微软 MAI-DxO 登上《科学》：复杂病例诊断准确率 83%，是基层医生的两倍多

医院里最难的不是没有检查手段，而是检查太多。一个反复发烧、指标忽高忽低的病人，可能在两周内做掉几十项化验、三轮影像，最后由多学科会诊给出一个并不确定的结论。10 月 22 日，微软给出了另一种解法：让一组 AI 智能体坐下来”会诊”。

这套系统叫 Microsoft AI Diagnostic Orchestrator，简称 MAI-DxO。相关研究已发表在《科学》期刊上，论文 DOI 为 10.1126/science.aeh7930。

一分钟速览

• 在美国急诊常见病例数据集 MIMIC-IV-ED 上，MAI-DxO 的诊断准确率是人类医生的 1.7 倍。
• 在《新英格兰医学杂志》复杂病例的模拟评估中，准确率达 83%，对照组基层全科与普通内科医生为 36%。
• 专科专家与多学科团队未纳入本次对照实验，微软在表述上留了余地。
• 官方称其所需成本仅为医生的一半到三分之一，且用更少的化验与操作锁定诊断。
• 架构核心是”编排”：多个智能体分工问诊、开检查、互相辩论；底座模型横跨 OpenAI、谷歌、Anthropic、Meta、DeepSeek，其中 GPT-5 与 GPT-5.5 表现最好。

它不是一个大模型，而是一个”会诊流程”

把 MAI-DxO 理解成”更聪明的模型”会误判它的价值。它真正做的事情，是把临床诊断拆成若干可分配的角色：有的智能体负责追问病史，有的负责提检查建议，有的负责提出鉴别诊断，还有的负责挑刺——对已有结论提出反例并组织辩论。这个流程模仿的是医院里的多学科会诊（MDT），只不过参与者换成了模型。

论文里有一个容易被忽略的结论：系统诊断能力的跃升，很大程度上来自底层基础模型本身的进步，微软的编排架构是在此之上进一步放大了增益。换句话说，这不是”用工程技巧绕过模型能力”的故事，而是”模型够强之后，工程才开始有意义”的故事。

83% 与 36% 之间隔着什么

36% 这个数字看着刺眼，但需要放回实验设计里读。对照组是基层全科医生和普通内科医生，他们可以独立查阅参考资料，但没有专科会诊支持。而在真实临床中，NEJM 级别复杂病例通常会被转给专科专家或多学科团队。所以 83% 对 36% 更准确的表述是：AI 编排系统在”单打独斗的普通医生”这个基准上取得了大幅领先，而不是”AI 打败了医学”。

真正值得关注的是成本那一栏。官方称系统所需费用仅为医生的一半到三分之一，同时用更少的化验和诊疗操作达成诊断。医疗系统的痛点从来不只是准确率，还有”为了排除一个罕见病做掉的十项检查”。如果 AI 能减少无效检查，它对医院运营的意义可能超过对诊断准确率的意义。

数据支撑背后的隐忧

这类研究有两个结构性局限。第一，回顾性数据上的高分，不等于前瞻性临床环境里的高分——真实病人会隐瞒、会记错、会中途失访，而数据集不会。第二，MIMIC-IV-ED 来自单一医疗体系，病例分布、检验项目、诊疗惯例都带有强烈的地域特征，跨体系迁移时性能如何，论文并没有给出答案。

还有一个更微妙的问题：当 AI 建议做某项检查而医生认为不必要时，责任归属如何界定？目前所有这类系统的定位都是”辅助”，但”辅助”在流程上究竟意味着医生可以否决，还是必须复核，各国监管口径并不统一。

趋势：医疗 AI 从”看片子”走向”管流程”

过去几年医疗 AI 的主战场是影像——识别结节、分割器官、判断分级，本质是单点感知任务。MAI-DxO 代表的是另一条路线：不追求在某一个判读任务上超过专家，而是接管”从问诊到确诊”的整条决策链。

这条路更难，因为它要求系统理解流程、成本与不确定性，还要在信息不足时主动索取。但一旦走通，它的替代弹性也更低——医院可以不用某个影像模型，却很难绕开诊断流程本身。对国内的医疗信息化厂商来说，这其实是一个提醒：把大模型接进 HIS 只是第一步，能不能把”会诊逻辑”产品化，才是分水岭。