні діагностичні ситуації. Кожен випадок починається з короткого клінічного опису, після чого фахівець, який встановлює діагноз, — лікар або система ШІ — може поставити запитання про анамнез чи результати огляду, призначити діагностичні обстеження або сформулювати остаточний діагноз. Результати оцінюють за точністю діагнозу порівняно з еталонним діагнозом і за сукупною розрахунковою вартістю призначених обстежень.

Кожен етап діагностики супроводжують два допоміжні агенти. Агент Gatekeeper перевіряє кожен запит на отримання інформації за первинним записом про випадок і генерує діагностично нейтральні синтетичні результати, якщо запитаних даних немає, щоб їхня відсутність не підказувала відповідь. Агент Judge оцінює сформульований діагноз порівняно з еталонним за п’ятибальною шкалою, розробленою лікарями; оцінки 4 або 5, що відповідають діагнозам, за яких тактика лікування не змінилася б, зараховують як правильні. Вартість обстежень розраховували за тарифами на основі CPT, використовуючи файл стандартних цін Kaiser Permanente Washington Central Hospital; запитання про анамнез і огляд включили у фіксовану вартість візиту до лікаря.

У межах тестового набору автори оцінили Microsoft AI Diagnostic Orchestrator, скорочено DxO у статті, — незалежну від моделі систему, яка імітує роботу групи клінічних експертів із взаємодоповнювальними ролями, на кожному етапі раціонально призначає обстеження з урахуванням їхньої вартості та об’єднує діагнози з кількох незалежних запусків. В оголошенні Microsoft систему описано як групу віртуальних лікарів, які обговорюють випадок у кілька раундів. Автори стверджують, що статичні тестові набори, у яких усю інформацію про випадок надають одразу й просять запропонувати одну відповідь, не дають змоги оцінити, чи ставить система правильні запитання, чи уникає безсистемного призначення обстежень і чи розуміє, коли її впевненості вже достатньо, щоб завершити діагностичний пошук.

Результати для випадків із NEJM і відділення невідкладної допомоги

На клініко-патологічних випадках із конференцій DxO у поєднанні з GPT-5, запущений без обмеження бюджету, досяг точності 83,2% за середньої вартості 5 431 долар за випадок. Конфігурації з обмеженням витрат досягли точності 80,9% за 2 241 долар і 79,6% за 1 303 долари, тоді як конфігурація, спрямована на максимальну діагностичну точність, досягла 84,5% за 8 945 доларів. У супутньому дослідженні за участю лікарів, проведеному на 56 випадках, не залучених до розробки системи, учасники сформулювали 764 діагнози без довідкових матеріалів і 662 — із доступом до них. Середня точність становила 22,3% без довідкових матеріалів за вартості 3 049 доларів за випадок і 36,1% із доступом до них за 4 725 доларів. Найкращий окремий лікар досяг точності 51,8%. У статті також повідомляється про різні підходи до діагностичного пошуку: перш ніж призначити перше обстеження, лікарі ставили в середньому 5,6 запитання, тоді як DxO з GPT-5 — у середньому 25,5. Автори характеризують цей підхід як ґрунтовне структуроване збирання анамнезу.

На випадках із відділення невідкладної допомоги DxO без обмеження бюджету досяг точності 80,3% за вартості 4 979 доларів за випадок, а з бюджетними обмеженнями — 73,2% за 2 634 долари. Середня точність лікарів загальної практики становила 46,8% за вартості 3 400 доларів, а найкращий окремий лікар досяг 62,5%. Для всіх моделей, перевірених із мінімальними базовими підказками, використання оркестрації DxO підвищило діагностичну точність у середньому на 7,9 відсоткового пункта для випадків із конференцій і на 4,4 пункта для випадків із відділення невідкладної допомоги. В оголошенні Microsoft зазначено, що жоден інший оцінений підхід — людський чи на основі ШІ — не був водночас точнішим і дешевшим за MAI-DxO. Систему описано як таку, що у 1,7 раза точніша за лікарів у випадках із відділення невідкладної допомоги, більш ніж удвічі точніша за лікарів, які користувалися підручниками та інтернетом, у випадках із журналу, і майже вчетверо точніша за лікарів, які встановлювали діагнози без цих джерел, причому її вартість становила від половини до третини їхньої вартості.

