微软的AI诊断系统在模拟测试中对复杂医疗病例的诊断准确率是普通全科医生的两倍多,一项发表在《Science》杂志上的研究显示。微软AI负责人Mustafa Suleyman称这一成果是迈向“医疗超级智能”的重要一步。

该系统名为MAI-DxO(简称DxO),由多个AI代理组成,类似一个医生团队。他们会对患者进行询问、安排检查并共同讨论诊断结果。

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,DxO的诊断准确率达到83%,而单独依靠参考资料的初级保健医生和普通内科医生准确率仅为36%。需要说明的是,这些复杂病例通常由专科医生或医生团队处理,后者未参与此次对比。

微软AI健康副总裁Dominic King表示:“这里有非常重要且令人振奋的进展。目前医疗服务面临的最大挑战是医疗专业知识供需日益不匹配。”

微软发布此项成果,加入了谷歌和OpenAI等公司声称其AI能匹敌甚至超越医生的行列。

研究数据表明,性能提升主要得益于更强大的基础AI模型,微软的协调系统则在此基础上进一步提升了表现。

微软测试了包括OpenAI、谷歌、Anthropic、Meta和DeepSeek等多家公司的模型,最佳结果来自OpenAI的GPT-5和GPT-5.5。

微软AI诊断系统性能图

微软还评估了DxO在成本和准确率上的表现,即运行AI诊断每个病例的估算费用。仅用简短提示的GPT-5在复杂病例上的准确率为78.9%,成本约为8400美元。DxO将成本降低了约3000美元,但准确率仅提升了约4个百分点。在急诊病例中,GPT-5单独使用与配合DxO辅助的准确率和成本均无明显差异。

2026年4月发布的更新模型GPT-5.5表现分化明显:在复杂病例中,DxO将其准确率从72%提升至近87%,且成本略有下降;但在急诊病例中,DxO辅助与否准确率均约为85%,成本相近。

DxO对复杂病例和较弱模型帮助最大。例如,Gemini 2.5 Flash单独准确率为46.4%,配合DxO后提升至近69%。不过,弱模型与强模型之间的差距仍大于DxO带来的提升。

微软研究人员指出,随着模型接近理论最高准确率,提升空间自然缩小。发言人补充:“DxO协调系统有助于优化准确率和成本的综合表现。”

Mustafa Suleyman领导微软前沿AI项目,他透露公司正与梅奥诊所合作训练医疗基础模型,计划明年发布。他相信该模型将带来“巨大飞跃”,并表示DxO是微软构建医疗突破基础设施的重要组成部分。

Suleyman说:“我坚信2027年我们将在医疗记录编码方式上迎来突破。我们将能够实时预测医疗记录的演变,这对临床医生来说极具价值。”

Suleyman曾是DeepMind联合创始人,DeepMind于2014年被谷歌收购。次年,谷歌DeepMind收购了King的初创公司Hark,两人共同创立了DeepMind Health。2024年,Suleyman加入微软领导AI部门,King随后加盟。

“我们是真正的信仰者,”Suleyman说。

他预计医疗领域生成式AI仍处于早期阶段,但未来24至36个月内医疗模型能力将提升一个数量级。

“过去五六年我们多次见证,一旦形成良性循环,进步会非常迅速。良性循环意味着我们有一个投入生产的模型,通过真实使用不断发现并修补缺陷,从而持续改进。这在代码生成和聊天领域都发生过,我相信明年医疗记录和临床决策支持也将迎来类似发展。”

微软与波士顿Beth Israel Deaconess医疗中心建立新合作,将评估DxO在不同医院环境中的临床推理能力。

King表示:“这项技术已准备好进行真实世界评估。你可以想象周五晚上波士顿急诊室的复杂多样情况。”

研究将让患者接受标准治疗,包括分诊、专家会诊、治疗、检查及出院决策。获得同意的患者同时使用DxO,微软及合作方将对比DxO与医生的诊断建议。

谷歌本月也在《柳叶刀》发表了与Beth Israel合作的临床研究,评估其AMIE对话式诊断AI在急诊护理中的表现,医生实时监控交互过程。

King称:“我们认为这将是同类研究中规模最大的一次,涵盖急诊和紧急护理环境,预计研究结束时将提供强有力证据,支持未来更大规模部署此类系统。”

微软在《Science》发表的研究同时发布了一份宣言,阐述打造医疗超级智能的路径。医疗超级智能被定义为“在医疗推理和全程护理协调方面超越当今最强人类主导医疗体系的能力”。微软希望超越单项任务的基准测试,如答题和诊断,真正实现与临床医生及医疗系统的深度整合,提升医疗效果。

Suleyman说:“这是全世界都渴望的技术,我们致力于加速其面世。”他认为这将成为微软区别于其他前沿实验室的关键优势。

微软已向临床医生销售语音转录和放射学工具,视DxO为这些努力的扩展。

“未来几年,我们必须拥有绝对领先的医疗临床决策支持产品,”Suleyman强调。