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《科学》杂志上的一项研究，微软的 AI 诊断系统在模拟中正确诊断复杂医疗病例的频率是普通内科医生的两倍多。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运作。它们询问患者、开具检查，并对诊断进行辩论。

在一项使用《新英格兰医学杂志》复杂病例的模拟中，它的正确率为 83%。而初级保健医生和普通内科医生在单独借助参考资料的情况下，正确率为 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错配。”

在公布这些结果后，微软加入了Google和OpenAI的行列，声称其 AI 可以媲美或超越医生。

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带来了额外增益。

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。 

微软不仅衡量了 DxO 的准确率，也衡量了成本，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 将这一成本降低了约 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 单独使用与在 DxO 辅助下相比，准确率或成本改善都微乎其微。

对于 2026 年 4 月发布的更新模型 GPT-5.5，结果则出现分化。在复杂病例上，DxO 将 GPT-5.5 的准确率得分从 72% 提高到近 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）在相似成本下得分均约为 85%。 

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%，但在 DxO 辅助下接近 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率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，他向TechCrunch表示，公司正与Mayo Clinic合作训练一个医疗健康领域的基础模型，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，旨在实现医疗健康领域的真正突破。 

“我确实相信，到2027年，我们将处于病历编码方式突破的边缘，”Suleyman说。“我认为我们将能够对病历可能如何发展做出高度准确的预测流，显然，对临床医生而言，这种预见性是无价之宝。”

Suleyman整个职业生涯都在尝试用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，两人随后共同推出了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在医疗健康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来迭代它，以识别模型中的缺口，然后修补并改进它们。这就是编码领域发生的情况。在此之前是聊天领域。我认为明年，病历和临床决策支持领域将开始出现这种情况。”

通过与波士顿Beth Israel Deaconess Medical Center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的评估，你可以想象周五晚上波士顿急诊科所面临问题的复杂性和多样性，”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、专科医生诊疗时间、治疗、检查，以及关于是否可以安全出院的决定。与此同时，同意参与的患者还将与DxO进行交互。微软及其合作伙伴将把DxO的建议与人类医生的建议进行比较。 

Google发表了一项与Beth Israel合作、本月发表在《柳叶刀》上的临床研究，评估Google的AMIE对话式诊断AI在真实世界紧急护理就诊中的表现，同时由人类医生实时监控交互过程。 

“我们认为这将是同类研究中规模最大的一项，”King说。“它将不仅涵盖急诊环境，还包括紧急护理环境，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更大规模地部署。”

微软在《科学》杂志上发表的这项研究，恰逢一份围绕构建医疗超级智能所需条件的类宣言文件发布，该智能被定义为“在整个照护全过程中，在医学推理与协调方面超越当代最强的人类主导卫生系统的能力”。微软希望超越对单项任务（如回答医学考试题和生成诊断）的基准测试，转向与临床医生和医疗系统整合以取得更好的结果。 

“这是全世界都想要的那种技术，这就是为什么我们承诺尽一切努力加速将其推向世界，”Suleyman说，并补充称这一重点可能成为微软相对于其他前沿实验室的差异化优势。 

微软已在向临床医生销售听写和放射学工具，并将DxO视为对这些工作的扩展。 

“我们必须在未来几年拥有绝对第一的最先进医疗临床决策支持产品，”Suleyman说。 

当您通过我们文章中的链接购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。