Microsoft опубликовала в Science результаты MAI-DxO — системы для пошаговой медицинской диагностики

22 октября 2026 года в Science вышло исследование Microsoft о системе MAI-DxO. Она использует языковую модель для последовательного разбора клинических случаев: запрашивает сведения, выбирает обследования и обсуждает возможные диагнозы от лица виртуального консилиума. На сложных случаях из New England Journal of Medicine система показала около 83% правильных ответов, врачи со справочными ресурсами — около 36%. Сообщение Microsoft о публикации ^[1].

Исследователи оценивали одновременно точность диагноза и расчётную стоимость обследований. Для эксперимента они разработали SDBench — среду, в которой врач или ИИ получает информацию о случае постепенно и сам решает, что запросить дальше.

Как устроен эксперимент

В начале участнику показывают короткое описание жалоб пациента. После этого он может задавать уточняющие вопросы, назначать обследования или назвать окончательный диагноз. Каждый новый ответ позволяет пересмотреть предыдущие гипотезы и выбрать следующий шаг.

За выдачу информации отвечает отдельная модель Gatekeeper, у которой есть полный текст клинического случая. Когда участник завершает разбор, модель Judge сопоставляет его диагноз с эталонным. Правильными считаются ответы, получившие 4 или 5 баллов по пятибалльной шкале. Отдельно система подсчитывает стоимость назначенных обследований. Устройство SDBench ^[2].

Если запрошенного результата нет в исходной истории болезни, Gatekeeper может сформировать синтетический ответ. Этот механизм позволяет продолжать диагностический разбор за пределами сведений, включённых в исходный документ. Документация проекта ^[3].

В исследование вошли две группы: 304 сложных клинических случая NEJM и 325 случаев из MIMIC-IV-ED. Во вторую группу включены пациенты, которых госпитализировали после обращения в приёмное отделение. Для оценки использовали 254 валидационных случая и 71 тестовый случай с проверкой клиницистами. Описание данных MIMIC ^[4], состав выборок SDBench ^[2].

Как работает виртуальный консилиум

MAI-DxO управляет обсуждением внутри диагностической системы. В авторском описании архитектуры одна языковая модель выполняет пять ролей: формирует гипотезы, выбирает обследования, ищет противоречия в текущем диагнозе, контролирует расходы и проверяет согласованность рассуждений. После обсуждения система запрашивает новые сведения или завершает диагностику. Авторская рукопись, раздел 3.2 ^[5].

Оркестратор можно использовать с разными базовыми моделями. Microsoft исследовала этот подход на семействах GPT, Claude, Gemini, Llama, Grok и DeepSeek. Первые результаты компания представила в июне 2025 года. Первоначальное описание MAI-DxO ^[6].

В новой публикации Microsoft также сообщает о повторной оценке с GPT-5.5: преимущество системы сохранилось без изменения метода оркестрации. Анонс от 22 октября ^[1].

Результаты диагностики и расходы

В экспериментах с GPT-5 авторы получили следующие результаты:

Точные значения приведены в авторской рукописи ^[5]; основные сравнения в округлённом виде опубликованы в свежем сообщении Microsoft ^[1].

На NEJM базовый GPT-5 без оркестратора достиг 78,9% при оценочных расходах $8 409 на случай. MAI-DxO с той же моделью без бюджетных ограничений показала 83,2% при расходах около $5 430. Для врачей со справочными ресурсами оценка расходов составила $4 725. Сравнение конфигураций в авторской рукописи ^[5].

Бюджетные настройки позволяли менять соотношение точности и расходов. В пресс-релизе AAAS приведены такие результаты для сложных случаев:

Для MIMIC-IV-ED режим без бюджетных ограничений дал 80,3% правильных диагнозов при расходах около $4 980 на случай. Все суммы относятся к оценочной стоимости диагностических обследований в эксперименте. Пресс-релиз AAAS в перепечатке Brightsurf ^[7].

Открытый бенчмарк и клиническая проверка

Microsoft опубликовала код SDBench, включая компоненты выдачи информации, оценки диагнозов и расчёта стоимости. В репозитории доступны пять синтетических случаев для разработки. Для работы с клиническими данными предусмотрен отдельный доступ: случаи NEJM требуют лицензирования, набор MIMIC распространяется через PhysioNet. Репозиторий SDBench ^[3].

Опубликованные результаты получены в симуляции по текстовым историям болезни. Следующим этапом станет проверка в клинических условиях. Microsoft объявила о сотрудничестве с Beth Israel Deaconess Medical Center в Бостоне: в проспективном исследовании пациенты будут взаимодействовать с системой, а её результаты сравнят с независимыми оценками врачей. Планы исследования ^[1].