DxO спочатку розробили, коли найпотужнішою доступною моделлю була GPT-4.1; згодом систему оцінювали з GPT-5, а перед публікацією весь комплекс оцінювання повторили з GPT-5.5, не змінюючи підказок чи оркестрації. Перевага системи в точності над базовою підказкою при цьому зросла. Попередню версію роботи опублікували як препринт 27 червня 2025 року: у ній повідомлялося про точність 80% із моделлю o3 від OpenAI — учетверо вищу за середній показник лікарів у 20% — і про точність 85,5% у конфігурації, налаштованій на максимальну точність. У рецензованій версії додано набір випадків із відділення невідкладної допомоги та оновлені оцінювання з GPT-5 і GPT-5.5.

Зазначені обмеження та розкриття інформації авторами

Автори зазначають, що порівняння не свідчать про перевагу над вузькими спеціалістами, мультидисциплінарними командами чи реальною клінічною практикою. Вони пишуть, що очікували б меншого розриву в результатах порівняно з експертами вузького профілю або командами, сформованими відповідно до кожного випадку. Автори зауважують, що виміряні переваги посилюються в умовах контрольованої симуляції, яка не враховує невизначеності в історіях хвороби пацієнтів, неповноту документації, налагодження контакту з пацієнтом, тривале спостереження та мультимодальні дані, як-от знімки й гістологічні препарати. Крім того, у журнальних клінічних випадках можуть бути надмірно представлені діагностично складні ситуації. Ще одне зазначене обмеження полягає в тому, що порівняння проводили з окремими лікарями, а не з мультиспеціалізованими командами; крім того, за критеріями оцінювання Judge діагностичну правильність визначають на рівні захворювання, а не за терапевтичною доцільністю, безпекою чи веденням пацієнта впродовж тривалого часу.

У розкритті інформації до статті автори зазначають, що всі вони є працівниками Microsoft і володіють частками в компанії, кілька авторів є винахідниками в патентній заявці Microsoft, пов’язаній з автоматизованою системою оцінювання послідовної діагностики, а для досліджень не залучали коштів з джерел поза Microsoft.

Відкритий вихідний код і партнерства у сфері клінічної практики

Microsoft повідомила, що відкриває вихідний код SDBench для окремих клінічних випадків NEJM, зокрема еталонного набору даних, Gatekeeper, Judge і коду для оцінювання вартості. Код доступний на GitHub за ліцензією MIT; у конфігурації з назвою “science” зафіксовано версії gatekeeper і judge, використані для отримання результатів статті. За даними сайту проєкту SDBench, для набору даних, сформованого на основі клінічних випадків із журналу, потрібна ліцензія від NEJM Group; підмножина MIMIC поширюється через PhysioNet за умови проходження перевірки облікових даних; до стандартного відкритого набору даних входять п’ять повністю синтетичних клінічних випадків.

У супровідній програмній статті «Медична суперінтелектуальність: основи та прагнення» описано шість взаємозалежних вимірів медичного інтелекту та зазначено, що для досягнення порога медичної суперінтелектуальності потрібні «не лише надлюдські результати у виконанні окремих завдань», а системи, які перевершують найсильніші сучасні системи охорони здоров’я під керівництвом людей у комплексному медичному міркуванні на всіх етапах надання допомоги. У повідомленні Microsoft зазначено, що статтю опубліковано в BMJ Digital Health and AI. Компанія також повідомила, що об’єднує медичні команди з різних підрозділів Microsoft, зокрема науковців Microsoft Research і команди, що стоять за Dragon Copilot і PowerScribe, у межах інтегрованої ініціативи Microsoft AI, а також згадала про раніше оголошену співпрацю з Mayo Clinic; згідно з повідомленням від 2 червня 2026 року, організації розробляють передову модель ШІ для охорони здоров’я, власником якої буде Mayo Clinic і яку Microsoft планує зробити доступною через API Azure Foundry.

Microsoft повідомила, що в межах нового партнерства з медичним центром Beth Israel Deaconess у Бостоні оцінюватиме здатність системи до клінічного міркування в лікарнях. Це буде проспективне дослідження, під час якого пацієнти безпосередньо взаємодіятимуть із системою, а її результати порівнюватимуть із незалежними оцінками лікарів.