微软诊断人工智能在《Science》研究中表现优于全科医生

在 2026 年 10 月 22 日发表于《Science》的一项经同行评审的研究中，微软的 MAI-DxO 诊断系统在复杂诊断病例上的表现优于参与研究的全科医生。研究报告显示，系统针对《新英格兰医学杂志》的病例记录取得了 83.2% 的准确率，而使用参考资料的医生准确率为 36.1%。

这项研究《使用语言模型进行序贯诊断》刊载于《Science》第 394 卷第 6822 期，第 423–428 页；期刊于 2026 年 4 月 4 日收到稿件，并于 2026 年 8 月 10 日接受。15 位作者均为微软员工，其中包括微软人工智能业务首席执行官 Mustafa Suleyman，以及 Dominic King 和 Eric Horvitz。在一份同日发布的公告中，微软称这项研究“今日发表于《Science》”，刊登在该刊的“人工智能医学”专刊中。

围绕逐步诊断构建的基准测试

论文介绍了序贯诊断基准（SDBench）：它将《新英格兰医学杂志》的 304 例临床病理学病例讨论病例，以及 MIMIC-IV-ED 数据集中的 325 例急诊至住院病例，转化为可交互、分步骤进行的诊断过程。每个病例都以一段简短的临床病例描述开场；诊断者无论是医生还是人工智能系统，都可以询问病史或检查相关问题、要求进行诊断性检查，或给出最终诊断。评估依据包括相对于参考诊断的诊断准确率，以及所开检查的累计估算费用。

每次诊断过程由两个辅助智能体提供结构支持。守门员智能体会根据底层病例记录处理每项信息请求；如果病例中没有所请求的发现，它便生成诊断上保持中立的合成结果，以免缺失数据透露答案。裁判智能体则根据由医生制定的五级评分标准，将最终诊断与参考诊断进行比较评分；对于评分为 4 或 5、且诊断结果不会改变治疗方案的情况，均计为正确。检查费用按 CPT 定价估算，依据来自 Kaiser Permanente Washington 中央医院标准收费文件；病史询问和体格检查问题的费用则计入固定的医生就诊费用。

在该基准测试中，作者评估了微软人工智能诊断协调器（论文中简称 DxO）。这是一个与模型无关的系统，可模拟由分工互补的临床专家组成的小组，在每一步采取注重成本的检查管理策略，并汇总多次独立运行得出的诊断。微软的公告称，该系统的运作方式类似由一组虚拟医生经过多轮讨论得出结论。作者认为，静态基准测试会一次性提供病例的全部信息，并要求给出单一答案，因此无法衡量系统是否提出了恰当的问题、是否避免不加区分地进行检查，或是否能判断自己已有足够把握、可以结束诊断流程。

在《新英格兰医学杂志》病例和急诊病例上的结果

在临床病理学病例讨论病例中，DxO 与 GPT-5 配合使用且不受预算限制时，准确率为 83.2%，每例平均费用为 5,431 美元。受成本约束的配置分别达到 80.9% 的准确率、每例 2,241 美元，以及 79.6% 的准确率、每例 1,303 美元；以追求诊断卓越为目标的配置则达到 84.5% 的准确率，每例费用为 8,945 美元。在配套的医生研究中，研究人员使用 56 例未纳入工程开发的病例，参与者共给出 764 个闭卷诊断和 662 个开卷诊断。闭卷诊断的平均准确率为 22.3%，每例费用为 3,049 美元；开卷诊断的平均准确率为 36.1%，每例费用为 4,725 美元。表现最好的单名医生准确率为 51.8%。论文还报告了不同的诊断流程：医生在开出第一项检查前平均提出 5.6 个问题，而使用 GPT-5 的 DxO 平均提出 25.5 个问题；作者将这种策略描述为广泛而系统地采集病史。

