微软AI诊断系统模拟中准确率超普通医生两倍，但未与专科医生比

模拟中的两倍

微软的AI诊断系统MAI-DxO，在模拟中诊断复杂病例的准确率是普通医生的两倍以上。这项研究周四发表在《科学》杂志上。DxO用的是《新英格兰医学杂志》的复杂病例，答对83%。初级保健医生和普通内科医生单独拿着参考材料，答对36%。微软AI首席执行官Mustafa Suleyman说，这是迈向“医疗超级智能”的一步。

DxO不是单一模型。它协调多个AI代理，像一组医生那样工作：询问患者、安排检查、争论诊断。比较中不包括专科医生或医生团队，而这类复杂病例通常由他们处理。与DxO对位的，是初级保健和普通内科这一层医生。

微软AI健康副总裁Dominic King说，医疗保健交付最大的挑战，是医学专业知识的供需差距在扩大。发布这些结果，微软加入了谷歌和OpenAI的行列——它们都声称自己的AI能匹配或超越医生。

成本与差距

研究数据区分了底层模型和编排系统各自的贡献。微软测试了OpenAI、谷歌、Anthropic、Meta和DeepSeek的模型，最佳结果来自OpenAI的GPT-5和GPT-5.5。

GPT-5单独用一个简短的基础提示处理复杂病例，正确率78.9%，每例成本约8400美元。DxO参与后，成本降了约3000美元，准确率只提高约4个百分点。换成2026年4月发布的GPT-5.5，复杂病例上DxO把正确率从72%推到接近87%，成本略低。急诊科病例上是另一种结果：GPT-5.5无论有没有DxO，正确率都约85%，成本相近。

综合看，DxO在复杂病例和较弱的模型上帮助最大。Gemini 2.5 Flash单独正确率46.4%，加上DxO后接近69%。但弱模型和强模型之间的差距，始终大于DxO自己带来的提升。微软研究人员说，模型越接近理论准确率上限，提升空间自然越小。编排系统的价值，是帮模型在准确率和成本之间找平衡，而不是在能力上再造一层。

从模拟走进医院

模拟之外，微软开始做真实世界评估。它与波士顿Beth Israel Deaconess医疗中心合作，研究DxO在不同医院环境下的临床推理能力。患者照常接受标准治疗，同意参与的会让DxO并行介入。团队比较AI的建议和人类医生的建议。King说，这会是同类研究中规模最大的，覆盖急诊和紧急护理环境。到研究期结束时，它能提供有力证据，说明这些系统能不能大规模部署。

微软没有独占这条路线。谷歌本月和同一家Beth Israel在《柳叶刀》发表了临床研究，评估对话式诊断AI AMIE在真实紧急护理访问中的表现。人类医生实时监控交互过程。

微软同时在跟梅奥诊所合作训练一个面向医疗保健的基础模型，计划明年发布。公司已经向临床医生销售听写和放射学工具，DxO被视为这些业务的延伸。Suleyman说，未来几年内微软必须拥有绝对最先进的医疗临床决策支持产品。

下一步怎么走

Suleyman和King的交集很早。Suleyman是DeepMind联合创始人，DeepMind于2014年被谷歌收购。2015年，谷歌DeepMind收购了King的初创公司Hark，两人一起推出DeepMind Health。Suleyman 2024年加入微软领导AI部门，King几个月后跟上。

Suleyman对时间表相当乐观。他说医疗中的生成式AI仍处于早期阶段，但未来24到36个月内，医疗模型的能力会提升一个数量级。他预测，2027年医疗记录会迎来编码领域那样的变化。系统能流式生成医疗记录如何展开的高度准确预测，这种预见性对临床医生极其宝贵。他描述的推进方式是：模型投产后，从真实使用里找缺口、修补、改进。这个循环在编程和聊天上发生过，明年会出现在医疗记录和临床决策支持上。

微软在论文之外，还发布了“医疗超级智能”的定义：在医疗推理和协调上，超越最强当代人类主导医疗系统。它要超越单个基准任务，整合临床医生和医疗系统，去改善结果。Suleyman说这是全世界都想要的技术，微软决心加速引入，并认为这可能成为它与其它前沿实验室的差异点。