微软 MAI-DxO 疑难病例诊断准确率 83%，高于全科医生 36%

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一般医生的两倍多，据一项周四发表在《科学》杂志上的研究。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），协调多个 AI 智能体，像一组医生一样协同工作。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。“当前医疗服务交付中最大的挑战，是医疗专业知识的供需之间日益加剧的错配。”

在

发表这些结果时，微软加入了Google和OpenAI的行列，宣称其 AI 能够匹敌或超越医生。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，而微软的编排系统在此基础上又带来了额外增益。

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。

DxO（无预算限制）在 CPC 上相对于使用基线提示词的不同大语言模型所带来的准确率提升。

Microsoft measured DxO on cost as well as accuracy, meaning the estimated cost of running the AI on each case. On its own with a short, basic prompt, GPT-5 scored 78.9% on complex cases at about $8,400 per case. DxO cut that cost by about $3,000 but raised accuracy by only about four points. On emergency department cases, there was little improvement in either accuracy or cost improvement between GPT-5 on its own and with the assist from DxO.

在 2026 年 4 月发布的较新模型 GPT-5.5 上，结果出现了分化。在复杂病例上，DxO 将 GPT-5.5 的准确率分数从 72% 提升到接近 87%，成本还略有降低。然而，这些提升在急诊科病例上依然没有体现出来。两者（使用和不使用 DxO）的得分都在 85% 左右，成本相近。

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%，而配合 DxO 后接近 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。

微软的研究人员表示，随着模型接近理论最大值，准确率的提升自然会收窄。一位发言人补充说：“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。”

Suleyman 负责领导微软打造自有前沿 AI 的工作，他告诉 TechCrunch，公司正与 Mayo Clinic 合作训练一个医疗健康基础模型，计划于明年发布。他相信这个模型将使公司能够“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，以期在医疗健康领域取得真正的突破。

“我真的相信，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演变进行高准确度的流式预测，显然，这种对临床医生而言的预见性是无价之宝。”

Suleyman 的职业生涯一直在尝试用 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，但他预计医疗健康模型将“在未来 24 到 36 个月内能力提升一个数量级”。

“正如我们在过去五六年里多次看到的那样，一旦你有了飞轮，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，以找出模型中的缺口，然后修补并改进它们。这就是在编程领域发生的情况。在此之前，聊天领域也是如此。我认为明年，这种情况将开始出现在病历和临床决策支持方面。”

通过与波士顿贝斯以色列女执事医疗中心建立新的合作关系，微软将在不同的医院环境中评估 DxO 的临床推理能力。

“这项技术已经准备好接受真实世界的评估，你可以想象周五晚上波士顿急诊科所带来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、与专科医生会面、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对比。

谷歌发表了本月与贝斯以色列在《柳叶刀》上共同发表了一项临床研究，评估谷歌的 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。“它不仅涵盖急诊环境，还将涵盖紧急护理环境，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《Science》上发表的这项研究，恰逢一份类似宣言的文件，阐述构建医疗超级智能需要具备哪些条件——其定义为“在整个照护过程中，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，转而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，正因如此，我们承诺尽一切努力加速它推向世界，”Suleyman 说，并补充称这一重点可能成为微软区别于其他前沿实验室的差异化优势。

微软已经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。

“未来几年，我们必须拥有绝对第一、最先进的医疗临床决策支持产品，”Suleyman 说。