微软AI诊断疑难病例83%,不查资料的医生22%

造物次元 · 科技现场

医学执照考试有个特点:病人的情况一次全写在题干里,考生挑一个答案就行。

诊室里不是这样。医生先拿到几句主诉,下一步问什么、开哪项检查、每个结果出来后判断怎么改,都得自己定。

美国时间 2026 年 10 月 22 日,微软 AI 宣布,其诊断系统 MAI-DxO 的研究当天发表在《Science》上。这次评测用的是后一种考法。

据微软 AI 官方博客,在《新英格兰医学杂志》(NEJM)刊登的复杂病例上,MAI-DxO 诊断准确率 83%。不查外部参考资料的医生是 22%,能查资料的医生是 36%。

官方博客结果段的原句就是这几个数,并写明 MAI-DxO 因此分别是两种医生的约 3.7 倍和 2.3 倍。

要先说清的一点:这些都是微软团队自报的数字;医生答题时能用什么、不能用什么,也是评测事先规定好的。

这张卷子怎么出的?差距在什么条件下成立?离真正用到门诊还差哪一步?下面一个个说。

执照考试把病情一次给全,SDBench 怎么出题

美国医师执照考试(USMLE)考的是医生的知识。题干把信息一次摆全,考生选一个答案。

微软 AI 在博客里写,这类考试已经成了评测医疗 AI 的常用基准,但它考不到临床诊断的真实过程:医生要一点点拼出全貌,决定问什么、开什么检查,再看每个新发现怎么改变对病情的判断。

SDBench(Sequential Diagnosis Benchmark,序贯诊断基准)就是冲着这个过程设计的。据官方,它有两组病例:一组是取自 NEJM 病例讨论的 304 个复杂病例,另一组来自 MIMIC-IV-ED,是更典型的急诊就诊情况。

每个病例都改成交互式。AI 模型或医生开局只拿到有限的信息,下一步要什么自己选。最后打分看三样:诊断准不准、要了哪些信息、估算的检查费用是多少。答案对不对算分,走的路也算分。

SDBench 的官方项目页把一轮答题拆成三个角色。

被测的诊断方,只拿到一段不透露诊断的简短病例摘要,然后一轮一轮地决定:开检查、问问题,还是下诊断。

Gatekeeper(守门方)根据病例全文回答每一次开单和提问。病例原文里有的结果照实给;原文里没有的,给一个逼真的合成结果。

Judge(评判方)在诊断方下结论时,拿它和标准答案比对,按 1 到 5 分打分,4 分和 5 分算答对。

选择题只看终点。这张卷子连「走了哪条路、花了多少钱」一起记账,出题难度高了一截,考的也更像诊室里真正耗神的那部分。

守门方「补结果」这一条要记一笔:有些检查结果并不来自真实病人,而是按病例生成的。这类合成结果在答题过程中占多大比例,博客和项目页都没给出。

MAI-DxO 下诊断前,内部要吵几轮

MAI-DxO 全称 Microsoft AI Diagnostic Orchestrator(微软 AI 诊断编排器)。据博客,它是团队在 SDBench 上成绩最好的系统。

它不靠一个模型直接给答案,而是模拟一组虚拟医生:有的提出可能的诊断,有的挑选有用的问题或检查,有的对正在成形的判断提出质疑。

MAI-DxO 把这场讨论组织成好几轮,证据进来就更新判断。每开一项检查之前,还要掂量这项检查可能带来的价值和它的花费。

团队后来换了更新的模型重跑评测,其中包括 GPT-5.5,编排方法一点没改。博客写,原先的优势不但保住了,还有提升;团队据此认为,这套方法并不绑定某一代模型。

如果换模型不换流程、成绩照样往上走,那这次真正能被别家借鉴的,会不会是提诊断、互相挑刺、算完账再开单这套流程,而不只是某个模型的分数?

需要提醒的是,博客公布的这组对比,是在 SDBench 这张卷子上做的。

83% 对 22%,医生答题时手里有什么

NEJM 这组病例,博客称是医学里最复杂的一类。MAI-DxO 在上面的准确率是 83%。

医生分两种条件答题:不用外部参考资料时 22%,用参考资料时 36%。按博客的说法,MAI-DxO 分别是医生的约 3.7 倍和 2.3 倍。

博客开头还有一种说法,把参考资料具体写成教科书和互联网:比查书查网的医生准两倍多,比什么都不查的医生准将近四倍。

规则是同一套。博客写的是,AI 模型和医生都从有限信息开始,自己决定下一步要什么。

这份博客里没写的东西也不少:参与对照的医生有多少位、来自哪些专科、执业年限多长,都没有交代。

还有一处要两份材料对着看。博客说 NEJM 部分有 304 个病例。项目页写,数据集分成训练、验证、测试三份,公开发表的结果报的是验证集和测试集合并后的成绩,训练集只用于开发、不报成绩。这 304 例在三份里怎么分,83% 具体是在多少例上算出来的,博客里没写。