在急诊病例中，DxO 不受预算限制时的准确率为 80.3%，每例费用为 4,979 美元；受预算约束时，准确率为 73.2%，每例费用为 2,634 美元。全科医生的平均准确率为 46.8%，每例费用为 3,400 美元；表现最好的单名医生准确率为 62.5%。在所有采用最简基线提示词进行测试的模型中，DxO 协调机制使临床病理学病例的诊断准确率平均提高了 7.9 个百分点，使急诊病例的诊断准确率平均提高了 4.4 个百分点。微软的公告称，在所有受评估的人类或人工智能方法中，没有任何一种能同时比 MAI-DxO 更准确、成本更低；公告还称，在急诊病例中，该系统的准确率是医生的 1.7 倍；在期刊病例中，其准确率是使用教科书和互联网的医生的两倍多，是不借助这些资料进行诊断的医生的近四倍，而成本仅为后者的一半至三分之一。

DxO 最初是在 GPT-4.1 为当时最强模型时开发的，之后又使用 GPT-5 进行了评估；发表前，研究团队使用 GPT-5.5 重跑了完整评估套件，没有修改提示词或协调机制，而其相对于基线提示词的准确率优势有所扩大。这项研究的早期版本于 2025 年 6 月 27 日作为预印本发布，报告称使用 OpenAI 的 o3 模型时准确率为 80%，是医生 20% 平均准确率的四倍；追求最高准确率的配置则达到 85.5%。经同行评审的版本新增了急诊病例集，并更新了使用 GPT-5 和 GPT-5.5 进行的评估。

声明的局限性与作者披露的信息

作者表示，这些比较并未证明该系统优于专科医生、多学科团队或现实世界中的临床实践，并指出，他们预计，若与针对每个病例匹配的专家专科医生或团队比较，性能差距会缩小。他们指出，在受控模拟中，测得的优势会被放大，因为模拟排除了不确定的患者病史、不完整的文档记录、医患关系、长期随访以及影像和病理切片等多模态数据；此外，期刊病例可能过度代表诊断难度较高的病例。作者还指出，另一项局限是研究将系统与单个医生进行比较，而非与多专科协作团队比较；Judge 的评分标准评估的是疾病层面的诊断正确性，而非治疗是否恰当、治疗安全性或长期管理。

在论文的披露声明中，作者表示，他们全都是 Microsoft 的员工，并持有该公司的股权；其中几位作者是 Microsoft 一项专利申请的发明人，该申请涉及用于序贯诊断的自动化评估框架；这些研究未获得 Microsoft 以外的任何资金。

开源发布与临床合作

Microsoft 表示，将针对部分 NEJM 病例开放 SDBench 的源代码，其中包括基准测试、Gatekeeper、Judge 和成本估算代码。代码已根据 MIT 许可证发布在 GitHub 上，并提供名为 “science” 的配置，其中固定了论文结果所使用的 gatekeeper 和 judge。根据 SDBench 项目网站，基于期刊病例构建的数据集需要获得 NEJM Group 的许可；MIMIC 子集通过 PhysioNet 分发，但须通过资格审核；此外，默认开放数据集包含五个完全合成的病例。

一篇配套的立场论文《医学超级智能：基础与愿景》提出了医学智能的六个相互依存的维度，并指出，要达到医学超级智能的门槛，需要做到“在孤立任务上的表现超越人类还不够”，也就是说，系统必须在贯穿整个护理过程的综合医学推理方面，胜过当今由人类主导的最强医疗体系。Microsoft 在公告中表示，该论文已发表于 BMJ Digital Health and AI。该公司还表示，正将 Microsoft 内部的医疗团队整合到 Microsoft AI 的一项协同工作中，其中包括 Microsoft Research 的科学家，以及负责 Dragon Copilot 和 PowerScribe 的团队；公司还提及此前公布的与 Mayo Clinic 的合作。根据一份2026年6月2日发布的公告，相关机构正在开发一款面向医疗保健领域的前沿 AI 模型，该模型将归 Mayo Clinic 所有，Microsoft 计划通过 Azure Foundry API 提供该模型。

Microsoft 表示，将通过与波士顿的 Beth Israel Deaconess Medical Center 建立的新合作，在一项前瞻性研究中评估系统在不同医院环境中的临床推理能力。研究期间，患者将直接与系统互动，并将系统的表现与医生的独立评估进行比较。