北京
微软AI团队本周在《Science》发布了一项诊断系统研究。其AI诊断系统MAI-DxO在复杂病例上的诊断准确率达到83%，而医生在不借助外部参考资料时只有22%，借助参考资料时为36%。
这套系统并非让单个模型直接给出答案。它更像一组虚拟医生：各自提出诊断、选择需要追问的问题或检查项目，并对逐渐成形的判断提出质疑。MAI-DxO在数轮辩论中协调这些意见，随着证据增加不断更新评估，同时权衡每项检查的可能价值与成本。
支撑这项评估的是同步推出的SDBench（Sequential Diagnosis Benchmark，顺序诊断基准）。团队认为，美国医师执照考试这类测试把所有信息一次性给出、只选一个答案，考的是知识，而非临床诊断的真实过程。现实中，医生必须一步步构建判断：决定问什么、开哪些检查、每个新发现如何改变可能的诊断。
SDBench因此设计成交互式病例，模型和医生都从有限信息出发，自行选择下一步要什么。它衡量三件事：诊断准确率、索取的证据、预估的检查成本——既看答案，也看路径。病例来自两个互补来源：304个取自《新英格兰医学杂志》病例记录的复杂病例，以及来自MIMIC-IV-ED的一组更典型的急诊科就诊表现。
具体结果如下：
- 在《新英格兰医学杂志》复杂病例上，MAI-DxO准确率83%；医生无外部参考资源时22%，有资源时36%，对应约为后者的3.7倍2.3倍
- 在MIMIC-IV-ED的典型急诊病例上，MAI-DxO准确率80%，医生为47%，高出1.7倍以上。
- 更侧重成本优化时，系统表现依然强劲，同时选择更具成本效益的检查组合。在《新英格兰医学杂志》病例上，一种配置以不到对比系统一半的成本达到81%的准确率。
- 在两个数据集上，没有其他人类或AI方法同时做到更准确且更便宜。
- 换用包括GPT-5.5在内的更新模型重复评估、不改变编排方法，这些优势依然存在并有所提升，说明该方法不绑定于某一代模型。
团队将开放SDBench中部分《新英格兰医学杂志》病例的相关代码，包括基准本身、Gatekeeper、Judge与成本估算代码，供研究者复现评估、测试其他模型，或对结论提出挑战与扩展。
诊断只是诊疗全程的一环。更好的照护还需要跟上医学知识更新、选对治疗方案、理解病情随时间的变化，并支持那些反映个人价值取向与就医可及性的选择。团队在《BMJ Digital Health and AI》发表的另一篇文章中讨论了把AI能力整合为更广泛临床支持所需的条件。
基准之外，真实临床环境才是最终考验。微软与波士顿的贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）建立新合作，将在不同医院环境中评估临床推理能力。在一项前瞻性研究中，患者将直接与系统交互，其表现对照医生的独立评估进行衡量。
微软同时把分散在各处的健康团队——包括微软研究院的科学家，以及Dragon Copilot和PowerScribe等产品背后的团队——整合进微软AI体系，以加快可信AI系统的交付。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