医生答题的条件是评测定的:要么什么都不查,要么只查书和网。所以 83% 对 22% 比的是同一张卷子、同一套规则下的答题表现。拿它直接说成「AI 看病比医生强」,话就说过头了。

换成更典型的急诊病例、再算上检查费,结果怎样

第二组病例来自 MIMIC-IV-ED,是更典型的急诊就诊情况。项目页介绍,这些病例取自去标识化的医院记录,形式更接近出院小结。

据官方博客,在这组病例上,MAI-DxO 准确率 80%,医生 47%,是医生的 1.7 倍以上。

再看钱。据博客,团队把 MAI-DxO 往「省钱」方向调得更狠时,成绩依然不错,开出的检查组合更划算。在 NEJM 病例上,其中一种配置准确率 81%,花费不到对照系统的一半。

这句的比较对象是对照系统,不是医生。博客开头另有一句,说 MAI-DxO 花费只要一半甚至三分之一,那句里没写是跟谁比。

博客还给了一个更宽的说法:在两组数据上,没有任何一种人类或 AI 做法能同时比 MAI-DxO 更准、又更省钱。

这里的「钱」是估算的检查费用,由随基准一起开源的成本估算代码算出。

波士顿那项前瞻性研究,要回答什么

博客自己也写:基准测试有用,但真正的考验是在真实临床环境里的表现。

微软 AI 宣布和波士顿的 Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心)建立新合作,要在不同的医院场景里评估临床推理能力。

在一项前瞻性研究里,病人将直接和系统交流,系统的表现拿医生各自独立做出的判断来衡量。团队说,和临床团队一起工作,能看出这项技术在哪里管用、在哪里不足,以及怎么融进繁忙的工作流程。

研究什么时候开始、纳入多少病人、系统的判断会不会影响病人实际的诊疗,这份博客里都没写。

开源这一步也要看清范围。微软 AI 说,正在开源 SDBench 中选定的 NEJM 病例相关部分,包括基准本身、Gatekeeper、Judge 和成本估算代码,方便研究者复现评测、测试别的模型、挑战或扩展结论。

仓库显示代码用 MIT 许可。但 NEJM 数据集必须向 NEJM 申请许可;MIMIC 病例要先通过 PhysioNet 的资质认证、完成培训、接受数据使用协议。仓库默认带的是五个完全合成的 NEJM 风格病例,供开发和测试用,不用来报告诊断成绩。

也就是说,代码人人能拉;想在同一批真实病例上把 83% 复算一遍,得先过数据许可这一关。

微软 AI 把这条线叫作「医学超级智能」。同一周,团队在《BMJ Digital Health and AI》发表《The Building Blocks of Medical Superintelligence》,讨论 AI 要怎样支持更完整的诊疗:跟上医学知识、选对治疗、理解病情随时间的变化、兼顾病人的价值观和就医条件。文章把最终目标写成超过今天最强的临床团队和医疗体系的能力。

博客还提到和 Mayo Clinic 的合作,打算把前沿 AI、临床经验和长期多模态数据结合起来。组织上,微软正把各处的健康团队并进 Microsoft AI,包括 Microsoft Research 的科学家,以及 Dragon Copilot、PowerScribe 等产品背后的团队。

博客里的目标写得很大,眼下拿出成绩的只有诊断这一环,而且还停在基准测试。波士顿那项研究,会拿医生各自独立做出的判断当标尺。

想看看「不透露诊断的病例摘要」到底长什么样,可以打开 SDBench 项目页,仓库里那五个合成病例不用申请就能看。

文中数字均为微软团队自报;本文不构成任何诊疗建议。

来源:微软 AI 官方博客《Building Medical Superintelligence》(https://microsoft.ai/news/building-medical-superintelligence/);SDBench 官方项目页(https://microsoft.github.io/sdbench/);《Science》论文(https://doi.org/10.1126/science.aeh7930)。图片:封面为微软 AI 官方博客头图,本号裁切;官方博客结果段截屏为本号截取(北京时间 10 月 23 日),框为本号所加;诊断循环流程图为微软 SDBench 官方项目页图;准确率对比图据官方博客数字重绘。

欢迎关注「造物次元」，一起看科技怎样落地。