MAI-DxO от Microsoft обошел терапевтов в исследовании в журнале Science

Диагностическая ИИ-система Microsoft прошла рецензирование. В статье, опубликованной 22 октября в журнале Science, говорится, что MAI-DxO заметно чаще терапевтов ставила верный диагноз в сложных клинических случаях и при этом выбирала более дешевые наборы анализов. Глава Microsoft AI Мустафа Сулейман в разговоре с TechCrunch назвал это шагом к «медицинскому суперинтеллекту».

Как работает MAI-DxO

Большинство медицинских тестов для ИИ дают модели аккуратно составленное описание случая и просят ответ. Команда Microsoft создала бенчмарк SDBench, который больше похож на настоящий прием. Система или врач получают лишь короткую жалобу пациента и сами решают, какие вопросы задавать и какие анализы назначать, причем у каждого анализа есть ориентировочная стоимость.

MAI-DxO — оркестратор поверх больших языковых моделей. Microsoft описывает его как консилиум виртуальных врачей: несколько агентов предлагают диагнозы, выбирают полезные вопросы или анализы и спорят друг с другом несколько раундов. Затем система взвешивает пользу каждого анализа относительно его цены.

Результаты

• Сложные случаи: на 304 клинико-патологических случаях из New England Journal of Medicine MAI-DxO набрала 83,2%. Терапевты справились в 36% случаев с учебниками и интернетом и в 22% — без них.
• Обычные неотложные случаи: на случаях из приемного отделения из базы MIMIC-IV-ED система набрала 80,3% против 46,8% у врачей, то есть примерно в 1,7 раза больше.
• Стоимость: в экономном режиме точность составила 80,9% при средней ориентировочной стоимости анализов $2241, тогда как самый точный режим без ограничений обходился в $5431.

По словам Microsoft, подход не привязан к одной модели. Основные прогоны в статье делали с GPT-5, а с более новыми моделями, включая GPT-5.5, результаты, как утверждает компания, сохранились и даже улучшились. Часть SDBench для выбранных случаев NEJM компания открывает, чтобы другие исследователи могли проверить выводы.

Оговорки

Авторы честно перечисляют ограничения. Врачи в исследовании работали поодиночке и были терапевтами, а не профильными специалистами или командами, которые обычно ведут такие сложные случаи. Бенчмарк только текстовый, без снимков и гистологических препаратов, и в каждом случае было заболевание, так что выборка не похожа на обычную поликлинику. Стоимость считали по стандартным ценам США. И главное: исследование оценивало только диагностику, а не лечение, безопасность или исходы для пациентов.

Наше мнение

Это более весомый результат, чем сданный чат-ботом тест с вариантами ответов, ведь система должна была сама выбирать анализы. Но это по-прежнему бенчмарк, а не клиническое испытание. Следующий настоящий рубеж — проспективное исследование в больницах, где решения принимают врачи. А пока пользуйтесь чат-ботами для вопросов о здоровье осторожно и проверьте, что они делают с вашими данными. Больше о собственных моделях Microsoft — в нашем материале о MAI-Base-2, а о том, как независимые тестировщики проверяют ИИ, читайте в новости о доступе METR к моделям Anthropic.