微软 MAI-DxO 多智能体诊断系统在复杂病例模拟中准确率 83%，高于全科医生的 36%

根据周四发表在《Science》上的一项研究，微软的 AI 诊断系统在模拟中对复杂医疗病例的诊断准确率是全科医生的两倍多。微软 AI 首席执行官 Mustafa Suleyman 称这一结果是迈向“医疗超级智能”的一步。

该系统名为 MAI-DxO（简称 DxO），它协调多个 AI 智能体，使其像一组医生一样工作。它们询问患者、开具检查，并就诊断展开讨论。

在一项使用《新英格兰医学杂志》复杂病例进行的模拟中，它的准确率为 83%。而单独借助参考资料工作的初级保健医生和普通内科医生，准确率为 36%。需要说明一点：如此复杂的病例通常由专科医生或医生团队处理，而他们并未参与此次对比。

“这里有一些非常实质且令人兴奋的东西，”微软 AI 健康部门副总裁 Dominic King 对 TechCrunch 表示。“目前医疗服务提供中最大的挑战，是医疗专业知识的供需之间日益加剧的不匹配。”

在发布这些结果时，微软加入了 Google 和 OpenAI 的行列，声称其 AI 能够匹敌或超越医生。

该研究自身的数据表明，大部分提升来自更强大的底层 AI 模型，而微软的编排系统则在此基础上进一步带来增益。

微软用来自多家公司的模型测试了 MAI-DxO，包括 OpenAI、Google、Anthropic、Meta 和 DeepSeek，但最佳结果来自 OpenAI 的 GPT-5 和 GPT-5.5。

微软还从成本和准确性两方面衡量了 DxO，即运行该 AI 处理每个病例的估算成本。在仅使用简短基础提示词的情况下，GPT-5 在复杂病例上的得分为 78.9%，每个病例成本约为 8,400 美元。DxO 将这一成本削减了约 3,000 美元，但准确率仅提高了约四个百分点。在急诊科病例上，GPT-5 单独使用与借助 DxO 辅助相比，在准确性或成本改善方面都几乎没有提升。

使用 2026 年 4 月发布的更新模型 GPT-5.5 时，结果出现分化。在复杂病例上，DxO 将 GPT-5.5 的准确率得分从 72% 提升到近 87%，成本还略有降低。然而，这些增益在急诊科病例上再次未能显现。两者（使用和不使用 DxO）得分均约为 85%，成本相近。

DxO 在复杂病例和能力较弱的 AI 模型上帮助最大。例如，Gemini 2.5 Flash 单独使用时得分为 46.4%，而使用 DxO 后接近 69%。即便如此，较弱模型与较强模型之间的差距仍大于 DxO 带来的提升。

微软研究人员表示，随着模型接近理论最大值，准确率增益自然会缩小。“DxO 编排有助于应对同时优化准确性和成本这一更广泛的挑战，”一位发言人补充道。

Suleyman 负责领导微软打造自有前沿 AI 的工作，他对 TechCrunch 表示，公司正与 Mayo Clinic 合作训练一个医疗基础模型，计划于明年发布。他相信该模型将使公司能够“在这里实现真正巨大的飞跃”，并表示 DxO 是微软正在构建的基础设施的一部分，以期在医疗领域取得真正的突破。

“我真的相信，到 2027 年，我们将处于病历领域类似编程式突破的边缘，”Suleyman 说。“我认为我们将能够对病历可能如何发展进行高度准确的流式预测，显然，这种对临床医生而言的预见性堪称无价之宝。”

Suleyman 的职业生涯一直致力于用 AI 解决医疗问题。他此前是 DeepMind 的联合创始人之一，该公司于 2014 年被 Google 收购。次年，Google DeepMind 收购了 King 的初创公司 Hark——一款临床任务管理应用——两人随后共同启动了 DeepMind Health。Suleyman 于 2024 年加入微软领导其 AI 部门，King 在几个月后也加入。

“我们就是真正的信徒，”Suleyman 说。

他表示，尽管生成式 AI 在医疗领域的应用仍处于早期阶段，但他预计医疗模型“在未来 24 到 36 个月内能力将提升一个数量级”。

“正如我们在过去五六年里多次看到的那样，一旦有了飞轮，进展就会非常迅速，”Suleyman 说。“飞轮意味着我们有一个投入生产的模型，我们通过真实世界的使用不断迭代，以识别模型中的缺口，然后修补并改进它们。这就是编程领域发生过的事。在此之前，聊天领域也发生过。我认为明年，这将开始发生在病历和临床决策支持领域。”

通过与本杰明·贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）在波士顿的新合作，微软将在不同医院环境中评估 DxO 的临床推理能力。

“这项技术已准备好进行真实世界评估，你可以想象波士顿急诊科周五晚上出现的复杂性和多样性问题，”King 说。

他解释了这项研究将如何进行：患者将接受标准治疗，包括分诊、与专科医生会诊、治疗、检查，以及判断是否可以安全出院。与此同时，同意参与的患者还将与 DxO 互动。微软及其合作伙伴将把 DxO 的建议与人类医生的建议进行对比。

本月，Google 与 Beth Israel 在《柳叶刀》上共同发表了一项临床研究，在真实世界的紧急护理就诊中评估 Google 的 AMIE 对话式诊断 AI，同时由人类医生实时监督这些交互。

“我们认为这将是同类研究中规模最大的一项，”King 说。“它不仅涵盖急诊环境，还将涵盖紧急护理环境，并将在研究期结束时为我们提供非常有说服力的证据，证明这些系统未来能够在更大规模上部署。”

微软在《科学》上发表的这项研究，恰逢一份关于构建医疗超级智能需要哪些条件的宣言式文件发布。医疗超级智能被定义为“在整个诊疗全过程中，在医学推理和协调方面超越当代最强的人类主导医疗系统的能力”。微软希望超越对单项任务（例如回答医学考试题和生成诊断）的基准测试，转而与临床医生和医疗系统整合，以取得更好的结果。

“这是世界上每个人都想要的那种技术，这就是为什么我们承诺尽一切努力加速它向全世界的推出，”Suleyman 说，并补充说这一重点可能成为微软与其他前沿实验室相比的差异化优势。

微软已经在向临床医生销售听写和放射学工具，并将 DxO 视为这些工作的扩展。

“在未来几年内，我们必须拥有绝对排名第一、最先进的医疗临床决策支持产品，”Suleyman 说。