AI的83.2%对医生的36.1%：微软MAI-DxO登《Science》，304例新英格兰疑难病例

影响分析 × 医院信息化/临床医生 ｜ 趋势前瞻 × 投资人与产业分析师 ｜ 深度研报

一套微软的诊断AI系统，在304例《新英格兰医学杂志》临床病理讨论会病例上拿到83.2%的准确率，同期参与对照的全科医师开卷条件下只有36.1%，闭卷更是低至22.3%。这项成果10月22日发表在《Science》第394卷6822期，全部15位作者均为微软员工。比起胜负本身，更值得注意的是评测方式的改变：它把诊断从一道选择题，还原成了一场分步推进的问诊。

开场：把诊断从选择题改成问诊过程

过去评价医疗AI的主流做法，是把完整病历一次性喂给模型，然后对答案。微软这篇论文没有走这条路。研究团队构建了顺序诊断基准SDBench，把304例新英格兰病例与325例急诊留观病例改造成交互式问诊：每个病例只给一段简短的临床开场，之后无论医生还是AI，都要自己问病史、做检查、开检验，最后给出诊断，并按CPT计价口径累计每一次开单的估算成本。

这个设计的意图很直接：静态基准测不出一个诊断者会不会问对问题、会不会滥开检查、能不能判断证据已经足够收口。而这恰恰是真实诊疗里最值钱的能力。

两个配套智能体撑起了整个流程。Gatekeeper负责应答每一次信息请求，在所查结果不存在时生成诊断中立的合成结果，避免数据缺失本身泄露答案；Judge按医生撰写的五级评分标准给最终诊断打分，4分或5分——即管理方案不变的诊断——计为正确。

还有一个细节值得临床读者留意：参与对照的医生平均先问5.6个问题就开出第一项检查，而DxO搭配GPT-5平均要问25.5个问题才动手开单。论文把后者称为充分的结构化病史采集。

83.2%对36.1%这组数字，衡量的不是同一道题谁答得准，而是两种完全不同的问诊策略在疑难病例上的产出差异。

三组数字：83.2%对36.1%，以及人均5431美元对4725美元

先看核心结果。NEJM病例上，DxO搭配GPT-5、不加预算约束，取得83.2%的准确率，人均估算检查成本5431美元。

医生一侧的数据来自一项配套研究，在56个与工程开发隔离的病例上完成，参与者共给出662次开卷诊断和764次闭卷诊断：

• 开卷条件下平均36.1%，人均成本4725美元
• 闭卷条件下平均22.3%，人均成本3049美元
• 表现最好的单个医生达到51.8%
• 急诊病例上，DxO无约束为80.3%对医生平均46.8%，最佳医生62.5%

值得注意的是急诊病例上的反差小得多：80.3%对46.8%，差距约33个百分点，而NEJM疑难病例上差距超过47个百分点。这符合直觉——临床病理讨论会本来就是为诊断难题准备的样本，而急诊病例更接近日常谱系。换到越接近日常的病例，差距越收窄，这个梯度本身就是重要信息。

微软在公告中称，没有任何被评估的人类或AI方法能同时比MAI-DxO更准确且更便宜。但也要读清楚这组对照的结构：对面坐的是全科医师个人，不是专科团队。

成本约束版：80.9%只要2241美元，79.6%只要1303美元

比83.2%更值得医院管理者看的，是成本维度上的一串梯度。DxO不是只有一个档位：

• 无预算约束：83.2%，人均5431美元
• 成本约束配置一：80.9%，人均2241美元
• 成本约束配置二：79.6%，人均1303美元
• 追求卓越配置：84.5%，人均8945美元

从8945美元的顶配降到1303美元的紧缩档，准确率只掉4.9个百分点；而医生的闭卷成绩22.3%对应的人均成本是3049美元。换言之，DxO在成本不到医生一半的档位上，准确率仍高出五十多个百分点。论文将其归因于系统在每一步施加的成本意识检查管理——同样的框架，管住了开单的手。

对采购方来说，这串梯度的意义在于：诊断AI的成本-质量曲线是可配置的，未来与医保支付标准、科室预算的对齐存在明确抓手。

编排到底贡献多少：平均7.9个百分点，弱模型提升最大

DxO本身不绑定某一个模型，它模拟一组角色互补的虚拟专家、组织多轮辩论、跨独立运行聚合诊断。那么问题来了：成绩到底是大模型的，还是编排层的？

论文给了答案：在所有测试模型上，从最简基线提示到DxO编排，NEJM病例平均提升7.9个百分点，急诊病例平均提升4.4个百分点。而且提升并非均匀分布，越弱的模型从编排中获益越大——据TechCrunch对论文数据的报道，Gemini 2.5 Flash从46.4%的基线被拉到接近69%。

这说明编排层是一个可以脱离单一大模型复用的工程资产。对产业链的意义是：诊断能力的护城河未必全在基础模型，调度、角色分工与聚合策略同样是可积累的技术壁垒。

还有一个时间线上的事实：DxO最初在GPT-4.1还是最强模型时开发，后续用GPT-5评估，发表前又在GPT-5.5上完整重跑了一遍评测，未修改提示词与编排逻辑，相对基线的优势进一步扩大。模型升级时系统能力跟着涨，这减轻了对单一模型过拟合的担忧。

冷静观察：15位作者、真实世界验证与它没回答的问题

必须先说明这项研究没证明什么。论文作者自己写得很清楚：这些对比不能说明对专科医生、多学科团队或真实临床实践的优势，他们预期面对与病例匹配的专家团队时差距会收窄。被测量的优势在受控模拟中被放大——真实世界里不确定的病史、不完整的文档、医患沟通、纵向随访、影像与病理切片等多模态数据都被排除了；NEJM病例本身也可能过度代表诊断困难的呈现。

再加上几条硬边界：

• 全部15位作者均为微软员工并持有公司股权，数人为相关专利申请的发明人，研究未获得微软之外的任何资金
• 医生对照为全科医师个人，而非专科或多学科团队
• Judge评分只评疾病层面的诊断正确性，不涉及治疗适当性、安全性与长期管理
• 这是文字化的回顾性模拟，尚未在真实诊疗中验证

下一步的验证路径已经排上日程：微软正与波士顿Beth Israel Deaconess医疗中心合作开展前瞻研究，由患者直接与系统交互，成绩与医生的独立评估对照。SDBench的基准、Gatekeeper、Judge与成本估算代码已在GitHub以MIT许可开源，NEJM派生数据集需向NEJM Group取得授权，MIMIC子集经PhysioNet分发。

对产业观察者，真正值得盯的不是83.2%这个数字，而是前瞻研究里它还剩多少。在模拟环境里问对25.5个问题的能力，搬到诊室里还能剩下几成，才是这项工作从论文走向产品的分水岭。

原文链接：Science / Unite.AI

千方医数集编辑部 出品