微软 MAI-DxO 多智能体系统诊断准确率超医生两倍

微软的 AI 诊断系统在模拟测试中正确诊断复杂医疗病例的频率是全科医生的两倍以上，根据周四发表在《科学》杂志上的一项研究显示。微软 AI 首席执行官 Mustafa Suleyman 将这一结果称为迈向“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 代理，使其表现得像一个医生会诊小组。这些代理会询问患者、开具检查单并辩论诊断方案。

在使用《新英格兰医学杂志》中的复杂病例进行的模拟测试中，该系统的准确率为 83%。而单独工作并参考资料的初级保健医生和全科内科医生的准确率仅为 36%。需要注意的是，如此复杂的病例通常由专科医生或医生团队处理，但他们并未参与此次对比。

“这里有一些非常实质性且令人兴奋的内容，”微软 AI 健康副总裁 Dominic King 告诉 TechCrunch。“目前医疗保健交付面临的最大挑战是医疗专业知识供需之间日益扩大的差距。”

在发布这些结果时，微软加入了 Google 和 OpenAI 的行列，声称其自家的 AI 能够匹敌甚至超越医生。

研究本身的数据表明，大部分性能提升来自于更强大的底层 AI 模型，而微软的编排系统在此基础上进一步增加了增益。

微软使用来自多家公司的模型测试了 MAI-DxO，包括 OpenAI、Google、Anthropic、Meta 和 DeepSeek，但其最佳表现出现在使用 OpenAI 的 GPT-5 和 GPT-5.5 模型时。

DxO（无预算限制）在不同大语言模型上使用基线提示词对 CPC 带来的准确率提升。图片来源： Microsoft AI

微软在评估 DxO 时，不仅考量了准确率，还衡量了成本，即针对每个病例运行 AI 的预估费用。仅使用简短的基础提示词时，GPT-5 在复杂病例上的得分为 78.9%，每例成本约为 8,400 美元。引入 DxO 后，每例成本降低了约 3,000 美元，但准确率仅提升了约四个百分点。在急诊科病例中，无论是单独使用 GPT-5 还是借助 DxO，准确率和成本改善均不明显。

对于 2026 年 4 月发布的较新模型 GPT-5.5，测试结果出现了分化。在复杂病例上，DxO 将 GPT-5.5 的准确率从 72% 提升至近 87%，且成本略有降低。然而，这些增益再次未体现在急诊科病例上。无论是否使用 DxO，两者的得分均在 85% 左右，成本也相似。

DxO 在复杂病例以及能力较弱的 AI 模型上帮助最大。例如，Gemini 2.5 Flash 单独使用时得分为 46.4%，而结合 DxO 后得分接近 69%。尽管如此，强弱模型之间的差距仍然大于 DxO 带来的提升幅度。

微软的研究人员表示，随着模型逼近理论上限，准确率的提升自然会缩小。“DxO 编排有助于解决优化准确率和成本这一更广泛的挑战，”一位发言人补充道。

领导微软构建自有前沿 AI 工作的 Suleyman 告诉 TechCrunch，该公司正与梅奥诊所（Mayo Clinic）合作训练一个医疗基础模型，计划于明年发布。他认为该模型将使公司能够“在此领域实现巨大的飞跃”，并表示 DxO 是微软正在构建的基础设施的一部分，旨在推动医疗领域的真正突破。

Suleyman 说：“我坚信到 2027 年，我们将迎来病历记录方面的类代码式突破。我认为我们将能够实时生成关于病历可能如何发展的高精度预测，显然，这种对临床医生的前瞻性洞察价值连城。”

Suleyman 的职业生涯一直致力于利用 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 年被谷歌收购。次年，Google DeepMind 收购了 King 创立的临床任务管理应用初创公司 Hark，两人共同推出了 DeepMind Health。Suleyman 于 2024 年加入微软领导其 AI 部门，King 则在几个月后随之加入。

“我们是真正的信徒，”Suleyman 说道。

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

“过去五六年间我们已多次见证，一旦形成飞轮效应，进步就会非常迅速，”Suleyman 说道。“所谓飞轮效应，是指我们将模型投入生产环境，通过真实世界的使用对其进行迭代，以识别模型的不足并加以修补和改进。这在编程领域已经发生，在此之前的聊天领域也已发生。我认为明年这一趋势将在电子病历和临床决策支持领域开始显现。”

通过与波士顿贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）建立新的合作伙伴关系，微软将在不同的医院环境中评估 DxO 的临床推理能力。

“这项技术已准备好接受现实世界的评估，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 说道。

他解释了该研究的具体运作方式：患者将接受标准治疗流程，包括分诊、专科医生问诊、治疗、检查以及是否安全出院的决策。与此同时，同意参与的患者还将与 DxO 进行互动。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。

谷歌本月与贝斯以色列女执事医疗中心合作，在《柳叶刀》（The Lancet）上发表了一项临床研究，旨在评估谷歌 AMIE 对话式诊断 AI 在真实世界紧急护理就诊中的表现，期间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 表示。“它不仅涵盖急诊场景，还包括紧急护理环境，并在研究期结束时为我们提供极具说服力的证据，证明这些系统未来能够以更大规模部署。”

微软在《科学》杂志上发表的研究恰逢一份关于构建医疗超级智能的宣言式文件，该概念被定义为“在涵盖整个诊疗周期的医学推理与协调方面，超越当今最强大的人类主导医疗体系的能力”。微软希望超越对单一任务的基准测试——例如回答医学考试题目或生成诊断结果——转而深入融入临床医生和医疗保健系统，以改善最终的治疗效果。

“这是全世界每个人都渴望拥有的技术，这也是我们致力于尽一切所能加速其推向世界的原因，”苏莱曼（Suleyman）表示，并补充说，这一重点可能使微软与其他前沿实验室形成差异化优势。

微软已向临床医生销售听写和放射学工具，并将 DxO 视为这些努力的扩展。

“在未来几年内，我们必须拥有绝对排名第一的最先进医疗临床决策支持产品，”苏莱曼说道。